22
3.5.1 Analisis Deskriptif
Menurut Santoso dan Tjiptono 2001 analisis deskriptif merupakan sekumpulan data secara visual yang dapat dilakukan dalam dua bagian yaitu :
1. Deskripsi dalam bentuk tulisan atau teks. Tulisan terdiri atas bagian-bagian penting yang menggambarkan isi data secara keseluruhan.
2. Deskripsi dalam bentuk gambar atau grafik. Grafik sebuah data biasanya disajikan untuk melengkapi deskripsi berupa teks agar data tampak lebih dan komunikatif
dengan para penggunanya. Hasil analisis data berupa informasi yang lebih sederhana ini perlu ditafsirkan guna
memperoleh makna dan implikasi yang lebih luas. Langkah awal analisis terhadap data adalah eksplorasi terhadap data tersebut. Salah satu prosedur dasar dalam metode statistika
dalam pengolahan data adalah analisis deskriptif. Analisis deskriptif digunakan untuk mengetahui karakteristik umum konsumen
seperti umur, jenis kelamin, status pekerjaan, status pernikahan serta pendapatan dan juga untuk mengetahui proses pengambilan keputusan pembelian konsumen kacang mete dalam
bentuk tabulasi sederhana dengan mengelompokkan responden berdasarkan jawaban yang sama dan kemudian dipersentasekan berdasarkan jumlah responden. Analisis deskriptif
bertujuan untuk menguraikan tentang karakteristik dari keadaan serta mencoba untuk mencari uraian menyeluruh dan teliti dari suatu keadaan. Analisis deskriptif dapat
dirumuskan pada persamaan 6 : 6
Dimana : P = Persentase responden yang memilih kategori tertentu
Jumlah responden yang memilih kategori tertentu Total jawaban
3.5.2 Analisis Biplot
Analisis Biplot merupakan suatu alat analisis yang menyajikan posisi relatif dan objek pengamatan, dalam hal ini adalah pesaing-pesaing dari produk kacang mete dengan
p sebagai peubah, dan atribut yang diteliti secara simultan dalam dua dimensi. Analisis
Biplot yang digunakan pada data yang minimal memiliki skala pengukuran interval. Pengolahan data dengan menggunakan program Makro SAS. Input untuk data
Biplot adalah matrik rataan yaitu matriks yang berisi rataan dari setiap peubah pada setiap objek atau matrik data dari n objek dan p peubah itu sendiri. Struktur data yang dapat
dianalisis dengan metode Biplot diperlihatkan oleh Tabel 1.
23 Tabel 1. Struktur Data yang dapat dianalisis dengan Metode Biplot
Produk Kacang Mete Merek ke-
Peubah ke- 1 2 3
… M
1 2
3 …
N y
11
y
21
y
31
… y
n1
y
12
y
22
y
32
… y
n2
y
13
y
23
y
33
… y
n3
… …
… …
… y
1m
y
2m
y
3m
… y
nm
Keterangan : N = Jumlah pesaing produk kacang mete olahan berbagai rasa
m = Jumlah peubah pengamatan y
nm
= Skala penilaian responden pada merek ke-i terhadap peubah ke-j Output Biplot berupa nilai singular dan keragamannya, rasio skala garis pada Biplot,
koordinat Biplot serta Biplot itu sendiri. Dua nilai singular pertama menunjukkan keragaman yang diterangkan oleh komponen 1 sumbu utama dan komponen 2 sumbu 2
pada Biplot. Besarnya keragaman yang dapat diterangkan oleh kedua sumbu utama tersebut dilihat dari presentase dan keragamannya.
Analisis Biplot bertujuan untuk mengetahui hubungan antar atribut, kemiripan relatif antar pesaing kacang mete, posisi relatif antar produk kacang mete olahan dengan
atribut produk dan nilai atribut pada suatu produk kacang mete olahan. Adapun produk yang diteliti adalah merek pesaing dari kacang mete, sedangkan peubah yang diamati
adalah rasa, kerenyahan, kualitas produk, harga, merek, kemudahan memperoleh, promosi menarik, potongan harga dan bonus yang diberikan.
Interpretasi dari analisis Biplot adalah sebagai berikut : 1. Panjang vektor peubah sebanding dengan keragaman peubah tersebut. Semakin
panjang vektor suatu peubah maka keragaman peubah tersebut semakin tinggi. 2. Nilai kosinus sudut antara dua vektor peubah menggambarkan korelasi kedua peubah.
Semakin sempit sudut yang dibuat antara dua peubah maka semakin positif tinggi korelasinya. Jika sudut yang dibuat tegak lurus maka korelasi keduanya rendah,
sedangkan jika sudutnya tumpul berlawanan arah maka korelasinya negatif. 3. Posisi objek yang searah dengan suatu vektor peubah diinterprestasikan sebagai
besarnya nilai peubah untuk objek yang searah dengannya. Semakin dekat letak objek dengan arah yang ditunjuk oleh suatu peubah maka semakin tinggi nilai peubah
tersebut untuk objek itu, sedangkan jika arahnya berlawanan maka nilainya rendah. 4. Kedekatan letak atau posisi dua buah objek diinterpretasikan sebagai kemiripan sifat
yang ditunjukkan oleh nilai-nilai peubahnya yang semakin mirip.
3.5.3 Analisis Faktor
Analisis yang digunakan untuk mengetahui faktor-faktor yang mempengaruhi keputusan pembelian konsumen terhadap kacang mete adalah analisis faktor. Data yang
digunakan adalah data dari pengisian kuesioner konsumen kacang mete. Analisis faktor
24 merupakan salah satu teknik dalam analisis multivariate yaitu analisis yang digunakan
untuk menelaah variabel-variabel dalam jumlah besar. Analisis faktor pada prinsipnya digunakan untuk mereduksi data yaitu proses untuk meringkas sejumlah variabel menjadi
lebih sedikit yang dinamakan sebagai analisis faktor Santoso dan Tjiptono, 2001. Jadi pada hasil penelitian ini terdapat 12 variabel yang mempengaruhi proses keputusan
pembelian konsumen setelah dilakukan analisis faktor terdapat satu variabel yang paling mempengaruhi proses keputusan pembelian konsumen.
Menurut Santoso dan Tjiptono 2001 secara garis besar tahapan pada analisis faktor yaitu :
1. Memilih variabel yang layak dimasukkan dalam analisis faktor, karena analisis faktor
mengelompokkan sejumlah variabel maka seharusnya ada korelasi yang cukup kuat diantara variabel sehingga akan terjadi pengelompokkan. Jika sebuah variabel atau
lebih berkorelasi lemah dengan variabel lainnya maka variabel tersebut akan dikeluarkan dari analisis faktor. Menguji variabel-variabel yang akan ditentukan,
dengan menggunakan metode Barlett test of sphericity. Untuk menguji kesesuaian pemakaian analisis faktor, digunakan metode Kaiser-Meyer-Olkin KMO. KMO
merupakan indeks pembanding besarnya koefisien korelasi observasi dengan besarnya koefisien korelasi parsial. Tingkat kesesuaian harga KMO dijelaskan pada Tabel 2.
Untuk menentukan apakah proses pengambilan sampel sudah memadai atau tidak digunakan pengukuran Measure of Sampling Adequacy MSA. Syarat minimum
untuk besarnya nilai MSA adalah sebesar 0.5. Tabel 2. Tingkat Kesesuaian Penggunaan Analisis Faktor Dengan Harga KMO
Harga KMO Tingkat kesesuaian penggunaan analisis faktor
0.9 Sangat memuaskan
0.8 Memuaskan 0.7 Harga
menengah 0.6 Cukup
0.5 Kurang memuaskan
0.5 Tidak Diterima
2. Setelah sejumlah variabel terpilih maka dilakukan ekstraksi variabel tersebut sehingga menjadi satu atau beberapa faktor. Pada penelitian kali ini menggunakan analisis
komponen utama Principle Component Analysis yang merupakan merupakan teknik reduksi data yang bertujuan untuk membentuk suatu kombinasi linear dari variabel
awal dengan memperhitungkan sebanyak mungkin jumlah variasi variabel awal yang mungkin.
3. Untuk dapat membedakan faktor secara nyata dengan faktor lain dapat dilakukan proses rotasi.
4. Setelah faktor benar-benar sudah terbentuk maka proses dilanjutkan dengan menamakan faktor yang ada.
Terdapat dua hasil utama dari analisis faktor ini. Pertama, nilai communality semakin tinggi nilai communality, maka variabel tersebut semakin mempengaruhi
konsumen. Batasan penilaian faktor yang berpengaruh mempunyai skala antara 70-80
25 yang berarti dalam nilai communality faktor yang berada dalam skala tersebut adalah
faktor-faktor yang berpengaruh nyata. Hasil kedua adalah ekstraksi variabel ke dalam komponen utama. Untuk menentukan jumlah komponen utama maka dipilih komponen
utama dengan nilai eigenvalue di atas 1,00. Nilai ini menunjukkan kepentingan relatif masing-masing faktor dalam menghitung keragaman seluruh variabel ke dalam komponen
utama berdasarkan pada nilai loading terbesar dari variabel tersebut. Prinsip kerja analisis faktor adalah dari n variabel yang diamati dimana beberapa
variabel mempunyai korelasi maka dapat dikatakan bahwa variabel tersebut memiliki p faktor umum common factor yang mendasari korelasi antar variabel dan juga m faktor
unik unique factor yang membedakan tiap variabel. Faktor umum dilambangkan dengan F1, F2, F3, F4,...,Fm dan faktor unik U1, U2, U3, U4,...,Um. Model matematis dasar
analisis faktor yang digunakan untuk setiap variabel independen X1 adalah:
7 Dimana :
Xi = variabel independen ke-i
Fj = faktor kesamaan ke-j
Ui = faktor unik ke-i
Aij = koefisien faktor kesamaan
Bi = koefisien faktor unik
3.6 Penelitian Terdahulu