METODE PENELITIAN
3.8. Model Analisis Data
3.8.1. Statistik Deskriptif
Statistik deskriptif adalah statistik yang digunakan untuk menganalisa data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul
sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk umum atau generalisasi. Penelitian yang dilakukan pada populasi jelas akan menggunakan statistik deskriptif dalam analisisnya. Tetapi bila penelitian dilakukan pada sampel, maka analisisnya dapat menggunakan statistik deskriptif maupun inferensial. Termasuk dalam statistik deskriptif antara lain adalah penyajian data melalui tabel, grafik, penyebaran data, perhitungan prosentase. Dalam statistik deskriptif juga dapat dilakukan mencari kuatnya hubungan antara variabel melalui analisis korelasi, membuat perbandingan dengan membandingkan rata-rata data sampel atau populasi. (Sugiyono, 2010)
Namun penelitian ini tidak menggunakan statistik inferensial karena teknik pengambilan sampel penelitian yaitu accidental/convenience sampling yang merupakan
non probability sampling. Pengambilan sampel non probability sampling memiliki
kekurangan yaitu bias dan tidak tentu sehingga tidak dapat digunakan untuk analisis inferensial. Menurut Sugiyono (2010), statistik inferensial adalah teknik statistik yang digunakan untuk menganalisis data sampel dan hasilnya diberlakukan untuk populasi. Statistik ini cocok digunakan bila sampel diambil dari populasi yang jelas, dan teknik pengambilan sampel dari populasi itu dilakukan secara random.
3.8.2. Model Analisis Data Analisis Faktor
Teknik analisis data yang digunakan adalah analisis faktor. Teknik analisis faktor adalah serangkaian prosedur yang digunakan untuk mengurangi dan meringkas data tanpa kehilangan informasi yang penting (Sugiono, 2006). Metode analisis faktor pertama kali digunakan oleh Charles Spearman untuk memecahkan psikologinya dalam tulisannya pada American Journal of Psychology pada tahun 1904 mengenai dan pengukuran intelektual. Analisis faktor menganalisis sejumlah variabel dari suatu pengukuran atau pengamatan yang dititik beratkan pada teori dan kenyataan yang
sebenarnya dan menganalisis interkorelasi atau hubungan antar variabel untuk menetapkan apakah variasi-variasi yang tampak dalam variabel tersebut berdasarkan sejumlah faktor dasar yang jumlahnya lebih sedikit dari jumlah variasi yang ada.
Secara garis besar ada dua tipe analisa faktor, yaitu:
1. Analisis Komponen Utama (Principle Component Analysis)
Merupakan teknik reduksi data yang bertujuan untuk membentuk suatu kombinasi linier dari variabel awal dengan memperhitungkan sebanyak mungkin variabel-variabel awal yang mungkin.
2. Analisis Faktor Umum
Merupakan model faktor yang digunakan untuk mengindentifikasi sejumlah dimensi dalam data (faktor) yang tidak mudah dikenali.
Berdasarkan dua tipe analisis faktor diatas, penelitian ini menggunakan Analisis Komponen Utama (Principle Component Analysis). Analisis komponen Utama merupakan salah satu analisis multivariat yang bertujuan mengkaji struktur matriks ragam-ragam melalui linier variabel. (Morrison, D.F.,1976; dan Gasperz.,V.,1992). Dari segi praktis, analisis komponen utama ini bertujuan untuk mengubah dari sebagian besar variabel asli yang digunakan yang saling berkorelasi satu dengan yang lainnya menjadi satu set variabel baru yang lebih kecil dan bebas atau tidak berkorelasi lagi.
Jadi analisis komponen utama berguna untuk mereduksi data, sehingga lebih mudah untuk mengintrepretasikan data tersebut. Namun analisis komponen utama merupakan analisis antara suatu proses penelitian yang besar atau suatu awalan dari analisis berikutnya, bukan merupakan analisis yang langsung berakhir. Misalnya, komponen utama bisa merupakan masukan untuk regresi berganda atau analisis gerombol. Berdasarkan keterangan tersebut, peneliti akan melanjutkan hasil analisis
faktor dengan regresi berganda untuk mengetahui faktor yang paling dominan memengaruhi keputusan pembelian rumah.
Berbagai langkah yang dilakukan dalam analisa faktor (Santoso, 2003) yaitu: 1. Membuat matrik korelasi
Semua data yang masuk dan diolah akan menghasilkan matrik korelasi. Dengan adanya matrik korelasi dapat diidentifikasikan variabel-variabel tertentu yang tidak mempunyai korelasi dengan variabel lain, sehingga dapat dikeluarkan dari analisis. Pada tahap ini juga diketahui variabel-variabel yang menimbulkan multikolinearitas
yaitu dua variabel dengan koefisien korelasi yang relatif tinggi dan variabel tersebut dijadikan satu atau dipilih salah satu untuk dianalisis lebih lanjut (Barlett’s Test of
Sphericity). Kemudian digunakan uji Kaiser-Meyer-Olkin (KMO) untuk mengetahui
kecukupan sampelnya. Analisis faktor dikatakan layak apabila besaran KMO nilainya minimal 0,5. Besaran lainnya yang dilihat adalah nilai Measure of Sampling Adequency
(MSA). Besaran ini digunakan sebagai indikator untuk menentukan apakah analisis faktor ini dapat dilanjutkan atau tidak
dengan kriteria MSA≥0,5
2. Menentukan jumlah faktor
Variabel disusun kembali berdasarkan pada pola korelasi hasil langkah pada butir 2, untuk menentukan jumlah faktor yang diperlukan untuk mewakili data. Penentuan jumlah faktor dimana masing-masing faktor merupakan gabungan dari beberapa faktor yang saling berhubungan (berkorelasi) didasarkan atas besarnya eigen
value, percentage of variance dari setiap faktor yang muncul. Eigen value adalah
penjumlahan variance nilai-nilai korelasi setiap faktor terhadap masing-masing variabel yang membentuk faktor yang bersangkutan.
Untuk menentukan berapa jumlah faktor yang dapat diterima secara empirik dapat dilakukan berdasarkan besarnya eigen value setiap faktor yang muncul. Semakin besar eigen value setiap faktor semakin representative faktor tersebut untuk mewakili sekelompok variabel. Faktor-faktor yang dipilih faktor yang memiliki eigen value >1. Demikian juga didasarkan pada percentage of variance suatu faktor dapat menjadi pertimbangan konsumen apabila memiliki nilai lebih besar dari 5%, dan apabila didasarkan pada commulative of variance ketentuannya adalah nilai minimum sebesar 60%, maka faktor tersebut dapat digunakan dalam model.
3. Rotasi faktor
Hasil penyederhanaan faktor dalam matrik faktor memperlihatkan hubungan antar faktor dengan variabel individual, tetapi dalam faktor-faktor tersebut terdapat banyak variabel yang berkorelasi sehingga sulit diinterpretasikan. Dengan menggunakan rotasi faktor matrik, matrik faktor ditransformasikan ke dalam matrik yang lebih sederhana sehingga mudah untuk diinterpretasikan. Dalam perilaku ini digunakan rotasi varimax, karena menghasilkan hasil yang lebih baik.
4. Interpretasi faktor
Interpretasi faktor dapat dilakukan dengan mengelompokkan variabel-variabel yang mempunyai loading factor tertinggi di dalam faktor tersebut. Untuk menginterpretasikan hasil penelitian ini, loading factor minimal 0,4 dan variabel yang mempunyai loading factor kurang dari 0,4 dikeluarkan dari model.
a. Perhitungan skor faktor
Perhitungan skor faktor yang ada dasarnya dimaksudkan untuk mencari nilai faktor yang dapat digunakan untuk menganalisis multivariate.
Penyeleksian variabel pengganti adalah mencari salah satu variabel dalam setiap faktor sebagai wakil dari masing-masing faktor.
3.8.3. Model Analisis Data Regresi Linier Berganda
Setelah melakukan penyeleksian variabel pengganti penelitian ini melanjutkannya dengan analisis regresi liner berganda. Untuk menguji variabel bebas yang diperoleh nanti terhadap keputusan pembelian rumah di perumahan Bougenville. Analisis regresi linier berganda dipergunakan karena variabel terikat yang dicari dipengaruhi oleh lebih dari satu variabel bebas atau variabel penjelas. Regresi linier berganda menggunakan model persamaan sebagai berikut :
Y = a + b 1X 1 + b 2X 2 + b 3X 3 + b 4X 4 + e Dimana :
Y = Keputusan Pembelian Rumah X
1, X
2,….Xn = Variabel bebas yang belum terbentuk a = Konstanta b 1, b 2, b 3, b 4 = Koefisien regres e = error term
1. Uji F ( Uji secara simultan)
Uji F ini dilakukan untuk mengetahui apakah variabel-variabel (X
1, X
2, X
3, X
4,….Xn)secara bersama-sama memiliki pengaruh yang signifikan terhadap variabel terikat (Y) yaitu keputusan pembelian rumah. Untuk menguji apakah hipotesis yang diajukan diterima atau ditolak.
Penguji hipotesis yang digunakan dalam uji secara simultan adalah sebagai berikut: H 0 : b 1, b 2, b 3, b 4 = 0 (variabel bebas X 1, X 2, X 3, X
4,….Xn, secara bersama-sama tidak berpengaruh tehadap keputusan pembelian rumah)
H 1 : b 1, b 2, b 3, b 4 ≠ 0 (variabel bebas X 1, X 2, X 3, X 4,….Xn, secara bersama-sama berpengaruh tehadap keputusan pembelian rumah)
Nilai F
hitung akan dibandingkan dengan nilai F
tabel. Kriteria pengambilan keputusan yaitu :
H
0 diterima jika F
hitung < Ftabelpada α = 5 %
H
0 ditolak (H1 diterima ) jika F
hitung > Ftabelpada α = 5 %
2. Uji t ( Uji secara Parsial)
Uji t dilakukan untuk mengetahui apakah pengaruh masing-masing variabel bebas bebas (X
1, X
2, X
3, X
4,….Xn) terhadap variabel keputusan pembelian rumah (Y) di perumahan Bougenville.
Penguji hipotesis yang digunakan dalam uji secara parsial adalah sebagai berikut: H 0 : b i = 0 ; (artinya X 1, X 2, X 3, X
4,….Xn, tidak berpengaruh secara parsial terhadap keputusam pembelian rumah di perumahan Bougenville)
H 1 : b i ≠ 0 ; (artinya X 1, X 2, X 3, X
4,….Xn, berpengaruh secara parsial terhadap keputusan pembelian rumah di perumahan Bougenville).
Nilai t
hitung akan dibandingkan dengan t
tabel. Kriteria pengambilan keputusan yaitu : H 0 diterima jika t tabel ≤ t hitung ≤ t tabel pada α = 2,5% H