Analisis Kuadran Harapan dan Persepsi Publik

46 komentar
Share:
Analisis kuadran atau Importance Performance Analysis (IPA) adalah sebuah teknik analisis deskriptif yang diperkenalkan oleh John A. Martilla dan John C. James tahun 1977. Importance Performance Analysis adalah suatu teknik analisis yang digunakan untuk mengidentifikasi faktor-faktor kinerja penting apa yang harus ditunjukkan oleh suatu organisasi dalam memenuhi kepuasan para pengguna jasa mereka (konsumen). Awalnya, Martilla dan James memaksudkan metode ini untuk digunakan dalam bidang riset pemasaran dan perilaku konsumen. Kendati demikian, pada perkembangan selanjutnya, kini penggunaannya telah meluas pada riset-riset pelayanan rumah sakit, pariwisata, sekolah, bahkan hingga analisis atas kinerja birokrasi publik (pemerintahan).

Uji Beda Harapan dan Persepsi

Uji ini dilakukan guna menguji apakah terdapat kesenjangan (gap) antara Harapan dengan Persepsi dalam variabel yang dianalisis. Uji dilakukan dengan membedakan nilai Mean antara Harapan dengan Persepsi dan perbedaan tersebut berlangsung dalam kelompok sampel yang sama (pelanggan sama, mengisi kuesioner sama). Nilai Mean tiap variabel diinput ke dalam SPSS, berlaku untuk variabel Harapan dan variabel Persepsi.

Guna menguji ada tidaknya gap, digunakan Wilcoxon Signed-Rank Test. Uji ini diciptakan oleh Frank Wilcoxon tahun 1945. Uji ini diterapkan pada data-data yang sifatnya non parametrik seperti data tidak berdistribusi normal dan diukur dengan skala yang lebih rendah dari interval.

Wilcoxon Signed-Rank Test diterapkan jika terdapat 2 perangkat skor yang ingin diperbandingkan. Skor-skor tersebut berasal dari partisipan yang sama. Skor yang berbeda adalah skor Harapan dan skor Persepsi. Partisipan yang sama adalah Pelanggan yang sama.

Uji Wilcoxon Signed-Rank Test dilakukan dengan menggunakan SPSS. Tata tertib dalam melakukan uji ini dengan SPSS adalah:
  1. Buat 2 variabel baru yaitu : (a) Mean Harapan tiap Responden dan (b) Mean Persepsi tiap Responden.
  2. Klik menu Analyze > Nonparametric Tests > 2 Related Samples.
  3. Pada jendela Two-Related Samples Test masukkan Mean Harapan ke Variable 1 dan Mean Persepsi ke Variable 2.
  4. Pastikan Test Type Wilcoxon sudah terceklis.
  5. Klik OK.


Pembuktian uji diterjemahkan ke dalam Hipotesis deskriptif berikut:
  • H0 : Tidak ada kesenjangan antara Harapan dengan Persepsi pelanggan.
  • H1 : Ada kesenjangan antara Harapan dengan Persepsi pelanggan.


Atau, dalam bentuk Hipotesis Statistik berikut :
  • H0 : d = 0, artinya tidak ada gap antara Persepsi dengan Harapan.
  • H1 : d ≠ 0, artinya ada gap antara Persepsi dengan Harapan pelanggan.


Di mana Hipotesis Statistik berlaku tatkala kondisi berikut terpenuhi :
  • Jika zhitung < ztabel pada tingkat signifikansi 0,05 maka H0 diterima dan H1 ditolak.
  • Jika zhitung > ztabel pada tingkat signifikansi 0,05 maka H0 ditolak dan H1 diterima


Rumus untuk mencari z hitung adalah:


Dimana :
  • T = selisih terkecil (jika terdapat minus, minus tertinggi)
  • N = jumlah sampel (sampel selisih 0 tidak disertakan)


Sementara untuk ztabel, untuk uji 2 sisi, nilai yang dicari adalah 0,025 yaitu 1,96 pada tabel Z score.

Pengambilan keputusan juga dapat dilihat dengan kurva normal berikut:




Statistik Deskriptif dengan Importance-Performance Analysis (IPA)

Importance-Performance Analysis (selanjutnya disingkat IPA) adalah suatu metode statistik bercorak deskriptif. Metode ini pertama kali diperkenalkan oleh John A. Martilla dan John C. James tahun 1977 lewat karya mereka yang dimuat dalam Journal of Marketing berjudul Importance-Performance Analysis.

Martilla dan James menyodorkan contoh sebuah dealer otomobil yang hanya 37% pembeli mobilnya tetap loyal setelah mencapai 6000 mil. Perusahaan hendak meningkatkan loyalitas hingga 50%, terutama memperbaiki sektor pelayanan mereka. Lalu ditentukan 14 atribut yang diyakini punya pengaruh dalam konteks pelayanan. Responden lalu ditanyai 2 pertanyaan untuk ke-14 atribut tersebut, yaitu:
  1. Seberapa pentingkah layanan ini ? (melukiskan Harapan)
  2. Seberapa baikkah kinerja dealer? (melukiskan Persepsi)


Kuesioner dikirim pada 634 orang yang pernah membeli mobil baru dari dealer tersebut. Hasilnya kembali 284 kuesioner yang telah diisi.

Hal menarik dari IPA adalah hasil penelitian disampaikan dalam bentuk kuadran 2 dimensi yang bersifat grafis dan mudah diinterpretasi. Hasil kuadran penelitian yang dicontohkan Martilla dan James sebagai berikut:


Dalam menginterpretasi kuadran, keduanya merinci sebagai berikut:

A. Concentrate Here (konsentrasi di sini).

Faktor-faktor yang terletak dalam kuadran ini dianggap sebagai faktor yang Penting dan atau Diharapkan oleh konsumen tetapi kondisi Persepsi dan atau Kinerja Aktual yang ada pada saat ini belum memuaskan sehingga pihak manajemen berkewajiban mengalokasikan sumber daya yang memadai untuk meningkatkan kinerja berbagai faktor tersebut. Faktor-faktor yang terletak pada kuadran ini merupakan prioritas untuk ditingkatkan.

B. Keep up with the good work (pertahankan prestasi).

Faktor-faktor yang terletak pada kuadran ini dianggap Penting dan Diharapkan sebagai faktor penunjang bagi kepuasan konsumen sehingga pihak manajemen berkewajiban memastikan bahwa kinerja institusi yang dikelolanya dapat terus mempertahankan prestasi yang telah dicapai.

C. Low Priority (prioritas rendah)

Faktor-faktor yang terletak pada kuadran ini mempunyai tingkat Persepsi atau Kinerja Aktual yang rendah sekaligus dianggap tidak terlalu Penting dan atau terlalu Diharapkan oleh konsumen sehingga manajemen tidak perlu memprioritaskan atau terlalu memberikan perhatian pada faktor-faktor tersebut.

D. Possibly Overkill (terlalu berlebih).

Faktor-faktor yang terletak pada kuadran ini dianggap Tidak Terlalu Penting dan atau Tidak Terlalu Diharapkan sehingga pihak manajemen perlu mengalokasikan sumber daya yang terkait dengan faktor-faktor tersebut kepada faktor-faktor lain yang mempunyai prioritas penanganan lebih tinggi yang masih membutuhkan peningkatan, semisal di kuadran B.

C. L. Martinez mengutarakan terdapat 2 (dua) cara dalam mempresentasikan data IPA. Pertama, menempatkan garis perpotongan kuadran pada nilai rata-rata pada sumbu tingkat kepuasan dan sumbu prioritas penanganan dengan tujuan mengetahui secara umum penyebaran data terletak pada kuadran ke berapa. Kedua, menempatkan garis perpotongan kuadran pada nilai rata—rata hasil pengamatan pada sumbu tingkat kepuasan dan sumbu prioritas penangan dengan tujuan untuk mengetahui secara spesifik masing-masing faktor terletak pada kuadran berapa. Metode kedua ini lebih banyak dipergunakan oleh para peneliti.

Dalam konteks IPA ini, peneliti akan melakukan langkah-langkah sebagai berikut:
  1. Menghitung Mean Harapan setiap responden.
  2. Menghitung Mean Persepsi setiap responden.
  3. Melakukan plotting Mean Harapan dan Mean Persepsi secara Cartesian ke dalam Kuadran IPA Martilla and James.
  4. Melakukan interpretasi dan analisis seputar indikator-indikator apa yang masuk ke dalam kategori:
             Concentrate Here;
             Keep Up with the Good Work;
             Low Priority
             Possibly Overkill            


Bagaimana Menggambar Kuadran?

Ciri khas dari teknik analisis metode Importance Performance Analysis adalah penggunaan kuadran kartesian (seperti di atas). Persoalannya, bagaimana membuat titik pusat untuk garis x dan garis y. Misalnya, seorang peneliti hendak mengungkap Kualitas Pelayanan Partai X atas Konstituennya. Apakah terjadi Gap antara Harapan dengan Persepsi Konstituen atas Kualitas Pelayanan Partai X, adalah pokok masalah utama. Pokok masalah ini diselesaikan lewat uji Wilcoxon Sign-Rank di atas.

Pokok masalah lanjutannya, peneliti ingin mengetahui indikator-indikator Kualitas Pelayanan apa saja yang masuk ke dalam Kuadran A, B, C, atau D. Indikator kualitas pelayanan yang diteliti ada lima yaitu Reliability, Responsiveness, Assurance, Empathy, dan Tangible. Masing-masing indikator diwakili oleh 5 item pertanyaan. Jadi penelitiannya terdiri atas 5 indikator yang diukur lewat 20 item pertanyaan.

Peneliti telah menyebar kuesioner sebanyak 269 dan telah dicoding sekaligus diinput ke dalam komputer. Peneliti kini hendak mengetahui plot-plot data untuk masing-masing item dan masing-masing indikator. Apa yang harus dilakukan kemudian?

Plotting Data untuk Masing-masing Item

Pertama, peneliti harus menentukan c-line untuk sumbu x dan c-line untuk sumbu y. Cara mencarinya adalah peneliti membuat tabel berikut:


Perhatikan gambar di atas. Untuk Item#1, Pernyataan P diisi dengan butir pernyataan 1 sesuai kuesioner, demikian pula dengan Pernyatan E. Lalu, Kolom mean persepsi (p) diisi dengan nilai mean ke-269 responden dalam menanggapi Pernyataan P#1. Demikian pula dengan mean harapan (e) diisi dengan nilai mean ke-269 responden dalam menanggapi Pernyataan E#1. Kolom gap p-e diisi dengan mean persepsi (p) dikurangi mean harapan (e).

Demikianlah, peneliti terus melanjutnya hingga item #20. Hal yang terpenting adalah mengisi baris terbawah: C-Line. C-Line adalah sum/20. Misalnya, C-Line untuk mean persepsi (p) adalah sum-nya (yaitu 63,65/20) yang adalah 3,18. C-Line untuk mean harapan (e) adalah sum-nya (yaitu 78,76/20) yang adalah 3,94. C-Line mean persepsi (3,18) akan menjadi c-line sumbu x. C-Line mean harapan (3,94) akan menjadi c-line sumbu y. Hasilnya akan seperti berikut ini:


Setelah menaruh nilai 3,18 di sumbu x tariklah garis vertikal ke atas sehingga membelah kuadran menjadi sisi kiri dan sisi kanan. Setelah menaruh nilai 3,94 di sumbu y tariklah garis horisontal ke kanan sehingga membelah kuadran menjadi sisi atas dan sisi bawah. Kini kuadran 4 telah terbentuk dan langsung namai menjadi A, B, C, dan D.

Plot-plot data dibuat menurut nilai yang tertera pada mean persepsi (p) dan mean harapan (e) masing-masing item. Mean (p) ditaruh di sumbu x, mean (e) ditaruh di sumbu y. Misalnya item #1 sumbu x nya 3,20 sumbu y nya 3,94. Dan seterusnya hingga ke-20 item ter-plot untuk masuk ke dalam kuadran. Kini peneliti tinggal menganalisis masing-masing item, apakah masuk kuadran A, B, C, atau D. Justru kinilah saat peneliti berargumentasi sesuai fakta kuadran.

Plotting Data untuk Masing-masing Indikator

Hal ini serupa seperti sebelumnya. C-line untuk sumbu x dan y adalah sama. Hanya saja plotting datanya yang berbeda. Perhitungannya jika peneliti menggunakan 5 indikator (reliability, responsiveness, assurance, empathy, dan tangible) maka mean persepsi dan mean harapan dibuat berdasarkan skor masing-masing indikator. Misalnya untuk indikator Reliability, peneliti mengukurnya lewat item#1, item#2, item#3, dan item#4. Peneliti cukup mencari rata-rata berdasarkan keempat item untuk mean persepsi (p) dan mean harapan (e). Hasilnya sebagai berikut:


Dapat diperhatikan, c-line untuk sumbu x dan sumbu y sama dengan bagi 20 item di atas. Hal yang berbeda adalah mean p dan mean e nya. Mean p untuk indikator Keandalan misalnya, diperoleh dari perhitungan (mean p item#1 + mean p item#2 + mean p item#3 + mean p item#4)/4 = 3,21. Demikian untuk mean e dan indikator-indikator selanjutnya.

Untuk plotting data selanjutnya sama dengan cara di atas. Hanya saja, tentu plotting yang dihasilkan cuma 5 plot karena menggunakan 5 indikator. Dengan 5 indikator hasil plotting misalnya sebagai berikut:


Daftar Pustaka

  1. Andi Field, Discovering Statistics using SPSS, Second Edition (California : SAGE Publication, 2006)
  2. John A. Martilla and John C. James, “Importance-Performance Analysis” (Journal of Marketing, January, 1977) pp. 77 – 79.
  3. Rudi Setiawan, “Analisa Tingkat Kepuasan Pengguna Kereta Api Komuter Surabaya – Sidoarjo” (Surabaya : Jurusan Teknik Sipil Universitas Kristen Petra, tt)

tags:
cara melakukan analisis harapan dan persepsi publik kuadran a b c dan d analisis harapan dan persepsi publik pelanggan membuat kuadran pelayanan

46 komentar:

  1. my first time visiting this blog, as a whole after I read some articles quite interesting to read

    BalasHapus
    Balasan
    1. Thank you. I wish those will useful for you.

      Hapus
    2. trims tulisannnya bagus. mohon kalau softwarenya ada gak ya

      Hapus
    3. Untuk pembuatan kuadrannya saya menggunakan Visio. Menghitung mean menggunakan Excel seperti biasa Mas.

      Hapus
  2. that's great..

    BalasHapus
  3. Silakan. Masih hangat. Semoga bermanfaat.

    BalasHapus
  4. Permisi Pak, mohon download untuk pengetahuan

    BalasHapus
  5. ass..salam sukses pak,saya ingin bertanya ..
    saya sedang menyelesaikan tugas akhir menggunakan anlisis deskriptiv,data mentah berskala ukur rasio,kemudian saya jadikan ordinal untk keperluan tujuan penelitian.
    kategorinya 1= rendah,2= sedang,3= tinggi.
    yg ingin saya tanyakan :
    1. bgaimana saya menjelaskan konsistensi dari setiap kategori tadi untuk variabel bebas dlm penelitiannya,sedangkan setiap item memiliki satuan yg berbeda pak??
    klo bapak punya teori tntng peng kategorian data mohon di share y pak..
    terimakasih banyak.

    BalasHapus
  6. Bisa dijelaskan satuan-satuan data mentah saat masih di dalam skala rasio?

    BalasHapus
  7. Interesting article, it is. I got problem with making the cartesius...Could u tell me how to make it using SPSS? Thank before hand..

    BalasHapus
    Balasan
    1. Sorry, I didn't use SPSS in creating that cartesian. I used ms visio (in linux we can use Dia) which has square grid. That grid helped me to plot the c-lines (x and y) and other values.

      Hapus
    2. To create that quadrant (and also how to set the c-line) with SPSS you can see in here :

      http://royanisa.blogspot.com/2011/12/analisis-kuadran-spss.html

      Hapus
    3. thanks a lot... sangat membantu....

      Hapus
    4. Alhamdulillah. Semoga bermanfaat.

      Hapus
  8. Nice informasi...
    Saya punya beberapa pertanyaan terkait dengan IPA dan analisis kuadran...
    1. Apakah metode ini dapat digunakan pada penelitian deskriptif ?
    2. Terkait dengan kuadran, poin2 apa sajakah yang dapat mempengaruhi masing2 kuadran ? Apakah misal untuk layanan, tingkat assurance atau tingkat performance, dll...
    3. Bagaimana cara untuk mengetahui poin2 agar masuk pada suatu bagian kuadran ?
    4. Bagaimana teknik analisis datanya ?
    5. Setelah melalui proses teknik analisis data kemudian didapatkan sebuah hasil, misal tingkat performance masuk pada kuadran satu dan tingkat assurance masuk pada kuadran tiga. Apakah ada tindak lanjut pada masing2 kuadran ? Atau setelah mengetahui masuk pada kuadran berapa kemudian selesai begitu saja ?
    Mohon tanggapannya
    Terimakasih......

    BalasHapus
    Balasan
    1. Sama-sama. Kemudian untuk:
      (1) Ya. Justru disinilah keunggulannya.
      (2) Bergantung pada mean yang dihasilkan oleh masing-masing indikator penelitian (dan totalnya variabel penelitian). Data mean inilah yang nanti terplot ke dalam kuadran. Kita masih bisa mendeteksi asal-usulnya.
      (3) Dalam contoh di atas, berdasarkan nomor item pernyataan.
      (4) Teknik analisis datanya secara statistik deskriptif, berupa pencarian nilai-nilai mean. Di dalam pembahasan kita perlu mendalami hasil penelitian secara kualitatif.
      (5) Tinggal kita rinci dalam kuadran A yang termasuk adalah item-item apa saja dan berasal dari indikator variabel apa. Dilanjutkan dengan makna dari kuadran A adalah apa sehingga posisi pernyataan (item) yang ada di dalamnya bagaimana. Demikian pula untuk kuadran B, C, dan D. Justru di sinilah nilai dengan IPA ini: Pendalaman analisis argumentatif untuk memberi peyakinan kepada organisasi lokasi penelitian agar mengimprove kinerja mereka sehubungan dengan derajat kepuasan pelanggan yang terjadi.
      Demikian. Semoga bermanfaat.

      Hapus
  9. kenapa untuk menentukan garis batas di sumbu x dan y menggunakan mean? kenapa bukan median?

    BalasHapus
    Balasan
    1. Karena nilai mean dianggap lebih tepat melukiskan nilai tengah yang sesungguhnya dari sampel. Lebih tepat ketimbang median yang hanya mencari nilai baku yang berada di tengah saja, bukan nilai analisis.
      Demikian. Semoga bermanfaat.

      Hapus
  10. kenapa untuk menentukan garis batas di sumbu x dan y menggunakan mean? kenapa bukan median?

    BalasHapus
    Balasan
    1. Karena nilai mean dianggap lebih tepat melukiskan nilai tengah yang sesungguhnya dari sampel. Lebih tepat ketimbang median yang hanya mencari nilai baku yang berada di tengah saja, bukan nilai analisis.
      Demikian. Semoga bermanfaat.

      Hapus
  11. dalam kasus kualitas layanan jasa, Kedua sumbu X dan Y biasanya diisikan tingkat persepsi dan tingkat kepentingan.Tapi ada juga yang mengisi sumbu X dan y dengan tingkat persepsi dan tingkat harapan. apakah opini yg kedua itu juga benar dalam pembuatan matrix important performance??? karena dalam penelitian kualitas layanan jasa biasanya yg diukur adalah tingkat harapan, tingkat kepentingan dan tingkat persepsi(kinerja). bagaimana yang hanya mengukur tingkat harapan dan tingkat persepsi.

    BalasHapus
    Balasan
    1. Analisis IPA melibatkan hanya kuadran dua dimensi. Masalah yang terjadi sebagian besar di masalah penerjemahan kalimat asli dari Matilla and Jones ataupun penafsiran dari para penulis-penulis buku metode penelitian di masa kemudian. Matilla and Jones hanya melingkupkan dua: Tingkat Persepsi dan Tingkat Harapan. Satu yang terjadi. Satu yang diharapkan untuk terjadi.
      Demikian. Semoga bermanfaat.

      Hapus
  12. assalamualaikum,. saya sedang menyusun skripsi menggukan uji wicoxon ini,. tapi saya masih bingung bgmna cara ngujinya, dr 3 buku spss yg saya punya, tidak ada keteranagn cara menguji uji beda ini, rata2 semuanya uji pengaruh.. mohon bantuannya, buku apa yg dpt saya jdikan pedoman tuk mempelajarinya..

    BalasHapus
    Balasan
    1. Wa'alaikum salam. Buku yang membahas Uji Wilcoxon secara relatif mudah dipahami dapat Anda telusuri di:
      Singgih Santoso, Statistik Non Parametrik (Jakarta: Elex Media Komputindo, 2001) h. 143-50.
      Demikian. Semoga bermanfaat.

      Hapus
  13. Saya ingin nanya nie... apakah data hasil kuesioner yang menggunakan skala likert yang notabene adalah data ordinal perlu di konversikan dulu menjadi data interval, seperti misalnya menggunakan metode successive interval ? mohon pencerahannya

    BalasHapus
    Balasan
    1. Mengenai Likert Scale ini, terdapat beragam pendapat. Donald Schwab (dalam buku riset organisasi) menyebut Likert Scale adalah interval atau sekurangnya mendekati interval. Namun, populer juga menyebut Likert Scale adalah ordinal, sehingga apabila menguji regresi atau korelasi pearson sebaiknya dikonversi dengan MSI terlebih dahulu. Mengenai bagaimana penelitian Anda, alangkah baiknya dikonsultasikan dengan pembimbing mengenai asumsi skala ini.
      Demikian tanggapan dari saya. Semoga bermanfaat.

      Hapus
  14. saya ingin tanya pak, saya memiliki 2000 nilai yang menunjukkan rata-rata pemakaian air m3/bulan/rumah, dari 2000 rata-rata2 itu dirata-ratakan lagi, yg saya ingin tanyakan, cara mengolah datanya seperti apa ya? saya mencoba membuang anka bernilai 0 (berarti tdk ada pemakaian air) dan membuang nilai yang dianggap pencilan dengan box plot, setelah itu saya plotkan untuk melihat apakah data tersebut normal ternyata tidak normal, lalu saya buang nilai yang saya masih anggap pencilan, apakah cara saya benar? dosen saya lalu menyuruh untuk memakai regresi atau anova, saya menjadi bingung, mohon pencerahannya, terima kasih

    BalasHapus
    Balasan
    1. Mungkin Anda tengah berupaya melakukan "eliminasi" atas outlier. Sebelumnya patut diwaspadai mengenai pembuangan nilai "0" dan yang Anda anggap sebagai pencilan. Ada baiknya untuk terlebih dahulu Anda masukkan keseluruhan nilai (2000) nilai tersebut. Setelah itu, baru kemudian ditentukan apakah terdapat nilai yang merupakan outlier ataukah bukan.
      Selain melakukan pembuangan atasnya, terdapat metode lain dalam menyikapi outlier. Untuk itu dapat Anda lihat di link ini: http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html khususnya bagian Asumsi Uji Regresi Berganda poin 2.
      Mengenai dosen yang menginstruksikan penggunaan Regresi atau Anova, bergantung pada tujuan dari penelitian Anda. Apabila hendak menyelidiki pengaruh, tentu uji tersebut adalah tepat dan sebelum melakukan pengujian tersebut, perlu dilakukan deteksi atas outlier. Ini dikarenakan uji regresi cukup sensitif terhadap keberadaan outlier.
      Demikian tanggapan saya. Sama-sama. Semoga bermanfaat.

      Hapus
    2. tujuannya hanya untuk mencari nilai rata2 dari 2000 data tersebut pak, sebenarnya tidak ada hubungan dengan menggunakan regresi dan anova sebab tidak untuk menyelidiki pengaruh, apakah dengan hanya membuang pencilan lalu dicari nilai rata-ratanya sudah cukup? terima kasih untuk tanggapan Bapak sebelumnya.

      Hapus
    3. Atau, apabila hendak dilakukan cara yang lebih praktis dengan SPSS, dapat dilakukan dengan melihat nilai "zscore." Caranya: (1) Biarkan ke-2000 nilai diinput, jangan dibuang termasuk nilai 0 maupun nilai lain yang dicurigai terpencil; (2) Klik Analyze > Descriptive Statistics > Descriptives; (3) Pada kotak dialog Descriptives, masukkan "variabel nilai Anda" ke Variable(s); (4) Ceklis "Save standardized values as variables" > Klik OK. (5) Aktifkan sheet Data View file SPSS Anda; (6) Seret Scroll bar ke paling kanan dan akan ditemui sebuah variabel baru yang diawali dengan huruf Z; (7) Data yang merupakan outlier nilainya > 3.

      Deteksilah data yang punya nilai Z > 3 tersebut. Apakah benar-benar merupakan outlier? Nah, setelah benar-benar outlier dikesampingkan dapatlah Anda mencari nilai rata-rata. Jangan lupa membuat catatan seputar data-data yang dikesampingkan tersebut untuk argumentasi Anda di masa mendatang.

      Demikian tanggapan dari saya. Semoga bermanfaat.

      Hapus
    4. terima kasih pak, ternyata hasilnya berbeda sekali dengan adanya nilai nol, pertanyaan saya pak mengapa nilai nol tersebut dipertahankan dan tidak dihapus? maaf jika saya banyak bertanya, terima kasih banyak.

      Hapus
    5. Tentu saja, nilai 0 tersebut sulit untuk dipertahankan. Apabila menggunakan metode di atas, apakah nilai 0 termasuk outlier (Z... > 3)? Juga, apakah terdapat nilai-nilai selain 0 yang juga Z ... > 3? Apabila memang terdapat yang demikian, alangkah baiknya apabila dikesampingkan. Buatlah rata-rata dari data yang bukan termasuk outlier. Tentu, jangan lupa membuat catatan tersendiri seputar perlakuan peneliti atas data.
      Tidak mengapa. Sama-sama. Semoga bermanfaat.

      Hapus
    6. saya menggunakan data saya yang lain berjumlah 18, dlm data tsb terdapat 5 nilai 0, nilai zscore dari nilai 0 semuanya sama yaitu -0,67, berarti angka tsb tidak termasuk outlier dan tdk harus dihapus? dari nilai zscore hanya terdapat 1 outlier dari data tsb yang bernilai 3,49, hasilnya didapat rata2 29,84 std deviasinya 26,48
      namun apabila saya menghapus kelima nilai 0 tsb terlebih dahulu sebelum menganalisisnya, hasil zscorenya tetap menunjukkan hanya 1 outlier dengan nilai 3,01 (sangat mendekati 3 apakah msh termasuk outlier?), hasilnya rata2 42,27 std deviasi 21,13
      apakah saya msh tetap menggunakan angka 0 atau saya hapus dulu seluruh nilai tsb sebelum dianalisis? jika dilihat dr std deviasinya cara kedua menghasilkan std dengan nilai yg lebih kecil, namun dr segi rata2 nilai tsb berada diatas dr nilai range teori yang saya pakai, hasil rata2 dr cara pertama justru msh dapat diterima, apakah saya masih tetap menggunakan nilai 0 tsb, jika saya masih menggunakannya apakah alasan saya msh menggunakan nilai tsb, maaf pak merepotkan, terima kasih atas bantuannya.

      Hapus
    7. Anda kini telah mengomparasikan dua cara. Sepemahaman saya kedua cara sebagai berikut: Pertama, mengikutsertakan yang bernilai 0. Kedua, tidak mengikutsertakan yang bernilai 0. Dari cara pertama, nilai 0 bukanlah outliers tetapi punya mean 29,84 dengan standard deviasi (SD) 26,48. Dari cara kedua, kendati 0 tidak diikutsertakan tetaplah ada outliers, mean diperoleh 42,27 dengan SD 21,13. Lalu, harus memilih yang mana dari kedua cara tersebut?
      Inilah yang disebut sebagai keterbatasan penelitian. Saya menyarankan kembali kepada desain awal penelitian. Permasalahan apa juga tujuan apa yang hendak diperoleh dari penelitian kita. Juga, suatu penelitian umumnya "tunduk" pada kerangka berpikir serta kerangka teori tertentu. Hal ini guna menghindarkan penelitian dari "bias" dan "overlap".
      Kembali kepada permasalahan yang ditemui, yaitu apakah memilih yang pertama: Mengikutsertakan nilai 0 tetapi SD besar tetapi mean masih diterima oleh teori; ataukah kedua: Tidak mengikutsertakan nilai 0 tetapi SD kecil tetapi mean kurang diterima teori. Menurut kepada desain penelitian, maka ada baiknya dipertimbangkan untuk dipilih yang pertama. Lalu apa alasannya? Tentu saja, sesuai seperti yang diuraikan bahwa nilai 0 bukanlah sebuah outliers dan mean lebih dapat diterima oleh teori yang digunakan dalam penelitian. Keterbatasannya adalah, nilai SD yang lebih besar.
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
    8. Terima kasih Bapak atas sarannya, sangat bermanfaat bagi saya. WYATB :D

      Hapus
  15. Ada alamatnya pak? dan nomor teleponnya

    BalasHapus
  16. ada cara yg buat analisis isoquant priority line nya gak? saya pake itu juga soalnya. makasih ya

    BalasHapus
    Balasan
    1. Kebetulan saya tidak ada. Tetapi, ada baiknya untuk pula diperiksa pada link berikut:
      http://scholar.lib.vt.edu/theses/available/etd-03212000-19130002/unrestricted/chapter2.pdf
      Sama-sama. Semoga bermanfaat.

      Hapus
  17. Pak salam kenal, terima kasih buat blognya sangat membantu....Pak sy mahasiswi yang lagi nyusun proposal penelitian. kebetulan saya menggunakan importance performance analysis. Pak saya sangat butuh jurnal yg jadi referensi bapak bapak dalam tulisan di atas. Sy sudah searcing di internet tp download linkx udah ga ada. Kalau bapak berkenan mengirimkan sy filenya untuk John A. Martilla and John C. James, “Importance-Performance Analysis” (Journal of Marketing, January, 1977) pp. 77 – 79. Untuk bantuannya sy ucapkan terima kasih.. Pak ini alamat email saya nur.asda88@gmail.com

    BalasHapus
    Balasan
    1. Salam kenal juga untuk Anda. Sayang sekali memang apabila artikel tersebut sudah tidak online. Namun, untungnya, untuk sumber alternatif yang mendasari diri pada Martilla and James ini masih cukup banyak tersedia dan dapat diakses secara online.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  18. Salam Kenal, pak, kalau Sistem Informasi Pengelolaan Keuangan Daerah bisa diukur menggunakan IPA pakai variabelnya Delone Mclean ya pak? terima kasih

    BalasHapus

Ketik komentar anda. Pada Beri komentar sebagai pilih Name/URL jika anda tak memiliki Google Account. Lalu klik Publikasikan.