HASIL DAN PEMBAHASAN
4.7. Analisis Data
4.7.2. Ekstraksi Faktor
• Pada tahap ini, akan dilakukan proses inti dari analisis faktor, yaitu melakukan ekstraksi terhadap sekumpulan variabel yang ada KMO>0,5 sehingga terbentuk satu atau lebih faktor.
• Metode yang digunakan untuk tahap ini adalah Principal Component Analysis dan rotasi faktor dengan metode Varimax (bagian dari orthogonal).
Tabel 4.14 Komunalitas Variabel Communalities Initial Extraction x1 1.000 .602 x2 1.000 .797 x3 1.000 .737 x4 1.000 .874 x5 1.000 .845 x6 1.000 .666 x7 1.000 .719 x8 1.000 .694 x9 1.000 .703
Komunalitas pada dasarnya adalah jumlah varians (bisa dalam persentase) dari suatu variabel mula-mula yang bisa dijelaskan oleh faktor yang terbentuk.
a. Untuk variabel kualitas produk, nilai komunalitasnya adalah 0,602 atau sekitar 60,2% varians dari variabel kualitas produk bisa dijelaskan oleh faktor yang terbentuk.
b. Untuk variabel warna produk, nilai komunalitasnya adalah 0,797 atau sekitar 79,7% varians dari variabel warna produk bisa dijelaskan oleh faktor yang terbentuk.
c. Untuk variabel bentuk produk, nilai komunalitasnya adalah 0,737 atau sekitar 73,7% varians dari variabel bentuk produk bisa dijelaskan oleh faktor yang terbentuk.
d. Untuk variabel promosi produk, nilai komunalitasnya adalah 0,874 atau sekitar 87,4% varians dari variabel promosi produk bisa dijelaskan oleh faktor yang terbentuk.
e. Untuk variabel keunggulan produk, nilai komunalitasnya adalah 0,845 atau sekitar 84,5% varians dari variabel keunggulan produk bisa dijelaskan oleh faktor yang terbentuk.
f. Untuk variabel jenis produk, nilai komunalitasnya adalah 0,666 atau sekitar 66,6% varians dari variabel jenis produk bisa dijelaskan oleh faktor yang terbentuk.
g. Untuk variabel jenis diskon produk, nilai komunalitasnya adalah 0,719 atau sekitar 71,9% varians dari variabel jenis diskon produk bisa dijelaskan oleh faktor yang terbentuk.
h. Untuk variabel popularitas produk, nilai komunalitasnya adalah 0,694 atau sekitar 69,4% varians dari variabel popularitas produk bisa dijelaskan oleh faktor yang terbentuk.
i. Untuk variabel ukuran produk, nilai komunalitasnya adalah 0,703 atau sekitar 70,3% varians dari variabel ukuran produk bisa dijelaskan oleh faktor yang terbentuk.
Tabel 4.15 Total Variabel yang Dijelaskan A.Nilai Eigenvalue Untuk Setiap Faktor
Compon ent
Initial Eigenvalues
Total % of Variance Cumulative %
1 3.691 41.012 41.012 2 1.721 19.127 60.139 3 1.223 13.594 73.733 4 .823 9.145 82.879 5 .464 5.157 88.036 6 .398 4.423 92.459 7 .337 3.743 96.202 8 .225 2.499 98.702 9 .117 1.298 100.000
B. Sumbangan Masing-Masing Faktor Terhadap Varians Seluruh Variabel Asli
Component
Extraction Sums of Squared Loadings Total % of Variance Total 1 3.691 41.012 3.691 2 1.721 19.127 1.721 3 1.223 13.594 1.223
Berdasarkan table 4.15B diperoleh tiga faktor yang memiliki eigenvalue lebih besar dari 1,0 yaitu kita sebut faktor 1 dengan eigenvalue 3,691, faktor 2 dengan eigenvalue 1,721, dan faktor 3 dengan eigenvalue 1,223. Ketiga faktor tersebut menjelaskan (73,733) % total varians variabel yang mempengaruhi.
4.7.3. Menentukan Banyaknya Faktor
Penentuan banyaknya faktor yang dilakukan dalam analisis faktor maksudnya adalah mencari variabel terakhir yang disebut faktor yang saling tidak berkorelasi, bebas satu sama lainnya, lebih sedikit jumlahnya daripada variabel awal akan tetapi dapat menyerap sebagian besar informasi yang terkandung dalam variabel awal atau yang dapat memberikan sumbangan terhadap varians seluruh variabel. Ada beberapa prosedur yang dapat dipergunakan dalam menentukan banyaknya faktor, antara lain adalah sebgai berikut :
1. Dilihat dari Initial Eigenvalue Total
Untuk menentukan banyaknya faktor dari initial values dilihat dengan metode pendekatan, hanya faktor dengan eigenvalue lebih besar dari satu yang dipertahankan, jika lebih kecil dari satu, faktornya tidak diikutsertakan dalam model. Suatu eigenvalue menunjukkan besarnya sumbangan dari faktor terhadap varians seluruh variabel asli. Berdasarkan tabel 4.15A ternyata diperoleh banyaknya faktor yang dapat mempengaruhi konsumen dalam proses keputusan pemebelian produk Tupperware menurut persepsi mahasiswi atau asumsi
responden adalah 3, karena ada 3 faktor atau komponen yang eigenvalue nya lebih dari 1, yaitu Faktor dengan eigenvalue 3,691 , Faktor 2 dengan eigenvalue 1,721¸ Faktor 3 dengan eigenvalue 1,223. Berdasarkantabel 4.15B dapat diketahui bahwa besarnya sumbangan yang diberikan dari masing-masing faktor terhadap varians seluruh variabel asli. Faktor 1 memberikan sumbangan varians sebesar 41,012%, faktor 2 sebesar 19,127%, dan yang terakhir faktor 3 sebesar 13,594%. Sehingga total sumbangan varians dari ketiga faktor tersebut adalah sebesar 73,733%. 2. Menentukan Banyaknya Faktor dengan Scree Plot
Suatu Scree Plot adalah plot dari eigenvalue melawan banyaknya faktor yang bertujuan untuk melakukan ekstraksi agar diperoleh jumlah faktor. Scree plot berupa suatu kurva yang diperoleh dengan memplot eigenvalue sebagai sumbu vertikal dan banyaknya faktor sebagai sumbu horizontal. Bentuk kurva atau plotnya dipergunakan untuk menentukan banyaknya faktor.
Jika tabel total varians menjelaskan dasar jumlah faktor yang diperoleh dengan perhitungan angka, maka scree plot memperlihatkan hal tersebut dengan grafik. Terlihat bahwa dari satu ke dua faktor (garis dari sumbu Component 1 ke 2), arah garis cukup menurun tajam. Kemudian dari 2 ke 3 garis juga menurun. Pada faktor 4 sudah di bawah angka 1 dari sumbu eigenvalue. Hal ini menunjukkan bahwa ada 3 faktor yang mempengaruhi kepadatan penduduk, yang dapat diekstraksi berdasarkan scree plot.
Gambar 4.1 Scree PLot
4.7.4. Melakukan Rotasi Faktor
Output terpenting dalam analisis faktor adalah Matriks Faktor atau yang disebut juga dengan Komponen Matriks. Matriks faktor memuat koefisien yang dipergunakan untuk mengekspresikan variabel yang dibakukan dinyatakan dalam faktor. Koefisien ini merupakan factor loading, mewakili koefisien korelasi antara faktor dengan variabel. Koefisien dengan nilai mutlak (absolute) yang besar menunjukkan bahwa faktor dan variabel sangat terkait. Koefisien dari matriks faktor dapat dipergunakan untukmenginterpretasi faktor. Matriks faktor atau matriks komponen dapat dilihat sebagai berikut :
Tabel 4.16 Matriks Faktor (Sebelum Dirotasi) Component Matrixa Component 1 2 3 x4 .849 x3 .838 x6 .807 x1 .750 x8 .546 -.474 -.414 x7 .688 x9 .518 .658 x2 -.590 .550 x5 .454 .722
Walaupun matriks faktor atau matriks komponen awal sebelum dirotasi menunjukkan hubungan antara faktor (komponen) dengan variabel secara individu, akan tetapi masih sulit diambil kesimpulannya tentang banyaknya faktor yang dapat diekstraksi. Hal ini disebabkan karena faktor (komponen) berkorelasi dengan banyak variabel lainnya atau sebaliknya variabel tertentu masih berkorelasi dengan banyak fakor. Sehingga dalam keadaan ini terkadang membuat peneliti kesulitan dalam penentuan suatu variabel kedalam suatu faktor.
Misalkan Matriks Faktor (sebelum dirotasi) diatas dapat dilihat bahwa F1 memiliki korelasi kuat dengan 7 variabel, yaknix1, x3, x4, x5, x6, x8, x9 sementara F2 memiliki korelasi kuat dengan x7 danx9 dan F3 memiliki korelasi kuat dengan x2 dan x5. Korelasi dianggap cukup kuat jika koefisien korelasi yang diwaliki factor loading mempunyai nilai lebih besar dari 0,40. Juga variabel berkorelasi dengan banyakfaktor, seperti variabel x1 berkorelasi dengan factor 1, variabel x7 berkorelasi dengan faktor 2, variabel x2 berkorelasi dengan faktor 3, situasi seperti ini membuat kesimpulan mengenai banyaknya faktor yang diekstraksi dari variabel menjadi sulit.
Untuk mengatasi hal tersebut dapat dilakukan proses rotasi pada faktor yang terbentuk agar memperjelas posisi sebuah variabel, akankah dimasukkan pada faktor yang satu ataukah ke faktor lainnya. Beberapa metode rotasi yang bisa digunakan adalah orthogonal rotation, varimax rotation, dan oblique rotation.
Orthogonal rotation adalah kalau dipertahankan tegak lurus sesamanya (bersudut 90 derajat). Yang paling banyak digunakan adalah varimax rotation, yaitu rotasi orthogonal dengan meminimumkan banyaknya variabel yang memiliki loading tinggi pada sebuah faktor, sehingga lebih mudah mengiterpretasi faktor. Rotasi orthogonal menghasilkan faktor-faktor yang tidak berkorelasi. Oblique rotation adalah jika sumbu-sumbu tidak dipertahankan harus tegak lurus sesamanya (bersudut 90 derajat) dan faktor-faktor berkorelasi. Oblique rotation harus dipergunakan kalau faktor dalam populasi berkorelasi sangat kuat.
Proses rotasi terhadap faktor pada penelitian ini menggunakan metode varimax rotation. Dan hasil rotasi terhadap dapat dilihat pada matriks faktor (setelah dirotasi) dibawah ini
Tabel 4.17 Matriks Faktor (Setelah Dirotasi)
Rotated Component Matrixa
Component 1 2 3 x4 .929 x8 .789 x6 .726 x1 .722 x3 .634 .538 x5 .916 x7 .826 x2 .446 -.674 x9 .473 .668
Tujuan dilakukan rotasi adalah untuk memperlihatkan distribusi variabel yang lebih jelas dan nyata. Dapat dilihat perbedaan antara matriks faktor sebelum dirotasi dengan matriks faktor setelah dirotasi.