Analisa Data : Analisis Data Pengaruh Atribut Produk Terhadap Keputusan Pembelian Kebab Turki Baba Rafi di Yogyakarta

Analisis Pengaruh Atribut Produk Terhadap Keputusan Pembelian Kebab Turki Baba Rafi Di Yogyakarta. Tujuan penelitian ini adalah untuk mengetahui adanya perilaku konsumen ikut menentukan tercapainya tujuan perusahaan. Konsumen akan mempertimbangkan berbagai faktor berkaitan dengan produk. Dengan menentukan atribut – atribut apa saja yang dapat mempenaruhi perilaku pembelian maka dapat diketahui. Atribut mana yang sudah sesuai maupun belum sesuai dengan kebutuhan dan keinginan konsumen dimana selanjutnya perusahaan dapat mengembangkan dan menyempurnakan produknya agar lebih memuaskan konsumen dan tujuan perusahaan agar dapat tercapai.

Penelitian dilakukan pada Kebab Turki Baba Rafi. Perusahaan jasa yang memproduksi kebab sebagai makanan khas Turki. Populasi yang diteliti adalah konsumen yang pernah datang membeli Kebab Turki Baba Rafi di Yogyakarta. Sampel yang digunakan 100 responden. Variabel yang digunakan dalam penelitian meliputi harga, rasa atau aroma, kemasan, pelayanan dan ukuran. Metode pengambilan sampel menggunakan purposive sampling dengan tehnik analisis deskriptif dan statistik meliputi analisis regresi berganda. Pengujian hipotesis dengan uji secara serentak atau uji F. pengujian hipotesis dengan uji parsial atau uji t dan analisis koefisien determinasi berganda.

Atribut produk mempunyai pengaruh terhadap keputusan pembelian kebab di Kebab Turki Baba Rafi. Hal ini ditunjukkan dengan nilai t-statistik lebih besar dari t-tabel. Besar pengaruh variabel harga (X1), rasa atau aroma (X2), kemasan (X3), pelayanan (X4), dan ukuran (X5) terhadap keputusan pembelian Kebab Turki Baba Rafi (Y) sebesar 0,561. Besar pengaruh variabel masing-masing atribut produk terhadap keputusan pembelian Kebab Turki Baba Rafi yaitu untuk ; koefisien korelasi antara variabel harga (X1) dengan keputusan pembelian Kebab Turki Baba Rafi (Y) sebesar 0,276, hal ini berarti korelasinya rendah, koefisien korelasi antara variabel rasa atau aroma (X2) dengan keputusan pembelian Kebab Turki Baba Rafi (Y) sebesar 0,385, hal ini berarti korelasinya sedang, koefisien korelasi antara variabel kemasan (X3) dengan keputusan pembelian Kebab Turki Baba Rafi (Y) sebesar 0,298, hal ini berarti korelasinya rendah, koefisien korelasi antara variabel pelayanan (X4) dengan perilaku membeli Kebab Turki Baba Rafi (Y) sebesar 0,213, hal ini berarti korelasinya rendah, dan koefisien korelasiantara variabel ukuran (X5) dengan keputusan pembelian Kebab Turki Baba Rafi (Y) sebesar 0,420, hal ini berarti korelasinya cukup kuat.

Analisa Data : Analisis Data pada Model Regresi Data Panel

Data panel atau panel data atau Pooled Data adalah gabungan dari data time series (antar waktu) dan data cross section (antar individu/ruang). Untuk menggambarkan panel data / data panel / Pooled Data secara singkat, misalkan pada data cross section, nilai dari satu variabel atau lebih dikumpulkan untuk beberapa unit sampel pada suatu waktu waktu. Dalam panel data / data panel / pooled data , unit cross section yang sama di-survey dalam beberapa waktu (Gujarati, 2003:637).
Regresi dengan menggunakan panel data / data panel / pooled data, memberikan beberapa keunggulan dibandingkan dengan pendekatan standar cross section dan time series.

Begini, misalkan kita punya data 50 Bank, masing – masing Bank dicari ROI, NOPAT, dan lainnya untuk tahun 2007 saja, maka data tersebut disebut dengan data Cross Section. Tapi, kalau kita punya data 1 Bank, namun data ROI, NOPAT, dan data lainnya dari Bank tersebut kita miliki sejak tahun 1998 hingga 2007, maka data tersebut disebut dengan data Time Series.
Gabungan dari keduanya, yaitu 50 Bank dengan beberapa satuan waktu misalkan 1998 hingga 2007 disebut dengan Data Panel (Pooled Data).

Keunggulan dan Permasalahan Regresi dengan Data Panel
Hsiao (1986), mencatat bahwa penggunaan panel data / data panel  / pooled data dalam penelitian ekonomi memiliki beberapa keuntungan utama dibandingkan data jenis cross section maupun time series.
Pertama, dapat memberikan peneliti jumlah pengamatan yang besar, meningkatkan degree of freedom (derajat kebebasan), data memiliki variabilitas yang besar dan mengurangi kolinieritas antara variabel penjelas, di mana dapat menghasilkan estimasi ekonometri yang efisien.
Kedua, panel data dapat memberikan informasi lebih banyak yang tidak dapat diberikan hanya oleh data cross section atau time series saja.
Ketiga, panel datadata panel dapat memberikan penyelesaian yang lebih baik dalam inferensi perubahan dinamis dibandingkan data cross section.

Di samping berbagai keunggulan dimiliki model panel datadata panel  / pooled data tersebut, ada beberapa permasalahan yang muncul dalam pemanfaatan data panel, yaitu permasalahan autokorelasi dan heterokedastisitas. Sementara itu ada permasalahan baru yang muncul seperti korelasi silang (cross-correlation) antar unit individu pada periode yang sama.

Estimasi Regresi dengan Data Panel
Estimasi model data panel ergantung kepada asumsi yang dibuat peneliti terhadap intersep/konstanta (intercept), koefisien kemiringan (slope coefficients) dan variabel error (error term). Model-model estimasi ini akan ditinjau pada kesempatan lain.

Regresi dengan data panel adalah unik. Unik karena memiliki dua dimensi, yaitu dimensi time series dan dimensi cross section. Dengan kata lain, regresi data panel merupakan regresi gabungan jangka pendek dan jangka panjang. Ada dua autokorelasi di dalam regresi data panel / data panel : autokorelasi residual time series, dan korelasi antar residual. Begitu juga dengan heteroskedastisitas : heteroskedastisitas residual cross-section, heteroskedastisitas antar residual.

Analisis data panel / data panel merupakan pengembangan dari analisis regresi. Terdapat tiga metode regresi dasar yang ada, yaitu Common Pooled Least Square (OLS), Fixed Effect Regression, dan Random Effect.

Metode mana yang paling sesuai ? Untuk mengetahui jawabannya, harus dilakukan 2 buah Uji, yaitu Uji Hausmann dan Uji Chow.

Untuk konsultasi lebih lanjut, silahkan hubungi:

http://www.bengkeldata.com

CS : 021-3333 7398- 08194505 9000
e-mail : info@bengkeldata.com

==========================================
IKLAN—IKLAN—IKLAN—

Beta Consulting ( Bengkeldata.com ) merupakan sebuah lembaga konsultasi untuk membantu perusahaan/perorangan dalam melakukan analisa data statistika, olah data penelitian , riset pasar dan konsultasi manajemen.

LAYANAN
1. Olah Data Statistika/ analisa data Penelitian
2. Training Statistika : SPSS, Eviews, SAS, Lisrel, Minitab, Amos
3. Riset Pasar
4. Management Consultancy

Hubungi:
Beta Consulting ( Bengkeldata.com )
Telp: (021) 3333 7398 – 0819 4505 9000

email : info@bengkeldata.com

=======================================

Analisa Data : Analisis Data Pengaruh Manajemen Laba pada Tingkat Pengungkapan Laporan Keuangan pada Perusahaan Manufaktur

Laporan keuangan merupakan sarana pengkomunikasian informasi keuangan kepada pihak-pihak di luar korporasi. Laporan keuangan tersebut diharapkan dapat memberikan informasi kepada para investor dan kreditor dalam mengambil keputusan yang berkaitan dengan investasi dana mereka. Dalam penyusunan laporan keuangan, dasar akrual dipilih karena lebih rasional dan adil

dalam mencerminkan kondisi keuangan perusahaan secara riil, namun di sisi lain penggunaan dasar akrual dapat memberikan keleluasaan kepada pihak manajemen dalam memilih metode akuntansi selama tidak menyimpang dari aturan Standar Akuntansi Keuangan yang berlaku. Pilihan metode akuntansi yang secara sengaja dipilih oleh manajemen untuk tujuan tertentu dikenal dengan sebutan manajemen laba atau earnings management.

Jika pada suatu kondisi dimana pihak manajemen ternyata tidak berhasil mencapai target laba yang ditentukan, maka manajemen akan memanfaatkan fleksibilitas yang diperbolehkan oleh standar akuntansi dalam menyusun laporan keuangan untuk memodifikasi laba yang dilaporkan. Manajemen termotivasi untuk memperlihatkan kinerja yang baik dalam menghasilkan nilai atau keuntungan maksimal bagi perusahaan sehingga manajemen cenderung memilih dan menerapkan metode akuntansi yang dapat memberikan informasi laba lebih baik.

Adanya asimetri informasi memungkinkan manajemen untuk melakukan manajemen laba. Penelitian Richardson (1998) menunjukkan adanya hubungan yang positif antara asimetri informasi dengan manajemen laba.

Manajemen dapat meningkatkan nilai perusahaan melalui pengungkapan informasi tambahan dalam laporan keuangan namun peningkatan pengungkapan laporan keuangan akan mengurangi asimetri informasi sehingga peluang manajemen untuk melakukan manajemen laba semakin kecil. Hal ini menunjukkan bahwa manajemen laba dan tingkat pengungkapan laporan keuangan memiliki hubungan yang negatif sejalan dengan hasil penelitian sebelumnya oleh Lobo and Zhou (2001) serta Sylvia Veronica dan Yanivi Bachtiar (2003). Perusahaan yang melakukan manajemen laba akan mengungkapkan lebih sedikit informasi dalam laporan keuangan agar tindakannya tidak mudah terdeteksi. Namun terdapat kemungkinan sebaliknya, jika manajemen laba dilakukan untuk tujuan mengkomunikasikan informasi dan meningkatkan nilai perusahaan, maka seharusnya hubungan yang terjadi adalah positif.

Dalam menganalisis pengaruh manajemen laba pada tingkat pengungkapan dan sebaliknya, penelitian ini juga meneliti variabel-variabel lain yang berpengaruh pada manajemen laba diantaranya asimetri informasi (Information Asymmetry), kinerja masa kini (Current Industry RelativePerformance), kinerja masa depan (Future Industry Relative Performance), Leverage (Debt) , dan ukuran perusahaan (Size), serta variabel-variabel yang berpengaruh pada tingkat pengungkapan seperti ukuran perusahaan (Size), return kumulatif (Cummulative Return), dan Current Ratio.

Asimetri informasi adalah suatu keadaan dimana manajer memiliki akses informasi atas prospek perusahaan yang tidak dimiliki oleh pihak luar perusahaan.

Agency theory mengimplikasikan adanya asimetri informasi antara manajer (agent) dengan pemilik. (principal). Penelitian Richardson (1998) menunjukkan adanya hubungan antara asimetri informasi dengan manajemen laba. Ketika asimetri informasi tinggi, stakeholder tidak memiliki sumber daya yang cukup, insentif, atau akses atas informasi yang relevan untuk memonitor tindakan manajer, dimana hal ini memberikan kesempatan atas praktek manajemen laba. Adanya asimetri informasi akan mendorong manajer untuk menyajikan informasi yang tidak sebenarnya terutama jika informasi tersebut berkaitan dengan pengukuran kinerja manajer.

Untuk konsultasi lebih lanjut, silahkan menghubungi:

CS : 021-71088944 – 0819 4505 9000

YM : abays_khan

e-mail : info@bengkeldata.com

Analisa Data : Analisis Inferensi Data Statistik dengan Metode Bootstrap

Menuru Shao dan Tu (1995) serta Davison dan Hinkley (1997) dalam inferensi statistik parametrik klasik, distribusi sampling dianggap sebagai suatu model dengan sifat-sifat probabilitas yang diketahui, seperti asumsi distribusi yang memerlukan formula analitis berdasarkan pada model untuk mengestimasi secara analitis parameter dalam distribusi samplingnya. Dalam prakteknya, distribusi sampling tidak selalu memenuhi distribusi normal dan kadang-kdang memerlukan penurunan formulasi analitis yang sulit dilakukan sehingga dimungkinkan akurasi estimatornya tidak valid.

Bootstrap memungkinkan seseorang untuk melakukan inferensi statistic tanpa membuat asumsi distribusi yang kuat dan tidak memerlukan formulasi analitis untuk distribusi sampling suatu estimator. Sebagai pengganti, bootstrap menggunakan distribusi empiris untuk mengestimasi distribusi sampling. Jadi jika penyelesaian analitik tidak mungkin dilakukan dimana anggapan (suatu distribusi, misalnya kenormalan data) tidak dipenuhi maka dengan menggunakan Boosttrap masih dapat dilakukan suatu inferensi.

Dasar pendekatan Bootstrap adalah dengan memperlakukan sampel sebagai populasi dan dengan menggunakan sampling Monte Carlo untuk membangkitkan dan mengkonstruksi estimator empiris dari distribusi sampling statistik. Distribusi sampling dapat dipandang sebagai harga-harga statistik yang dihitung dari sejumlah tak terhingga sampel random berukuran n dari suatu populasi yang diberikan. Sampling Monte Carlo mengambil konsep ini untuk membangun distribusi sampling suatu estimator dengan mengambil sejumlah besar sampel erukuran n secara random dari populasi dan menghitung statistik tersebut dari harga-harga distribusi sampling tersebut. Estimasi Monte Carlo yang sebenarnya memerlukan pengetahuan tentang seluruh populasi yang tidak mungkin selalu tersedia dalam prakteknya karena yang dipunyai dari hasil riset praktek adalah sampel dari populasi oleh karena itu dilakukan inferensi untuk Tetha dari distribusi samplingnya.

Software yang recomended untuk digunakan analisa dengan metode Bootstrap adalah S-Plus dan R.

Bengkeldata.Com siap membantu anda dalam melakukan olah data statistik dengan metode Bootstrap.

(Sopana (2003). Estimasi Interval Konfidensi Nonparametrik dengan Metode Bootstrap. Skripsi Jurusan Matematika FMIPA Universitas Sebelas Maret (UNS), Surakarta.)

Analisa Data : Analisis Data dengan Metode Bootstrap Non Parametrik

Dalam Bootstrap, sebuah sampel diambil dari suatu populasi. Sampel ini dinamakan dengan Sampel Asli. Sampel Asli kemudian diperlukan sebagai populasi dan diaplikasikan prosedur Monte Carlo pada sampel tersebut. Hal ini dilakukan dengan mengambil sejumlah besar Sampel Ulang (Resample) berukuran n dari Sampel Asli secara random dengan pengembalian. Dengan cara Resampling seperti ini akan diperoleh sampel yang berukuran sama dengan Sampel Asli dan dengan pengembalian dimungkinan diperoleh Resample yang sama lebih dari sekali dan mungkin saja berbeda dengan Sampel Asli.

Metode Bootstrap tidak selalu memerlukan asumsi distribusi dan formulasi analitis yang rumit untuk mengestimasi parameter dari suatu populasi. Jika asumsi dari suatu distribusi tidak diketahui maka disebut kasus nonparametrik.

Software yang recomended untuk digunakan analisa dengan metode Bootstrap adalah S-Plus dan R.

Bengkeldata.Com siap membantu Anda dalam melakukan olah data statistik dengan menggunakan Metode Bootstrap.

(Sopana (2003). Estimasi Interval Konfidensi Nonparametrik dengan Metode Bootstrap. Skripsi Jurusan Matematika FMIPA Universitas Sebelas Maret (UNS), Surakarta.)

Untuk konsultasi lebih lanjut, silahkan menghubungi:

CS : 021-71088944 – 0819 4505 9000

YM : abays_khan

e-mail : info@bengkeldata.com

Analisa Data : Analisis Data Uji Cluster Analysis

Cluster Anaysis bertujuan untuk mengelompokkan objek-objek (responden, produk, kemasan atau lainnya) berdasarkan kesamaan karakteristik dari objek-objek tersebut. Objek tersebut akan dikelompokkan ke dalam satu atau lebih cluster (kelompok), sehingga objek yang berada dalam satu cluster akan memiliki kesamaan karakteristik. Analisis Cluster dipakai dalam olah data statistik yaitu untuk melakukan segmentasi konsumen dalam pemasaran.

Model Analisis

Termasuk ke dalam Interdependence Model, artinya tidak pengelompokkan  independent variabel atau dependent variables pada semua variabel yang di analisis

Metode Cluster

1. HIERARCHICHAL METHOD :  Semua objek dikelompokkan berdasarkan kedekatannya, sehingga membentuk dendogram (pohon hirarki). Dendogram tersebut menggambarkan objek yang paling mirip sampai yang paling berbeda. Cocok untuk data yang sedikit <100

2. NON-HIERARCHICHAL METHOD (K-MEANS CLUSTER). Analisis dimulai dengan menentukan jumlah cluster yang diinginkan (dua, tiga atau empat cluster), kemudian proses cluster dilakukan tanpa mengikuti proses hirarki. Cocok untuk data yang besar >100

Analisa Data : Analisis Data Uji Parametrik & Uji Non Parametrik

Ilmu statistika secara garis besar dibagi menjadi 2 :

1. Statistika parametrik

Ilmu statistika yang mempertimbangkan jenis sebaran/distribusi data, yaitu apakah data menyebar normal atau tidak. Pada umumnya, Jika data tidak menyebar normal, maka data harus dikerjakan dengan metode Statistika non-parametrik, atau setidak2nya dilakukan transformasi agar data mengikuti sebaran normal, sehingga bisa dikerjakan dg statistika parametrik. Contoh metode statistika parametrik: uji-z (1 atau 2 sampel), uji-t (1 atau 2 sampel), korelasi pearson, Perancangan Percobaan (1 or 2-way ANOVA parametrik), dll.

2. Statistika non parametrik

Menurut literatur, statistika non-parametrik adalah statistika bebas sebaran (tidak mensyaratkan bentuk sebaran parameter populasi, baik normal atau tidak). Statistika non-parametrik biasanya digunakan untuk melakukan analisis pada data berjenis Nominal atau Ordinal. Data berjenis Nominal dan Ordinal tidak menyebar normal. Contoh metode Statistika non parametrik: Binomial test, Chi-square test, Median test, Friedman Test, dll.

=======================================
Beta Consulting ( Bengkeldata.com ) siap membantu perusahaan/perorangan dalam melakukan analisa data statistika, olah data penelitian , Analisis Data Uji Parametrik, Analisis Data Uji Non Parametrikriset pasar dan konsultasi manajemen.

LAYANAN
1. Olah Data Statistika/ Penelitian : Uji Parametrik & Uji Non Parametrik, dll
2. Training Statistika : SPSS, Eview, SAS, Lisrel, Minitab, Amos
3. Riset Pasar
4. Management Consultancy

Hubungi:
Beta Consulting ( Bengkeldata.com )

CS : 0819 4505 9000

WA : 0838 0405 9000

Pin BB: 7426 1930

ID Line: bengkeldatacom

ID WeChat/KakaoTalk/ Hangouts: bengkeldata

twitter: @bengkeldata

email: info@bengkeldata.com

bengkeldata@gmail.com