BAB 2
TINJAUAN PUSTAKA
2.1. Tupperware
Tupperware adalah nama merek terkenal dari peralatan rumah tangga yang terbuat dari plastik, termasuk didalamnya, wadah penyimpanan, wadah penyajian dan beberapa peralatan dapur yang diperkenalkan untuk khalayak umum pada ta seluruh dunia melalui perusahaan induknya Tupperware Brands Corporation dan dipasarkan dengan metode penjualan langsung yang sering dikenal dengan julukan independent sales force atau sales force yang saat ini tidak kurang ada 1.9 juta orang tersebar di seluruh dunia.Tupperware sendiri merupakan anak perusahaan yang dimiliki oleh Tupperware Brands Corporation.
2.2. Variabel
Variabel adalah konsep yang mempunyai bermacam-macam nilai. Dengan demikian,variabel adalah merupakan objek yang berbentuk apa saja yang ditentukan olehpeneliti dengan tujuan untuk memperoleh informasi agar bisa ditarik suatukesimpulan. Secara teori, definisi variabel penelitian adalah merupakan suatu objek,atau sifat, atau atribut atau nilai dari orang, atau kegiatan yang mempunyai bermacam-macamvariasi antara satu dengan lainnya yang ditetapkan oleh peneliti dengan tujuanuntuk dipelajari dan ditarik kesimpulan,
xvii
sebab itu,setiap variabel dapat diberi nilai dan nilai itu berubah-ubah. Nilai itu berupa nilaikuantitatif maupun kualitatif. Dilihat dari segi nilainya, variabel dibedakan menjadidua, yaitu variabel diskrit dan variabel kontinu. Variabel diskrit nilai kuantitatifnyaselalu berupa bilangan bulat. Variabel kontinu nilai kuantitatifnya bisa berupapecahan, (http://rakim-ypk.blogspot.com).
Menurut hubungan antara suatu variabel dengan variabel lainnya, variabel terbagiatas beberapa yaitu:
1. Variabel Dependen
Variabel dependen dalam bahasa Indonesia sering disebut sebagai peubah takbebas, variabel output, kriteria, atau konsekuen. Variabel ini juga seringdisebut sebagai variabel terikat. Variabel terikat atau peubah tak bebas inimerupakan variabel yang dipengaruhi atau yang menjadi akibat, karena adanyavariabel sebab atau peubah bebas.
2. Variabel Independen
Variabel independen atau variabel bebas, atau peubah bebas sering jugadisebut dengan variabel stimulus atau predictor, atau variabel antecedent. Jikaditerjemahkan dalam bahasa Indonesia, variabel independen disebut jugasebagai peubah bebas. Peubah bebas ini adalah merupakan peubah yangmempengaruhi atau yang menjadi sebab terjadinya perubahan terhadap peubahtak bebas. Atau yang menyebabkan terjadinya variasi bagi peubah tak bebas(variabel dependen).
2.3. Data
2.3.1. Uji Dalam pengolahan Data
2.3.1.1. Uji Validitas
Validitas menunjukkan sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Suatu test atau instrumen pengukur dapat dikatakan mempunyai validitas yang tinggi apabila alat ukur tersebut menjalankan fungsi ukurnya, atau memberikan hasil ukur yang sesuai dengan maksud dilakukannya pengukuran tersebut. Metode yang yang digunakan untuk menguji validitas adalah dengan korelasi product moment yang rumusnya sebagai berikut :
𝑟𝑟
𝑥𝑥𝑥𝑥=
�{𝑛𝑛 ∑ 𝑋𝑋𝑛𝑛2−(∑ 𝑋𝑋𝑋𝑋(∑ 𝑋𝑋))−2}{(∑ 𝑋𝑋𝑛𝑛 ∑ 𝑋𝑋.∑ 𝑋𝑋2−)(∑ 𝑋𝑋)2}Keterangan :
𝑟𝑟𝑥𝑥𝑥𝑥= koefisien korelasi X= skor variabel Y= skor total n = jumlah sampel
Untuk menentukan valid tidaknya variabel adalah dengan cara mengkonsultasikan hasil perhitungan koefisien korelasi dengan tabel nilai koefisien (r) pada taraf kepercayaan 95 %.
Apabila 𝑟𝑟𝑥𝑥𝑥𝑥≥𝑟𝑟𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 → valid
Apabila 𝑟𝑟𝑥𝑥𝑥𝑥<𝑟𝑟𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 → tidak valid (Ade Fatma, 2007)
xix
Reliabilitas menunjukkan sejauh mana hasil pengukuran dapat dipercaya. Pengukuran yang memiliki reliabilitas tinggi disebut sebagai pengukuran yang reliabilitas. Metode yang digunakan untuk menguji reliabilitas adalah metode Alpha Cronbach. Variabel dikatakan reliabel jika memberikan nilai Alpha Cronbach > 0,60 (Ade Fatma, 2007). Nilai Alpha Cronbach diperoleh dengan menggunakan rumus sebagai berikut :
𝑟𝑟= � 𝑘𝑘
𝑘𝑘 −1� �1− ∑ 𝜎𝜎𝑡𝑡2
𝜎𝜎𝑡𝑡2 �
Keterangan :
𝑟𝑟= nilai (koefisien) Alpha Cronbach
𝑘𝑘= banyaknya variabel penelitian
∑ 𝜎𝜎𝑡𝑡2= jumlah varians variabel penelitian
𝜎𝜎𝑡𝑡2= varians total
2.4. Analisis Faktor
2.4.1 Definisi Analisis Faktor
1. Mengenali atau mengidentifikasi dimensi yang mendasari (underlying dimensions) atau faktor yang menjelaskan korelasi antara suatu set variabel.
2. Mengenali atau mengidentifikasi suatu set variabel baru yang tidak berkorelasi (independent) yang lebih sedikit jumlahnya untuk menggantikan suatu set variabel asli yang saling berkorelasi di dalam analisis multivariat selanjutnya, misalnya analisis regresi berganda dan analisis diskriminan.
3. Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu set variabel yang lebih banyak jumlahnya untuk dipergunakan di dalam analisis multivariat selanjutnya.
2.4.2 Model Analisis Faktor
Secara matematis, analisis faktor agak mirip dengan analisis regresi, yaitu dalam hal bentuk fungsi linier. Jumlah varians yang dikontribusi dari sebuah variabel dengan seluruh variabel lainnya lebih dikelompokkan sebagai komunalitas. Kovarians diantara variabel dijelaskan terbatas dalam sejumlah kecil komponen ditambah sebuah faktor unik untuk setiap variabel. Faktor-faktor tersebut tidak secara eksplisit diamati.
Jika variabel distandarisasi, maka model analisis faktor dapat ditulis sebagai berikut :
𝑋𝑋𝑖𝑖 = 𝐵𝐵𝑖𝑖1𝐹𝐹1+𝐵𝐵𝑖𝑖2𝐹𝐹2+𝐵𝐵𝑖𝑖3𝐹𝐹3 +⋯+𝐵𝐵𝑖𝑖𝑖𝑖𝐹𝐹𝑖𝑖 +⋯+𝐵𝐵𝑖𝑖𝑖𝑖𝐹𝐹𝑖𝑖 +𝑉𝑉𝑖𝑖𝜇𝜇𝑖𝑖
dimana :
𝑋𝑋𝑖𝑖 = Variabel ke 𝑖𝑖 yang dibakukan.
𝐵𝐵𝑖𝑖𝑖𝑖 = Koefisien regresi yang dibakukan untuk variabel 𝑖𝑖 pada komponen faktor 𝑖𝑖.
𝐹𝐹𝑖𝑖= Komponen faktor ke 𝑖𝑖.
𝑉𝑉𝑖𝑖= Koefisien regresi yang dibakukan untuk variabel ke 𝑖𝑖 pada faktor yang unik ke
xxi
𝜇𝜇𝑖𝑖 = Faktor unik variabel ke 𝑖𝑖. m = Banyaknya komponen faktor.
Faktor yang unik tidak berkorelasi dengan sesama faktor yang unik dan juga tidak berkorelasi dengan komponen faktor. Komponen faktor sendiri bisa dinyatakan sebagai kombinasi linier dari variabel-variabel yang terlihat/terobservasi hasil penelitian lapangan.
𝐹𝐹𝑖𝑖 = 𝑊𝑊𝑖𝑖1𝑋𝑋1+𝑊𝑊𝑖𝑖2𝑋𝑋2+𝑊𝑊𝑖𝑖3𝑋𝑋3+⋯+𝑊𝑊𝑖𝑖𝑘𝑘𝑋𝑋𝑘𝑘
dimana :
𝐹𝐹𝑖𝑖= Perkiraan faktor ke i (didasarkan pada nilai variabel X dengan koefisiennya Wi ).
𝑊𝑊𝑖𝑖= Koefisien nilai faktor ke i. k = banyaknya variabel
2.4.3. Statistik yang Berkaitan dengan Analisis Faktor
Statistik yang berkaitan dengan analisis faktor adalah :
a. Barlett’s test of sphericity
Barlett’s test of sphericity adalah uji statistik yang digunakan untuk menguji hipotesis yang menyatakan bahwa variabel-variabel tersebut tidak berkorelasi dalam populasinya. Dengan kata lain, matriks korelasi populasi adalah sebuah matriks identitas, dimana setiap variabel berkorelasi dengan variabel itu sendiri (r = 1), tetapi tidak berkorelasi dengan variabel lainnya (r = 0).
Statistik uji bartlett adalah sebagai berikut :
𝜒𝜒2 =− �(𝑁𝑁 −1)−(2𝑝𝑝+ 5)
6 �ln|𝑅𝑅|
Keterangan :
𝑁𝑁= jumlah observasi
𝑝𝑝= jumlah variabel
|𝑅𝑅|= determinan matriks korelasi
b. Correlation matrix (Matriks Korelasi)
Matriks korelasi adalah matriks yang menunjukkan korelasi sederhana (r) antara seluruh kemungkinan pasangan variabel yang dilibatkan dalam analisis. Nilai atau angka pada diagonal utama semuanya sama yaitu 1. Jadi kalau ada 3 atau 4 variabel, bentuk matriks korelasi menjadi :
n = 3 →�
c. Communality (Komunalitas)
Komunalitas adalah jumlah varian yang dikontribusi dari sebuah variabel dengan seluruh variabel lainnya dalam analisis. Ini juga merupakan proporsi dari varians yang diterangkan oleh komponen faktor.
ℎ𝑖𝑖 = 𝜆𝜆𝑖𝑖21+𝜆𝜆2𝑖𝑖2+⋯+𝜆𝜆𝑖𝑖𝑖𝑖2
dimana :
hi = communality variabel ke-i ; i = 1,2,3,...,n.
xxiii
d. Eigenvalue (Nilai Eigen)
Nilai eigen merupakan jumlah varians yang dijelaskan oleh setiap faktor-faktor yang mempunyai nilai eigenvalue > 1, maka faktor tersebut akan dimasukkan ke dalam model.
Definisi:
Jika A adalah sebuah matriks n x n, maka sebuah vector tak nol x pada 𝑅𝑅𝑛𝑛 disebut vektor eigen (eigenvector) dari A jika Ax adalah sebuah kelipatan skalar dari x; jelasnya,
Ax =𝜆𝜆𝑥𝑥
Untuk skalar sebarang 𝜆𝜆, skalar 𝜆𝜆disebut nilai eigen (eigenvalue) dari A, dan x disebut sebagai vektor eigen dari A yang terkait dengan 𝜆𝜆. (Anton Howard, 2000).
e. Factor loadings (Faktor Muatan)
Faktor muatan adalah korelasi sederhana antara variabel dengan faktor.
f. Factor loading plot (Plot Faktor Muatan)
Plot faktor muatan adalah suatu plot dari variabel asli dengan menggunakan factor loading sebagai koordinat.
g. Factor matrix (Faktor Matriks)
Matriks faktor mengandung factor loading dari seluruh variabel dalam seluruh faktor yang dikembangkan.
h. Kaiser - Meyer - Olkin (KMO) measure of sampling adequency
𝐾𝐾𝐾𝐾𝐾𝐾 = ∑ ∑ 𝑟𝑟𝑖𝑖𝑘𝑘
𝑟𝑟𝑖𝑖𝑘𝑘= koefisien korelasi sederhana antara variabel ke-i dan ke-k
𝑡𝑡𝑖𝑖𝑘𝑘= koefisien korelasi parsial antara variabel ke-i dan ke-k
Measure of Sampling Adequacy (MSA) yaitu suatu indeks perbandingan antara koefisien korelasi parsial untuk setiap variabel. MSA digunakan untuk mengukur kecukupan sampel.
𝐾𝐾𝑀𝑀𝑀𝑀𝑖𝑖 = ∑ ∑ 𝑟𝑟𝑖𝑖𝑘𝑘
i. Percentage of variance (Persentase Varians)
Persentase varians adalah persentase total varians yang disumbangkan oleh setiap fakto
j. Residuals
Residuals adalah selisih antara korelasi yang terobservasi berdasarkan input correlation matrix dan korelasi hasil reproduksi yang diestimasi dari matriks faktor.
k. Scree plot
Scree plot adalah sebuah plot dari eigenvalue untuk menentukan banyaknya faktor.
2.4.4. Langkah-Langkah Analisis Faktor
Langkah-langkah dalam analisis faktor adalah sebagai berikut : 1. Merumuskan masalah
xxv
3. Menentukan metode analisis faktor 4. Menentukan banyaknya faktor 5. Melakukan rotasi terhadap faktor
6. Membuat intrepretasi hasil rotasi terhadap faktor 7. Menentukan ketepatan model (model fit)
1. Merumuskan Masalah
Merumuskan masalah meliputi beberapa kegiatan. Pertama, tujuan analisis faktor harus diidentifikasi. Variabel yang akan digunakan dalam analisis faktor harus dispesifikasi berdasarkan penelitian sebelumnya, teori dan pertimbangan subjektif dari peneliti. Pengukuran variabel berdasarkan skala interval dan rasio. Besarnya sampel harus tepat, sebagai petunjuk umum besarnya sampel paling sedikit empat atau lima kali banyaknya variabel.
2. Membentuk Matriks Korelasi
Proses analisis didasarkan pada suatu matriks korelasi antar variabel. Agar analisis faktor menjadi tepat, variabel-variabel yang dikumpulkan harus berkorelasi.Dilakukan perhitungan matriks korelasi ∑𝑝𝑝×𝑝𝑝. Matriks korelasi digunakan sebagai input analisis faktor.
Tabel 2.1Korelasi Antar Variabel
𝑿𝑿𝟏𝟏 𝑿𝑿𝟐𝟐 𝑿𝑿𝟑𝟑 ... 𝑿𝑿𝒑𝒑
𝑿𝑿𝟏𝟏 1
𝑿𝑿𝟑𝟑 𝒓𝒓𝟑𝟑𝟏𝟏 𝒓𝒓𝟑𝟑𝟐𝟐 1
... ⋮ ⋮ ⋮ 1
𝑿𝑿𝒑𝒑 𝒓𝒓𝒑𝒑𝟏𝟏 𝒓𝒓𝒑𝒑𝟐𝟐 𝒓𝒓𝒑𝒑𝟑𝟑 ⋯ 1
3. Menghitung nilai karakteristik (eigenvalue)
Perhitungan nilai karakteristik (eigenvalue), dimana perhitungan ini berdasarkan persamaan karakteristik :
𝑑𝑑𝑡𝑡𝑡𝑡(𝑀𝑀 − 𝜆𝜆𝜆𝜆) = 0
dengan :
𝑀𝑀= matriks korelasi
𝜆𝜆= eigenvalue
𝜆𝜆= matriks identitas
Eigenvalue adalah jumlah varian yang dijelaskan oleh setiap faktor. (Anton Howard, 2000)
4. Menghitung vektor karakteristik (eigenvector)
Penentuan vektor karakteristik (eigenvector) yang bersesuaian dengan nilai karakteristik (eigenvalue), yaitu dengan persamaan :
Ax =𝜆𝜆𝑥𝑥
dengan :
xxvii
5. Menentukan Banyaknya Faktor
Ada beberapa prosedur yang dapat dipergunakan dalam menentukan banyaknya faktor yaitu, penentuan secara a priori, penentuan berdasarkan pada eigenvalue, penentuan berdasarkan Scree plot, penentuan berdasarkan persentase varians, penentuan berdasarkan Split-Half Reliability, dan penentuan berdasarkan uji signifikan.
a. Penentuan Secara A priori
Kadang-kadang karena adanya dasar teori atau pengalaman sebelumnya, peneliti sudah dapat menentukan banyaknya faktor yang akan diekstraksi. Hampir sebagaian besar program komputer memungkinkan peneliti untuk menentukan banyaknya faktor yang diinginkan dengan pendekatan ini.
b. Penentuan Berdasarkan Eigenvalue
Pada pendekatan ini, hanya faktor dengan eigenvalue lebih besar dari satu yang dipertahankan. Eigenvalue merepresentasikan besarnya sumbangan dari faktor terhadap varians seluruh variabel aslinya. Hanya faktor dengan varians lebih besar dari satu yang dimasukkan dalam model. Faktor dengan varians lebih kecil dari satu tidak lebih dari variabel asli, sebab variabel yang dibakukan (distandarisasi) yang berarti rata-ratanya nol dan variansinya satu.
c. Penentuan Berdasarkan Sree Plot
Sree Plot merupakan plot dari nilai eigenvalue terhadap banyaknya faktor dalam ekstraksinya. Bentuk plot yang dihasilkan digunakan untuk menentukan banyaknya faktor. Biasanya plot akan berbeda antara slope tegak faktor, dengan eigenvalue yang besar dan makin kecil pada sisa faktor yang tidak perlu diekstraksi.
d. Penentuan Berdasarkan Persentase Varians
persentase kumulatif yang memuaskan peneliti tergantung kepada permasalahannya.Sebagai petunjuk umum bahwa ekstraksi faktor dihentikan kalau kumulatif persentase varians sudah mencapai paling sedikit 60% atau 75% dari seluruh varians variabel asli.
e. Penentuan Split-Half Reliability
Sampel dibagi menjadi dua, dan analisis faktor diaplikasikan kepada masing-masing bagian. Hanya faktor yang memiliki faktor loading tinggi antar dua bagian itu yang akan dipertahankan.
f. Penentuan Berdasarkan Uji Signifikan
Dimungkinkan untuk menentukan signifikansi statistik untuk eigenvalue yang terpisah dan mempertahankan faktor-faktor yang berdasarkan uji statistik eigenvaluenya signifikan pada α = 5% atau α = 1%. Penentuan banyaknya faktor dengan cara ini memiliki kelemahan, khususnya pada ukuran sampel yang besar misalnya diatas 200 responden, banyak faktor yang menunjukkan uji signifikan, walaupun dari pandangan praktis banyak faktor yang mempunyai sumbangan terhadap seluruh varians hanya kecil.
6. Menghitung matriks faktor loading
Matriks loading factor (Λ) diperoleh dengan mengalikan matriks eigenvector (𝑉𝑉) dengan akar dari matriks eigenvalue (𝐿𝐿). Atau dalam persamaan matematis ditulis
xxix
7. Melakukan Rotasi Faktor
Sebuah output penting dari analisis faktor adalah matriks faktor atau disebut juga sebagai matriks faktor pola. Matriks faktor mengandung koefisien yang digunakan untuk mengekspresikan variabel yang dibakukan (distandarisasi) dinyatakan dalam faktor. Koefisien-koefisien tersebut atau faktor loadings merupakan korelasi antara faktor dengan variabelnya. Sebuah koefisien dengan nilai absolut yang besar mengindikasikan bahwa faktor dan variabel berkorelasi kuat. Koefisien tersebut bisa digunakan untuk menginterpretasi faktor.
Walaupun matriks faktor awal atau unrotated factor matrix mengindikasikan hubungan antara faktor dengan variabel individu tertentu, akan tetapi masih sulit.diambil kesimpulannya tentang banyaknya faktor yang bisa diekstraksi, hal ini disebabkan karena faktor berkorelasi dengan banyaknya variabel atau sebaliknya variabel tertentu masih banyak berkorelasi dengan banyak faktor.
Dalam merotasi faktor, diharapkan setiap faktor memiliki loading faktor atau koefisien yang tidak nol, atau signifikan hanya untuk beberapa variabel. Atau, diharapkan setiap variabel memiliki faktor loadings signifikan hanya dengan sedikit faktor, atau kalau mungkin dengan sebuah faktor. Rotasi tidak berpengaruh terhadap komunalitas dan persentase total varians yang dijelaskan. Namun demikian, rotasi berpengaruh terhadap persentase varians dari setiap faktor. Beberapa metode rotasi yang bisa digunakan adalah orthogonal rotation, varimax rotation, dan oblique rotation.
tegak lurus sesamanya (bersudut 90 derajat) dan faktor-faktor berkorelasi. Kadang-kadang, mentoleransi korelasi antar faktor-faktor bisa menyederhanakan matriks pola faktor. Oblique rotation harus dipergunakan kalau faktor dalam populasi berkorelasi sangat kuat.
8. Interpretasi Faktor
Interpretasi dipermudah dengan mengidentifikasi variabel yang loadingnya besar pada faktor yang sama. Faktor tersebut kemudian dapat diinterpretasikan menurut variabel-variabel yang memiliki loading tinggi dengan faktor tersebut. Cara lain yang bisa digunakan adalah melalui pivot variabel dengan faktor loading sebagai koordinat. Variabel yang berada pada akhir sebuah sumbu adalah variabel yang memiliki loadings tinggi hanya pada faktor yang bersangkutan, sehingga bisa digunakan untuk mengiterpretasi faktor. Variabel yang berada di dekat titik origin memiliki loading yang rendah terhadap kedua faktor. Variabel yang tidak berada di dekat sumbu mengindikasi bahwa variabel tersebut berkorelasi dengan kedua faktor. Jika sebuah faktor tidak bisa secara jelas didefinisikan dalam batas variabel awalnya, maka disebut faktor umum.
9. Menentukan Ketepatan Model (model fit)
xxxi
