BAB III METODE PENELITIAN
3.4 Metode Analisis Data
Analisis data dilakukan secara kualitatif dan kuantitatif.Metode kualitatif disajikan dengan mengintrepetasikan dan mendeskripsikan data yang diperoleh.Sedangkan
data kuantitatif yang diperoleh akan ditabulasikan berdasarkan aktivitas-aktivitas. Metode analisis yang digunakan pada penelitian ini yaitu analisis deskriptif, metode perhitungan Customer Satisfaction Index (CSI), dan metode regresi linear berganda.Secara rinci metoda analisis data yang digunakan disajikan pada Tabel 3.4.
Tabel 3.4 Metode Analisis Data Berdasarkan Tujuan Penelitian
No Tujuan Penelitian Metode Analisis
1 Mengkaji karakteristik konsumen beras berdasarkan tingkat pendapatan
Analisis Deskriptif 2 Menganalisis preferensi konsumen terhadap
atribut-atribut beras
Analisis Deskriptif dan CSI
3 Menganalisis pengaruh karakteristik konsumen terhadap jumlah konsumsi beras
Analisis Regresi Linear Berganda
4 Menganalisis hubungan preferensi konsumen denganjumlah konsumsi beras
Analisis Chi – Square
3.4.1 Analisis Deskriptif
Metode analisis deskriptif bertujuan untuk membuat deskripsi, gambaran atau lukisan secara sistematis, faktual dan akurat mengenai fakta-fakta, sifat-sifat, serta hubungan antar fenomena yang diselidiki (Nazir, 2005).
Analisis deskriptif pada penelitian ini digunakan untuk mengkaji karakteristik konsumen beras berdasarkan kondisi sosial ekonominya dan menganalisis proses pengambilan keputusan yang dilakukan konsumen dalam pembelian beras. Dengan menggunakan alat descriptive statistics dengan software SPSS 17.
3.4.2 Customer Satisfaction Index (CSI)
Preferensi pelanggan diukur dengan Customer Satisfaction Index dengan mempertimbangkan preferensi konsumen terhadap atribut-atribut beras. Metode pengukuran CSI ini meliputi tahap-tahap sebagai berikut (Stratford 2007) :
1. Menghitung weighting factors (WF)
Perhitungan weighting factors dilakukan dengan mengubah nilai rata-rata tingkat kepentingan atau mean important score (MIS) masing-masing atribut menjadi angka persentase (%) dari total nilai rata-rata tingkat kepentingan untuk seluruh atribut yang diuji.
Rumus yang digunakan adalah:
WF = ����
��������
���� %
Keterangan :
WF = Weighting factors MIS =Mean important score i = Atribut ke-i
2. Menghitung Weigted Score (WS)
Perhitungan weigted score dilakukan dengan perkalian antara nilai rata-rata tingkat kinerja atau kepuasan atau mean satisfaction score (MSS) masing-masing atribut dengan weighting factors masing-masing atribut.
Rumus yang digunakan adalah:
WS = MSS x WF
Keterangan :
WS = Weighted score WF = Weighting factors MSS = Mean satisfaction score
3. Menghitung Weighted Average Total (WAT)
Perhitungan weighted average total dilakukan dengan menjumlahkan weigted score dari semua atribut. Dalam penelitian ini, atribut berjumlah 8.
Rumus yang digunakan adalah:
WAT = WS1 + WS2 +….+ WS8
Keterangan :
WAT = Weighted average total WS1 – WS 8 = Weighted score atribut 1 - 8
4. Menghitung Customer Satisfaction Index (CSI)
Perhitungan customer satisfaction index dilakukan dengan cara membagi weighted average total (WAT) dengan highest scale (HS) atau skala maksimal yang digunakan kemudian dikali 100 %.
Rumus yang digunakan adalah:
��� =���
�� ���%
Keterangan :
CSI = Customer satisfaction index WAT = Weighted average total HS = Highest scale
Kepuasan tertinggi dicapai bila CSI menunjukkan angka 100 %.Rentang kepuasan berkisar dari 0 – 100 %.
Menurut Simamora (2005), skala linier numeric dihitung dengan mencari rentang skala (RS) nya lebih dulu.
Rumus yang digunakan adalah:
��= � − �
� Keterangan :
m = Skor tertinggi n = Skor terendah
b = Jumlah kelas atau kategori yang akan dibuat
Tabel 3.5 Kriteria Nilai Customer Satisfaction Index (CSI)
Nilai CSI Kriteria CSI
0,81-1,00 Sangat Puas 0,66-0,80 Puas 0,51-0,65 Cukup Puas 0,35-0,50 Kurang Puas 0,00-0,34 Tidak Puas Sumber: Ihsani,2005.
3.4.3 Analisis Regresi Linear Berganda
Regresi linier berganda adalah model regresi yang digunakan untuk menganalsis pengaruh antara beberapa variabel bebas terhadap satu variabel terikat. Untuk hipotesis pertama, pengaruh karakteristik sosial ekonomi konsumen yaitu usia, pendapatan, jumlah anggota keluarga, kondisi kesehatan dan pendidikan terhadap jumlah konsumsi beras dianalisis menggunakan metode analisis regresi linier berganda. Secara sistematis dapat ditulis sebagai berikut (Supriana, 2013):
Dimana:
Y = Jumlah konsumsi beras (kg/bulan) a = Nilai konstanta
b1-b5 = Koefisien regresi e = Variabel kesalahan X1 = Usia (tahun)
X2 = Pendapatan (Rp/bulan)
X3 = Jumlah anggota keluarga (orang) X4 = Pendidikan(tahun)
D = 1; kolesterol, penyakit lain, dan sehat D = 0; diabetes
Uji Kesesuaian Model (Test of Goodness of Fit) 1. Koefisien Determinasi (R2)
Koefisien determinasi R2 merupakan suatu nilai statistik yang dihitung dari data sampel.Koefisien ini menunjukkan persentase variasi seluruh variabel terikat yang dapat dijelaskan oleh perubahan variabel bebas (explanatory variables).Koefisien ini merupakan suatu ukuran sejauh mana variabel bebas dapat merubah variabel terikat dalam suatu hubungan (Supriana, 2013).
Nilai koefisien determinasi (R2) berkisar antara 0 < R2 < 1, dengan kriteria pengujiannya adalah R2 yang semakin tinggi (mendekati 1) menunjukkan model yang terbentuk mampu menjelaskan keragaman dari variabel terikat, demikian pula sebaliknya.
2. Uji Serempak (Uji F - Statistik)
Uji F adalah uji secara serempak (simultan) signifikansi pengaruh perubahan variabel independen terhadap variabel dependen. Artinya semua variabel X secara bersamaan diuji apakah memiliki signifikansi atau tidak.
Kriteria pengujian:
Jika sig. F ≤ 0,05 maka H0 ditolak dan H1 diterima. Jika sig. F > 0,05 maka H0 diterima dan H1 ditolak.
Jika H0 diterima artinya semua variabel X secara serempak tidak berpengaruh nyata terhadap Y.
Jika H1 diterima artinya semua variabel X secara serempak berpengaruh nyata terhadap Y.
3. Uji Parsial (Uji t Statistik)
Uji t adalah uji secara parsial pengaruh variabel independen terhadap variabel dependen digunakan untuk mengetahui apakah variabel bebas secara parsial berpengaruh nyata atau tidak terhadap variabel terikat.Taraf signifikansi (α) yang digunakan dalam ilmu sosial adalah 5% (Supriana, 2013).
Kriteria Pengujian:
Jika sig. t ≤ 0,05 maka H0 ditolak dan H1 diterima. Jika sig. t > 0,05 maka H0 diterima dan H1 ditolak.
Jika H0 diterima artinya semua variabel X secara parsial tidak berpengaruh nyata terhadap Y.
Jika H1 diterima artinya semua variabel X secara parsial berpengaruh nyata terhadap Y.
Uji Asumsi Klasik
Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linier berganda yang berbasis Ordinary Least Square (OLS).Pada prinsipnya model regresi linier yang dibangun sebaiknya tidak boleh menyimpang dari asumsi BLUE (Best, Linier, Unbiased, dan Estimator). Ada empat uji asumsi klasik yang akan digunakan dalam penelitian ini antara lain uji normalitas, heterokedastisitas, multikolinieritas, dan autokorelasi.
1. Uji Normalitas
Uji normalitas adalah uji yang digunakan untuk mengetahui apakah distribusi data mendekati distribusi normal.Uji normalitas dapat dilakukan dengan uji Kolmogorov Smirnov, dengan melihat nilai signifikansi.
Sig.KS > 0,05 = Data berdistribusi normal Sig.KS ≤ 0,05 = Data tidak berdistribusi normal
Uji Kolmogorov Smirnov digunakan untuk menguji nul hipotesis suatu sampel atas suatu distribusi tertentu.
2. Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah di dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan lain dalam model regresi. Jika varians dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas atau tidak terjadi heterokedastisitas.
Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heterokedastisitas.
Penelitian ini menggunakan uji Glejser sebagai penguji heterokedastisitas, dengan melihat nilai signifikansi.
Sig. > 0,05 = Homokedastisitas (tidak terjadi masalah heterokedastisitas) Sig. ≤ 0,05 = Heterokedastisitas
3. Uji Multikolinieritas
Multikolinieritas adalah adanya hubungan linier (korelasi) yang sempurna atau pasti diantara beberapa atau semua variabel yang menjelaskan model regresi.Data yang digunakan adalah penggunaan faktor yang dilogaritmakan.Model regresi yang baik harusnya tidak terjadi korelasi diantara variabel independent.Ada atau tidaknya multikolinieritas pada model regresi terlihat dari tolerance dan VIF (Variance Inlaction Factor).
Kriteria nilai uji yang digunakan yakni:
1. Jika nilai VIF < 10, dan tolerance> 0,1 maka model tidak mengalami multikolinieritas
2. Jika nilai VIF ≥ 10, dan tolerance ≤ 0,1 maka model mengalami multikolinieritas
4. Uji Autokorelasi
Autokorelasi ialah adanya korelasi antara variabel itu sendiri, pada pengamatan yang berbeda waktu. Umumnya kasus autokorelasi banyak terjadi pada data time series. Salah satu langkah yang dapat dilakukan untuk mendeteksi autokorelasi
adalah dengan melihat pola hubungan antara residual dan variabel bebas .metode yang digunakan adalah uji Durbin – Watson (Uji dw).
Kriteria nilai uji yang digunakan yakni: • d <dL: ada autokorelasi positif.
• dL ≤ d ≤ du: maka kita tidak dapat mengambil kesimpulan apa – apa. • du ≤ d ≤ 4 – du: tidak ada autokorelasi.
• - du ≤ d ≤ 4 – du: maka kita tidak dapat mengambil kesimpulan apa – apa. • d> 4 – dL: ada autokorelasi negatif.
3.4.4 Analisis Chi - Square
Untuk hipotesis kedua, hubungan preferensi konsumen terhadap beras yaitu jenis beras, kepulenan, aroma, daya tahan, harga, bentuk beras, kemasan, dan lokasi pembelian dengan jumlah konsumsi beras dianalisis menggunakan metode analisis chi - square.Hipotesis kedua diuji dengan menggunakan metode analisis chi – square karena atribut-atribut beras merupakan data ordinal.Uji ini dilakukan dengan melihat perbedaan antara jumlah pengamatan suatu objek atau respon tertentu pada tiap klasifikasinya terhadap nilai harapannya (expected value) (Supriana dan Riantri, 2013).
Hipotesis:
H0 : Tidak ada hubungan antar variabel H1 : Ada hubungan antar variabel