3.6.5. Skala Likert
Menurut Simamora 2005, Skala Likert adalah skala yang memberi peluang kepada responden untuk mengekspresikan perasaan
mereka dalam bentuk persetujuan terhadap suatu pernyataan dari suatu produk yang dinyatakan dalam tanggapan konsumen terhadap
kepuasan. Jumlah pilihan jawaban bisa tiga, lima, tujuh ganjil lebih mewakili hasil jawaban
3.6.6. Analisis Faktor
Analisis faktor digunakan untuk mengetahui faktor-faktor yang dipentingkan konsumen terhadap atribut jasa wisata KRB.
Pengolahan analisis faktor ini dibantu dengan program SPSS versi 15 for windows. Secara matematis analisis faktor menyerupai analisis
regresi berganda dalam hal adanya kombinasi linear yang diperlihatkan setiap variabel pada faktor-faktor yang mendasarinya.
Perbedaan adalah dalam analisis regresi berganda dikenal dengan adanya dependent variable variabel tak bebas dan independent
variable variabel bebas dimana analisis faktor adalah teknik yang bersifat interdependensi. Metode interdependensi adalah teknik yang
mencoba untuk membagi suatu variabel menjadi beberapa kelompok atau untuk mencari arti pada sekelompok variabel Wibisono, 2000.
Menurut Cooper 1998 analisis faktor merupakan deskripsi umum bagi beberapa teknik perhitungan tertentu dimana semua teknik
tersebut bertujuan untuk mereduksi menurunkan jumlah variabel menjadi jumlah yang mudah ditangani dan memiliki karakteristik
pengukuran yang tumpang tindih. Dalam penelitian ini, analisis faktor digunakan untuk menentukan variabel jasa dari objek wisata
alam Kebun Raya Bogor yang mempengaruhi preferensi konsumen dalam memilih objek wisata tersebut.
Tujuan utama dari analisis faktor adalah mendefinisikan struktur suatu data matrik dan menganalisis struktur saling hubungan
korelasi antar sejumlah besar variabel test score, test items,
jawaban kuesioner dengan cara mendefinisikan satu set kesamaan variabel atau dimensi dan sering disebut dengan faktor. Dengan
analisis faktor, peneliti mengidentifikasi dimensi suatu struktur dan kemudian menentukan sampai seberapa jauh setiap variabel dapat
dijelaskan oleh setiap dimensi. Begitu dimensi dan penjelasan setiap variabel diketahui, maka dua tujuan utama analisis faktor dapat
dilakukan yaitu data summarization dan data reduction. Ghozali, 2009
Ada beberapa teknik analisis interdependensi variabel yang dapat dimasukkan dalam analisis faktor, yaitu Wibisono, 2000 :
1. Analisis Komponen Utama Principle Component Analysis
Analisis Komponen Utama merupakan teknik reduksi data yang bertujuan untuk membentu suatu kombinasi linear dari variabel
awal dengan memperhitungkan sebanyak mungkin jumlah variasi variabel awal yang mungkin.
2. Analisis Faktor Umum Common Factor Analysis
Analisis Faktor Umum merupakan model faktor yang digunakan untuk mengidentifikasi sejumlah dimensi dalam data faktor yang
tidak mudah untuk dikenali. 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 antarvariabel 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 sebagai berikut Wibisono, 2000.
biUi Fj
ij Xi
m j
1
.........................................6 Keterangan :
Xi = variabel independen ke-i
Fj = faktor kesamaan ke-j
Ui = faktor unik ke-i
Aij = koefisien faktor kesamaan
Bi = koefisien faktor unik
Menurut Wibisono 2000 proses dasar dari analisis faktor adalah sebagai berikut :
a menentukan variabel apa saja yang akan dianalisis.
b matriks korelasi. Matriks korelasi merupakan matriks yang memuat
koefisien korelasi dari semua pasangan variabel dalam penelitian. Analisis faktor yang baik memiliki nilai korelasi tinggi rata-rata lebih
besar dari 0,3. Dalam hal ini, determinan matriks yang mendekati nol menunjukkan nilai korelasi tinggi. Selanjutnya perlu diuji apakah
matriks korelasi ini merupakan matriks identitas atau bukan karena matriks identitas tidak dapat digunakan untuk analisis berikut. Metode
yang biasa dilakukan adalah metode Bartlett’s Test of Sphericity.
Untuk menguji kesesuaian pemakaian analisis faktor, digunakan metode Kaiser-Meyer-Oikin KMO. KMO merupakan indeks
pembanding besarnya koefisien korelasi observasi dengan besarnya koefisien korelasi parsial. Jika nilai kuadrat koefisien korelasi parsial
dari semua pasangan variabel lebih kecil daripada jumlah kuadrat koefisien korelasi, maka harga KMO akan mendekati satu, yang
menunjukkan kesesuaian penggunaan analisis faktor. Tingkat kesesuaian harga KMO menurut Kaiser dalam Barus 2008 dijelaskan
Tabel 6.
Tabel 6. Tingkat Kesesuian 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 dapat diterima
Untuk menentukan apakah proses pengambilan sampel sudah memadai atau tidak digunakan pengukuran Measure of Sampling Adequacy
MSA. Harga MSA yang rendah merupakan pertimbangan untuk membuang variabel tersebut pada tahap analisis selanjutnya. Syarat
minimum untuk besarnya nilai MSA adalah sebesar 0,5. c
Melakukan proses inti pada analisis faktor, yakni ekstraksi faktor, atau menurunkan satu atau lebih faktor dari variabel-variabel yang telah
lolos pada uji variabel. Untuk mengekstraksi faktor dikenal dengan dua metode rotasi yaitu:
1. Orthogonal
rotation adalah ekstraksi faktor dengan cara merotasikan sumbu faktor yang kedudukannya saling tegak lurus
satu dengan lainnya. Metode ini digunakan bila analisis bertujuan untuk mereduksi jumlah variabel tanpa mempertimbangkan
seberapa berartinya faktor yang diesktraksi. Proses rotasi dengan metode orthogonal dapat dibedakan menjadi Quartimax, Varimax
dan Equimax 2.
Oblique rotation adalah ekstraksi faktor dilakukan dengan
merotasikan sumbu faktor yang kedudukannya saling membentuk sudut dengan besar sudut tertentu. Proses rotasi dengan metode
oblique dapat dibedakan menjadi oblimin, oryhoblique dan lain- lain.
Ekstraksi faktor digunakan untuk menentukan jenis-jenis faktor yang akan dipakai. Estimasi faktor dapat menggunakan metode
Principal Componen Analysis. Setelah ekstraksi faktor kemudian dilakukan perhitungan nilai eigenvalue, yang menyatakan nilai
variansi dari varibel manifes. d
Setelah itu melakukan proses Factor Rotation atau rotasi pada faktor yang terbentuk. Tujuan rotasi ini adalah untuk mempermudah
interpretasi dalam menentukan variabel-variabel mana saja yang tercantum dalam suatu faktor. Metode yang paling sering digunakan
adalah metode varimax, bertujuan untuk merotasi faktor awal hasil ekstraksi sehingga pada akhirnya diperoleh hasil rotasi dimana satu
kolom nilai yang ada sebanyak mungkin mendekati nol. Hal ini berarti di dalam setiap faktor tercakup sedikit mungkin variabel.
e Interpretasi atas faktor yang terbentuk, khususnya memberi nama atas
faktor yang terbentuk tersebut yang dianggap bisa mewakili variabel- variabel anggota faktor tersebut. Tahapan dalam interpretasi adalah :
1. Dimulai dari variabel pada urutan pertama dengan menggerakan
faktor paling kiri ke faktor paling kanan pada setiap baris untuk mencari bilangan yang nilai mutlak paling besar dalam baris
tersebut. 2.
Bilangan yang paling besar menunjukkan dalam faktor mana setiap variabel termasuk. Dengan demikian dapat diketahui variabel-
variabel mana yang masuk ke dalam suatu faktor. 3.
Mengulang point 1 dan 2 sehingga semua variabel telah tercakup dalam faktor-faktor hasil ekstraksi.
4. Bila ada variabel yang belum termasuk ke dalam suatu faktor maka
mengevaluasi variabel yang tidak memiliki bobot yang signifikan tersebut untuk mengetahui relevansi variabel dalam penelitian yang
dilakukan atau menginterpretasikan solusi apa adanya tanpa mengikutkan variabel yang bobotnya tidak signifikan.
f Bobot faktor. Bobot faktor adalah ukuran yang menyatakan
representasi suatu variabel oleh masing-masing faktor. Merupakan data mentah bagi analisis lanjutan seperti analisis regresi dan
diskriminan. Terdapat dua hasil utama dari analisis faktor. Pertama, nilai
communality suatu variabel yaitu jumlah keragaman variabel tersebut dijelaskan oleh faktor-faktor utama yang dipilih. Semakin tinggi nilai
communality, maka variabel tersebut semakin berpengaruh dalam proses keputusan pembelian. Kedua adalah ekstraksi variabel ke dalam
komponen utama. Pada saat menentukan jumlah komponen utama, maka dipilih komponen utama dengan nilai eigenvalue di atas 1,00.
Nilai menunjukkan kepentingan relatif masing-masing faktor dalam menghitung keragaman seluruh variabel yang dianalisis.
IV. HASIL DAN PEMBAHASAN
Kategori