3.5. Metode Pengolahan dan Analisis Data
3.5.3. Analisis Deskriptif
Analisis deskriptif digunakan untuk mengetahui karakteristik umum konsumen yang berkunjung dan menganalisis proses pengambilan keputusan konsumen, mulai dari tahap pengenalan kebutuhan hingga tahap pasca pembelian. Data tentang karakteristik konsumen dan proses pengambilan keputusan diperoleh melalui kuesioner. Data-data tersebut dikelompokkan berdasarkan jawaban yang sama ke dalam tabel. Data yang telah dikelompokkan ke dalam tabel, selanjutnya jawaban tersebut dipersentasekan berdasarkan jumlah responden. Persentase terbesar merupakan jawaban yang paling dominan dari masing-masing peubah yang diteliti. Dapat dirumuskan sebagai berikut (Afiana, 2006).
fi
P = x 100 % ………... (5) fi
Dimana : P = Persentase responden yang memilih kategori tertentu fi = Jumlah responden yang memilih kategori terstentu fi = Total jawaban
Karakteristik umum yang dilihat meliputi jenis kelamin, status pernikahan, asal kedatangan, usia, tingkat pendidikan, jenis pekerjaan, dan rata-rata pendapatan keluarga per bulan. Sedangkan analisis mengenai pengambilan keputusan konsumen untuk berkunjung ke objek wisata pemancingan Fishing Valley Bogor meliputi pengenalan kebutuhan pengunjung, pencarian informasi yang dilakukan pengunjung terhadap tempat wisata yang dikunjungi, evaluasi alternatif, hasil, dan pasca pembelian pengunjung terhadap Fishing Valley.
3.5.4. Analisis Faktor
Analisis faktor digunakan untuk mengetahui faktor-faktor yang mempengaruhi preferensi konsumen terhadap objek wisata pemancingan Fishing Valley. Pengolahan analisis faktor ini dibantu dengan program SPSS versi 15 for windows. Secara matematis analisis faktor menyerupai analisis regresi berganda dalam hal adanya kombinasi linear yang diperlihatkan setiap variabel pada faktor-faktor yang mendasarinya. Perbedaanya adalah dalam analisis regresi berganda dikenal dengan adanya dependent variable (varibel tak bebas) dan independent variable (variabel bebas) dimana analisis faktor adalah teknik yang bersifat interdependensi. Metode interdependensi adalah teknik yang mencoba untuk membagi suatu variabel menjadi beberapa kelompok atau untuk memberi arti pada sekelompok variabel (Wibisono, 2000).
Menurut Cooper (1998) analisis faktor merupakan deskripsi umum bagi beberapa teknik perhitungan tertentu dimana semua teknik tersebut bertujuan untuk mereduksi (menurunkan) jumlah variabel menjadi jumlah yang mudah ditangani dan memiliki karakteristik pengukuran yang tumpang tindih. Dalam penelitian ini, analisis faktor digunakan untuk menentukan
variabel jasa dari objek wisata pemancingan Fishing Valley yang mempengaruhi preferensi konsumen dalam memilih objek wisata.
Ada beberapa teknik analisis interdependensi variabel yang dapat dimasukkan dalam analisis faktor, yaitu (Wibisono, 2000) :
1. Analisis komponen utama (Principle Component Analysis)
Merupakan teknik reduksi data yang bertujuan untuk membentuk suatu kombinasi linear dari variabel awal dengan memperhitungkan sebanyak mungkin jumlah variasi variabel awal yang mungkin.
2. Analisis faktor umum (Common Factor Analysis)
Merupakan model faktor yang digunakan untuk mengidentifikasi sejumlah dimensi dalam data (faktor) yang tidak mudah untuk dikenali.
Prinsip kerja analisis faktor adalah dari n variabel yang diamati dimana beberapa variabel mempunyai korelasi maka dapat dikatakan bahwa variable tersebut memiliki p faktor umum (common factor) yang mendasari korelasi antarvariabel dan juga m faktor unik (unique factor) yang membedakan tiap variabel. Faktor umum dilambangkan dengan F1, F2, F3, F4,…,Fm dan faktor unik U1, U2, U3, U4,…., Um. Model matematis dasar analisis faktor yang digunakan untuk setiap variabel independen X1 adalah sebagai berikut (Wibisono, 2000) :
m
Xi= Aij Fj+ bi Ui i = 1,2,3,4,…..p ……….. (6) j-1
Dimana :
Xi = variabel independen ke-i Fj = faktor kesamaan ke-j Ui = faktor unik ke-i
Aij = koefisien faktor kesamaan Bi = koefisien faktor unik
Menurut Wibisono (2000) proses dasar dari analisis faktor adalah sebagai berikut :
a. Menentukan variabel apa saja yang akan dianalisis.
b. Matriks korelasi. Matriks korelasi merupakan matriks yang memuat koefisien korelasi dari semua pasangan variabel dalam penelitian. Analisis
faktor yang baik memiliki nilai korelasi tinggi (rata-rata lebih besar dari |0,3|). Dalam hal ini, determinan matriks yang mendekati nol menunjukkan nilai korelasi tinggi. Selanjutnya perlu diuji apakah matriks korelasi ini merupakan matriks identitas atau bukan karena matriks identitas tidak dapat digunakan untuk analisis berikut. Metode yang biasa dilakukan alah metode metode Bartlett s Test of Sphericity. Untuk menguji kesesuaian pemakaian analisis faktor, digunakan metode Kaiser-Meyer-Oikin (KMO). KMO merupakan indeks pembanding besarnya koefisien korelasi observasi dengan besarnya koefisien korelasi parsial. Jika nilai kuadrat koefisien korelasi parsial dari semua pasangan variabel lebih kecil daripada jumlah kuadrat koefisien korelasi, maka harga KMO akan mendekati satu, yang menunjukkan kesesuaian penggunaan analisis faktor. Tingkat kesesuaian harga KMO menurut Kaiser dalam Barus (2008) dijelaskan pada Tabel 1.
Tabel 1. Tingkat Kesesuaian Penggunaan Analisis Faktor Dengan Harga KMO
Harga KMO Tingkat Kesesuaian Penggunaan Analisis Faktor 0,9 Sangat memuaskan
0,8 Memuaskan 0,7 Harga menengah 0,6 Cukup
0,5 Kurang memuaskan < 0,5 Tidak dapat diterima
Untuk menentukan apakah proses pengambilan sampel sudah memadai atau tidak digunakan pengukuran Measure of Sampling Adequacy (MSA). Harga MSA yang rendah merupakan pertimbangan untuk membuang variabel tersebut pada tahap analisis selanjutnya. Syarat minimum untuk besarnya nilai MSA adalah sebesar 0,5.
c. Melakukan proses inti pada analisis faktor, yakni ekstraksi faktor, atau menurunkan satu atau lebih faktor dari variabel-variabel yang telah lolos pada uji variabel. Untuk mengekstraksi faktor dikenal dengan dua metode rotasi yaitu :
1. Orthogonal rotation adalah ektraksi faktor dengan cara merotasikan sumbu faktor yang kedudukannya saling tegak lurus satu dengan lainnya. Metode ini digunakan bila analisis bertujuan
untuk mereduksi jumlah variabel tanpa mempertimbangkan seberapa berartinya faktor yang diekstraksi. Proses rotasi dengan metode orthogonal dapat dibedakan menjadi Quartimax, Varimax, dan Equimax.
2. Oblique Rotation adalah ekstraksi faktor dilakukan dengan merotasikan sumbu faktor yang kedudukannya saling membentuk sudut dengan besar sudut tertentu. Proses rotasi dengan metode oblique dapat dibedakan menjadi Oblimin, Promax, Orthoblique dan lain-lain.
Ekstraksi faktor digunakan untuk menentukan jenis-jenis faktor yang akan dipakai. Estimasi faktor dapat menggunakan metode Principal Componen Analysis. Setelah ekstraksi faktor kemudian dilakukan perhitungan nilai eigenvalue, yang menyatakan nilai variansi dari variabel manifes.
d. Setelah itu melakukan proses Factor Rotation atau rotasi pada faktor yang terbentuk. Tujuan rotasi ini adalah untuk mempermudah interpretasi dalam nenentukan variabel-variabel mana saja yang tercantum dalam suatu faktor. Metode yang paling sering digunakan adalah metode varimax, bertujuan untuk merotasi faktor awal hasil ekstraksi sehingga pada akhirnya diperoleh hasil rotasi dimana satu kolom nilai yang ada sebanyak mungkin mendekati nol. Hal ini berarti di dalam setiap faktor tercakup sedikit mungkin variabel.
e. Interpretasi atas faktor yang terbentuk, khususnya memberi nama atas faktor yang terbentuk tersebut yang dianggap bisa mewakili variabel-variabel anggota faktor tersebut. Tahapan dalam interpretasi adalah :
1. Dimulai dari variabel pada urutan pertama dengan menggerakkan faktor paling kiri ke faktor paling kanan pada setiap baris untuk mencari bilangan yang nilai mutlak paling besar dalam baris tersebut.
2. Bilangan yang paling besar menunjukkan dalam faktor mana setiap variabel termasuk. Dengan demikian dapat diketahui variabel-variabel mana yang masuk ke dalam suatu faktor.
3. Mengulang point 1 dan 2 sehingga semua variabel telah tercakup dalam faktor – faktor hasil ekstraksi.
4. Bila ada variabel yang belum termasuk ke dalam salah satu faktor maka mengevaluasi variabel yang tidak memiliki bobot yang signifikan tersebut untuk mengetahui relevansi variabel dalam penelitian yang dilakukan atau menginterpretasikan solusi apa adanya tanpa mengikutkan variabel yang bobotnya tidak signifikan.
f. Bobot faktor. Bobot faktor adalah ukuran yang menyatakan representasi suatu variabel oleh masing-masing faktor. Merupakan data mentah bagi analisis lanjutan seperti analisis regresi dan diskriminan.
Terdapat dua hasil utama dari analisis faktor. Pertama, nilai communality suatu variabel yaitu jumlah keragaman variabel tersebut yang dijelaskan oleh faktor-faktor utama yang dipilih. Semakin tinggi nilai communality, maka variabel tersebut semakin berpengaruh dalam proses keputusan pembelian. Kedua adalah ekstraksi variabel ke dalam komponen utama. Pada saat menentukan jumlah komponen utama, maka dipilih komponen utama dengan nilai eigenvalue di atas 1,00. Nilai ini menunjukkan kepentingan relatif masing-masing faktor dalam menghitung keragaman seluruh variabel yang dianalisis. Pengelompokkan variabel ke dalam komponen utama berdasarkan pada nilai loading terbesar dari variabel tersebut.