TEKNIK ANALISIS DATA 

Type Data : 
1.  Data Nominal  1. Data Kategorikal 
2.  Data Ordinal  2. Data Numerikal (Diskrit – Kontinue) 
3.  Data Interval 
4.  Data Ratio 

Analisis Data : 
1.  Analisis Deskriptif (Tabulasi, Grafik) 
Data Kategorial  : Bar chart, Pie Chart, Pareto. 
Data Numerik  : Grafik line, Scater diagram, order ray, Steam and Leaf, 
tabel kontingensi 
2.  Analisis Inferen (Uji normalitas dan linieritas, Uji validitas dan reliabilitas, 
Uji perbedaan, Uji hubungan, lainnya) 
3.  Kombinasi Dari Keduanya 

DATA 

Analisis Sec.  Analisis Sec. 
Non Statistik  Statistik 

Metode Kuantitatif 
lainnya Tidak 
Normal  Normal 
Distribusi 

Statistik  Statistik Non­ 
Parametrik  Parametrik 

Manual atau 
Komputerize 

Materi 1  : Uji Perbedaan 
Tujuan  : Membandingkan rata­rata dari 2 group yang tidak berhubungan 

1 
 satu sama lain 
Alat analisis  : Independent Sample T test 

Contoh kasus untuk PI
·  Rumusan masalah : 
Dengan dana pengembangan dan pemasaran produk yang terbatas, perusahaan harus 
memprioritaskan produk yang secara nyata memang lebih baik dari produk lainnya.
·  Pertanyaan penelitian  : 
1.  Mesin tipe manakah yang rata­rata kinerja/omset penjualannya lebih baik ? 
2.  Benarkah  ada  perbedaan  kinerja/omset  yang  nyata  dari  kedua  produk  yang  ada, 
sehingga prioritas dana yang terbatas tersebut dapat dialokasikan ? 

Sample  Mesin Tipe A  Mesin Tipe B 

1  250  302 
2  255  312 
3  254  295 
4  215  248 
5  265  267 
6  211  222 
7  242  308 
8  215  350 
9  255  331 

Hipotesa : 
Ho  : Kedua Popolasi memiliki rata­rata yang identik/sama, atau 
Tidak ada perbedaan rata­rata dari kedua populasi, atau 
Rata­rata omset mesin tipe A dan mesin tipe B adalah sama

2 
Hasil : 

Independent Samples Test 

Levene's Test for 
Equality of Variances  t­test for Equality of Means 
95% Confidence 
Interval of the 
Mean  Std. Error  Difference 
F  Sig.  t  df  Sig. (2­tailed)  Difference  Difference  Lower  Upper 
OMSET  Equal variances 
2.775  .115  ­3.464  16  .003  ­52.56  15.17  ­84.72  ­20.39 
assumed 
Equal variances 
­3.464  11.954  .005  ­52.56  15.17  ­85.62  ­19.49 
not assumed 

Kesimpulan : 
1.  Kedua  sampel,  baik  diasumsikan  /  memiliki  variance  yang  sama  atau  tidak, 
memberikan  hasil  Ho  ditolak  (lihat  kolom  Sig.  (2­tailed)).  Dengan  kata  lain, 
perbedaan  kinerja  yang  terjadi  memang  nyata  dan  dana  sebaiknya  dialokasikan 
pada meisn tipe B.

3 
Materi 2  : Uji Perbedaan 
Tujuan  : Membandingkan rata­rata dari 2 group yang berpasangan 
Alat analisis  : Paired Sample T test 

Contoh kasus untuk PI
·  Rumusan masalah : 
Perusahaan melihat bahwa selama ini biaya yang diperlukan untuk keperluan merger 
dengan  perusahaan  lain  cukup  besar.  Oleh  karena  itu  perusahaan  perlu  mengetahui 
dampak merger terhadap kinerja perusahaan.
·  Pertanyaan penelitian  : 
1.  Bagaimana kinerja sebelum dan setelah dilakukannya merger ? 
2.  Benarkah  merger  yang  telah  dilakukan  telah  mampu  memperbaiki  kinerja 
perusahaan ? 

Sebelum  Sesudah 
Sample 
merger  merger 
1  224  255 
2  231  251 
3  223  254 
4  251  225 
5  264  245 
6  222  268 
7  235  215 

Hipotesa : 
Ho  : Kedua Popolasi memiliki rata­rata yang identik/sama, atau 
Tidak ada perbedaan rata­rata dari kedua populasi, antara sebelum dan setelah 
dilakukannya promosi, atau 
Merger tidak efektif dalam meningkatkan kinerja perusahaan

4 
Hasil : 

Paired Samples Statistics 

Std. Error 
Mean  N  Std. Deviation  Mean 
Pair  SEBELUM  235.71  7  16.04  6.06 
1  SESUDAH  244.71  7  18.46  6.98 

Paired Samples Test 

Paired Differences 
95% Confidence 
Interval of the 
Std.  Std. Error  Difference  Sig. 
Mean  Deviation  Mean  Lower  Upper  t  df  (2­tailed) 
Pair  SEBELUM ­ 
­9.00  29.74  11.24  ­36.51  18.51  ­.801  6  .454 
1  SESUDAH 

Kesimpulan : 
1.  Karena nilai Sig. (2­tailed) > dari 0,05, maka Ho diterima 
2.  Artinya,  tidak  ada  perbedaan  kinerja  dari  sebelum  dan  setelah  adanya  merger, 
atau  dengan  kata  lain  meskipun  terlihat  bahwa  rata­rata  kinerja  setelah  merger 
lebih baik, namun hal tersebut tidaklah signifikan.

5 
Materi 3  : Uji Perbedaan > 2 sample ( tipe 1) 
Tujuan  : Membandingkan rata­rata dari lebih 2 sample 
Alat analisis  : Anova 

Contoh kasus untuk PI
·  Rumusan masalah : 
Saat  ini  perusahaan  telah  dapat  melayani  tiga  pasar.  Perusahaan  melihat  sepertinya 
promosi yang dilakukan telah memberi dampak yang berbeda­beda pada ketiga pasar 
tersebut.
·  Pertanyaan penelitian  : 
1.  Bagaimana kinerja pemasaran dari ketiga pasar tersebut ? 
2.  Benarkah  kegiatan  promosi  yang  dilakukan  telah  memberi  dampak  yang 
berlainan untuk masing­masing pasar ? 
3.  Bagaimana perusahaan menyikapi hal tersebut ? 

Hipotesa : 
Ho  : Ketiga Popolasi memiliki rata­rata yang identik/sama, atau 
Tidak ada perbedaan rata­rata dari ketiga populasi, atau 
Dampak yang ditimbulkan oleh aktivitas promosi terhadap omset di ketiga pasar 
adalah sama 

Hasil :

6 
Oneway 

Descriptives 

SALES 
95% Confidence 
Interval for Mean 
Std.  Std.  Lower  Upper 
N  Mean  Deviation  Error  Bound  Bound  Minimum  Maximum 
bandung  15  25.547  2.608  .673  24.102  26.991  22.0  31.0 
surabaya  13  31.177  4.856  1.347  28.242  34.112  22.0  37.0 
semarang  10  41.490  4.051  1.281  38.592  44.388  33.7  45.7 
Total  38  31.668  7.454  1.209  29.218  34.119  22.0  45.7 

ANOVA 

SALES 
Sum of 
Squares  df  Mean Square  F  Sig. 
Between Groups  1529.913  2  764.956  50.903  .000 
Within Groups  525.969  35  15.028 
Total  2055.882  37 

Homogeneous Subsets 

SALES 

Subset for alpha = .05 
daerah penjualan kaos  N  1  2  3 
Tukey HSD a,b  bandung  15  25.547 
surabaya  13  31.177 
semarang  10  41.490 
Sig.  1.000  1.000  1.000 
Means for groups in homogeneous subsets are displayed. 
a.  Uses Harmonic Mean Sample Size = 12.316. 
b.  The group sizes are unequal. The harmonic mean of the group sizes is used. Type 
I error levels are not guaranteed. 

Kesimpulan : 
1.  Dari  tabel  Anova,  Karena  nilai  Sig.  (2­tailed)  <  dari  0,05,  maka  Ho  ditolak, 
artinya ada perbedaan kinerja dari ketiga sampel yang diamati (tapi yang mana ?) 
Dengan kata  lain,  memang  benar bahwa promosi  yang dilakukan  memang telah 
memberi dampak yang berlainan untuk masing­masing pasar. 
2.  Dari tabel Homogeneous Subsets, semuanya merata berbeda secara nyata

7 
Materi 4  : Uji Perbedaan > 2 sample ( tipe 2) 
Tujuan  : Membandingkan rata­rata dari lebih 2 sample 
Alat analisis  : General Linier Model ­ Univariate 
Contoh kasus  : 

Hipotesa : 
Ho  : Tidak ada perbedaan omset antar kaos polos dan motif di ketiga pasar tersebut 
(satu faktor), dan 
Tidak ada interaksi antara daerah penjualan dan jenis kaos (dua faktor) 

Hasil : 

Univariate Analysis of Variance

8 
 Tests of Between­Subjects Effects 

Dependent Variable: SALES 
Type III Sum 
Source  of Squares  df  Mean Square  F  Sig. 
Corrected Model  1681.984 a  5  336.397  28.790  .000 
Intercept  39379.180  1  39379.180  3370.260  .000 
DAERAH  1511.569  2  755.784  64.684  .000 
KAOS  7.044  1  7.044  .603  .443 
DAERAH * KAOS  146.985  2  73.492  6.290  .005 
Error  373.898  32  11.684 
Total  40165.660  38 
Corrected Total  2055.882  37 
a.  R Squared = .818 (Adjusted R Squared = .790) 

Kesimpulan : 
1.  Ternyata jenis kaos (polos dan motif), tidak menjadikan omset di ketiga kota 
menjadi berbeda (nilai sig.nya 0,443 > 0,0 (nilai sig.nya 0,443 > 0,05) 
2.  Karena nilai sig. Untuk daerah*kaos adalah 0,005 < 0,05, berarti ada interaksi 
antara daerah pasar dan jenis kaos, artinya jenis kaos memang mempengarui 
omset di daerah pasar tertentu. 

Materi 5  : Uji Asosisi (hubungan) 2 variabel Nominal 
Tujuan  : Menganalisis hubungan, arah, dan intensitasnya dari 2 variabel nominal 
Alat analisis  : Crosstab 

Contoh kasus untuk PI
·  Rumusan masalah : 
Perusahaan  merasa  bahwa desain kaos (motif atau polos) sangat berhubungan status 
dan pekerjaan konsumen.
·  Pertanyaan penelitian  : 
1.  Adakah hubungan antara  jenis pekerjaan dan jenis kaos yang dipilih? 
2.  Adakah pengaruh yang nyata dari faktor bidang pekerjaan konsumen terhadap 
jenis kaos yang dipilih ?

9 
Hipotesa : 
Ho  : Tidak ada hubungan antara vaiael baris dan variabel kolom, atau 
Tidak ada pengaruh bidang/jenis kerja terhadap perilaku membeli kaos 

Hasil : 

Crosstabs 

Chi­Square Tests 

Asymp. Sig. 
Value  df  (2­sided) 
Pearson Chi­Square  7.213 a  2  .027 
Likelihood Ratio  8.097  2  .017 
Linear­by­Linear 
4.265  1  .039 
Association 
N of Valid Cases  30 
a. 3 cells (50.0%) have expected count less than 5. The 
minimum expected count is 2.93. 

10 
 Symmetric Measures 

Value  Approx. Sig. 
Nominal by Nominal  Contingency Coefficient  .440  .027 
N of Valid Cases  30 
a.  Not assuming the null hypothesis. 
b.  Using the asymptotic standard error assuming the null hypothesis. 

Kesimpulan : 
1.  Dari nilai Asymp. Sig Pearson Chi­square yang sebesar 0,027 < 0,05, maka dapat 
disimpulkan  memang  ada  hubungan  yang  nyata  antara  bidang  kerja  dengan 
perilaku memilih motif kaos 
2.  Nilai  contingency  coefficien  yang  sebesar  0,440  dan  signifikan,  menunjukkan 
bahwa  ada  pengaruh  yang  cukup  kuat  dari  bidang  kerja  terhadap  perilaku 
konsumen dalam membeli kaos. 

Materi 6  : Uji Asosisi 2 variabel Ordinal 
Tujuan  : Menganalisis hubungan, arah, dan intensitasnya 
Alat analisis  : Corelate ­ Bivariate 

Contoh kasus untuk PI
·  Rumusan masalah : 
Keberhasilan  suatu  produk  tidak  hanya  ditentukan  oleh  atribut  produk  ybs.,  namun 
juga dapat dipengaruhi oleh  sikap, persepsi  hingga  loyalitas konsumen. Oleh karena 
itu pemahaman terhadap variabel­variabel tersebut menjadi sangat perlu.
·  Pertanyaan penelitian  : 
1.  Adakah  hubungan  antara    sikap,  persepsi  dan  loyalitas  konsumen  dengan 
frekuensi pembelian mereka? 
2.  Adakah  pengaruh  yang  nyata  dari  sikap,  persepsi,  dan  loyalitas  terhadap 
frekuensi pembelian konsumen? 

Hipotesa : 
Ho  : Tidak ada hubungan antara sikap, persepsi dan loyalitas dengan frekuensi 
pembelian konsumen, atau 
Tidak ada pengaruh yang nyata dari sikap, persepsi, dan loyalitas terhadap 
frekuensi pembelian konsumen 

Hasil : 

Nonparametric Correlations

11 
 Correlations 

frekuensi 
sikap  Loyalitas  pembelian 
konsumen  Konsumen  kaos 
Kendall's tau_b  sikap konsumen  Correlation Coefficient  1.000  .536**  ­.227 
Sig. (2­tailed)  .  .002  .188 
N  30  30  30 
Loyalitas Konsumen  Correlation Coefficient  .536**  1.000  ­.285 
Sig. (2­tailed)  .002  .  .116 
N  30  30  30 
frekuensi pembelian  Correlation Coefficient  ­.227  ­.285  1.000 
kaos  Sig. (2­tailed)  .188  .116  . 
N 
30  30  30 

Spearman's rho  sikap konsumen  Correlation Coefficient  1.000  .564**  ­.250 

Sig. (2­tailed)  .  .001  .182 
N  30  30  30 
Loyalitas Konsumen  Correlation Coefficient  .564**  1.000  ­.292 
Sig. (2­tailed)  .001  .  .117 
N  30  30  30 
frekuensi pembelian  Correlation Coefficient  ­.250  ­.292  1.000 
kaos  Sig. (2­tailed)  .182  .117  . 
N 
30  30  30 

**.  Correlation is significant at the .01 level (2­tailed). 

Materi 7  : Uji Asosisi 2 variabel Interval dan Rasio, analisis regresi 
Tujuan  : Menganalisis hubungan, arah, intensitasnya, model regresi 
Alat analisis  : Corelate – Bivariate, regresi 

Contoh kasus untuk PI
·  Rumusan masalah : 
Keberhasilan  penjualan  suatu  produk  ditentukan  oleh  promosi  penjualan  yang 
dikeluarkan oleh perusahaan tersebut. Oleh karena itu pemahaman terhadap variabel­ 
tersebut menjadi sangat perlu.
·  Pertanyaan penelitian  : 
1.  Adakah hubungan antara  promosi dengan jumlah penjualan ? 
2.  Adakah pengaruh yang nyata promosi terhadap jumlah penjualan? 

Hipotesa : 
Ho  : Tidak ada hubungan antara promosi terhadap jumlah penjualan 
Tidak ada pengaruh yang nyata dari promosi terhadap  Jumlah penjualan

12 
Hasil : 

Regression 
Descriptive Statistics 

Mean  Std. Deviation  N 
SALES  246.40  41.113  15 
PROMOSI  34.67  9.678  15 

Correlations 

SALES  PROMOSI 
Pearson Correlation  SALES  1.000  .916 
PROMOSI  .916  1.000 
Sig. (1­tailed)  SALES  .  .000 
PROMOSI  .000  . 
N  SALES  15  15 
PROMOSI  15  15 

Dapat dianalisis : Mean, St. deviasi , korelasi dan significansinya. 

b 
Variables Entered/Removed 

Variables  Variables 
Model  Entered  Removed  Method 
1  PROMOSI  a  .  Enter 
a.  All requested variables entered. 
b.  Dependent Variable: SALES 

Model Summary b 

Adjusted  Std. Error of 
Model  R  R Square  R Square  the Estimate 
1  .916 a  .839  .826  17.127 
a.  Predictors: (Constant), PROMOSI 
b.  Dependent Variable: SALES 

Dapat dianalisis : R square, st.error estimate dibandingkan dengan st. dev.

13 
 ANOVA b 

Sum of 
Model  Squares  df  Mean Square  F  Sig. 
1  Regression  19850.334  1  19850.334  67.673  .000 a 
Residual  3813.266  13  293.328 
Total  23663.600  14 
a.  Predictors: (Constant), PROMOSI 
b. Dependent Variable: SALES 

Uji Anova, untuk memprediksi kevalidan model regresi dalam melakukan 
prediksi dari var. Bebas ke var. Terikat. 

Coefficients a 

Unstandardized  Standardized 
Coefficients  Coefficients 
Model  B  Std. Error  Beta  t  Sig. 
1  (Constant)  111.523  16.982  6.567  .000 
PROMOSI  3.891  .473  .916  8.226  .000 
a. Dependent Variable: SALES 

Dari table ini dihasilkan persamaan regresi dan uji t untuk signifikansi tiap 
variable regresi. 
a 
Casewise Diagnostics 

Predicted 
Case Number  DAERAH  Std. Residual  SALES  Value  Residual 
8  YOGYA  ­1.124  209  228.24  ­19.24 
15  PEKALO 
2.748  322  274.93  47.07 
NG 
a. Dependent Variable: SALES 

Charts

14 
 Normal P­P Plot of Regression Standardized Residual 

Dependent Variable: SALES 
1.00 

BOGOR 
.75  MADIUN 
BANDUNG 
BEKASI 
SOLO 
Expected Cum Prob 

.50  SURABAYA 
KUDUS 

JAKARTA 
TUBAN 
MALANG 
SEMARANG 
.25  TANGERAN 
PURWOKER 
YOGYA 

0.00 
0.00  .25  .50  .75  1.00 

Observed Cum Prob 

Untuk analisis NORMALITAS, 
­  Jk normal, maka sebaran data akan terletak di sekitar garis. 
Regression Studentized Deleted (Press) Residual 

Scatterplot 

Dependent Variable: SALES 
5  PEKALONG 

4 

3 

2 

1  BOGOR 
BANDUNG  MADIUN 
SOLO  BEKASI 
SURABAYA  KUDUS 
0 JAKARTA  TUBAN  MALANG 
TANGERAN  SEMARANG 
PURWOKER 
­1 YOGYA 

­2 
­1.5  ­1.0  ­.5  0.0  .5  1.0  1.5  2.0  2.5 

Regression Standardized Predicted Value 

Untuk analisis kelayakan Model Regresi (model Fit) 
­ Jika model layak, maka data akan berada di sekitar angka nol pada 
sumbu Y, dan tidak membentuk suatu pola tertentu.

15 
 Scatterplot 
Regression Standardized Predicted Value  Dependent Variable: SALES 
2.5 
MALANG 
2.0 
SEMARANG 
1.5  TUBAN 

1.0  PEKALONG 
KUDUS 
.5 
BEKASI 
0.0 
MADIUN 
PURWOKER  BOGOR 
YOGYA  SOLO 
­.5 
TANGERAN 
JAKARTA 
SURABAYA 
­1.0 
BANDUNG 
­1.5 
200  220  240  260  280  300  320  340 

SALES 

Untuk analisis hubungan antara varibel terikat dengan prediksinya. 
­ Jika model memenuhi syarat, maka terlihat sebaran data menyebar 
pada suatu garis lurus. 

Materi 8 :  Analisis regresi berganda 
Tujuan  : Menganalisis model regresi 
Alat analisis  : regresi 

Contoh kasus untuk PI
·  Rumusan masalah : 
Keberhasilan  penjualan  suatu  produk  ditentukan  oleh  promosi  penjualan  yang 
dikeluarkan oleh perusahaan tersebut dan jumlah outlet. Oleh karena itu pemahaman 
terhadap variabel­tersebut menjadi sangat perlu.
·  Pertanyaan penelitian  : 
1.  Adakah  hubungan  antara    promosi  dan  jumlah  outlet  dengan  jumlah 
penjualan? 
2.  Adakah  pengaruh  yang  nyata  promosi  dan  jumlah  outlet  terhadap  jumlah 
penjualan? 

Hipotesa : 
Ho: Tidak ada hubungan antara promosi, jumlah outletterhadap jumlah penjualan 
Tidak  ada  pengaruh  yang  nyata  dari  promosi  dan  jumlah  outlet  terhadap    Jumlah 
penjualan 

Hasil : 
Regression

16 
 Descriptive Statistics 

Mean  Std. Deviation  N 
SALES  246.40  41.113  15 
PROMOSI  34.67  9.678  15 
OUTLET  187.93  38.087  15 

Correlations

SALES  PROMOSI  OUTLET 

Pearson Correlation  SALES  1.000  .916  .901 
PROMOSI  .916  1.000  .735 
OUTLET  .901  .735  1.000 
Sig. (1­tailed)  SALES  .  .000  .000 
PROMOSI  .000  .  .001 
OUTLET  .000  .001  . 
N  SALES  15  15  15 
PROMOSI  15  15  15 
OUTLET  15  15  15 

­  Rata­rata, standard deviasi masing­masing variable 
­  Besar hubungan dari tiap pasang variable 
­  Nilai signifikasni koefisien korelasi 

b 
Variables Entered/Removed 

Variables  Variables 
Model  Entered  Removed  Method 
1  OUTLET, a 
.  Enter 
PROMOSI 
a.  All requested variables entered. 
b. Dependent Variable: SALES 

Model Summary b 

Adjusted  Std. Error of 
Model  R  R Square  R Square  the Estimate 
1  .976 a  .952  .944  9.757 
a.  Predictors: (Constant), OUTLET, PROMOSI 
b. Dependent Variable: SALES 

17 
 ANOVA b 

Sum of 
Model  Squares  df  Mean Square  F  Sig. 
1  Regression  22521.299  2  11260.649  118.294  .000 a 
Residual  1142.301  12  95.192 
Total  23663.600  14 
a.  Predictors: (Constant), OUTLET, PROMOSI 
b. Dependent Variable: SALES 

Coefficients a 

Unstandardized  Standardized 
Coefficients  Coefficients 
Model  B  Std. Error  Beta  t  Sig. 
1  (Constant)  64.639  13.112  4.930  .000 
PROMOSI  2.342  .398  .551  5.892  .000 
OUTLET  .535  .101  .496  5.297  .000 
a. Dependent Variable: SALES 

Analisis : 
­  Uji F , untuk signifikansi model regresi. 
­  Menentukan persamaan regresi 

Charts 
Hubungan sales dengan promosi 
Partial Regression Plot 
Dependent Variable: SALES 
50 
KUDUS 
40 

30  TUBAN 
SEMARANG 

20 

10  MALANG 
BOGOR 
0  BEKASI 
SURABAYAYOGYA 
MADIUN 
BANDUNG 
SOLO 
­10  JAKARTA 
TANGERAN 
PURWOKER 
SALES 

PEKALONG 
­20 

­30 
­20  ­10  0  10  20 

PROMOSI 

Sebaran data membentuk arah ke kanan atas, slope positif.

18 
Hubungan Sales dengan Outlet 
Partial Regression Plot 
Dependent Variable: SALES 
50  PEKALONG 

40 

30 

20 
BOGOR 
MADIUN 
BANDUNG 
10  BEKASI 
SOLO 

KUDUS  SURABAYA 
0 
TUBAN  JAKARTA 
MALANG 
SALES 

SEMARANG 
­10  TANGERAN 
PURWOKER 
YOGYA 
­20 
­40  ­20  0  20  40  60  80 

OUTLET 

Materi 9 :  Analisis regresi berganda , multikoleniaritas 
Tujuan  : Menganalisis model regresi 
Alat analisis  : regresi 

Contoh kasus untuk PI
·  Rumusan masalah : 
Keberhasilan  penjualan  suatu  produk  ditentukan  oleh  promosi  penjualan  yang 
dikeluarkan oleh perusahaan tersebut dan jumlah outlet. Oleh karena itu pemahaman 
terhadap variabel­tersebut menjadi sangat perlu.
·  Pertanyaan penelitian  : 
1.  Adakah  hubungan  antara    promosi  dan  jumlah  outlet  dengan  jumlah 
penjualan? 
2.  Adakah  pengaruh  yang  nyata  promosi  dan  jumlah  outlet  terhadap  jumlah 
penjualan? 

Hipotesa : 
Ho: Tidak ada hubungan antara promosi, jumlah outletterhadap jumlah penjualan 
Tidak  ada  pengaruh  yang  nyata  dari  promosi  dan  jumlah  outlet  terhadap    Jumlah 
penjualan 

Hasil : 

Regression

19 
 Descriptive Statistics 

Mean  Std. Deviation  N 
SALES  246.40  41.113  15 
PROMOSI  34.67  9.678  15 
OUTLET  187.93  38.087  15 
LAJU_PEN  1.9833  .50700  15 
PESAING  16.20  3.877  15 
INCOME  3.3280  .92213  15 

Correlations 

SALES  PROMOSI  OUTLET  LAJU_PEN  PESAING  INCOME

Pearson Correlation  SALES  1.000  .916  .901  ­.143  .744  ­.287 
PROMOSI  .916  1.000  .735  ­.062  .796  ­.339 
OUTLET  .901  .735  1.000  ­.199  .574  ­.252 
LAJU_PEN  ­.143  ­.062  ­.199  1.000  ­.495  ­.111 
PESAING  .744  .796  .574  ­.495  1.000  ­.073 
INCOME  ­.287  ­.339  ­.252  ­.111  ­.073  1.000 
Sig. (1­tailed)  SALES  .  .000  .000  .305  .001  .150 
PROMOSI  .000  .  .001  .413  .000  .108 
OUTLET  .000  .001  .  .238  .013  .183 
LAJU_PEN  .305  .413  .238  .  .030  .347 
PESAING  .001  .000  .013  .030  .  .397 
INCOME  .150  .108  .183  .347  .397  . 
N  SALES  15  15  15  15  15  15 
PROMOSI  15  15  15  15  15  15 
OUTLET  15  15  15  15  15  15 
LAJU_PEN  15  15  15  15  15  15 
PESAING  15  15  15  15  15  15 
INCOME  15  15  15  15  15  15 

20 
 b 
Variables Entered/Removed 

Variables  Variables 
Model  Entered  Removed  Method 
1  INCOME, 
PESAING, 
LAJU_PE 
.  Enter 
N,
OUTLET, a 
PROMOSI 
2  Backward 
(criterion: 
Probabilit 
.  INCOME  y of 
F­to­remo 
ve >= 
.100). 
3  Backward 
(criterion: 
Probabilit 
.  LAJU_PEN  y of 
F­to­remo 
ve >= 
.100). 
4  Backward 
(criterion: 
Probabilit 
.  PESAING  y of 
F­to­remo 
ve >= 
.100). 
a.  All requested variables entered. 
b.  Dependent Variable: SALES 

e 
Model Summary 

Adjusted  Std. Error of 
Model  R  R Square  R Square  the Estimate 
1  .976 a  .954  .928  11.051 
2  .976 b  .953  .935  10.497 
3  .976 c  .953  .940  10.067 
4  .976 d  .952  .944  9.757 
a.  Predictors: (Constant), INCOME, PESAING, 
LAJU_PEN, OUTLET, PROMOSI 
b.  Predictors: (Constant), PESAING, LAJU_PEN, 
OUTLET, PROMOSI 
c. Predictors: (Constant), PESAING, OUTLET, PROMOSI 
d.  Predictors: (Constant), OUTLET, PROMOSI 
e. Dependent Variable: SALES 

21 
 ANOVA e 

Sum of 
Model  Squares  df  Mean Square  F  Sig. 
1  Regression  22564.432  5  4512.886  36.952  .000 a 
Residual  1099.168  9  122.130 
Total  23663.600  14 
2  Regression  22561.748  4  5640.437  51.191  .000 b 
Residual  1101.852  10  110.185 
Total  23663.600  14 
3  Regression  22548.747  3  7516.249  74.161  .000 c 
Residual  1114.853  11  101.350 
Total  23663.600  14 
4  Regression  22521.299  2  11260.649  118.294  .000 d 
Residual  1142.301  12  95.192 
Total  23663.600  14 
a.  Predictors: (Constant), INCOME, PESAING, LAJU_PEN, OUTLET, PROMOSI 
b.  Predictors: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSI 
c. Predictors: (Constant), PESAING, OUTLET, PROMOSI 
d.  Predictors: (Constant), OUTLET, PROMOSI 
e.  Dependent Variable: SALES 

Coefficients a 

Unstandardized  Standardized 
Coefficients  Coefficients  Collinearity Statistics 
Model  B  Std. Error  Beta  t  Sig.  Tolerance  VIF 
1  (Constant)  50.126  36.000  1.392  .197 
PROMOSI  2.017  .924  .475  2.183  .057  .109  9.162 
OUTLET  .550  .123  .509  4.455  .002  .395  2.534 
LAJU_PEN  2.760  9.485  .034  .291  .778  .377  2.651 
PESAING  .970  2.099  .091  .462  .655  .132  7.592 
INCOME  .548  3.698  .012  .148  .885  .750  1.333 
2  (Constant)  51.275  33.393  1.536  .156 
PROMOSI  1.960  .797  .461  2.459  .034  .132  7.556 
OUTLET  .551  .117  .511  4.717  .001  .397  2.518 
LAJU_PEN  3.035  8.835  .037  .343  .738  .392  2.549 
PESAING  1.084  1.855  .102  .584  .572  .152  6.573 
3  (Constant)  61.435  14.864  4.133  .002 
PROMOSI  2.148  .555  .506  3.870  .003  .251  3.985 
OUTLET  .537  .104  .497  5.146  .000  .459  2.179 
PESAING  .597  1.147  .056  .520  .613  .366  2.729 
4  (Constant)  64.639  13.112  4.930  .000 
PROMOSI  2.342  .398  .551  5.892  .000  .459  2.177 
OUTLET  .535  .101  .496  5.297  .000  .459  2.177 
a. Dependent Variable: SALES 

22 
Analisis : 
­  R 2  = 1 – Tolerance, variabilitas variable 1 dipengaruhi / dapat 
dijelaskan oleh predictor (variable bebas) yang lain. 
­  VIF = 1/tolerance. 
Jika VIF > 5, terdapat multikolinearitas 
­ 

a 
Collinearity Diagnostics 

Condition  Variance Proportions 
Model  Dimension  Eigenvalue  Index  (Constant)  PROMOSI  OUTLET  LAJU_PEN  PESAING  INCOME 
1  1  5.774  1.000  .00  .00  .00  .00  .00  .00 
2  .120  6.944  .00  .01  .01  .04  .01  .13 
3  7.567E­02  8.735  .00  .00  .00  .15  .01  .26 
4  1.701E­02  18.423  .01  .05  .55  .05  .06  .02 
5  1.108E­02  22.827  .28  .13  .07  .01  .08  .54 
6  2.452E­03  48.526  .71  .81  .37  .75  .84  .05 
2  1  4.857  1.000  .00  .00  .00  .00  .00 
2  .101  6.942  .00  .01  .00  .14  .02 
3  2.342E­02  14.400  .12  .17  .00  .09  .02 
4  1.648E­02  17.169  .00  .01  .62  .02  .13 
5  2.552E­03  43.623  .88  .81  .37  .75  .84 
3  1  3.937  1.000  .00  .00  .00  .00 
2  3.723E­02  10.284  .48  .14  .00  .04 
3  1.751E­02  14.994  .08  .03  .46  .47 
4  8.330E­03  21.740  .44  .82  .53  .48 
4  1  2.954  1.000  .00  .00  .00 
2  3.462E­02  9.237  .58  .41  .00 
3  1.124E­02  16.210  .42  .59  1.00 
a.  Dependent Variable: SALES 

Analisis : 
­  Eigenvalue mendekati 0, terjadi multikolinearitas. 
­  Condition Index melebihi 15, terjadi multikolinearitas, 
Jika melebihi 30, sangat serius problem multikolinearitas. 
­ 
Excluded Variables d 

Collinearity Statistics 
Partial  Minimum 
Model  Beta In  t  Sig.  Correlation  Tolerance  VIF  Tolerance 
2  INCOME  .012 a  .148  .885  .049  .750  1.333  .109 
3  INCOME  .017 b  .219  .831  .069  .780  1.282  .211 
LAJU_PEN  .037 b  .343  .738  .108  .392  2.549  .132 
4  INCOME  .027 c  .393  .702  .118  .885  1.130  .434 
LAJU_PEN  ­.011 c  ­.165  .872  ­.050  .945  1.058  .436 
PESAING  .056 c  .520  .613  .155  .366  2.729  .251 
a.  Predictors in the Model: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSI 
b.  Predictors in the Model: (Constant), PESAING, OUTLET, PROMOSI 
c. Predictors in the Model: (Constant), OUTLET, PROMOSI 
d. Dependent Variable: SALES 

23 
Materi 7  : Analisis Diskriminan 
Tujuan  : Mengelompokkan objek kedalam 2 atau lebih kelompok berdasar kriteria 
Sejumlah variabel bebas. 
Alat analisis  : Discriminant Analysis

·  Rumusan masalah : 
Sebuah  Supermarket  mendapai  bahwa  sepertinya  konsumen  yang  datang  dapat 
dikelompokkan dalam 2 kelompok, yakni pengunjung yang jering membeli dan yang 
jarang  membeli.  Dengan  kenyataan  tersebut,  pihak  manajemen  ingin  mengetahui 
berbagai  variabel  yang  diduga  turut  memberi  kontribusi  pada  perbedaan  perilaku 
pengunjung dalam membeli tersebut.
·  Pertanyaan penelitian  : 
1.  Apakah perilaku pembeli (yang sering dan jarang beli) benar­benar berbeda ? 
2.  Jika  ada,  variabel  bebas  manakah  yang  membedakan  perilaku  beli  konsumen 
tersebut ? 
3.  Manakah vaiabel bebas penentu perilaku yang paling penting ? 

Hasilnya : 

Discriminant

24 
 Tests of Equality of Group Means 

Wilks' 
Lambda  F  df1  df2  Sig. 
LAYOUT  .996  .386  1  103  .536 
LENGKAP  .989  1.165  1  103  .283 
HARGA  .922  8.693  1  103  .004 
MUSIK  .860  16.828  1  103  .000 
AC  .989  1.094  1  103  .298 
LAMPU  .991  .957  1  103  .330 
PELKAR  .997  .315  1  103  .576 
PELKASIR  .982  1.937  1  103  .167 
PROMOSI  .860  16.752  1  103  .000 
IMAGE  .998  .204  1  103  .652 

Stepwise Statistics 

a,b,c,d 
Variables Entered/Removed 

Min. D Squared 

Between  Exact F 
Step  Entered  Statistic  Groups  Statistic  df1  df2  Sig. 
1 
sering and 
MUSIK  .643  16.828  1  103.000  8.198E­05 
jarang 

2 
sering and 
PROMOSI  1.002  12.988  2  102.000  9.443E­06 
jarang 
3 
sering and 
IMAGE  1.257  10.758  3  101.000  3.393E­06 
jarang 

4 
sering and 
HARGA  1.591  10.117  4  100.000  6.439E­07 
jarang 

At each step, the variable that maximizes the Mahalanobis distance between the two closest 
groups is entered. 
a.  Maximum number of steps is 20. 
b.  Maximum significance of F to enter is .05. 
c. Minimum significance of F to remove is .10. 
d. F level, tolerance, or VIN insufficient for further computation. 

25 
 Wilks' Lambda 

Number of  Exact F 
Step  Variables  Lambda  df1  df2  df3  Statistic  df1  df2  Sig. 
1  1  .860  1  1  103  16.828  1  103.000  8.198E­05 
2  2  .797  2  1  103  12.988  2  102.000  9.443E­06 
3  3  .758  3  1  103  10.758  3  101.000  3.393E­06 
4  4  .712  4  1  103  10.117  4  100.000  6.439E­07 

Summary of Canonical Discriminant Functions 

Eigenvalues 

Canonical 
Function  Eigenvalue  % of Variance  Cumulative %  Correlation 
1  .405 a  100.0  100.0  .537 
a.  First 1 canonical discriminant functions were used in the 
analysis. 

Wilks' Lambda 

Wilks' 
Test of Function(s)  Lambda  Chi­square  df  Sig. 
1  .712  34.321  4  .000 

Structure Matrix 

Function 
1 
MUSIK  ­.635 
PROMOSI  .634 
HARGA  .457 
LAMPU a  ­.298 
LENGKAP  a  ­.202 
AC a  ­.179 
PELKASIR  a  .123 
LAYOUT a  ­.117 
PELKAR a  .083 
IMAGE  ­.070 
Pooled within­groups correlations between discriminating 
variables and standardized canonical discriminant functions 
Variables ordered by absolute size of correlation within function. 
a.  This variable not used in the analysis. 

Kesimpulan : 
1.  Dari tabel  Wilk’s  lambda  mengindikasikan perbedaan  yang  nyata dari kedua 
kelompok pengunjung Supermarket pada model diskriminan yang terbentuk

26 
2.  Dari tabel variable Entered/Removed dapat dijelaskan bahwa ternyata perilaku 
sering  atau  jarang  membeli  konsumen  di  Supermarket  tersebut,  dipengaruhi 
oleh sikap konsumen pada faktor musik, promosi, image, dan harga. 
3.  Tabel  Structure  Matrix,  menunjukkan  kepada  manajemen  bahwa  tanpa 
memperhatikan  tanda  di  depannya  dan  yang  tidak  bertanda  a,  maka 
tampaknya  music  menjadi  variabel  yang paling  membedakan perilaku  sering 
dan tidaknya pengunjung melakukan pembelian.

27 
Materi 8  : Analisis Faktor 
Tujuan  : Mereduksi berbagai variabel menjadi beberapa kelopok faktor 
Alat analisis  : Factor Analysis 
Contoh kasus  : 

Hasil : 

Factor Analysis 

KMO and Bartlett's Test 
Kaiser­Meyer­Olkin Measure of Sampling 
Adequacy.  .552 

Bartlett's Test of  Approx. Chi­Square  87.437 

Sphericity df  28 
Sig.  .000 

28 
 Anti­image Matrices 

LAYOUT  LENGKAP  HARGA  PELKAR  PELKASIR  PROMOSI  IMAGE  BERSIH 

Anti­image  LAYOUT  .929  ­8.15E­02  ­.105  2.857E­03  .141  3.102E­02  7.404E­02  ­9.21E­02 
Covariance  LENGKAP  ­8.15E­02  .679  9.569E­02  ­.297  9.872E­02  .153  .110  ­.203 
HARGA  ­.105  9.569E­02  .809  ­.133  ­.108  ­7.32E­02  ­.206  4.172E­02 
PELKAR  2.857E­03  ­.297  ­.133  .757  ­.155  ­4.68E­02  ­.122  2.942E­02 
PELKASIR  .141  9.872E­02  ­.108  ­.155  .855  ­4.32E­02  4.929E­02  ­.214 
PROMOSI  3.102E­02  .153  ­7.32E­02  ­4.68E­02  ­4.316E­02  .840  ­.169  3.153E­02 
IMAGE  7.404E­02  .110  ­.206  ­.122  4.929E­02  ­.169  .792  ­7.63E­02 
BERSIH  ­9.21E­02  ­.203  4.172E­02  2.942E­02  ­.214  3.153E­02  ­7.63E­02  .849 
Anti­image  LAYOUT  .528 a  ­.103  ­.121  3.409E­03  .158  3.513E­02  8.631E­02  ­.104 
Correlation  LENGKAP  ­.103  .513 a  .129  ­.415  .130  .203  .150  ­.267 
HARGA  ­.121  .129  .624 a  ­.170  ­.130  ­8.88E­02  ­.257  5.034E­02 
PELKAR  3.409E­03  ­.415  ­.170  .474 a  ­.193  ­5.87E­02  ­.158  3.672E­02 
PELKASIR  .158  .130  ­.130  ­.193  .476 a  ­5.09E­02  5.988E­02  ­.252 
PROMOSI  3.513E­02  .203  ­8.88E­02  ­5.87E­02  ­5.095E­02  .708 a  ­.207  3.735E­02 
IMAGE  8.631E­02  .150  ­.257  ­.158  5.988E­02  ­.207  .614 a  ­9.30E­02 
BERSIH  ­.104  ­.267  5.034E­02  3.672E­02  ­.252  3.735E­02  ­9.30E­02  .505 a 
a.  Measures of Sampling Adequacy(MSA) 

Factor Analysis 

Communalities 

Initial  Extraction 
LAYOUT  1.000  .308 
LENGKAP  1.000  .577 
HARGA  1.000  .549 
PROMOSI  1.000  .465 
IMAGE  1.000  .599 
BERSIH  1.000  .548 
Extraction Method: Principal Component Analysis. 

Total Variance Explained 

Initial Eigenvalues  Extraction Sums of Squared Loadings 
Component  Total  % of Variance  Cumulative %  Total  % of Variance  Cumulative % 
1  1.829  30.488  30.488  1.829  30.488  30.488 
2  1.217  20.286  50.774  1.217  20.286  50.774 
3  .944  15.732  66.506 
4  .758  12.637  79.143 
5  .639  10.642  89.785 
6  .613  10.215  100.000 
Extraction Method: Principal Component Analysis.

29 
 Scree Plot 
2.0 

1.8 

1.6 

1.4 

1.2 

1.0 

.8 
Eigenvalue 

.6 

.4 
1  2  3  4  5  6 

Component Number 

a 
Component Matrix 

Component 
1  2 
LAYOUT  ­.301  .466 
LENGKAP  ­.654  .386 
HARGA  .563  .482 
PROMOSI  .673  .111 
IMAGE  .648  .423 
BERSIH  ­.348  .654 
Extraction Method: Principal Component Analysis. 
a.  2 components extracted. 

a 
Rotated Component Matrix 

Component 
1  2 
LAYOUT  7.304E­03  .555 
LENGKAP  ­.331  .683 
HARGA  .735  9.035E­02 
PROMOSI  .622  ­.280 
IMAGE  .774  ­6.16E­03 
BERSIH  7.148E­02  .737 
Extraction Method: Principal Component Analysis. 
Rotation Method: Varimax with Kaiser Normalization. 
a. Rotation converged in 3 iterations. 

30 
Component Transformation Matrix 

Component  1  2 
1  .833  ­.553 
2  .553  .833 
Extraction Method: Principal Component Analysis. 
Rotation Method: Varimax with Kaiser Normalization. 

Component Plot in Rotated Space 
1.0 

bersih 
lengkap 
layout
.5 

harga 
image 
0.0 

promosi 
Component 2 

­.5 

­1.0 
­1.0  ­.5  0.0  .5  1.0 

Component 1 

31 
Materi 9  : Statistika Non Parametrik 
Tujuan             : Menganalisis data yang mempunyai jumlah kecil, mempunyai sebaran 
yang tidak normal. 
Alat analisis  : Statistika Non Parametrik

32 
Materi 9  : Analisis Cluster 
Tujuan  : Mereduksi berbagai variabel menjadi beberapa kelopok Cluster 
Melakukan Segmentasi Populasi atas dasar atribut­atribut tertentu 
Alat analisis  : Hierarchical dan K­means Cluster Analysis 
Contoh kasus  : 

K­means Cluster 

Quick Cluster 

Initial Cluster Centers 

Cluster
1  2  3  4 
LAYOUT  4.50  3.20  4.60  3.20 
LENGKAP  4.40  3.00  3.10  2.90 
HARGA  2.00  1.00  4.90  4.30 
MUSIK  4.90  4.30  4.30  2.00 
AC  4.10  4.50  3.00  2.00 
LAMPU  4.90  2.00  2.10  2.10 
PELKAR  4.40  3.00  1.60  4.70 
PELKASIR  1.50  4.50  1.40  4.40 
PROMOSI  1.00  4.20  3.50  3.30 
IMAGE  1.00  2.00  2.70  4.70 

33 
 a 
Iteration History 

Change in Cluster Centers 
Iteration  1  2  3  4 
1  2.729  2.210  2.876  2.074 
2  .548  .404  .401  .253 
3  .355  .381  .150  .309 
4  .137  .235  .149  .212 
5  .197  .268  .118  .159 
6  .113  .365  .194  .104 
7  .102  .102  .122  .000 
8  .000  .000  .000  .000 
a. Convergence achieved due to no or small distance 
change. The maximum distance by which any center 
has changed is .000. The current iteration is 8. The 
minimum distance between initial centers is 5.595. 

Final Cluster Centers 

Cluster
1  2  3  4 
LAYOUT  3.53  3.22  3.84  3.66 
LENGKAP  3.55  3.35  3.68  3.37 
HARGA  2.46  2.06  2.51  4.35 
MUSIK  4.23  2.67  3.72  2.75 
AC  3.83  3.20  2.24  2.85 
LAMPU  3.67  1.85  2.19  2.71 
PELKAR  3.55  3.29  3.12  4.05 
PELKASIR  3.31  3.73  2.53  3.74 
PROMOSI  1.94  3.66  2.79  3.43 
IMAGE  2.64  3.21  2.47  3.78 

34 
 ANOVA 

Cluster  Error 
Mean Square  df  Mean Square  df  F  Sig. 
LAYOUT  1.696  3  .622  101  2.726  .048 
LENGKAP  .667  3  .414  101  1.613  .191 
HARGA  29.698  3  .466  101  63.677  .000 
MUSIK  14.235  3  .584  101  24.381  .000 
AC  11.479  3  .778  101  14.760  .000 
LAMPU  14.655  3  .574  101  25.552  .000 
PELKAR  4.824  3  .602  101  8.011  .000 
PELKASIR  9.042  3  .875  101  10.335  .000 
PROMOSI  14.080  3  .694  101  20.292  .000 
IMAGE  10.281  3  .958  101  10.729  .000 
The F tests should be used only for descriptive purposes because the clusters have been 
chosen to maximize the differences among cases in different clusters. The observed significance 
levels are not corrected for this and thus cannot be interpreted as tests of the hypothesis that the 
cluster means are equal. 

Number of Cases in each Cluster 
Cluster  1  23.000 
2  22.000 
3  29.000 
4  31.000 
Valid  105.000 
Missing  .000 

Hierarchical Cluster

35 
Cluster 
Ward Linkage 

Agglomeration Schedule 

Stage Cluster First 
Cluster Combined  Appears 
Stage  Cluster 1  Cluster 2  Coefficients  Cluster 1  Cluster 2  Next Stage
1  7  12  .705  0  0  8 
2  8  9  1.550  0  0  7 
3  10  11  2.495  0  0  10 
4  1  4  3.795  0  0  6 
5  3  5  5.125  0  0  9 
6  1  2  6.732  4  0  8 
7  6  8  8.467  0  2  9 
8  1  7  11.943  6  1  11 
9  3  6  17.445  5  7  10 
10  3  10  26.928  9  3  11 
11  1  3  41.544  8  10  0 

36 
 Cluster Membership 

Case  4 Clusters  3 Clusters  2 Clusters 

1:grosir 1  1  1  1 
2:grosir 2  1  1  1 
3:grosir 3  2  2  2 
4:grosir 4  1  1  1 
5:grosir 5  2  2  2 
6:grosir 6  3  2  2 
7:grosir 7  1  1  1 
8:grosir 8  3  2  2 
9:grosir 9  3  2  2 
10:grosir 10  4  3  2 
11:grosir 11  4  3  2 
12:grosir 12  1  1  1 

Dendrogram 

* * * * * * H I E R A R C H I C A L  C L U S T E R   A N A L Y S I S * 
* * * * * 

Dendrogram using Ward Method 

Rescaled Distance Cluster Combine 

C A S E            0         5        10        15        20 
25 
Label                 Num  +­­­­­­­­­+­­­­­­­­­+­­­­­­­­­+­­­­­­­­­+­ 
­­­­­­­­+ 

grosir 7                7 òûòòòòòòòø 
grosir 12              12 ò÷
ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø 
grosir 1                1 òòòø ó
ó 
grosir 4                4 òòòüòòòòò÷
ó 
grosir 2                2 òòò÷
ó 
grosir 10              10 òûòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø
ó 
grosir 11              11 ò÷
ùòòòòòòòòòòòòòòòòò÷ 
grosir 3  3 òòòûòòòòòòòòòòòòòø ó

37 
 grosir 5                5 òòò÷ ùòòòòòòòòòòòòò÷ 
grosir 8                8 òûòø ó 
grosir 9                9 ò÷ ùòòòòòòòòòòòòò÷ 
grosir 6                6 òòò÷ 

Materi 10  : Analisis MDS 
Tujuan  : Menganalisis Interdependen atau ketergantungan antar variabel 
Alat analisis  : Multidimensional Scaling 
Contoh kasus  :

38 
 Derived Stimulus Configuration 
Individual differences (weighted) Euclidean distance model 
1.5 
baru 
1.0  murah 

.5  lestari 

0.0 

­.5  laris 
Dimension 2 

­1.0 

­1.5  jaya 

­2.0 
­1.5  ­1.0  ­.5  0.0  .5  1.0  1.5  2.0 

Dimension 1 

Derived Subject Weights 
Individual differences (weighted) Euclidean distance model 
.9 
8 
.8 
3 
1
.7 

.6 
2 
.5 

4 
Dimension 2 

.4  5 
6 7 
.3 

.2 
­.2  0.0  .2  .4  .6  .8  1.0 

Dimension 1 

39 
 Scatterplot of Linear Fit 
Individual differences (weighted) Euclidean distance model 
3.0 

2.5 

2.0 

1.5 

1.0 
Distances 

.5 

0.0 
0.0  .5  1.0  1.5  2.0  2.5  3.0 

Disparities 

Flattened Subject Weights 
Individual differences (weighted) Euclidean distance model 
1.5 
7 
6 
1.0 
5 
2 
.5 

1
0.0 
4 
­.5 

­1.0  3 
Variable 1 

­1.5 
8 
­2.0 
­.6  ­.4  ­.2  ­.0  .2  .4  .6 

One Dimensional Plot 

40