Bab 3,4,5
39 Pages

Bab 3,4,5

Course Number: REKAYASA I 101, Spring 2012

College/University: Institut Teknologi Telkom

Word Count: 3168

Rating:

Document Preview

BAB III METODOLOGI PENELITIAN 3.1 Model Konseptual Gambar 3.1 Model Konseptual Penelitian dilakukan untuk memecahkan permasalahan melalui proses pengumpulan dan pengolahan data. Variabel aktivitas penggunaan internet diasumsikan memiliki keterkaitan dengan variabel minat, sedangkan variabel gender (jenis kelamin), pendidikan, serta income (pendapatan) adalah variabel moderate atau variabel yang mempengaruhi...

Unformatted Document Excerpt
Coursehero >> Indonesia >> Institut Teknologi Telkom >> REKAYASA I 101

Course Hero has millions of student submitted documents similar to the one
below including study guides, practice problems, reference materials, practice exams, textbook help and tutor support.

Course Hero has millions of student submitted documents similar to the one below including study guides, practice problems, reference materials, practice exams, textbook help and tutor support.

III METODOLOGI BAB PENELITIAN 3.1 Model Konseptual Gambar 3.1 Model Konseptual Penelitian dilakukan untuk memecahkan permasalahan melalui proses pengumpulan dan pengolahan data. Variabel aktivitas penggunaan internet diasumsikan memiliki keterkaitan dengan variabel minat, sedangkan variabel gender (jenis kelamin), pendidikan, serta income (pendapatan) adalah variabel moderate atau variabel yang mempengaruhi keterkaitan antara aktivitas penggunaan internet dengan minat. Teori yang digunakan adalah konsep model penerimaan teknologi atau Technology Acceptance Model (TAM) yaitu tentang konsep manfaat dan kemudahan terhadap intensitas penggunaan Teknologi Informasi (Davis, 1989 dalam I Putu,S.S, 2005). Model ini digunakan untuk melihat pemahaman individual yang secara terus menerus menggunakan teknologi informasi dalam pekerjaannya (Venkatesh & Morris, 2000 dalam I Putu,S.S, 2005). Menurut peneliti terdahulu, masalah yang sering muncul dalam penggunaan teknologi sistem informasi adalah pemanfaatan yang rendah dan rendahnya minat penggunaan teknologi sistem informasi. Dalam hal ini, TAM menawarkan suatu penjelasan yang kuat untuk penerimaan teknologi dan perilaku para penggunanya (Venkatesh & Morris, 2000 dalam I Putu,S.S, 2005). Model TAM dilandasi oleh Theory of Reasoned Action (TRA) (Ajzen & Fisbein, 1980 dalam I Putu,S.S, 2005). TRA menyatakan bahwa seseorang akan menerima teknologi komputer jika teknologi komputer tersebut memberikan manfaat kepada para pemakainya. Berdasarkan TRA (Theory of Reasoned Action), minat berperilaku individu ditentukan oleh persepsi dan sikap individu yang pada akhirnya akan membentuk perilaku seseorang dalam penggunaan teknologi sistem informasi. Dalam penelitian Davis (1989), minat berperilaku seseorang dalam menggunakan teknologi informasi ditentukan oleh manfaat dan kemudahan. Manfaat didefinisikan sebagai tingkat kepercayaan seseorang bahwa suatu penggunaan suatu sistem informasi meningkatkan kinerja dalam pekerjaannya. Sedangkan kemudahan didefinisikan sebagai tingkat kepercayaan seseorang bahwa penggunaan teknologi sistem informasi akan mudah dan tidak membutuhkan usaha yang keras (Venkatesh dan Morris, 2000 dalam I Putu,S.S, 2005). 3.2 Metode Pengolahan Data Penelitian ini akan memakai tiga jenis analisa, yaitu analisa deskriptif, analisa korelasi Pearson, serta analisa multivariat regresi berganda. Ketiga analisa ini dilakukan untuk mengetahui pengaruh serta keterkaitan setiap variabel yang akan dijadikan sebagai bahan uji. Untuk penjelasan dan kegunaan akan dibahas pada sesi selanjutnya. Desain penelitian yang digunakan yakni penelitian survey ross sectional, yaitu tipe desain penelitian yang berupa pengumpulan data dari sampel tertentu yang hanya dilakukan satu kali (Malhotra, 2004) atau tepatnya single cross sectional dimana kegiatan pengumpulan data dilakukan dari satu responden untuk satu waktu saja. Survey cross sectional juga bisa disebut sebagai suatu penelitian untuk mempelajari dinamika kolerasi antara faktor-faktor resiko dengan efek, dengan cara pendekatan, observasi atau pengumpulan data sekaligus pada suatu saat (point time approach). Penelitian cross sectional ini sering disebut juga penelitian transversal, dan sering digunakan dalam penelitian-penelitian epidemiologi. Metode yang digunakan untuk penelitian ini adalah metode kuantitatif. Metode kuantitatif digunakan untuk meneliti pada populasi atau sampel tertentu, teknik pengambilan sampel pada umumnya dilakukan secara random, pengumpulan data menggunakan instrumen penelitian, analisis data bersifat kuantitatif/statistik dengan tujuan untuk menguji hipotesis yang telah ditetapkan (Sugiyono,2009, p13). 3.3 Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data primer yang diperoleh melalui survey. Survey yang dilakukan adalah untuk mengetahui seberapa jauh masyarakat mengenal IPTV serta menganalisa kendala yang harus diatasi untuk bisa memasarkan IPTV. Sedangkan dari jenis data sekunder, peneliti memakai hasil-hasil penelitian terdahulu yang dijadikan sebagai referensi yang relevan terhadap penelitian yang sedang dilakukan. Tipe data statistik yang digunakan adalah data kuantitatif. Data kuantitatif di sini dibagi berdasarkan tipe-tipe yaitu data nominal, data ordinal, data interval, serta data ratio. 3.4 Metode Penentuan Sampel Sampel yang digunakan sebagai unit analisis adalah kustomer yang sudah mengenal dan memakai internet dalam kehidupan sehari-harinya. Dari hasil survey, peneliti dapat menentukan ukuran yang valid mengenai pasar potensial. Metode pengambilan sampel yang digunakan dalam penelitian ini adalah nonprobability sampling. Nonprobability sampling adalah teknik pengambilan sampel yang tidak memberi peluang/kesempatan sama bagi setiap undur atau anggota populasi untuk dipilih menjadi sampel (Sugiyono, 2009), jadi setiap konsumen atau responden yang memenuhi kriteria populasi tidak memiliki kesempatan atau peluang yang sama untuk dipilih menjadi sampel. Metode nonprobability sampling yang digunakan adalah convenience sampling dimana pengambilan sampel dilakukan dari pengguna yang mudah diakses dan bersedia menjadi responden karena cara ini cukup bermanfaat. Caranya adalah dengan membuat online survey dan meminta langsung kepada calon responden untuk mengisi online survey. Dengan menggunakan online survey, data yang diinginkan dapat lebih mudah dikolektifkan. 3.5 Pengukuran Variabel Bentuk pertanyaan yang digunakan dalam online survey adalah semistructured yaitu bentuk pertanyaan merupakan kombinasi pilihan ganda dengan pengisian agar responden dapat memberikan gagasan-gagasan baru. 3.6 Kuesioner Kuesioner adalah suatu teknik pengumpulan informasi yang memungkinkan seorang analis mempelajari sikap-sikap, keyakinan, perilaku, dan karakteristik beberapa orang utama di dalam organisasi yang bisa terpengaruh oleh sistem yang diajukan atau oleh sistem yang sudah ada. Untuk penelitian kuantitatif, informasi yang ingin didapatkan adalah informasi yang menyebar, sehingga jumlah responden yang dibutuhkan besar dan pertanyaan-pertanyaan dalam kuesioner dirancang agar cepat dan mudah dijawab oleh responden. Jenis pertanyaan yang diajukan dalam penelitian kuantitatif biasanya mengarah pada pertanyaan-pertanyaan tertutup. Responden dapat melakukan pemilihan terhadap jawaban-jawaban yang sudah dibuat sebelumnya, dan jika diperlukan diizinkan pula untuk memilih lebih dari satu jawaban. Gambar 3.2 Kuesioner Survey Pengukuran Demand Dari uraian di atas, peneliti merancang kuesioner dengan menggunakan multiple choices atau pilihan ganda dengan menggunakan 1-10 pilihan jawaban. Kuesioner yang baik adalah kuesioner yang mampu menghubungkan antara tujuan, konsep, dan variabel. Penyebaran kuesioner dilakukan ke dalam 3 periode, dimana batas waktu yang diberikan dalam 1 periode adalah selama 1 bulan. 3.6.1 Tujuan Tujuan dari penelitian adalah untuk menganalisa faktor-faktor dari segi aktivitas penggunaan internet serta segi demografis untuk menentukan calon pelanggan potensial untuk produk G-TV. 3.6.2 Konsep Masyarakat Indonesia sudah banyak yang memiliki pesawat televisi. Hal ini pula yang menyebabkan terjadinya peningkatan dalam persentase rating acara televisi. Dengan kehadiran televisi berbayar, masyarakat Indonesia menjadi semakin dimanjakan dengan berbagai jenis hiburan yang jauh lebih beragam. Penonton televisi berbayar saat ini didominasi oleh penonton dari kalangan menengah ke atas dengan jumlah persentase penonton dewasa jauh lebih besar dibandingkan anak-anak dan remaja. 3.6.3 Variabel a. Gender atau jenis kelamin (perempuan dan laki-laki) b. Pendidikan (Tamatan SD, Tamatan SMP, Tamatan SMA/SMK, S1, S2, S3 dan lain-lain) c. Rata-rata penghasilan ( kurang dari Rp 500.000, Rp 500.000Rp 1.000.000, dan lain-lain) d. Penggunaan internet (aktivitas penggunaan internet) e. Minat terhadap G-TV 3.7 Uji Penelitian Data hasil kuesioner yang baik adalah data yang didapat dari alat ukur yang baik. Alat ukur yang baik harus memenuhi dua persyaratan berikut: a. Validitas b. Reabilitas Jika validitas dan reabilitas tidak diketahui, akibatnya menjadi fatal dalam memberikan kesimpulan ataupun dalam memberi alasan terhadap hubunganhubungan antar variabel, bahkan secara luas validitas dan reabilitas mencakup mutu seluruh proses pengambilan data konsep disiapkan sampai data siap dianalisis. Setelah mendapatkan hasil apakah kuesioner sudah memenuhi konsep validitas dan reabilitas, maka langkah selanjutnya adalah dengan melakukan analisa deskriptif, analisa korelasi Pearson, serta analisa regresi berganda. 3.7.1 Validitas Validitas menunjukkan sejauh mana alat pengukur itu mengukur apa yang ingin diukur, atau sejauh mana alat ukur yang digunakan mengenai sasaran. Semakin tinggi validitas alat tes, maka alat tersebut semakin mengenai pada sasarannya, atau semakin menunjukkan apa yang seharusnya diukur. Suatu tes dapat dikatakan mempunyai validitas tinggi apabila alat tes tersebut menjalankan fungsi pengukurannya, atau memberikan hasil ukur sesuai dengan makna dan tujuan diadakannya tes atau penelitian (Sugiono 2003,;271). 3.7.2 Reabilitas Reabilitas menyangkut ketepatan alat ukur. Reabilitas mencakup tiga aspek penting, yaitu: alat ukur yang digunakan harus stabil, dapat diandalkan dan dapat diramalkan, sebagai alat ukur tersebut mempunyai reabilitas yang tinggi atau dapat dipercaya (Sugiono 2003;273). 3.7.3 Uji Validitas dan Reabilitas FGD (Focus Discuss Group) dapat didefinisikan sebagai suatu diskusi yang dilakukan secara sistematis dan terarah mengenai suatu isu atau masalah tertentu. Irwanto (2006;1-2) mendefinisikan FGD sebagai suatu proses pengumpulan data dan nformasi yang sistematis mengenai suatu permasalahan tertentu yang snagat spesifik melalui diskusi kelompok. Sebagai alat penelitian, FGD dapat digunakan sebagai metode primer maupun sekunder. FGD berfungsi sebagai metode primer jika digunakan sebagai satu-satunya metode penelitian atau metode utama pengumpulan data dalam suatu penelitian. FGD sebagai metode penelitian sekunder umumnya digunakan untuk melengkapi riset yang bersifat kuantitatif dan atau sebagai salah satu teknik triangulasi. Dalam kaitan ini, maka kedudukan FGD adalah sebagai metode penelitian sekunder. Tim survey sudah melakukan uji validitas dan reabilitas dengan hasil kuesioner secara keseluruhan adalah valid. 3.7.4 Analisa Deskriptif Analisa deskriptif berfungsi untuk memberikan gambaran umum tentang data yang diperoleh. Gambaran umum ini bisa menjadi acuan untuk melihat karakteristik data yang ada. Analisa deskriptif terdiri dari frequencies, descriptives, explore, crosstabs, dan ratio. Dalam kaitan ini, analisa deskriptif ditujukan untuk mengetahui karakteristik variabel-variabel yang terpilih untuk dijadikan sebagai bahan uji selanjutnya, seperti yang sudah pernah dibahas sebelumnya. Analisa yang akan dipakai adalah analisa frekuensi yang digunakan untuk memberikan gambaran frekuensi data secara umum serta analisa crosstabs merupakan salah satu analisa korelasional yang digunakan untuk melihat hubungan antar variabel. Analisa ini dapat digunakan untuk menganalisa lebih dari dua variabel. 3.7.5 Analisa Korelasi Pearson Analisa korelasi Pearson dapat digunakan untuk menganalisa hubungan yang terjadi antara dua variabel dengan skala pengukuran minimal interval. Dalam penelitian ini analisa korelasi Peason digunakan untuk menganalisa hubungan antara variabel minat terhadap G-TV serta aktivitas pengunaan internet responden. Gambar 3.3 Rumus Korelasi Pearson Keterangan: Rxy: Koefisien Korelasi Pearson X = Aktivitas penggunaan internet Y = Minat terhadap G-TV n = Jumlah Responden Nilai yang akan diperoleh kemudian dicocokkan dengan tabel nilai korelasi. (Sumber: Andi Supangat 2005;25) 3.7.6 Analisa Multivariat Analisis statistik multivariat merupakan statistik metode yang memungkinkan kita melakukan penelitian terhadap lebih dari dua variabel secara bersamaan. Dengan menggunakan teknik analisis ini maka kita dapat menganalisis pengaruh beberapa variabel terhadap variabel variabel lainnya dalam waktu yang bersamaan. Teknik analisis multivariat secara dasar diklasifikasi menjadi dua, yaitu analisis dependensi dan analisis interdependensi. Analisis dependensi memprediski berfungsi variabel untuk (variabel) menerangkan tergantung atau dengan menggunakan dua atau lebih variabel bebas. Yang termasuk dalam klasifikasi ini ialah analisis regresi linear berganda, analisis diskriminan, analisis varian multivariate (MANOVA), dan analisis korelasi kanonikal. Tabel 3.1 Kriteria Nilai Korelasi Dalam kaitan ini, peneliti akan memakai analisa regresi berganda. Analisa regresi berganda adalah analisa asosiasi berskala interval yang digunakan secara bersamaan untuk meneliti pengaruh dua atau lebih variabel bebas terhadap satu variabel terikat, dengan keterangan sebagai berikut: a. Variabel Bebas: Merupakan variabel X atau variabel yang mempengaruhi. Variabel bebas dalam penelitian ini adalah aktivitas penggunaan internet, gender, pendidikan, serta pendapatan. b. Variabel terikat: Merupakan variabel Y atau variabel yang dipengaruhi. Yang termasuk ke dalam variabel Y adalah variabel minat. BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Pengumpulan Data 4.1.1 Kuisioner Penelitian Responden adalah pengguna internet aktif yang tersebar di seluruh Indonesia. Penyebaran kuesioner ini dilakukan dalam 3 periode dimana batas waktu yang diberikan dalam 1 periode adalah selama 1 bulan. Penyebaran kuesioner ini pun termasuk ke dalam convenience sampling. Jumlah pertanyaan di dalam kuesioner ini adalah 25 pertanyaan dengan responden sebesar 1158 responden. Berdasarkan FGD yang sudah dibahas pada bab sebelumnya, kuesioner ini sudah bersifat valid dan reliabel. 4.2 Pengolahan Data 4.2.1 Pengkodean Kuesioner Pengkodean kuesioner merupakan transformasi jawaban responden yang berupa kalimat dalam bentuk angka. Data variabel dan jawaban kuesioner diberi kode sesuai dengan pertanyaannya. 4.2.2 Kuesioner Penelitian 4.2.2.1 Profil Responden Berikut ini adalah profil responden penelitian berdasaran frekuensi dan prosentase. Profil responden berdasarkan jenis kelamin Tabel 4.1 Profil Responden Jenis Kelamin Profil responden berdasarkan pendidikan Tabel 4.2 Profil Responden Jenis Pendidikan Profil responden berdasarkan pekerjaan Tabel 4.3 Profil Responden Pekerjaan Profil responden berdasarkan penghasilan Tabel 4.4 Profil Responden Penghasilan Profil responden berdasarkan jumlah tempat akses Internet Tabel 4.5 Profil Responden Tempat Akses Pr ofi l responden berdasarkan jumlah perangkat yang digunakan untuk akses Internet Tabel 4.6 Profil Responden Perangkat Profil responden berdasarkan jumlah provider yang digunakan Tabel 4.7 Profil Responden Provider Profil responden berdasarkan durasi akses Internet Tabel 4.8 Profil Responden Durasi Profil responden berdasarkan jumlah aktivitas yang dilakukan menggunakan Internet Tabel 4.9 Profil Responden Aktivitas Profil responden berdasarkan jumlah layanan yang dibutuhkan Tabel 4.10 Profil Responden Layanan yang DIbutuhkan Profil responden berdasarkan minat menggunakan IPTV Tabel 4.11 Profil Responden Minat Profil responden berdasarkan jumlah fitur IPTV yang diinginkan Tabel 4.12 Profil Responden Fitur IPTV 4.2.2.1 Uji Crosstab Penghasilan dan Minat terhadap G-TV Tabel 4.13 Uji Crosstab Penghasilan dan Minat terhadap G-TV Aktivitas Penggunaan Internet dan Minat terhadap G-TV Tabel 4.14 Uji Crosstab Aktivitas Penggunaan Internet dan Minat 4.2.2.2 Uji Instrumen Pada bagian ini, kuesioner penelitian diuji dengan korelasi Pearson dan regresi berganda dengan software SPSS 17.00 for Windows. 4.2.2.3 Uji Korelasi Pearson Tabel 4.15 Uji Korelasi Pearson Tabel diatas menjelaskan korelasi variabel aktivitas penggunaan internet terhadap minat terhadap G-TV. Dari tabel diatas diketahui r hitung sebesar -0,044 dengan signifikansi sebesar 0,138. Dengan tingkat kepercayaan 95% dan taraf kesalahan sebesar 0,05 dan jumlah responden sebanyak 1.158 orang maka di dapat r tabel product moment sebesar 0,05. Jika dihitung maka diketahui r tabel > r hitung yaitu 0,05 > -0,044. Nilai r menunjukkan bahwa ada hubungan korelasi negatif dan bersifat sangat lemah. 4.2.2.4 Uji Regresi Berganda Tabel 4.16 Statistik Deskriptif Dari jumlah 1158 responden memiliki mean minat 2,80 dengan standar deviasi 1,148. Untuk rata-rata jenis kelamin adalah 0,334 dan standar deviasi 1,12. Untuk pendidikan memiliki mean 2,97 dan standar deviasi 1,359. Untuk penghasilan rata-ratanya 2,75 dan standar deviasi 1,602. Tabel 4.17 Korelasi dan Variabel Masuk/Keluar Hubungan antara variabel minat dengan pendidikan adalah -0,030 menunjukkan hubungan yang negatif, begitu juga hasil yang sama variabel minat dengan penghasilan -0,084. Sedangkan untuk varisbel minat dengan jenis kelamin memiliki hubungan positif yaitu sebesar 0,035. Variabel yang dimasukkan adalah jenis kelamin, pendidikan dan penghasilan. Sedangkan variabel yang dikeluarkan tidak ada. Tabel 4.18 Model Summary, Anova, dan Koefisien Perbandingan R Square dengan standar deviasi adalah memiliki nilai lebih kecil (1,148 > 0,008) yang berarti model regresi tidak bagus dalam bertindak sebagai predictor minat. Hipotesis yang dipakai untuk Anova adalah: H0 : i = 0 artinya variabel bebas bukan merupakan penjelas yang signifikan Ha : i 0 artinya variabel bebas merupakan penjelas yang signifikan Pengambilan keputusan : Jika Fhitung <= F tabel >= 0,05 maka H0 diterima. Jika Fhitung > F tabel < 0,05 maka H0 ditolak. Dapat dilihat dari tabel Anova nilai Fhitung 3,175. Sedangkan Ftabel sebesar 2,3808 dilihat dari df regression. Maka dapat disimpulkan bahwa Ftabel < Fhitung sehingga H0 ditolak. Kesimpulannya adalah ada koefisien yang nol maka model regresi dapat dipakai untuk memprediksi minat. Hipotesis yang dipakai untuk Koefisien adalah: H01 : Thitung < Ttabel, X1 maka tidak berpengaruh secara parsial terhadap Y Ha1 : Thitung > Ttabel, X1 maka berpengaruh secara parsial terhadap Y H02 : Thitung < Ttabel, X2 maka tidak berpengaruh secara parsial terhadap Y Ha2 : Thitung > Ttabel, X2 maka berpengaruh secara parsial terhadap Y Jika T hitung <= T tabel atau probabilitas >= 0,05 maka H0 diterima Jika T hitung > T tabel atau probabilitas < 0,05 maka Ho ditolak Constant: Dapat dilihat pada Tabel Koefisien bahwa nilai T hitung untuk Constant adalah 19,748 sedangkan pada T Tabel dengan db 1000 dan taraf signifikan 0,05 diperoleh 1,646. Karena T hitung > T tabel maka H0 ditolak. Sedangkan sig. Pada tabel B adalah 0,000. Karena probabilitas kurang dari 0,05 maka ditolak. Gender: Nilai T hitung untuk gender adalah 1,095 sedangkan pada T tabel diperoleh 1,646. Karena T hitung < T Tabel maka H0 diterima. Sedangkan sig. Pada tabel B adalah 0,274 yang berarti probabilitas 0,274. Karena probabilitas kurang dari 0,05 maka H0 diterima dan B tidak berarti. Pendidikan: Nilai T hitung untuk pendidikan adalah -0,185 sedangkan pada tabel T diperoleh 1,646 . Karena T hitung < T Tabel maka H0 diterima. Sedangkan sig. pada tabel B adalah 0,853 dan karena probabilitas kurang dari 0,05 maka ditolak. Penghasilan: Nilai T hitung untuk pendidikan adalah -2,655. sedangkan pada tabel T diperoleh 1,646 . Karena T hitung < T Tabel maka H0 diterima. Sedangkan sig. pada tabel B adalah 0,008 dan karena probabilitas kurang dari 0,05 maka ditolak. Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya Y = 2,848. yaitu: Tabel 4.19 Kelinieran Jika residual berasal dari distribusi normal, maka nilai-nilai sebaran data akan terletak sekitar garis lurus, terlihat bahwa sebaran data pada gambar diatas tersebar hampir semua tidak pada sumbu normal, maka dapat dikatakan bahwa pernyataan normalitas tidak dapat dipenuhi. BAB V ANALISA DATA 5.1 Analisa Deskriptif Analisa ini bertujuan untuk mengetahui jumlah pasar tersedia untuk memasarkan G-TV: a. Sebagian besar responden yang mengisi adalah laki-laki dengan prosentase 87,5% dan 12,1% adalah perempuan. b. Jumlah terbesar pendidikan responden diraih oleh sarjana dengan prosentase 49,7%, disusul oleh SD-SLTA sebesar 27,2%, dan yang ketiga adalah D3 sebesar 12,5%. c. Berdasarkan penghasilan, prosentase terbesar adalah berpenghasilan kurang dari Rp 1.000.000 sebesar 29%, Rp 1.000.000-Rp 2.000.000 sebesar 22,2% dan Rp 2.000.001-Rp 3.000.000 sebesar 15,7%. d. Berdasarkan aktivitas, sebagian besar responden memiliki 5-6 aktivitas setiap kali menggunakan internet, yaitu sebesar 33,6%, disusul oleh responden yang melakukan 7-8 aktivitas sebesar 29,8% dan responden yang melakukan 3-4 aktivitas sebesar 21,6%. e. Minat responden menggunakan IPTV condong ke arah belum tahu sebesar 35,2%, mungkin akan memakai sebesar 26,6%, dan mungkin tidak sebesar 19,3%. Dilihat dari data di atas, bisa disimpulkan bahwa calon pasar tersedia adalah dengan jenis kelamin laki-laki. Sebagian besar responden berpendidikan sarjana. IPTV merupakan suatu teknologi terbaru yang masih asing sehingga membutuhkan pengetahuan serta kecerdasan yang cukup untuk bisa mengerti konsep IPTV. Responden yang memiliki penghasilan di atas Rp 3.000.000 hanya sedikit, dan rata-rata responden memiliki penghasilan dari mulai kurang dari Rp 1.000.000-Rp 3.000.000. Kesimpulan dari sini adalah bahwa harga berlangganan untuk IPTV harus bisa setara dengan TV berbayar lainnya agar bisa bersaing dan bisa menempati pasar. Namun agar responden tertarik untuk menggunakan IPTV perlu lebih diperhatikan lagi, karena hanya sedikit orang yang tahu tentang IPTV serta mengerti konsepnya sehingga responden cenderung menjawab belum tahu. Promosi G-TV harus lebih bisa menarik minat bagi responden dengan cara membuat counter-counter pengenalan terhadap G-TV di pusat perbelanjaan, mengadakan uji coba gratis menonton G-TV, dan lain sebagainya. 5.2 Analisa Korelasi Pearson Dilihat dari hasil pengolahan data bisa dilihat bahwa tidak ada kaitan antara aktivitas penggunaan internet dengan minat terhadap G-TV. Hal ini mengindikasikan bahwa variabel penggunaan internet tidak akan mempengaruhi terhadap minat untuk berlangganan G-TV, sehingga perusahaan telekomunikasi yang terkait harus mempromosikan keunggulan G-TV dari segi lain, bukan dari segi kemudahan untuk memakai teknologi informasi semacam internet. 5.3 Analisa Regresi Berganda Berdasarkan hasil pengolahan data regresi berganda maka dapat disimpulkan sebagai berikut: a. Korelasi antara variabel gender dengan variabel minat dapat diterima, tetapi memiliki kekuatan yang lemah. Korelasi antara variabel pendidikan dan variabel minat negatif sehingga tidak ada kaitan di antaranya. Begitu juga dengan variabel penghasilan dengan variabel minat, tidak ada pengaruh yang cukup untuk bisa menghasilkan hasil yang positif. b. Hipotesis Anova menyatakan bahwa variabel bebas dapat menjadi penjelas yang signifikan dan variabel bebas yang dapat menjadi penjelas adalah variabel gender. Seperti yang sudah diketahui pada penjelasan sebelumnya, faktor gender dapat mempengaruhi terhadap minat pembelian G-TV. Pada bab sebelumnya, dijelaskan bahwa menurut penelitian AC Nielsen, sebagian besar penonton televisi berjenis kelamin perempuan. Ini bisa dijadikan landasan bahwa gender pun bisa diperhitungkan. c. Hipotesis Koefisien menyatakan bahwa variabel gender, variabel pendidikan, dan variabel penghasilan tidak memiliki pengaruh secara parsial terhadap Y. Hal ini dikarenakan hanya terdapat satu variabel yang memiliki korelasi positif (gender dan minat) yang lemah sedangkan yang lainnya memiliki hubungan negatif. hgufhsd sdhfgsd jhgsdufgaew

Find millions of documents on Course Hero - Study Guides, Lecture Notes, Reference Materials, Practice Exams and more. Course Hero has millions of course specific materials providing students with the best way to expand their education.

Below is a small sample set of documents:

UT Dallas - GOVT - 2302
UT Dallas - CHEM - 2309
Chemistry 1312Bruce GnadeAD 3.210gnade@utdallas.eduOffice Hours MW 9:00-11:00LogisticsFriWedFriFriWedSept 28Oct 17Nov 9Dec 7Dec XXCourse Evaluation:Exam ScheduleExam 11 to 1:50 pmExam 21 to 1:50 pmExam 31 to 1:50 pmExam 41 to 1:50
UT Dallas - CHEM - 2309
CHAPTER 14CHEMICAL KINETICS14.9In general for a reaction aA bB cC dDrate 1 [A]1 [B]1 [C]1 [D]a tb tc td t(a)rate [H2 ][I2 ]1 [HI]tt2 t(b)rate [BrO3 ]1 [Br ]1 [H ]1 [Br2 ]5 tt6 t3 tNote that because the reaction is carried ou
UT Dallas - CHEM - 2309
Name:_1312Quiz209/16/20111) Wehavethefollowingreactionandratedataat25C.R=8.314J/Kmole(C2H5)3N+CH3I&gt;[(C2H5)3]+IExpt.[(C2H5)3N][CH3I] ObservedRate(M/sec)123450.1000.2000.4000.1000.1000.1000.1000.1000.3001.205.50x1061.10x1052.20x105
UT Dallas - CHEM - 2309
Name:_1312Test109/21/2011Youmustshowallofyourworktogetfullcredit.UnitsandSignificantFiguresmustbecorrectforfullcredit.GasConstant=0.08206Latm/Kmol=8.314J/Kmol=62.36LTorr/Kmol=1.987cal/KmolKbwater=0.52C/m,Kfwater=1.86C/m,Kbbenzene=2.53C/m,Kfbenzene=5.
UT Dallas - CHEM - 1312
CHEM 1312 Homework AssignmentsANSWER KEYChapter 17:17.5(a)This is a weak acid problem. Setting up the standard equilibrium table:Initial (M):Change (M):Equilibrium (M):Ka CH3COOH(aq) H(aq) 0.400.00xx(0.40 x)xCH3COO(aq)0.00xx[H ][CH3CO
UT Dallas - CHEM - 1312
Name: 1312 Quiz- -1 0/26/2011You m ust show all o f y our w ork t o g et full cred it. Units and Significant Figures must be c orrect f or fullcredit.1) Hard w ater c ontaining Ca 2+ ions f requently p recipitates CaS04. When t he c oncentration
UT Dallas - CHEM - 1312
Name:_1312 Quiz10/26/2011You must show all of your work to get full credit. Units and Significant Figures must be correctfor full credit.1) Hard water containing Ca2+ ions frequently precipitates CaSO4. When the concentrationof Ca2+ in the hard wate
UT Dallas - CHEM - 1312
t, DC!. H 3 Lj.tf,t, . . ,j- D o.(I)t&quot;L-.-.,CF, .-s-rDb t-t~.f.,.D Bc~-I- D . O:.~' . 68 0b .=; ;t.-iIJ~-,-&quot;,-_ ~_ _~I~ 01&quot; b-43).:&quot; &lt;&quot;~1 _0(&quot;&gt;-~+- fXX[ IiJ (ell ?CQQ-I. lJ +,2f:LD -'77-)(I+ I -t/ . c.;:; O
UT Dallas - PHYS - 2325
Q1.1What are the x- and ycomponents of the vectorrE?A. Ex = E cos , Ey = E sin B. Ex = E sin , Ey = E cos C. Ex = E cos , Ey = E sin D. Ex = E sin , Ey = E cos E. Ex = E cos , Ey = E sin 2012 Pearson Education, Inc.Q1.2Consider the vectorssho
UT Dallas - PHYS - 2325
Q2.1This is the x-t graph ofthe motion of a particle.Of the four points P, Q, R,and S, the velocity vx isgreatest (most positive) atA. point P.B. point Q.C. point R.D. point S.E. not enough information in the graph to decide 2012 Pearson Educat
Stanford - EE - 264
Stanford - EE - 264
Stanford - EE - 264
Stanford - EE - 264
Stanford - EE - 264
Stanford - EE - 264
STANFORD UNIVERSITYDepartment of Electrical EngineeringEE264Assignment No. 7 HintsHere are some quick hints that may be useful to you on Homework 7. Please contact Adamif you have further questions on the assignment. If youve already turned in your a
Stanford - EE - 264
Stanford - EE - 264
Stanford - EE - 264
Problem 10.32
Stanford - EE - 264
STANFORD UNIVERSITYDepartment of Electrical EngineeringEE264Assignment No. 00Assigned: September 26, 2011Date Due: Work ASAPReading Assignment: Review Chapters 2 and 3 and Sections 4.1-4.5 of Discrete-TimeSignal Processing ( DTSP).Homework Assignm
Stanford - EE - 264
STANFORD UNIVERSITYDepartment of Electrical EngineeringEE264Assignment No. 1Assigned: September 28, 2011Date Due: October 7, 2011Reading Assignment: Read Section 2.10 of Chapter 2 and Appendix A of DTSP.Homework Assignment: Hand in only the problem
Stanford - EE - 264
STANFORD UNIVERSITYDepartment of Electrical EngineeringEE264Assignment No. 2A (optional)Date Assigned: October 5, 2011Date Due: October 19, 2011This MATLAB assignment is worth 20 points to be added on to your total homework grade.It is optional, bu
Stanford - EE - 264
STANFORD UNIVERSITYDepartment of Electrical EngineeringEE264Assignment No. 2Date Assigned: October 5, 2011Date Due: October 12, 2011Homework is due on the specied date in class, or, if you wish, it can be delivered to Packard263, by 5pm on Friday O
Stanford - EE - 264
STANFORD UNIVERSITYDepartment of Electrical EngineeringEE264Assignment No. 3Date Assigned: Wednesday, October 12, 2011Date Due: Friday, October 21, 2011Reading Assignment: Read Chapter 4 and start reading in Chapter 5 ofDTSP 3e.Homework Assignment
Stanford - EE - 264
STANFORD UNIVERSITYDepartment of Electrical EngineeringEE264Assignment No. 4Date Assigned: Wednesday, October 19, 2011Date Due: Friday, October 28, 2011Reading Assignment: Read Sections 4.8-4.9 and all of Chapter 5 of DTSP 3e.Homework Assignment: H
Stanford - EE - 264
STANFORD UNIVERSITYDepartment of Electrical EngineeringEE264Assignment No. 5Date Assigned: October 26, 2011Date Due: Friday, November 4, 2011Reading Assignment: Read Chapters 6 and 7 of DTSP.Homework Assignment: Hand in all the problems marked with
Stanford - EE - 264
STANFORD UNIVERSITYDepartment of Electrical EngineeringEE264Assignment No. 6Date Assigned: November 2, 2011Date Due: November 18, 2011Reading Assignment: Read Chapters 7 and 8 of DTSP 3e.Homework Assignment: Hand in only the problems marked with *.
Stanford - EE - 264
STANFORD UNIVERSITYDepartment of Electrical EngineeringEE264Assignment No. 7Date Assigned: November 2, 2011Date Due: Friday, December 2, 2011Reading Assignment: Reading in Chapters 4 and 7 of DTSP 3e will be helpful.Homework Assignment: These probl
Stanford - EE - 264
STANFORD UNIVERSITYDepartment of Electrical EngineeringEE264Assignment No. 8Date Assigned: November 16, 2011Date Due: Friday, December 2, 2011Reading Assignment: Read in Chapters 8, 9 and 10 of DTSP.Homework Assignment: Hand in all problems marked
Stanford - EE - 264
STANFORD UNIVERSITYDepartment of Electrical EngineeringEE264Assignment No. 9Date Assigned: Wednesday, November 30, 2011Date Due: Friday, December 9, 2011Reading Assignment: Read in Chapters 10 and 11 of DTSP 3e.Homework Assignment: Hand in Problems
Stanford - EE - 264
EE264EE264Digital Signal ProcessingLecture 1Introduction &amp; OverviewOverviewCourse Overview Instructor: Ronald W. Schafer: HP Fellow; CourtesyHPProfessor, Stanford EE; and Professor Emeritus, GeorgiaTech. TAs: Adam Rowell (P263) and Dookun Park
Stanford - EE - 264
AdministrativeEE264EE264Digital Signal ProcessingLecture 2Discrete-Time RandomRandomSignals, Part I Problem Set #1 is posted. It is due in class or in#1Packard 263, by 5pm on Friday, October 7. https:/ccnet.stanford.edu/ee264 will take you tot
Stanford - EE - 264
EE264EE264Digital Signal ProcessingLecture 3Discrete-Time RandomSignals IIOctober 3, 20112011Ronald W. SchaferSchaferDepartment of Electrical EngingeeringStanford UniversityUniversityAdministrative Problem Set #1 is due on Weds., October 5 i
Stanford - EE - 264
EE264EE264Digital Signal ProcessingLecture 4Sampling, Reconstruction,and FilteringOctober 5, 20115, 2011Ronald W. SchaferDepartment of Electrical EngineeringStanford UniversityAdministrative Data HW 1 due today in class or by 5pm Fri. Oct. 7 i
Stanford - EE - 264
Administrative DataEE264EE264Digital Signal ProcessingLecture 5Changing the SamplingRate Using Digital FilteringOctober 10, 201110 2011Ronald W. SchaferDepartment of Electrical EngineeringStanford UniversityUniversity HW 2 due in class Weds.
Stanford - EE - 264
Administrative DataEE264EE264Digital Signal ProcessingLecture 6Polyphase Implementationsypand Quantization in A-to-DOctober 12, 201112 2011Ronald W. SchaferDepartment of Electrical EngineeringStanford UniversityUniversity HW 2 due in class W
Stanford - EE - 264
EE264Digital Signal ProcessingLecture 7Oversampling in A-to-DConversionOctober 17, 2011Lecture by Adam RowellDepartment of Electrical EngineeringStanford UniversityAdministrative Data HW 3 due in class Weds. Oct 19 or by 5pm Fri.Oct. 21 in Pack
Stanford - EE - 264
Administrative DataEE264EE264Digital Signal ProcessingLecture 8Minimum-Phase, All-Pass,and Linear-Phase SystemsOctober 19, 201119 2011Ronald W. SchaferDepartment of Electrical Engineering HW 3 due in class Weds. Oct 19 or by 5pm Fri. Oct. 21 in
Stanford - EE - 264
Administrative DataEE264EE264Digital Signal ProcessingLecture 9Linear-Phase Systemsand ImplementationsOctober 24, 201124 2011Ronald W. SchaferDepartment of Electrical EngineeringStanford UniversityUniversity HW 4 due in class Weds. Oct 26 or
Stanford - EE - 264
EE264Digital Signal ProcessingLecture 10Quantization in Digital FilterImplementations IAdministrative DataDepartment of Electrical Engineering HW 4 due in class Weds. Oct 26 or by 5pm Fri. Oct. 28 inPackard 263. HW 5 posted Weds, due Nov. 2 in cla
Stanford - EE - 264
EE264Digital Signal ProcessingLecture 11Quantization in Digital FilterImplementations IIOctober 31, 2011&quot;Ronald W. Schafer!Department of Electrical Engineering!Stanford University!!Administrative Data! HW 5 due in class Weds. Nov. 2 or by
Stanford - EE - 264
Administrative Data!EE264Digital Signal ProcessingLecture 12Digital Filter DesignNovember 2, 2011&quot;Ronald W. Schafer!Department of Electrical Engineering!Stanford University! HW 5 due in class Weds. Nov. 2 or by 5pm Fri. Nov. 4 inP-263. HW 6
Stanford - EE - 264
EE264Digital Signal ProcessingLecture 13Parks-McClellan Algorithmand The Discrete-FourierTransformNovember 7, 2011&quot;Ronald W. Schafer!Department of Electrical Engineering!Stanford University!Administrative Data! HW 6 &amp; 7 posted Weds, Nov. 2
Stanford - EE - 264
Administrative Data!EE264Digital Signal ProcessingLecture 14Fast Convolution andIntroduction to the FFTNovember 14, 2011&quot; HW 6 &amp; 7 posted Nov. 2, due Nov. 16(18) &amp; Dec 2 resp. ! Mid-Term Exam! Average grade = 78! Review Session: 3:15-4:05 on F
Stanford - EE - 264
EE264Digital Signal ProcessingLecture 15Spectrum Analysis with DFT&amp; Time-Dependent FourierAnalysisNovember 16, 2011&quot;Ronald W. Schafer!Department of Electrical Engineering!Stanford University!Administrative Data! HW 6 &amp; 7 posted Nov. 2, due
Stanford - EE - 264
EE264Digital Signal ProcessingLecture 16Short-Time Fourier Analysis&amp; Spectrum Analysis ofRandom SignalsNovember 28, 2011&quot;Ronald W. Schafer!Department of Electrical Engineering!Stanford University!Administrative Data! HW 7 &amp; 8 due Dec 2. HW
Stanford - EE - 264
Administrative Data!EE264Digital Signal ProcessingLecture 17Spectrum Analysis ofRandom SignalsNovember 30, 2011&quot;Ronald W. Schafer!Department of Electrical Engineering!Stanford University! HW 7 &amp; 8 due Dec 2. HW 9 posted on Nov. 30.! Read t
Stanford - EE - 264
Administrative Data!EE264Digital Signal ProcessingLecture 18Parametric Signal ModelingDecember 5, 2011&quot;Ronald W. Schafer!Department of Electrical Engineering!Stanford University!! HW 9 posted on Nov. 30, due Dec. 9.! Read in Chapters 10 an
Stanford - EE - 264
EE264Digital Signal ProcessingLecture 19Parametric Signal Modeling-IILast ClassDecember 7, 2011&quot;Ronald W. Schafer!Department of Electrical Engineering!Stanford University!!Administrative Data! HW 9 posted on Nov. 30, due Dec. 9.! Reading
Stanford - EE - 264
Stanford - EE - 264
STANFORD UNIVERSITY, EE264!Decimation in Time in Time!Decimation!Reconstructing x[n] from X[n,!)!Reconstructing x[n] from X[n,!)!1 N !1xr [m] = x[rR +1 Nw[m] = j #$ X r [k ]e j ( 2$ k /N ) mm] !1!2Decimation [k ]e k(=xr [m] = Decimation = F
Stanford - EE - 264
Stanford - EE - 264
Stanford UniversityDepartment of Electrical EngineeringEE264Digital Signal ProcessingFinal ExamDecember 8, 2008Name (LAST, First):SUID:1. Read over the test before you start. Work the easiest problems rst.2. The exam is open textbook, and you may
Stanford - EE - 264
Stanford - EE - 264
Stanford - EE - 264
Lecture Notes 1Probability and Random VariablesProbability SpacesConditional Probability and IndependenceRandom VariablesFunctions of a Random VariableGeneration of a Random VariableJointly Distributed Random VariablesScalar detectionEE 278B: Pro
Stanford - EE - 264
Lecture Notes 3Random VectorsSpecifying a Random VectorMean and Covariance MatrixColoring and WhiteningGaussian Random VectorsEE 278B: Random Vectors31Specifying a Random Vector Let X1, X2, . . . , Xn be random variables dened on the same probabi
Stanford - EE - 264
Lecture Notes 6Random ProcessesDenition and Simple ExamplesImportant Classes of Random ProcessesIIDRandom Walk ProcessMarkov ProcessesIndependent Increment ProcessesCounting processes and Poisson ProcessMean and Autocorrelation FunctionGaussian
Stanford - EE - 264
Lecture Notes 7Stationary Random Processes Strict-Sense and Wide-Sense Stationarity Autocorrelation Function of a Stationary Process Power Spectral Density Continuity and Integration of Random Processes Stationary Ergodic Random ProcessesEE 278B: S
Stanford - EE - 264
Lecture Notes 8Random Processes in Linear SystemsLinear System with Random process InputLTI System with WSS Process InputProcess Linear Estimation Innite smoothing lter Spectral Factorization Wiener FilterEE 278B: Random Processes in Linear System