referensi lain yang relevan. Data sekunder yang digunakan pada penelitian ini adalah data tahunan meliputi penghimpunan dan penyaluran dana BPR, dan data rasio-rasio
perbankan tahun 2007.
3.2 Metode Analisis
Secara umum metode yang digunakan dalam menganalisis data pada penelitian ini adalah metode analisis deskritif, dan analisis komponen utama AKU.
Metode analisis deskritif untuk menjawab pertanyaan pertama dan kedua dalam perumusan masalah, sedangkan analisis komponen utama untuk menjawab
pertanyaan ketiga dalam perumusan masalah. Pengolahan data dilakukan dengan menggunakan software Microsoft Excel 2007, dan SPSS 15.
3.2.1 Analisis Statistika Deskriptif
Metode ini merupakan metode statistik yang digunakan untuk menggambarkan data yang telah dikumpulkan. Data yang terkumpul dianalisis
dengan metode ini sehingga dapat diperoleh gambaran karakteristik responden, serta faktor yang berpengaruh terhadap jangkauan pelayanan outreach BPR. Data dapat
disajikan dalam bentuk tabulasi seperti tabulasi tunggal dan tabulasi silang, charts dan diagram.
Metode tabulasi silang cross-tabulation adalah metode statistik yang merangkum data dengan dua atau lebih variabel secara bersamaan atau sekaligus.
Terkadang, metode ini juga menggunakan cara deskriptif sederhana untuk melihat apakah ada hubungan antara dua buah variabel. Tabulasi silang ini biasanya
menggunakan tabel yang didalamnya terdapat dua atau lebih masing-masing
variababel bebas dan tak bebas. Setiap sel pada tabel ini berisi jumlah responden yang memberikan sebuah kombinasi informasi yang lebih spesifik. Oleh karenanya, setiap
sel mengandung sebuah tabulasi silang tunggal single cross tabulation. Pada intinya, penggunaan metode ini adalah untuk memberikan solusi dari suatu masalah
dengan menampilkan kombinasi dari variabel dan menganalisis antara kedua variabel bebas dan tak bebas.
Penggunaan metode tabulasi silang seringkali dijumpai dalam penelitian karena metode ini mudah untuk dimengerti bagi kebanyakan orang yang memiliki
keterbatasan pengertian dalam ilmu hitung. Selain itu metode ini juga dapat digunakan untuk berbagai jenis tipe data baik berupa data nominal, ordinal, interval
maupun rasio. Dengan demikian, tabulasi silang dapat digunakan jika salah satu variabel bersifat kualitatif dan lainnya kuantitatif ataupun jika keduanya bersifat
kualitatif dan sebaliknya.
3.2.2 Principal Component Analysis PCA
Jollife 2003 menerangkan analisis komponen utama atau Principal Component Analysis
PCA pertama kali diperkenalkan oleh Pearson pada tahun
1901, dan selanjutnya dikembangkan oleh Hotteling pada tahun 1993, Rao pada tahun 1964, dan yang lainnya. PCA merupakan teknik analisis multivariabel
menggunakan banyak variabel yang dilakukan untuk tujuan ortogonalisasi dan penyederhanaan variabel. Analisis ini merupakan teknik statistik yang
mentransformasikan secara linier satu set variabel ke dalam variabel baru dengan ukuran lebih kecil namun representatif dan tidak saling berkorelasi ortogonal. PCA
dalam studi ini menghasilkan suatu indeks kinerja BPR yang dibangun dari berbagai
rasio-rasio keuangan BPR. Analisis ini dapat digunakan sebagai analisis antara maupun analisis akhir.
Sebagai analisis antara, PCA bermanfaat untuk menghilangkan multicollinearity atau untuk mereduksi variabel yang berukuran besar ke dalam variabel baru yang
berukuran sederhana. Untuk analisis akhir, PCA umumnya digunakan untuk mengelompokkan variabel-variabel penting dari suatu bundel variabel besar untuk
menduga suatu fenomena, sekaligus memahami struktur dan melihat hubungan antar variabel.
Pada dasarnya PCA adalah analisis yang mentransformasikan data sejumlah p ke dalam struktur data baru sejumlah k dengan jumlah k p. Perhitungan dengan
PCA memerlukan beberapa pertimbangan, yang sekaligus menggambarkan adanya kendala dan tujuan yang ingin dicapai dari hasil analisis PCA. Di dalam PCA akan
dihitung vektor pembobot yang secara matematis ditujukan untuk memaksimumkan keragaman dari kelompok variabel baru yang sebenarnya merupakan fungsi linier
peubah asal atau memaksimumkan jumlah kuadrat korelasi antar PCA dengan variabel asal. Persamaan umumnya adalah:
dimana persamaan tersebut diperoleh dari matriks berikut:
X adalah variable asal, adalah vector pembobot, dan Y adalah komponen utama.
Hasil analisis komponen-komponen utama antara lain nilai akar ciri, proporsi dan kumulatif akar ciri, nilai pembobot atau sering disebut factor loading, loading
serta factor scores. Vektor pembobot merupakan parameter yang menggambarkan peran hubungan setiap variabel dengan komponen utama ke-i, sedangkan loading
menggambarkan besarnya korelasi antara variabel asal dengan komponen ke-i. Nilai loading
diperoleh dengan persamaan:
dimana menggambarkan besarnya korelasi antara variabel asal dengan komponen utama k-i, merupakan nilai pembobot utama k-i, dan
adalah ciri komponen ke-i.
3.3 Keterbatasan Penelitian