BAB III METODOLOGI PENELITIAN
4.3. Hasil Analisis Faktor
4.3.1. Nilai KMO dan Bar tlett’s Test
Untuk menentukan variable output pada perhitungan analisis faktor dengan memasukkan variable didapat bahwa hasil KMO Measure of Sampling Adequancy (MSA) sebesar 0,541, dimana nilai signifikansi yang diperoleh sebesar 0,044 atau lebih kecil dari 0,05, seperti terlihat dalam table berikut ini :
Tabel 9. Nilai KMO KMO and Bartlett's Test
,541
5,652 10 ,044 Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. Approx. Chi-Square df Sig. Bartlett's Test of Sphericity
Sumber : Hasil Analisis Faktor, Lampiran 2
Karena angka KMO dan Bartlett’s test tersebut sudah diatas 0,5 dan tingkat signifikansi yang muncul jauh dibawah 0,05 maka variable atau atribut yang ada dapat dianalisis lebih lanjut.
4.3.2. MSA (Measure of Sampling Adequacy)
Nilai MSA yang dihasilkan berkisar antara 0 (nol) dan 1 (satu) dengan interprestasi jika MSA sama dengan 1 (satu) berarti variable yang diteliti dapat diprediksi tanpa mengalami kesalahan lebih variable lain.
Jika nilai MSA berada diantara 0,5 sampai dengan 1 (satu) berarti variable tersebut dapat diprediksi dan dapat dianalisis lebih lanjut. Pada tabel Anti
Image Matrices terlihat sejumlah angka yang membentuk diagonal, yang
berbeda ‘a’ yang menandakan besaran MSA sebuah variabel. Tampak bahwa tidak ada variabel yang memiliki MSA di bawah 0,5 dengan demikian tidak ada variabel out nya dan variabel dapat dilanjutkan pada proses selanjutnya, seperti terlihat dalam table berikut ini.
Tabel 10 : Nilai MSA (Measure of Sampling Adequacy)
Variabel Variabel / Atr ibut MSA
X2 Persepsi terhadap Banyaknya produk atau jasa 0,517
X3 Persepsi terhadap Tingkat bunga 0,555
X4 Persepsi terhadap Pendapatan 0,511
X5 Persepsi terhadap Hadiah 0,540
X6 Persepsi terhadap Banyaknya cabang 0,549 Sumber : Hasil Analisis Faktor, Lampiran 2
Berdasarkan table tersebut terlihat dari 5 (Lima) variable, semua variable mempunyai nilai MSA lebih dari 0,5. Maka analisis faktor dapat dilanjutkan untuk menentukan pengelompokan variable-variabel tersebut ke dalam suatu faktor tertentu.
4.3.3. Nilai Communality
Communality pada dasarnya merupakan jumlah varians (perubahan
atau variasi yang mungkin terjadi) dari suatu variable yang dipengaruhi faktor yang akan terbentuk.
Table. 11 : Nilai Communality Communalities 1,000 ,525 1,000 ,415 1,000 ,481 1,000 ,490 1,000 ,445 X2 X3 X4 X5 X6 Initial Extraction
Extraction Method: Principal Component Analysis.
Sumber : Hasil Analisis Faktor, Lampiran 2
Berdasarkan hasil perhitungan dengan menggunakan 5 variabel didapat nilai communalities, sebagaimana Nampak pada tabel diatas pengertian dari besaran yang ada adalah :
1. Variabel X2 didapat nilai extraction sebesar 0,525. Dapat diartikan bahwa 52,5 % varians dari variabel bentuk dapat dijelaskan oleh faktor yang nanti terbentuk.
2. Variabel X3 didapat nilai extraction sebesar 0,415. Dapat diartikan bahwa 41,5 % varians dari variabel bentuk dapat dijelaskan oleh faktor yang nanti terbentuk.
3. Variabel X4 didapat nilai extraction sebesar 0,481. Dapat diartikan bahwa 48,1 % varians dari variabel bentuk dapat dijelaskan oleh faktor yang nanti terbentuk.
4. Variabel X5 didapat nilai extraction sebesar 0,490. Dapat diartikan bahwa 49 % varians dari variabel bentuk dapat dijelaskan oleh faktor yang nanti terbentuk.
5. Variabel X6 didapat nilai extraction sebesar 0,445. Dapat diartikan bahwa 44,5 % varians dari variabel bentuk dapat dijelaskan oleh faktor yang nanti terbentuk.
4.3.4. Total Variance Explained
Nilai eigenvalue untuk kedelapan variable yang diteliti ditunjukkan dalam table berikut :
Tabel. 12 : Nilai Eigen Value Total Variance Explained
1,258 25,151 25,151 1,258 25,151 25,151 1,250 24,993 24,993 1,098 21,967 47,118 1,098 21,967 47,118 1,106 22,125 47,118 ,926 18,524 65,642 ,883 17,659 83,302 ,835 16,698 100,000 Component 1 2 3 4 5
Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
Pada component 1 sampai dengan component 2, angka eigenvalue diatas 1. yaitu masing-masing sebesar 1,258 untuk component 1, untuk 1,098 component 2. Namum pada saat akan membentuk component 3 maka angka eigenavalue sudah turun di bawah 1, maka proses analisis faktor dapat dihentikan.
Berdasarkan nilai egenevalue yang bernilai di atas 1 terdapat pada
component 1 sampai dengan component 2, maka hal ini menunjukkan hasil
analisis faktor menghasilkan pengelompokkan variable menjadi 2 (Dua) faktor, karena 2 faktor merupakan hasil yang paling bagus untuk meringkas atau mereduksi ketujuh faktor yang telah dianalisis. Hal ini juga ditunjukkan oleh hasil scree plot yang digambarkan pada gambar berikut ini :
Gambar 2 : Scree Plot Analisis Faktor 1.3 1.2 1.1 1.0 0.9 0.8 E ig e n v a lu e Scree Plot
Sumber : Hasil Analisis Faktor, Lampiran 5
Dari gambar tersebut terlihat bahwa dari component nomer 1 ke dua (garis sumbu X atau component number 1 ke 2) arah garis menurun dengan tajam dari eigenvalue sebesar 1,258 menjadi 1,098 (garis sumbu Y eigenvalue). dan component number dua ke tiga dibawah 1 yang memberikan arti bahwa keseluruhan variable yang membentuk faktor secara simultan mempengaruhi nilai eigenvalue dari disekitar angkat diatas 1 menjadi dibawah 1.
Kemudian component number ke-3 dan seterusnya sudah dibawah angka 1 dari sumbu Y (eigenvalue). Hal ini membuktikan bahwa hanya dua faktor saja yang paling baik untuk meringkas atau mereduksi ketujuh
variable yang dianalisis karena hanya pada component number ke satu sampai dua yang mempunyai nilai eigenvalue lebih besar dari 1, sedangkan untuk component number ke tiga dan seterusnya eigenvalue yang diperoleh lebih kecil.
4.3.5. Component Matr ix
Seperti telah disebutkan sebelumnya bahwa diperoleh hasil yang optimal hanya terdapat pada empat component atau faktor yang terbentuk, maka langkah atau proses terakhir dalam analisis faktor ini adalah mengidentifikasikan table matriks komponen (component matrix) seperti yang ditujukkan dalam table berikut :
Tabel. 13 : Matriks Component Component Matrixa -,266 ,674 -,611 ,203 ,000 ,694 ,673 ,191 ,600 ,291 X2 X3 X4 X5 X6 1 2 Component
Extraction Method: Principal Component Analysis. 2 components extracted.
a.
Sumber : Hasil Analisis Faktor, Lampiran 2
Fungsi dari matriks komponen adalah untuk menguraikan dan menjelaskan distribusi dari ketujuh varaibel yang diteliti kedalam dua
faktor yang terbentuk. Angka-angka yang terdapat dalam table matriks komponen diatas merupakan angka faktor loadings, yang menunjukkan besarnya korelasi antara masing-masing variable dengan faktor yang akan terbentuk, sehingga akan diketahui suatu variable ikut mengelompok pada faktor yang sama. Untuk menentukan suatu variable atau atribut masuk kedalam kelompok faktor yang mana, maka dilakukan dengan membandingkan nilai korelasi variable tersebut terhadap kedua faktor yang akan terbentuk.
Untuk mempermudah dalam analisis hasil faktor loadings dari masing-masing variable yang diteliti maka dalam table tersebut nilai faktor loading yang dihasilkan telah durutkan dari yang terbesar menuju yng terkecil untuk masing-masing faktor.
Untuk menerangkan suatu variable ikut pada kelompok faktor yang mana, dalam kasus ini adalah sebagai berikut untuk variable X2 yaitu Banyaknya produk atau jasa, secara singkat dapat diterangkan sebagai berikut :
1. Korelasi antara variabel X2 dengan faktor 1 adalah sebesar - 0,266 2. Korelasi antara variable X2 dengan faktor 2 adalah sebesar + 0,674
Nilai faktor loadings yang terbesar dari variable X2 berada pada component 2, dimana nilai korelasi antara variable X2 dengan faktor 2 adalah sebesar + 0,674, maka variable X2 mengenai Banyaknya produk atau jasa dapat dimasukan ke dalam faktor 2.
Dengan cara yang sama dapat diperoleh nilai faktor loadings masing-masing variable yang menunjukkan korelasi antara variable yang bersangkutan dengan faktor yang terbentuk.
4.3.6. Rotated Component Matrix
Proses terakhir dalam analisis faktor adalah mengidentifikasikan rotasi matriks komponen yang dihasilkan oleh analisis faktor. Seperti yang telah disebutkan sebelumnya bahwa rotasi matriks komponen ini diperlukan karena adanya korelasi yang hampir sama antara variable dengan salah satu diantara kedua faktor yang terbentuk, sehingga akan terjadi kesulitan pengelompokkan variable ke dalam salah satu dari ke dua faktor yang terbentuk.
Table. 14 : Rotasi Matr iks Komponen Rotated Component Matrixa
-,109 ,717 -,551 ,334 ,155 ,676 ,699 ,036 ,650 ,150 X2 X3 X4 X5 X6 1 2 Component
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Rotation converged in 3 iterations. a.
Matriks komponen hasil proses rotasi tersebut memperlihatkan distribusi atau pengelompokan variable yang lebih jelas dan nyata. Sebagai contoh adalah pada variable X2 yaitu Banyaknya produk atau jasa dapat diterangkan sebagai berikut :
1. Korelasi antara variable X2 dengan faktor 1 adalah - 0,109 2. Korelasi antara variable X2 dengan faktor 2 adalah + 0,717
Dari proses rotasi nilai faktor loadings dari variable X2 mengenai Banyaknya produk atau jasa yang terbesar berada pada komponen 2 (faktor 2), dimana nilai korelasi antara variable X2 dengan faktor 2 adalah sebesar + 0,717 diamana nilai faktor loadings tersebut sangat jauh lebih besar daripada nilaia korelasi antara variable X1 dengan faktor yang lain.
Oleh karena itu, maka variable X2 tersebut dimasukkan ke dalam faktor 2. Dengan cara yang sama dapat diperoleh nilai loading faktors masing –masing variable yang menunjukkan korelasi antara variable yang bersangkutan dengan faktor yang terbentuk.
Dari proses rotasi secara keseluruhan dapat diperoleh hasil secara lengkap sebagai berikut :
1. Banyaknya produk atau jasa (X2) karena faktor loading dengan faktor 2 paling besar sebesar + 0,717, maka dimasukkan atau dikelompokan ke dalam faktor 2.
2. Tingkat bunga (X3) karena faktor loading dengan faktor 1 paling besar sebesar -0,551, maka dimasukkan atau dikelompokan ke dalam faktor 1.
3. Pendapatan (X4) karena faktor loading dengan faktor 2 paling besar sebesar 0,676, maka dimasukkan atau dikelompokan ke dalam faktor 2.
4. Hadiah (X5) karena faktor loading dengan faktor 1 paling besar sebesar 0,699, maka dimasukkan atau dikelompokan ke dalam faktor 1.
5. Banyaknya cabang (X6) karena faktor loading dengan faktor 1 paling besar sebesar 0,650, maka dimasukkan atau dikelompokan ke dalam faktor 1.
Berdasarkan hasil diatas dapat diketahui bahwa :
1. Faktor 1 terdiri dari variabel Hadiah (X5), Banyaknya cabang (X6), Tingkat bunga (X3).
2. Faktor 2 terdiri dari Banyaknya produk atau jasa (X2), Pendapatan (X4).
4.3.7. Penyusunan Nama Faktor Yang Terbentuk
Dari analisa faktor yang telah dilakukan diperoleh hasil bahwa sampai dengan tahapan rotasi ada dua variable yang dikeluarkan karena ketujuh variable yang diteliti mempunyai nilai faktor loadings lebih besar dari 0,5. Sementara itu analisis faktor yang dilakukan berhasil mereduksi 7
(tujuh) variable yang diteliti menjadi 2 faktor utama yang menjadi pertimbangan memilih produk-produk Bank Umum di kota Surabaya.
Pemberian nama konsep pada kedua faktor yang terbentuk dari penelitian dilakukan berdasarkan indikator yang mengelompok pada masing-masing faktor tersebut. Nama faktor berpedoman pada nama variable yang memilki faktor loading terbesar pada faktor tersebut.
Besarnya faktor loading mencerminkan urutan variable dalam suatu faktor yang menjadi perhatian responden. Untuk lebih jelasnya, hasil analisis faktor selengkapnya dan pemberian nama faktor yang terbentuk dijelaskan sebagai berikut.
Table 15. Nilai Faktor Loading
Komponen Eigen Value % of Var iance Comm ulative
Faktor Pembentuk Nilai Loading 1 (Faktor Hadiah) 1,258 25,151 25,151 Hadiah (X5) Banyaknya cabang (X6) Tingkat bunga(X3) 0,699 0,650 0,551 2 (Faktor Banyaknya produk atau jasa) 1,098 21,967 47,118
Banyaknya produk atau jasa (X2) Pendapatan (X4)
0,717 0,676
Sumber : Hasil Analisis Faktor, Lampiran 2
4.3.8. Pembahasan Hasil Penelitian
Dengan melihat hasil interprestasi hasil pengolahan data diatas dapat diketahui perilaku nasabah dalam memilih produk-produk Bank Umum di kota Surabaya. Ada 2 faktor yang mempengaruhi memilih produk-produk Bank Umum BUMN di kota Surabaya yaitu :
Pertama : Faktor Hadiah, Banyaknya cabang, Tingkat bunga. masih menjadi faktor atau daya tarik tersendiri bagi nasabah dalam memilih produk-produk Bank Umum BUMN di kota Surabaya. Hal ini dapat menjadi bahan pertimbangan bagi pimpinan bank terutama Bank Umum di kota Surabaya dapat lebih memperhatikan Hadiah. Misalnya dengan adanya hadiah maka banyak masyarakat akan memperbanyak simpanan atau tabungan.
• Hadiah dari Bank Mandiri : 50 Mobil Toyota Fortuner, 350 mobil Toyota Yaris, 2.600 Motor Honda Supra X 125.
• Hadiah dari Bank BNI : 88 Mobil Toyota Inova, Wisata keliling dunia, Emas 24 Karat.
• Hadiah dari Bank BRI : 200 Emas 200 Gram, 1000 Emas 50 Gram, 48 Toyota Alphard.
Kedua : Faktor Banyaknya produk atau jasa, Pendapatan. Faktor Banyaknya produk atau jasa masih menjadi faktor atau daya tarik tersendiri bagi nasabah dalam memilih produk-produk Bank Umum BUMN di kota Surabaya. Hal ini dapat menjadi bahan pertimbangan bagi pimpinan bank dapat lebih memperhatikan produk atau jasa. Misalnya dengan produk dan jasa yang banyak memudahkan nasabah untuk memilih produk yang ada di Bank umum di Surabaya.
Maka dengan melihat hasil penelitian diatas dapat disimpulkan bahwa faktor yang paling dominan dalam memilih produk-produk Bank
Umum BUMN di kota Surabaya adalah faktor Hadiah, Banyaknya produk atau jasa.
Dalam 7 variabel terdapat 2 faktor yang paling dominan atau berpengaruh dalam penyaluran kredit perbankan yang dilihat dari hasil pengolahan data. Ke 2 variabel tersebut dilihat dari hasil tabel rotated component matrix, dengan cara melihat nilai yang paling tinggi kemudian disusun sehingga terbentuk menjadi 2 faktor baru yang komponennya meliputi :
a. Tingkat Hadiah, Banyaknya cabang, Tingkat bunga. b. Banyaknya produk atau jasa , Pendapatan
Jadi, dengan terbentuknya faktor-faktor ini dapat menjadi pertimbangan memilih produk-produk Bank Umum di kota Surabaya untuk lebih memperhatikan sistem dengan perilaku nasabahnya dan lebih meningkatkan pelayanannya agar minat para nasabah dalam mengajukan kredit meningkat. Serta dapat ikut serta dalam mensejahterakan nasabahnya dan melaksanakan fungsinya sebagai salah satu alat stabilitas ekonomi.
BAB V
KESIMPULAN DAN SARAN 5.1. Kesimpulan
Berdasarkan hasil pengolahan data maka dapat dibuat kesimpulan penelitian sebagai berikut :
1. Pada perhitungan analisis faktor dengan memasukan 2 variabel didapat hasil KMO Measure of Sampling Adequacy (MSA), sudah diatas 0,5 dan tingkat signifikansi yang muncul jauh dibawah 0,05 maka variable atau atribut yang ada dapat dianalisis lebih lanjut.
2. Berdasarkan hasil analisis faktor dengan mengunakan rotasi faktor (varimax) diperoleh 2 faktor baru.
3. Faktor-faktor yang diperoleh tersebut adalah : a. Faktor Hadiah
Komponen pertama terbentuk 3 variabel indicator yaitu Hadiah, Banyaknya cabang, Tingkat bunga.
b. Faktor Banyaknya produk atau jasa
Komponen kedua terbentuk 2 variabel indicator yaitu Banyaknya produk atau jasa , Pendapatan.
5.2. Sar an
Sebagai bagian akhir dari penelitian yang dilakukan oleh peneliti, maka peneliti dapat memberikan saran yang diharapkan dapat dipergunakan sebagaimana mestinya oleh pihak-pihak yang berkepentingan, diantaranya sebagai berikut :
Perbankan merupakan salah satu penyedia jasa yang selalu menjadi pilihan nasabah untuk menanamkan uangnya. Karena semakin banyaknya persaingan dalam melayani nasabah, Bank Umum di kota Surabaya harus mempertimbangkan faktor-faktor yang terdapat dalam penelitian ini. Penelitian ini memperlihatkan faktor-faktor yang menjadikan seorang menjadi nasabah Bank Umum di kota Surabaya. Sehingga nasabah harus mendapatkan jaminan dan pelayanan yang memuaskan serta dari pihak Bank Umum di kota Surabaya menambah cabang-cabang diberbagai daerah dengan lokasi yang sesuai atau strategis bagi konsumen.
Bank Indonesia.
Anonim, 2002, Arah Dan Perkembangan Kebijakan Perbankan Nasional, Bank Indonesia.
Antonio, 2001, Bank Syariah, Dari Teori ke Praktik, Penerbit Gema Insani Press, Jakarta
Boediono, 1996, Ekonomi Moneter, Seri Sinopsis Pengantar Ilmu Ekonomi No. 5, Penerbit BPFE, Yogyakarta.
Boediono, 1998, Teori Moneter, Badan Penerbit Fakultas Ekonomi, Yogyakarta. Dendawijaya, Lukman , 2003. Manajemen Perbankan , Penerbit Ghalia
Indonesia:Jakarta
Gudjarati, 1999, Ekonometrika Dasar, Penerbit Erlangga, Jakarta.
Halim, Abdul, 2003, “Analisis Investasi”, Edisi Pertama, Penerbit Salemba Empat, Jakarta.
Hariyanto, 1997, Bank Dan Lembaga Keuangan Lainnya, UPN, Jawa Timur. Hadiwidjaja, dkk, 1994, Perkreditan, Cetakan Pertama, Penerbit Pionir Java,
Bandung.
Hariadi, 2002, Perkreditan, UPN, Jawa Timur.
Insukindro, 1993, Ekonomi Uang Dan Bank, Edisi Pertama, BPFE Yogyakarta. Kasmir, 2002. Bank Dan Lembaga Keuangan Lainnya, Edisi Pertama, Bina
Pustaka.
M. Faisal Abdullah, 2003, Manajemen Perbankan, Cetakan Pertama, Penerbitan Universitas Muhammadiyah, Malang.
Rosyidi, 1991, Pengantar Teori Ekonomi, Edisi Keempat, Penerbit Duta Jasa. Rose Peter, 1996, Bank Dan Lembaga Keuangan Lainnya, UPN, Jawa Timur.
Soekirno, Sadono, 1995, “Pengantar Makro Ekonomi”, Edisi Kedua, Penerbit PT. Grafindo Persada, Jakarta.
Simonangkir, 1989, Penerbit PT. Gramedia Pustaka Utama, Jakarta.