BAB VI. ANALISIS DATA
6.2. Analisis dan Pembahasan
6.2.2. Analisis Faktor
Pada penelitian ini ingin dilihat dan dianalisis variabel-variabel yang terdapat pada penggunaan elektronik banking dengan analisis faktor, akan didapatkan berapa
tepat. Pengelompokan pada faktor yang tepat akan mempermudah analisis selanjutnya yaitu pemetaan faktor yang mewakil faktor-faktor secara keseluruhan berdasarkan faktor skor dan perbandingan rata-rata karakteristik dari teknologi baru. Proses untuk analisis faktor ini digunakan bantuan software SPSS versi 15.
A. Identifikasi Kecukupan Data
Kecukupan data atau sampel dapat diidentifikasi melalui nilai Measure of Sampling Adequacy (MSA) dan Kaiser-Meyer-Olkin (KMO). Nilai kedua ukuran tersebut bisa didapatkan dengan bantuan software SPSS. Mengacu pada landasan teori bahwa sekelompok data dikatakan memenuhi asumsi kecukupan data adalah jika nilai MSA dan KMO lebih besar daripada 0.5 (J.F.Hair,2006). Sedangkan menurut Wibisono (2003) kriteria kesesuaian dalam pemakaian analisis faktor adalah:
1. Jika harga KMO sebesar 0,9 berarti sangat memuaskan, 2. Jika harga KMO sebesar 0,8 berarti memuaskan, 3. Jika harga KMO sebesar 0,7 berarti harga menengah, 4. Jika harga KMO sebesar 0,6 berarti cukup,
5. Jika harga KMO sebesar 0,5 berarti kurang memuaskan, dan 6. Jika harga KMO kurang dari 0,5 tidak dapat diterima.
Berikut ini adalah output nilai MSA dan KMO dari SPSS.
Tabel 6.3 Output MSA dan KMO
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
.835 Bartlett's Test of Sphericity Approx. Chi-Square 1263.761
Df 231
Sig. .000
kriteria memuaskan, besaran nilai Barlett Test of Sphericity adalah 1263,761 pada signifikan 0,000 yang berarti pada penelitian ini ada korelasi yang sangat signifikan antar variabel. Uji kecukupan data atau sampel telah terpenuhi, berarti salah satu asumsi untuk melanjutkan ke analisis faktor telah terpenuhi.
B. Identifikasi Korelasi Antar Variabel
Antar variabel harus memenuhi asumsi berkorelasi sehingga dapat dijadikan variabel-variabel dalam analisis faktor. Berdasarkan perhitungan menggunakan SPSS 15, didapat korelasi antar variabel seperti pada Lampiran 1, dan disingkat seperti pada Tabel 6.4.
Tabel 6.4 Measure of Sampling Adequacy (MSA) Masing-Masing Variabel
No Simbol Pernyataan MSA
1 Y1 Peningkatan dalam kekuatan berbelanja 0,734
2 Y2 Tidak perlu membawa dan menghitung uang 0.891
3 Y3 Pembayaran mudah dan aman 0,881
4 Y4 Aman dari perampokan 0,843
5 Y5 Dapat membayar utang dengan cicilan 0,859
6 Y6 Dapat keuntungan dengan program-program e-banking 0,858 1 X1a Saya tertarik mendengar perkembangan teknologi 0,842 2 X1b Saya sering di tanya mengenai teknologi baru 0,867 3 X1c Saya sering menganggap diri saya sebagai risk taker
daripada membuat keputusan yang konservatif
0,656 4 X1d Saya akan menggunakan electronic banking hanya jika ada
yang mendorongkan saya menggunakannya
0,550 5 X1e Ada resiko lebih besar membayar pakai electronic banking
daripada tunai
0,563 6 X1f Saya merasa sangat mudah menggunakan electronic
banking
0,861 7 X1g Saat menggunakan electronic banking , saya merasa aman
seperti menggunakan uang tunai
0,920 8 X2a Saat menggunakan teknologi baru, saat mempercayai naluri
saya daripada pendapat orang lain
0,777 9 X2b Saya akan mudah mengingat password electronic banking
saya
0,849 10 X2c Saya lebih aman dan nyaman membayar dengan electrinic
banking dengan bunganya daripada membayar dengan tunai
0,866 11 X2d Menggunakan electronic banking bagi saya sama dengan
membayar dengan tunai
orang yang mencobanya terlebih dahulu
14 X2g Perkembangan teknologi meningkatkan kehidupan kita 0,856 15 X2h Lebih mudah mencoba menggunakan electronic banking
sebelum mendapatkannya
0,925 16 X2b Saya sudah pernah melihat orang lain menggunakan
electronic banking
0,711
Jika MSA lebih besar dari 0,5 maka variabel tersebut masih dapat diprediksi dan bisa dianalisis lebih lanjut. Jika MSA lebih kecil dari 0,5 dan atau mendekati nol (0), maka variabel tersebut tidak dapat di analisis lebih lanjut, atau dikeluarkan dari variabel lainnya. Dari Tabel diatas, diperlihatkan bahwa nilai MSA masing masing variabel Dengan demikian veriabel dalam penelitian ini dapat dianalisis lebih lanjut.
C. Communalities
Communalities menunjukkan sumbangan efektif tiap item terhadap faktor yang terbentuk. Misalnya Memudahkan dalam berbelanja mempunyai nilai komunaliti sebesar 0,650. hal ini menunjukan bahwa 65,0% variansi dari variabel Peningkatan dalam kekuatan berbelanja dapat dijelaskan oleh faktor yang terbentuk. Variabel Tidak perlu membawa dan menghitung uang mempunyai nilai komunaliti sebesar 0,710, hal ini menunjukkan bahwa 71% variansi dari variabel Tidak perlu membawa dan menghitung uang dapat dijelaskan oleh faktor yang terbentuk, dan seterusnya. Adapun hasil perhitungan nilai komunaliti pada penelitian ini dapat dilihat pada Tabel 6.5. dibawah ini.
Tabel 6.5 Communalities Penelitian Initial Extraction Y1 1.000 .650 Y2 1.000 .710 Y3 1.000 .716 Y4 1.000 .768 Y5 1.000 .589 Y6 1.000 .753 X1a 1.000 .776 X1b 1.000 .610 X1c 1.000 .556 X1d 1.000 .737 X1e 1.000 .629 X1f 1.000 .675 X1g 1.000 .777 X2a 1.000 .694 X2b 1.000 .538 X2c 1.000 .519 X2d 1.000 .689 X2e 1.000 .704 X2f 1.000 .724 X2g 1.000 .721 X2h 1.000 .614 X2b 1.000 .547
Extraction Method: Principal Component Analysis.
D. Penentuan Banyak Faktor dan Pengelompokan Variabel Berdasarkan Loading Faktor
Dengan menggunakan empat macam software statistika yaitu SPSS akan diperoleh komponen jumlah faktor. Keputusan pengambilan jumlah faktor sebanyak didasarkan pada nilai eigenvalue dari matriks korelasi antar variabel dan pengelompokan variabel dilakukan dengan membandingkan nilai loading factor secara mutlak diantara faktor-faktor yang terbentuk.
E. Penentuan Banyak Faktor Dengan Eigenvalue
Seperti yang dijelaskan di atas penentuan banyak faktor di dasarkan pada nilai eigenvalue dari matriks korelasi antar variabel. Berdasarkan hasil perhitungan diperoleh output nilai eigenvalue seperti yang ditampilkan pada tabel 6.6. berikut.
Tabel 6.6 Nilai Eigenvalue Matriks Korelasi
Extraction Method: Principal Component Analysis.
Nilai eigenvalue yang diambil untuk menentukan berapa banyaknya faktor yang terbentuk adalah nilai eigenvalue yang lebih besar dari satu (Subhash Sharma, 1996). Jika mengacu pada tabel 6.6 maka jumlah faktor yang terbentuk sebanyak 5 (lima) faktor. Dengan demikian, dari variabel-variabel yang telah dijadikan untuk analisis dalam penelitian ini, dapat dikelompokkan menjadi 5 faktor saja yang dapat mewakili keseluruhan variabel dalam menentukan faktor-faktor apa saja yang mempengaruhi penggunaan elektronik banking.
F. Penentuan Banyak Faktor Dengan Scree Plot
Scree plot adalah grafik yang menggambarkan plot nilai eigenvalue dari masing-masing variabel. Berdasarkan hasil perhitungan dapat dilihat dibawah ini gambar output scree plot.
Gambar. 6.6 Grafik Scree Plot
Seperti pada pembahasan sebelumnya, untuk menentukan banyak faktor yang terbentuk dapat dilihat pada nilai eigenvalue yang lebih dari satu. Pada Gambar 6.6, dapat dilihat bahwa ada 5 (lima) variabel yang mempunyai nilai eigenvalue lebih besar dari satu, jadi ada 5 (lima) faktor yang terbentuk.
G. Pengelompokan Variabel
Pada software SPSS metode ekstraksi yang digunakan untuk pembagian variabel adalah principal componen factoring analysis. Pembagian variabel-variabel ke dalam kelompok faktor tertentu didasarkan pada perbandingan nilai loading faktor secara mutlak mana yang lebih besar antar loading faktor dari faktor 1 sampai faktor 5. Pada tabel 6.7. di bawah ini merupakan output SPSS yang telah melalui proses
dengan 0.33 tidak ditampilkan. Apabila belum melalui proses rotasi varimax terdapat nilai loading faktor variabel yang terletak pada faktor 1, faktor 2, faktor 3, faktor 4 dan faktor 5.
Tabel 6.7 Nilai Loading Faktor
Component 1 2 3 4 5 Y4 .860 X1g .854 Y3 .820 Y2 .812 X1f .773 Y6 .715 .368 X2d .714 .339 Y5 .694 X2c .577 .408 X2h .572 .367 .342 X2b .523 .465 X2g .455 .712 X2a .701 X1a .513 .693 X2i .674 Y1 .471 .369 -.470 X2e .715 X1c .672 X1b .332 .617 X1d .846 X1e .769 X2f .501 .654
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a Rotation converged in 7 iterations.
Hasil pada tabel diatas adalah hasil pengelompokan variabel-variabel ke dalam masing-masing faktor setelah dirotasi varimax, sehingga dengan jelas dapat diketahui anggota variabel-variabel pada faktor 1 sampai dengan faktor 5. Nilai loading faktor pada masing-masing faktor yang dibawah 0.5 dihapuskan.
masing. Pada faktor 1 variabel-variabel yang ada adalah Aman dari perampok, Saat menggunakan electronic banking , saya merasa aman seperti menggunakan uang tunai, Pembayaran mudah dan aman, Tidak perlu membawa dan menghitung uang, Saya merasa sangat mudah menggunakan electronic banking, Dapat keuntungan dengan program-program kartu kredit, Menggunakan electronic banking bagi saya sama dengan membayar dengan tunai, Dapat membayar utang dengan cicilan, Saya lebih aman dan nyaman membayar dengan electronic banking dengan bunganya daripada membayar dengan tunai, Lebih mudah mencoba menggunakan e-banking sebelum mendapatkannya dan Saya akan mudah mengingat password e-banking saya. Variabel-variabel terebut berhubungan dengan keamanan, kenyamanan dan kemudahan menggunakan elektronik banking, maka faktor 1 dapat diberi nama tingkat kemanan dan kenyamanan. Faktor 2 mempunyai anggota variabel Perkembangan teknologi meningkatkan kehidupan kita, Saat menggunakan teknologi baru, saat mempercayai naluri saya daripada pendapat orang lain, Saya tertarik mendengar perkembangan teknologi dan Saya sudah pernah melihat orang lain menggunakan e-banking, semua variabel ini berkaitan dengan perkembangan teknologi e-banking. Faktor 2 dapat diberi nama perkembangan teknologi. Faktor 3 mempunyai anggota variabel Saya sering di tanya saran mengenai hal finansial, Saya sering menganggap diri saya sebagai risk taker daripada membuat keputusan yang konservatif dan Saya sering di tanya mengenai teknologi baru, semua ini berkaitan dengan pengetahuan tentang penggunaan electronic banking. Faktor 3 ini dapat diberi nama Pengetahuan tentang electronic banking. Faktor 4 mempunyai anggota variabel Saya akan menggunakan electronic banking hanya jika ada yang mendorongkan saya menggunakannya, Ada resiko lebih besar membayar pakai electronic banking
banking, semua variabel ini berkaitan dengan resiko menggunakan electronic banking, Faktor 4 dapat diberi nama Resiko elektronik banking. Faktor 5 mempunyai anggota variabel Saya sudah pernah melihat orang lain menggunakan electronic banking sehingga faktor 5 dapat diberi nama “pengaruh pihak lain” untuk menggunakan electronic banking. Pemberian nama faktor merupakan ketentuan dari peneliti, pemeberian nama tersebut berdasarkan variabel yang dapat diukur langsung untuk menggambarkan faktor yang merupakan variabel yang tidak dapt diukur secara langsung.
Mereduksi 22 (dua puluh dua) variabel ke dalam 5 (lima) faktor tentu akan mengurangi informasi dari variabel-variabel utama, namun dengan terbentuknya 5 (lima) faktor tersebut memudahkan peneliti untuk mengklasifikasikan variabel dan dapat mengukur variabel yang tidak dapat diukur secara langsung berdasarkan dua faktor tersebut
Tabel 6.8 Persentase Total Varians yang Dijelaskan Faktor 1 – Faktor 5
Rotation Sums of Squared Loadings
Total % of Variance Cumulative %
6.559 29.814 29.814
2.807 12.758 42.572
2.315 10.525 53.097
1.915 8.705 61.802
1.100 4.998 66.800
Pada tabel 6.8. diatas dapat dilihat pada prosentase kumulatif sebesar 66,80. Nilai ini menunjukkan bahwa total varians atau informasi yang dapat digali dari lima faktor yang terbentuk tersebut adalah sebesar 66,80 %.
Dengan demikian dari keseluruhan variabel-variabel dalam peneltian ini hanya 5 (lima) faktor saja yang dapat digunakan untuk menentukan faktor-faktor yang
oleh sekelompok variabel yang telah diekstrak dengan melihat loading faktor yang lebih besar dari 0,50. Adapun kelima faktor tersebut adalah; (1) faktor tingkat kemanan dan kenyamanan, (2) faktor perkembangan teknologi, (3) faktor pengetahuan tentang e-banking, (4) faktor resiko e-banking dan (5) faktor pengaruh pihak lain.