BAB 2
LANDASAN TEORI
2.1 Gambaran umum Fakultas MIPA USU
Pendirian fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) mulai dirintis sejak tahun 1959 melalui berbagai pembahasan dalam sidang pimpinan USU yang ketika itu disebut Rapat Presidium dan Asesor dengan nama Fakultas Ilmu Pasti dan Ilmu Alam (FIPIA). Rencana pendirian FIPIA USU pernah terhenti karena adanya pergolakan di USU, namun akhirnya mendapat persetujuan dari menteri dengan Surat Keputusan Nomor 9638/Sekret/BUP/1965. Peresmian berdirinya FIPIA USU ditandai dengan dibukanya tiga jurusan yaitu: Jurusan Matematika, Fisika dan Kimia. Pada tahun 1969, FIPIA USU membuka Jurusan Farmasi pada tahun 1969 dan pada tahun 1981 membuka Program Diploma-3 Pendidikan Ahli Kimia Analis (PAKA) melalui Surat Keputusan Rektor USU Nomor: 3491/PT05/SK/C/1981. Pada tahun 1974 FIPIA USU berubah nama menjadi Fakultas Ilmu Pasti dan Ilmu Pengetahuan Alam USU, namun beberapa tahun kemudian yaitu pada tahun 1982 kembali merubah nama dengan Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) USU. Pada tahun 1985 FMIPA USU dipercayakan Pemerintah Republik Indonesia untuk menyelenggarakan Program Diploma-3 Kependidikan meliputi Program Studi : Matematika, Fisika, Kimia dan Biologi. Program ini dimaksudkan untuk pengadaan guru-guru dalam bidang eksakta akan ditempatkan di daerah dan seluruh mahasiswanya memperoleh beasiswa. Peringatan Dies Natalis FMIPA diperingati setiap tahunnya pada tanggal 25 Agustus yaitu pada saat pelantikan pertama sekali pimpinan FIPIA. Jurusan Farmasi berubah status menjadi Fakultas Farmasi berdasarkan SK Rektor Nomor 1050/J05/SK/KP/2006 tanggal 8 Agustus 2006.
2.2 Pengertian Android
Android adalah sistem operasi berbasis linux yang dirancang untuk perangkat seluler layar sentuh seperti telepon pintar dan komputer tablet. Hp Android memiliki fungsi yang menyerupai kompuer mini, namun pengguna tidak lagi direpotkan membawa mouse ataupun keyboard. Layaknya sebuah handphone masa kini dimana ponsel Android memiliki bentuk yang simpel. Hp Android bentuknya sangat sederhana namun memiliki kemampuan yang sangat banyak. Diantaranya:
1. Telepon. 2. SMS. 3. Video Call. 4. Browsing. 5. Dll.
Pada Hp Android terdapat berbagai fitur yang bisa digunakan. Sesuai dengan pengertian fitur yang merupakan aspek-aspek keistimewaan, karakteristik, layanan khusus, ragam keuntungan yang dibawa dalam suatu produk terpapar kepada pelanggan/sosial/umum.
2.3 Defenisi Operasional Variabel Penelitian
Untuk memudahkan gambaran yang jelas dan memudahkan pelaksanaan penelitian, maka variabel-variabel yang akan diteliti adalah sebagai berikut:
a. Variabel independen (bebas) adalah variabel yang mempengaruhi atau menjadi sebab timbulnya variabel terikat. Dalam penelitian ini yang menjadi variabel independen X adalah harga (X1), fitur (X2), merek (X3), desain (X4), dan iklan
(X5).
b. Variabel dependen (terikat) adalah variabel yang dipengaruhi atau menjadi akibat karena adanya perubahan variabel independen. Dalam penelitian ini yang menjadi variabel terikat adalah kepemilikan Hp Android (Y).
2.4 Data
Pengertian data menurut Webster New World Dictionary, data adalah things known or
assumed, yang berarti bahwa data itu adalah sesuatu yang diketahui atau dianggap.
Diketahui artinya yang sudah terjadi merupakan fakta (bukti). Data dapat memberikan gambaran tentang suatu keadaan atau persoalan.
Data bisa juga didefenisikan sekumpulan informasi atau nilai yang diperoleh dari pengamatan (observasi) suatu objek, data dapat berupa angka dan dapat pula merupakan angka atau sifat. Beberapa macam data antara lain: data populasi dan sampel, data observasi, data primer dan data sekunder.
Pada dasarnya kegunaan data (setelah diolah dan dianalisis) ialah sebagai dasar yang objektif di dalam proses pembuatan keputusan-keputusan dalam rangka untuk memecahkan persoalan oleh pengambilan keputusan. Keputusan yang baik hanya bisa dieroleh dari pengambilan keputusan yang objektif, dan didasarkan atas data yang baik.
Data yang baik adalah data yang bisa dipercaya kebenarannya (reliable), tepat waktu dan mencakup ruang lingkup yang luas atau bisa memberikan gambaran tentang suatu masalah secara menyeluruh merupakan data relevan.
Riset akan menghasilkan data. Ada tiga peringkat data yaitu data mentah, hasil pengumpulan, data hasil pengolahan berupa jumlah, rata-rata, dan data hasil analisis berupa kesimpulan. Yang terakhir ini mempunyai peringkat tertinggi sebab langsung dapat dipergunakan untuk menyusun saran atau usul untuk dapat keputusan.
2.4.1 Data Menurut Sifatnya
Menurut sifatnya, data dapat dibagi dua:
a. Data kualitatif yaitu data yang tidak berbentuk angka, misalnya: kuesioner pertanyaan tentang suasana kerja gaya kepemimpnan dan sebagainya.
b. Data kuantitatif yaitu data yang berbentuk angka, misalnya: harga suatu produk, besar pendapatan, dan sebagainya.
2.4.2 Skala Pengukuran Data
Skala merupakan suatu prosedur pemberian angka atau simbol lain kepada sejumlah ciri dari suatu objek agar dapat menyatakan karakteristik angka pada ciri tersebut. Skala pengukuran oleh S.S Steven (1976) terbagi atas 4 bagian yaitu:
a. Skala Nominal: skal nominal tingatan pengukuran yang paling sederhana. Dasar penggolongan ini agar kategori yang tidak tumpang tindih (mutually
exclutive) dan tuntas (exhaustive). Angka yang ditunjuk untuk suatu kategori
tidak merefleksikan bagaimana kedudukan kategori tersebut terhadap kategori lainnya, tetapi hanyalah sekedar label atau kode sehingga skala yang diterapkan pada data yang hanya dibagi ke dalam kelompok-kelompok tertentu dan pengelompokan tersebut hanya dilakukan untuk tujuan identifikasi.
b. Skala Ordinal: skala ini memungkinkan peneliti untuk mengurutkan respondennya dari tingkatan paling rendah ke tingkatan paling tinggi menurut atribut tertentu. Skala yang diterapkan pada data yang dapat dibagi dalam berbagai kelompok dan kita bisa membuat peringkat diantara kelompok tersebut.
c. Skala Interval: seperti hal ukuran ordinal, ukuran interval adalah mengurutkan orang atau objek berdasarkan suatu atribut. Interval atau jarak yang sama pada skala interval dipandang sebagai mewakili interval atau jarak yang sama pula pada objek yang diukur. Skala yang diterapkan pada data yang dapat dirangking dan dengan peringkat tersebut kita bisa mengetahui perbedaan diantara peringkat-peringkat tersebut dan kita bisa menghitung besarnya perbedaan itu. Namun harus diperhaikan bahwa dalam skala ini perbandingan rasio yang ada tidak diperhitungkan.
d. Skala Rasio: suatu bentuk interval yang jaraknya (interval) tidak dinyatakan sebagai perbedaan nilai antar responden, tetapi antara seorang dengan nilai absolute, karena ada titik 0 maka perbandingan rasio dapat ditentukan.
2.4.3 Skala untuk Instrumen (Skala Sikap)
Bentuk-bentuk model skala sikap sering digunakan dalam penelitian ada 5 macam yaitu:
a. Skala Likert
Digunakan untuk mengukur sikap, pendapat dan persepsi seseorang atau sekelompok orang tentang fenomena sosial (Situmorang et al, 2010). Pada penelitian ini responden memilih salah satu dari jawaban yang diberi skor tertentu. Skor responden kemudian dijumlahkan dan jumlah ini merupakan total skor. Skala likert digunakan tergantung kebutuhan.
b. Skala Gutman
Digunakan untuk mengukur dimensi saja dari suatu variabel multidimensi. Skala gutman dilakukan jika peneliti ingin mendapatkan jawaban tegas terhadap suatu permasalahan yang ditanyakan.
c. Skala Diferensial Semantik
Berisikan serangkaian bipolar (dua kutub). Skala ini digunakan untuk mengukur sikap, hanya bentuknya bukan pilihan ganda atau checklist, tetapi tersusun dalam satu garis kontinum yang jawaban positifnya terletak di bagian kiri dan jawaban negatif terletak di bagian kanan atau sebaliknya.
d. Rating Scale
Merupakan data mentah yang didapat berupa angka kemudian ditafsirkan dalam pengertian kualitatif.
e. Skala Thurtone
Skala ini meminta responden untuk memilih jawaban pertanyaan yang ia setujui dari beberapa pertanyaan yang menyajikan pandangan-pandangan yang berbeda-beda. Pada umumnya setiap item mempunyai asosiasi antara 1 sampai 10 tetapi nilai-nilainya tidak diketahui oleh responden.
2.4.4 Mengubah Data Ordinal ke Data Interval Dengan Metode Suksesif Interval (MSI)
Metode suksesif interval merupakan proses mengubah data ordinal menjadi data interval. Mengapa data ordinal harus diubah dalam bentuk interval? Data ordinal sebenarnya adalah data kualitatif atau bukan angka sebenarnya. Data ordinal menggunakan angka sebagai simbol data kualitatif. Dalam contoh di bawah ini misalnya:
- Angka 1 mewakili “sangat tidak setuju” - Angka 2 mewakili “tidak setuju”
- Angka 3 mewakili “netral” - Angka 4 mewakili “setuju” - Angka 5 mewakili “sangat setuju”
Proses mengubah data berskala ordinal menjadi data berskala interval, mempunyai beberapa ahapan yang harus dilakukan, yaitu:
a. Menghitung frekuensi b. Menghitung proporsi
c. Menghitung proporsi kumulatif d. Menghitung nilai z
e. Menghitung nilai densitas fungsi z f. Menghitung scale value
2.5 Tahapan Penelitian
Studi Pendahuluan: - Identifikasi/penentuan lokasi studi - Identifikasi data
- Identifikasi pustaka
- Identifikasi alat bantu (perangkat lunak)
Latar Belakang dan Rumusan Masalah
Tujuan Penelitian
Pengumpulan Data dengan Menggunakan Kuesioner
Tabulasi Data
Uji Validitas dan Reliabilitas
Transformasi Data Ordinal ke Data Interval
Uji Statistika dengan Menggunakan Model Regresi Logistik
2.6 Analisis Data 2.6.1 Uji Validitas
Uji validitas adalah uji yang dilakukan untuk mengetahui apakah sebuah pertanyaan-pertanyaan tersebut valid atau tidak. Untuk mengetahui hal tersebut perlu dilakukan perbandingan antara rhit dengan rtab. Apabila rhit >rtabmaka item-item pertanyaan tersebut dinyatakan valid.
2 2 2 2 Y Y n X X n Y X XY n rxy (2.1) Keterangan: xyr : Koefisien korelasi pearson
n : Banyaknya responden
X : Skor yang yang diperoleh subjek dari seluruh item
Y : Skor total yang diperoleh dari seluruh item
X
: Jumlah skor dalam distribusi X Y
: Jumlah skor dalam distribusi Y
2
X
: Jumlah kuadrat dalam skor distribusi X
2
Y
: Jumlah kuadrat dalam skor distribusi Y
2.6.2 Uji Reliabilitas
Uji reliabilitas adalah uji yang dilakukan untuk mengetahui apakah sebuah pertanyaan atau pernyataan sudah reliabel atau belum. Menurut Ghozali (2005), suatu variabel dikatakan reliabel jika memberikan nilai Alpha Cronbach > 0,60. Rumus yang digunakan untuk menghitung nilai Alpha Cronbabach adalah sebagai berikut:
2 2 1 1 t b k k r (2.2)Keterangan:
r
: Koefisien reabilitas instrumen (cronbach alpha)k
: Jumlah item pertanyaan yang di uji
2b
: Jumlah varians skor tiap- tiap item pertanyaan 2
t
: Varians total 2.7 Regresi LogistikRegresi logistik adalah suatu model matematik yang digunakan untuk mempelajari hubungan antara satu atau beberapa variabel independen dengan satu variabel dependen yang bersifat dikotomus (binary). Variabel yang bersifat dikotomus adalah variabel yang hanya memiliki dua nilai, misalnya hidup/mati, sakit/sehat, merokok/tidak merokok dan sebagainya.
Pada regresi logistik, variabel independen yang digunakan dapat berupa variabel katagorik maupun numerik. Namun sebaiknya menggnakan variabel katagorik agar lebih mudah dalam menginterpretasikan hasil analisisnya. Bila salah satu atau beberapa variabel independen merupakan variabel dengan skala nominal dengan 3 atau lebih kategori, maka harus dibuat dummy variable yang menggambarkan kategori dari variabel tersebut dengan referrence group-nya salah satu dari kategori tersebut.
Regresi logistik merupakan regresi yang digunakan bila dependennya bersifat kualitatf (Hosmer dan Lemeshow, 1989) model regresi logistik sederhana yaitu model regresi logistik untuk satu variabel independen X dengan variabel dependen Y yang bersifat dikotomi. Nilai variabel Y = 1 menyatakan adanya suatu karakteristik dan Y = 0 menyatakan tidak adanya suatu karakteristik.
2.7.1 Model Regresi Logistik
Adapun bentuk umum dari model regresi logistik adalah: ( ) ( ∑ )
Keterangan:
( ) = Peluang sukses = intersep
parameter-parameter regresi
pengamatan variabel ke- dari variabel independen bilangan natural (2,7183)
Selanjutnya, untuk menjadikan model tersebut linier proses yang dinamakan logit transformation perlu dilakukan seperti berikut ini:
| ( ) ( ) | ∑ (2.4) Keterangan: ( ) = Peluang sukses = intersep parameter-parameter regresi
pengamatan variabel ke- dari variabel independen
2.7.2 Uji Signifikansi Parameter
Sebelum membentuk model regresi logistik terlebih dahulu dilakukan uji signifikansi parameter. Uji yang pertama dilakukan adalah pengujian peranan parameter di dalam model secara keseluruhan atau uji signifikansi secara overall yaitu dengan hipotesis sebagai berikut :
H0 : (tidak ada perbedaan antara model dengan data
sehingga model dapat dikatakan baik)
H1 : paling sedikit koefisien (ada perbedaan antara model dengan data
Menurut Hosmer-Lemeshow, (1989) suatu statistik uji rasio likelihood G adalah fungsi dari dan yang berdistribusi (Chi-square) dengan derajat bebas yang didefenisikan sebagai:
( ) [ ( ) ( )] ( ) (2.5)
keterangan:
nilai maksimum fungsi kemungkinan untuk model di bawah H0
nilai maksimum fungsi kemungkinan untuk model di bawah H1
= nilai maksimum fungsi log kemungkinan untuk model di bawah H0
= nilai maksimum fungsi log kemungkinan untuk model di bawah H1
Nilai ( ) tersebut mengikuti distribusi Chi-square dengan . Jika menggunakan taraf nyata sebesar , maka kriteria ujinya adalah tolak H0 jika
( ) ( ) atau , dan terima dalam hal lainnya.
Uji signifikansi parameter secara terpisah dilakukan dengan menggunakan
Wald Chi-square dengan rumusan hipotesis sebagai berikut:
0
:
0 i
H
0
:
1 i
H
atau:
0H
Koefisien logistik tidak signifikan terhadap model (tidak ada perbedaan antara model dengan koefisien sehingga model dapat dikatakan baik).:
1
H Koefisien logistik signifikan terhadap model (ada perbedaan antara model dengan koefisien sehingga model tidak dapat dikatakan baik).
Uji Wald Chi-square digunakan untuk menguji signifikansi parameter model secara terpisah. Didefeinisikan dengan:
Keterangan:
̂ = Nilai dari estimasi parameter regresi untuk variabel ke-i ( ̂) = Nilai standard error untuk variabel ke=i
i = variabel bebas yang digunakan
Statistik uji mendekati distribusi Chi-square dengan derajat bebas 1. H0
nya adalah ̂ , untuk setiap yang berarti bahwa variabel independen ke- tidak signifikan terhadap model. H0 ditolak jika ( )
2.7.3 Uji kecocokan Model
Uji kecocokan model digunakan untuk mengevaluasi cocok tidaknya model dengan data, nilai observasi yang diperoleh sama atau mendekati dengan yang diharapkan dalam model. Alat yang digunakan untuk menguji kecocokan dalam regresi logistik adalah uji Hosmer dan Lemeshow, mengikuti distribusi Chi-square dengan dimana adalah banyaknya kelompok.
Uji Hosmer dan Lemeshow yang ditulis dengan uji ̂, dihitung berdasarkan taksiran probabilitas (Hosmer danLemeshow, 1989). Pada uji ini sampel dimasukkan ke sejumlah kelompok dengan tiap-tiap kelompok memuat sampel pengamatan, dengan adalah jumlah sampel. Jumlah kelompok sekitar 10. Idealnya, kelompok pertama memuat sampel yang memiliki taksiran probabilitas sukses terkecilyang diperoleh dari model taksiran. Kelompok kedua memuat sampel yang memiliki taksiran probabilitas sukses terkecil kedua, dan seterusnya, dengan rumus sebagai berikut:
∑ ( ̅ ( ̅̅)) (2.7)
Keterangan:
= total sampel kelompok
̅ = rata-rata taksiran probabilitas kelompok ke-
Untuk menguji kecocokan model, bandingkan nilai square pada tabel
Chi-square dengan . Jika ( ) maka H0 ditolak.
2.7.4 Odds Rasio
Regresi logistik juga menghasilkan rasio peluang (odds ratio) terkait dengan nilai setiap independen. Peluang dari suatu kejadian diartikan sebagai probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu kejadian yang tidak terjadi. Secara umum rasio peluang merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi independen diartikan sebagai jumlah relatif dimana peluang hasil meningkat (rasio peluang > 1) atau turun (rasio peluang < 1) ketika nilai variabel independen meningkat sebesar 1 unit. Untuk menentukan odds ratio rumusnya sebagai berikut:
) 0 ( 1 ) 0 ( ) 1 ( 1 ) 1 ( ) 0 ( 1 ) 0 ( ) 1 ( 1 ) 1 ( p p p p p p p p (2.8)
Odds ratio didefinisikan sebagai perbandingan dari nilai variabel sukses
terhadap variabel bernilai gagal. Dengan kata lain odds rasio menjelaskan seberapa besar pengaruh variabel sukses dibanding variabel gagal terhadap suatu eksperimen atau observasi. Pada kasus penelitian dengan regresi logistik, nilai ini dapat dilihat dari nilai Exp(B)pada hasil analisis data atau ei dengan
i
adalah estimasi
parameter variabel independen pertama, kedua, dan seterusnya. Hasil tersebut akan menunjukkan pengaruh setiap variabel-variabel independen terhadap variabel dependennya.
