1 PENDAHULUAN
1.1 Latar Belakang
Penyebaran COVID-19 di Indonesia sudah menjangkau seluruh wilayah provinsi di Indonesia dengan jumlah pasien terdampak bahkan pasien meninggal yang semakin meningkat, maka tentunya berdampak terhadap beberapa sektor.
Salah satunya adalah aspek ekonomi, dengan diadakannya Pembatasan Sosial Berskala Besar (PSBB), beberapa pengusaha terpaksa untuk menutup tokonya. Sehingga masyarakat mulai melikirk kegiatan belanja secara online, sehingga e-commerce saat ini diuntungkan pada kondisi COVID-19.
2 TINJAUAN PUSTAKA
2.1 Populasi dan Sampel
Populasi adalah wilayah generalisasi yang terdiri atas objek atau subjek yang mempunyai kualitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari kemudian ditarik kesimpulannya (Sugiyono, 2012). Peneliti harus menentukan secara jelas mengenai populasi yang menjadi sasaran penelitiannya, populasi yang akan menjadi cakupan kesimpulan penelitian nantinya. Dalam penelitian ini. populasi yang digunakan adalah mahasiswa aktif Jurusan Statistika Universitas Brawijaya per-bulan November 2021 yaitu berjumlah sebanyak 666 mahasiswa.
Menurut Sugiyono, sampel adalah “Bagian dari jumlah karakteristik yang dimiliki oleh populasi tersebut”. Teknik sampling yang digunakan pada penelitian ini adalah teknik probabiity sampling, proportionate stratifed random sampling. Probabiity sampling, proportionate stratifed random sampling digunakan apabila mempunyai anggota yang tidak homogen dan berstrata (lapisan) secara proporsional.
2.2 Sumber Data
Sumber data yang digunakan merupakan data primer yang diperoleh dari hasil kuesioner (dengan bantuan google-form) dengan sasaran responden mahasiswa aktif Jurusan Statistika Universitas Brawijaya yang pernah berbelanja menggunakan e-commerce.
| No | Variabel | Keterangan |
|---|---|---|
| 1 | \(X_1\) | Pendapatan per-bulan \(\leq\) Rp100.000,00 |
| 2 | \(X_2\) | Pendapatan per-bulan di antara Rp100.000,00 sampai Rp500.000,00 |
| 3 | \(X_3\) | Pendapatan per-bulan \(\geq\) Rp500.000,00 |
| 4 | \(Y_1\) | Intensitas belanja menggunakan e-commerce dalam satu bulan, sebelum pandemi |
| 5 | \(Y_2\) | Intensitas belanja menggunakan e-commerce dalam satu bulan, setelah pandemi |
2.3 Multivariate Analysis of Variance (MANOVA)
MANOVA merupakan perluasan dari ANOVA dalam multivariat, dan MANOVA sendiri memiliki beberapa variabel terikat (Santoso, 2012). Seperti aNOVA, MANOVA dibagi menjadi MANOVA satu arah dan MANOVA dua arah. Perbedaan antara MANOVA satu arah dan MANOVA dua arah adalah jumlah kategori variabel bebas (Hair and et al, 2010).
2.4 Uji Asumsi MANOVA
2.4.1 Uji Normalitas
Pada uji MANOVA terdapat lebih dari satu variabel terikat, sehingga ukuran normalitas multivariat digunakan. Uji normalitas multivariat harus dilakukan pada semua variabel terikat secara bersamaan (simultan) (Hair and et al, 2010).
2.4.2 Uji Homoskedastisitas
Pengujian homoskedastisitas dalam MANOVA dibagi menjadi dua pengujian, yaitu uji homogenitas varians dan uji homogenitas matriks kovarians. Fungsi dari uji homogenitas varians adalah untuk mengetahui apakah varians data tersebut homogen atau heterogen, dapat diuji dengan Levene test (Santoso, 2012). Pada MANOVA, diasumsikan juga bahwa variabel terikat tida memiliki perbedaan antara varians dan kovarians. Kesamaan peubah tersebut dilakukan dengan menggunakan uji Box’s M (Santoso, 2012).
2.5 Uji Signifikansi MANOVA
Uji signifikansi digunakan untuk menguji perbedaan pengaruh variabel bebas terhadap variabel terikat. Berdasarkan hipotesis berikut (Setiawan, 2017):
\[ H_0: \tau_1 = \tau_2 = \dots = \tau_g = 0 \]
\[ H_1: Setidaknya\ terdapat\ satu\ \tau_i;\ i=1,2,\dots,g \]
Beberapa statistik uji pada MANOVA yang dapat digunakan sebagai pembuat keputusan dalam perbedaan antar-kelompok adalah sebagai berikut (Hair and et al, 2010): a. Pillai’s Trace b. Wilk’s Lambda c. Hotelling’s Trace d. Roy’s Largest Root
2.6 Analisis Profil
Analisis profil adalah salah satu metode statistika untuk menggambarkan grafik dua kelompok atau lebih dalam suatu gambar sehingga dapat diketahui karakteristik profil antar kelompok.
2.6.1 Uji Kesejajaran
Uji ini dilakukan untuk mengetahui apakah profil-profil perlakuan sudah sejajar,d an juga berkaitan dengan interaksi antar perlakuan, jika sejajar maka tidak ada pengaruh perlakuan (Astutik dan Solimun, 2017).
2.6.2 Uji Keberhimpitan
Setelah melakukan uji kesejajaran, dilakukan uji keberhimpitan untuk mengetahui apakah profil saling berhimpit. Profil akan berhimpit (identik), jika jumlah komponen dalam masing-masing vektor rata-rata perklakuan ke-i semua sama (Astutik dan Solimun, 2017).
2.6.3 Uji Horizontal
Jika uji berhimpit tidak ditolak, maka k populasi diperkirakan mempunyai vektor rata-rata umum. Hal ini berarti profil dapat dinyatakan dengan garis horizontal umum. Namun jika pada uji keberhimpitan terima \(H_0\) maka seluruh observasi berasal dari populasi normal yang sama (Astutik dan Solimun, 2017).
3 SOURCE CODE
3.1 Library yang Dibutuhkan
> library(magrittr)
> library(knitr)
> library(MVN)
> library(car)
> library(biotools)
> library(profileR)3.2 Memanggil Data
3.2.1 Data untuk MANOVA
> data <- read.csv('C:/KULIAH/SEM 6/KOMSTAT/PRAKTIKUM/LAPORAN/laporan.csv',header=TRUE,sep=';')
> data %>% kable(caption = "Data untuk MANOVA", align = "c")| Xi | Y1 | Y2 |
|---|---|---|
| 1 | 2 | 2 |
| 1 | 1 | 0 |
| 1 | 0 | 0 |
| 1 | 1 | 0 |
| 1 | 0 | 0 |
| 1 | 0 | 1 |
| 1 | 1 | 1 |
| 1 | 0 | 1 |
| 1 | 0 | 1 |
| 1 | 0 | 2 |
| 1 | 0 | 2 |
| 1 | 2 | 3 |
| 1 | 2 | 2 |
| 1 | 2 | 3 |
| 1 | 0 | 3 |
| 1 | 0 | 3 |
| 1 | 1 | 4 |
| 1 | 1 | 4 |
| 1 | 1 | 4 |
| 1 | 2 | 3 |
| 2 | 1 | 2 |
| 2 | 1 | 2 |
| 2 | 2 | 2 |
| 2 | 2 | 2 |
| 2 | 3 | 2 |
| 2 | 2 | 2 |
| 2 | 2 | 2 |
| 2 | 0 | 2 |
| 2 | 5 | 2 |
| 2 | 2 | 3 |
| 2 | 2 | 3 |
| 2 | 2 | 3 |
| 2 | 2 | 3 |
| 2 | 3 | 3 |
| 2 | 2 | 3 |
| 2 | 3 | 4 |
| 2 | 1 | 4 |
| 2 | 2 | 4 |
| 2 | 2 | 4 |
| 2 | 1 | 4 |
| 3 | 0 | 4 |
| 3 | 1 | 0 |
| 3 | 1 | 3 |
| 3 | 1 | 2 |
| 3 | 1 | 4 |
| 3 | 1 | 3 |
| 3 | 1 | 3 |
| 3 | 1 | 3 |
| 3 | 1 | 3 |
| 3 | 2 | 2 |
| 3 | 2 | 3 |
| 3 | 2 | 4 |
| 3 | 2 | 5 |
| 3 | 2 | 5 |
| 3 | 2 | 5 |
| 3 | 3 | 5 |
| 3 | 5 | 5 |
| 3 | 1 | 5 |
| 3 | 2 | 4 |
| 3 | 2 | 5 |
3.2.2 Data untuk Analisis Profil
> datprof <- read.csv('C:/KULIAH/SEM 6/KOMSTAT/PRAKTIKUM/LAPORAN/prof.csv',header=TRUE,sep=';')
> datprof %>% kable(caption = "Data untuk Analisis Profil", align = "c")| X1 | X2 | X3 | Y |
|---|---|---|---|
| 2 | 1 | 0 | Intensitas Belanja Online Sebelum Pandemi |
| 1 | 1 | 1 | Intensitas Belanja Online Sebelum Pandemi |
| 0 | 2 | 1 | Intensitas Belanja Online Sebelum Pandemi |
| 1 | 2 | 1 | Intensitas Belanja Online Sebelum Pandemi |
| 0 | 3 | 1 | Intensitas Belanja Online Sebelum Pandemi |
| 0 | 2 | 1 | Intensitas Belanja Online Sebelum Pandemi |
| 1 | 2 | 1 | Intensitas Belanja Online Sebelum Pandemi |
| 0 | 0 | 1 | Intensitas Belanja Online Sebelum Pandemi |
| 0 | 5 | 1 | Intensitas Belanja Online Sebelum Pandemi |
| 0 | 2 | 2 | Intensitas Belanja Online Sebelum Pandemi |
| 0 | 2 | 2 | Intensitas Belanja Online Sebelum Pandemi |
| 2 | 2 | 2 | Intensitas Belanja Online Sebelum Pandemi |
| 2 | 2 | 2 | Intensitas Belanja Online Sebelum Pandemi |
| 2 | 3 | 2 | Intensitas Belanja Online Sebelum Pandemi |
| 0 | 2 | 2 | Intensitas Belanja Online Sebelum Pandemi |
| 0 | 3 | 3 | Intensitas Belanja Online Sebelum Pandemi |
| 1 | 1 | 5 | Intensitas Belanja Online Sebelum Pandemi |
| 1 | 2 | 1 | Intensitas Belanja Online Sebelum Pandemi |
| 1 | 2 | 2 | Intensitas Belanja Online Sebelum Pandemi |
| 2 | 1 | 2 | Intensitas Belanja Online Sebelum Pandemi |
| 2 | 2 | 4 | Intensitas Belanja Online Setelah Pandemi |
| 0 | 2 | 0 | Intensitas Belanja Online Setelah Pandemi |
| 0 | 2 | 3 | Intensitas Belanja Online Setelah Pandemi |
| 0 | 2 | 2 | Intensitas Belanja Online Setelah Pandemi |
| 0 | 2 | 4 | Intensitas Belanja Online Setelah Pandemi |
| 1 | 2 | 3 | Intensitas Belanja Online Setelah Pandemi |
| 1 | 2 | 3 | Intensitas Belanja Online Setelah Pandemi |
| 1 | 2 | 3 | Intensitas Belanja Online Setelah Pandemi |
| 1 | 2 | 3 | Intensitas Belanja Online Setelah Pandemi |
| 2 | 3 | 2 | Intensitas Belanja Online Setelah Pandemi |
| 2 | 3 | 3 | Intensitas Belanja Online Setelah Pandemi |
| 3 | 3 | 4 | Intensitas Belanja Online Setelah Pandemi |
| 2 | 3 | 5 | Intensitas Belanja Online Setelah Pandemi |
| 3 | 3 | 5 | Intensitas Belanja Online Setelah Pandemi |
| 3 | 3 | 5 | Intensitas Belanja Online Setelah Pandemi |
| 3 | 4 | 5 | Intensitas Belanja Online Setelah Pandemi |
| 4 | 4 | 5 | Intensitas Belanja Online Setelah Pandemi |
| 4 | 4 | 5 | Intensitas Belanja Online Setelah Pandemi |
| 4 | 4 | 4 | Intensitas Belanja Online Setelah Pandemi |
| 3 | 4 | 5 | Intensitas Belanja Online Setelah Pandemi |
3.3 Pengujian Asumsi
3.3.1 Normalitas Multivariat
> result <- mvn(data = data, mvnTest = "mardia")
> result$multivariateNormality
Test Statistic p value Result
1 Mardia Skewness 16.6178532139067 0.0832592854201398 YES
2 Mardia Kurtosis 0.215579274097708 0.829315712800836 YES
3 MVN <NA> <NA> YES3.3.2 Homogenitas Varian
> homo1 <- leveneTest(data$Y1, data$Xi, center = mean)
> homo2 <- leveneTest(data$Y2, data$Xi, center = mean)
> homo1
Levene's Test for Homogeneity of Variance (center = mean)
Df F value Pr(>F)
group 2 0.2881 0.7508
57
> homo2
Levene's Test for Homogeneity of Variance (center = mean)
Df F value Pr(>F)
group 2 2.6456 0.07966 .
57
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 13.3.3 Homogenitas Matrisk Varian Kovarian
> kov <- boxM(data = data[,2:3], grouping = data[,1])
> kov
Box's M-test for Homogeneity of Covariance Matrices
data: data[, 2:3]
Chi-Sq (approx.) = 8.3391, df = 6, p-value = 0.21433.4 Uji MANOVA
> uji <- manova(cbind(data$Y1, data$Y2) ~ data$Xi, data = data)
> summary.manova(uji, test= "Wilks")
Df Wilks approx F num Df den Df Pr(>F)
data$Xi 1 0.72392 10.869 2 57 0.0001003 ***
Residuals 58
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> summary.manova(uji, test= "Pillai")
Df Pillai approx F num Df den Df Pr(>F)
data$Xi 1 0.27608 10.869 2 57 0.0001003 ***
Residuals 58
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> summary.manova(uji, test= "Hotelling-Lawley")
Df Hotelling-Lawley approx F num Df den Df Pr(>F)
data$Xi 1 0.38136 10.869 2 57 0.0001003 ***
Residuals 58
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> summary.manova(uji, test= "Roy")
Df Roy approx F num Df den Df Pr(>F)
data$Xi 1 0.38136 10.869 2 57 0.0001003 ***
Residuals 58
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 13.5 Uji Analisis Profil
> mod <- pbg(datprof[,1:3], datprof[,4], profile.plot = TRUE)
> summary(mod)
Call:
pbg(data = datprof[, 1:3], group = datprof[, 4], profile.plot = TRUE)
Hypothesis Tests:
$`Ho: Profiles are parallel`
Multivariate.Test Statistic Approx.F num.df den.df p.value
1 Wilks 0.8038151 4.515244 2 37 0.01759497
2 Pillai 0.1961849 4.515244 2 37 0.01759497
3 Hotelling-Lawley 0.2440673 4.515244 2 37 0.01759497
4 Roy 0.2440673 4.515244 2 37 0.01759497
$`Ho: Profiles have equal levels`
Df Sum Sq Mean Sq F value Pr(>F)
group 1 17.34 17.336 23.93 1.86e-05 ***
Residuals 38 27.53 0.724
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
$`Ho: Profiles are flat`
F df1 df2 p-value
1 27.47422 2 37 4.854692e-084 HASIL DAN PEMBAHASAN
4.1 Pengujian Asumsi
4.1.1 Normalitas Multivariat
Berdasarkan hasil yang diperoleh dari R-studio diketahui bahwa nilai p-value pada skewness (0.083) dan kurtosis (0.829) lebih besar dari nilai \(\alpha\) (0.05), maka dapat diperoleh keputusan bahwa data berdistribusi normal multivariat.
4.1.2 Homogenitas Varian
Berdasarkan hasil yang diperoleh dari R-studio diketahui bahwa nilai p-value sebesar 0.751 dan nilai F Hit sebesar 0.288 sehingga diperoleh keputusan yaitu gagal tolak \(H_0\) karena nilai p-value \(>\) \(\alpha\) (0.05) sehingga dapat disimpulkan bahwa varian data perbedaan kelompok pendapatan terhadap intensitas belanja online melalui menggunakan Shopee homogen.
4.1.3 Homogenitas Matriks Varian Kovarian
Berdasarkan hasil yang diperoleh dari R-studio diketahui bahwa nilai p-value sebesar 0.214, sehingga diperoleh keputusan gagal tolak \(H_0\) karena nilai p-value \(> \alpha\) (0.05) sehingga dapat disimpulkan bahwa matriks varian kovarian dari data perbedaan kelompok pendapatan terhadap intensitas belanja online menggunakan aplikasi Shopee homogen.
4.2 Uji MANOVA
Berdasarkan hasil yang diperoleh dari R-studio diketahui
bahwa nilai p-value sebesar 0.0001, maka diperoleh keputusan
tolak \(H_0\) karena p-value
\(< \alpha\), sehingga dapat
disimpulkan bahwa minimal ada satu kelompok pendapatan memberikan
pengaruh yang berbeda terhadap intensitas belanja online
menggunakan aplikasi Shopee.
Pengujian dilanjutkan pada analisis profil karena kesimpulan pada uji
MANOVa terdapat minimal satu kelompok pendapatan memberikan pengaruh
yang berbeda terhadap intensitas belanja online menggunakan
aplikasi Shopee.
4.3 Uji Analisis Profil
4.3.1 Kesejajaran
Berdasarkan hasil yang diperoleh dari R-studio bernilai \(< \alpha\) (0.05), sehingga dapat diputuskan untuk tolak \(H_0\) dan disimpulkan bahwa perubahan intensitas belanja online sebelum dan sesudah pandemi mengalami penambahan dan pengurangan dengan proporsi yang berbeda, yang berarti terdapat perbedaan pengaruh perlakuan. Maka dari itu, tidak dilakukan uji keberhimpitan dan kesamaan level, dikarenakan terjadi penolakan \(H_0\) pada uji kesejajaran.
5 DAFTAR PUSTAKA
Astutik, S. dan Solimun (2017) Modul Praktikum Analisis Multivariat dengan SAS dan SPSS. Malang: Program Studi Statistika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Brawijaya.
Hair. J. F., et al (2010) Multivariate Data Analysis: A Global Perspective. 7th edition. New Jersey: Pearson Prentice Hall.
Handoko, B. et al (2021) Faktor- Faktor yang Mempengaruhi Intensitas Belanja Online Mahasiswa STIKes Awal Bros Pekanbaru Selama Pandemi COVID-19, JOURNAL OF STIKes AWAL BROS PEKANBARU, 2(1), pg. 19-28.
Rencher, A. (2002) Methods of Multivariate Analysis. Canada: John Wiley & Sons, Inc.
RI. K. K. (2020) Pedoman Pencegahan dan Pengendalian Coronavirus Disease (COVID-19). DOI: https://doi.org/10.29239.
Santoso, S. (2012) Aplikasi SPSS pada Statistik Multivariat. PT Elex Ko. Jakarta.
Setiawan, D. et al (2017) Analisis MANOVA Satu Arah pada Data Komponen Kesehatan Bayi di Pulau Jawa Tahun 2013. ResearchGate.
Sugiyono (2012) Metode Penelitian Kuantitatif dan R&D. Bandung: Alfabeta.