Analisis Faktor Metode Pengolahan dan Analisis Data

faktor spesifik dan galat. Keragaman dari peubah X p yang telah distandarisasi menghasilkan : σ XP 2 = h P P 2 + Ψ P Sehingga : h P 2 = 1 - Ψ P Komponen h P 2 = disebut komunalitas communalities yang menunjukkan proporsi ragam dari peubah X P yang diterangkan oleh q faktor bersama, sedangkan Ψ P merupakan proporsi ragam dari peubah X P yang sebabkan oleh faktor spesifik Johnson dan Wichern, 1998. Salah satu penyelesaian dari model faktor adalah melalui model komponen utama yaitu X = λ f dengan peubah faktor f merupakan kombinasi linier dari peubah asal X. Solusi menjadi terfokus pada pemberian skor faktor dan reduksi peubah. Loading faktor yang didapat biasanya tidak terlalu bagus untuk diinterpretasikan. Untuk mempermudah interpretasi, dilakukan rotasi terhadap matriks loading. Secara geometrik, rotasi berarti pemutaran sumbu faktor dengan sudut tertentu sehingga mendapatkan sumbu faktor baru, dengan loading baru tanpa perubahan pada konfigurasi peubah asal Suliyanto, 2005. Ada dua macam rotasi faktor, yaitu rotasi ortogonal dan obligue. Rotasi ortogonal merupakan rotasi yang memperhatikan keortogonalan, sehingga setelah rotasi kedua sumbu tegak lurus satu sama lain. Rotasi obligue tidak memperhatikan hal tersebut. Rotasi ortogonal tidak merubah nilai total proporsi keragaman yang dijelaskan oleh faktor-faktor bersama yang diperoleh. Metode yang biasa digunakan adalah varimax, karena menitikberatkan kesederhanaan kolom-kolom matriks bobotnya, dalam arti hanya di satu faktor beberapa peubah akan mempunyai bobot tertinggi dan sisanya untuk faktor lain. Sehingga akan memudahkan dalam interpretasi peubah untuk tiap faktor Johnson dan Wichern, 1998. Tahapan dalam proses pengolahan data ini, terlebih dahulu diawali dengan menginput data dari hasil kuesioner yang berupa data tingkat kepentingan dari variabel variabel yang mempengaruhi keputusan pembelian, dari 150 responden dalam skala 1-5, ke dalam komputer dengan menggunakan software Microsoft Excel 2000 . Kemudian hasil dari input Excel tesebut dimasukkan ke dalam program SPSS 12. Selanjutnya dengan prosedur pengolahan data SPSS, data tersebut diolah dengan menggunakan metode Analisis Faktor. Hasil yang diperoleh, diantaranya berupa nilai communality, yang menunjukkan nilai respon dari variabel-variabel tersebut. Kemudian Rotated Component Matrix menunjukkan hubungan antara variabel-variabel di dalam suatu faktor yang terbentuk. Faktor–faktor tersebut merupakan faktor-faktor yang mempengaruhi proses keputusan pembelian konsumen. Sementara itu Total Variance Explained akan menjelaskan besar keragaman data. 4.4.2 Model Angka Ideal Model angka ideal memberikan informasi berkenaan dengan “merek ideal” dan juga informasi berkenaan dengan bagaimana merek yang sudah ada dipandang oleh konsumen. Model ini dapat digambarkan secara simbolis sebagai berikut : A b = Σ Wi | Ii – xi | dimana : Ab = sikap terhadap merek B Wi = pentingnya atribut i Ii = performansi ideal pada atribut i Xi = kepercayaan mengenai performasni aktual merek tersebut pada atribut i n = jumlah atribut yang menonjol Pada model angka ideal, konsumen diminta menunjukkan dimana mereka percaya suatu merek ditempatkan pada skala yang menggambarkan pelbagai derajat atau tingkat atribut yang menonjol. Pengkodean unipolar digunakan untuk mengukur respon terhadap skala model angka ideal, dengan skala 1 sampai 5. Sebagai contoh, misalkan ingin diketahui sikap responden terhadap atribut kemasan suatu produk es krim Mini Melts. Konsumen pada awalnya diminta menilai seberapa penting atribut kemasan tersebut, dengan menggunakan skor skala 1-5. Kemasan sangat tidak penting Kemasan sangat penting X Maka skor 1 menunjukkan kemasan sangat tidak penting, skor 2 kemasan tidak penting, skor 3 kemasan cukup penting, skor 4 kemasan penting, dan skor 5 kemasan sangat penting. Tanda silang dikolom angka 4 menunjukkan bahwa responden menganggap kemasan dalam produk es krim Mini Melts penting. Kemudian konsumen diminta untuk menunjukkan kemasan produk es krim Mini Melts yang ideal menurut mereka, dan konsumen diminta meletakkan kepercayaan mereka akan kemasan produk es krim Mini Melts dalam skor skala 1 sampai dengan 5. 1 2 3 4 5 O X 1 2 3 4 5 Kemasan sangat menarik Kemasan sangat tidak menarik Maka skor 1 menandakan kemasan sangat tidak menarik, skor 2 kemasan tidak menarik, skor 3 kemasan cukup menarik, skor 4 kemasan menarik, dan skor 5 berarti kemasan sangat menarik. Tanda silang menunjukkan bahwa atribut kemasan produk es krim yang ideal adalah yang sangat menarik. Sementara itu, konsumen menilai bahwa kemasan produk yang dimiliki oleh produk es krim Mini Melts cukup menarik. Hal ini ditunjukkan oleh huruf “O” pada kolom angka 3. Selisih antara skor atribut produk ideal dengan kepercayaan pada atribut tertentu menggambarkan kesenjangan antara produk dengan gambaran produk ideal yang dinginkan konsumen. Maka, sebenarnya skor terbaik A b yang dapat diterima oleh suatu merek adalah nol atau yang paling mendekati nol, yang akan menunjukkan bahwa merek tersebut cocok sempurna dengan konfigurasi atribut yang ideal. Keadaan ini menunnjukkan bahwa sikap konsumen yang semakin mendukung terhadap produk tersebut. Penelitian ini menganalisis keragaan atribut terhadap produk es krim Mini Melts. Analisis yang digunakan untuk mengetahui sikap responden terhadap atribut es krim Mini Melts adalah Model Multiatribut Angka Ideal. Adapun atribut yang dianalisis berjumlah sebelas atribut yaitu ukuran produk, rasa produk, kandungan gizi, harga, ketersediaan produk, kehalalan produk, promosi produk, tekstur produk, kandungan bahan alami, kandungan zat pewarna alami pada produk dan merek produk. Mengenai pembahasan keragaan atribut ideal yaitu nilai tingkat kepentingan atribut, tingkat kepercayaan atribut dan kinerja ideal atribut adalah berdasarkan pertanyaan kuesioner pada Lampiran 4. Model Angka Ideal bertujuan untuk menentukan sikap responden terhadap produk es krim Mini Melts yang ideal menurut konsumen.

4.4.3 Uji Friedman.

Uji friedman dilakukan untuk menguji perbedaan lebih dari dua kasus berhubungan dan data yang bersifat ordinal. Skor ideal yang diperoleh setelah terlebih dahulu diranking, dengan skor peringkat tertinggi mengacu pada jumlah atribut yang menonjol. Untuk masing-masing responden diberi rankingperingkat terendah untuk atribut yang skor ketidakpuasannya terendah, sementara, peringkat tertinggi diberikan pada skor terbesar. Jika ada yang sama, dicari peringkat rata- ratanya. Berikut ini sistematika pengujiannya Daniel dalam Setiawan, 2003 .

1. Hipotesa :

Ho = Tidak ada perbedaan tingkat ketidakpuasan skor ideal antar atribut. Hi = Paling tidak, ada 1 median skornya berbeda minimal ada 1 perbedaan tingkat ketidakpuasan antar atribut.

2. Statistik Uji :

X² hitung = 12 bK K+1 dimana : b = jumlah responden K = jumlah atribut Rj = jumlah ranking dari atribut ke-j. 3. Sebaran Statistik Di bawah Ho X² hitung menyebar Chi-kuadrat dengan derajat bebas K-1. Sehingga kriteria ujinya, tolak Ho pada taraf nyata α. Bila X² hitung X² df=k-1 α. Nilai Tabel Kritik Sebaran Chi-Kuadrat atau bila Asymp Sig α maka tolak Ho. 4. Multiple Comparison Kriteria uji ini digunakan jika hasil ujinya tolak Ho dan kita ingin melihat populasi mana yang berbeda. Kriteria Uji : Bila І Ri – Rj I Z Dimana Z = Sebaran Normal Baku Data yang telah diranking, kemudian diolah dengan menggunakan software komputer SPSS versi 12, untuk memperoleh nilai Chi-Square hitung. Nilai Chi- Square hitung ini kemudian dibandingkan dengan nilai Chi-Kuadrat Tabel pada tingkat α dan derajat bebas yang telah ditentukan. Untuk hasil tolak Ho yang berarti perbedaan diantara atribut produk, dilanjutkan dengan pengolahan yang masih merupakan bagian dari Uji Friedman yaitu Multiple Comparison. Hasil perhitungan dari Multiple Comparison dan juga skor peringkatranking rata-rata Mean Rank digunakan dalam penentuan atribut yang ideal pada suatu merek. Pedoman Angka Ideal tersebut yakni apabila selisih nilai ideal dengan aktual semakin kecil berarti atribut tersebut semakin ideal. Dalam Uji Friedman dan Multiple Comparison , atribut ideal ini ditunjukkan oleh skor ranking rata-rata atribut Mean Rank yang lebih rendah bila dibandingkan dengan atribut lainnya.