Analisis Faktor Yang Mempengaruhi Konsumen Dalam Proses Keputusanpembelian Produk Tupperware( Kasus : Mahasiswi Matematika Universitas Sumatera Utara )
ANALISIS FAKTOR YANG MEMPENGARUHI KONSUMEN
DALAM PROSES KEPUTUSANPEMBELIAN PRODUK
TUPPERWARE
( Kasus : Mahasiswi Matematika Universitas Sumatera Utara )
SKRIPSI
TRI ANANDA PUTRI
100803003
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2014
(2)
ANALISIS FAKTOR YANG MEMPENGARUHI KONSUMEN DALAM PROSES KEPUTUSANPEMBELIAN PRODUK TUPPERWARE
( Kasus : Mahasiswi Matematika Universitas Sumatera Utara )
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains
TRI ANANDA PUTRI 100803003
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
MEDAN 2014
(3)
PERSETUJUAN
Judul : ANALISIS FAKTOR YANG
MEMPENGARUHI KONSUMEN DALAM PROSES KEPUTUSAN PEMBELIAN PRODUK TUPPERWARE.
STUDI KASUS: MAHASISWI MATEMATIKA UNIVERSITAS SUMATERA UTARA
Kategori : SKRIPSI
Nama : TRI ANANDA PUTRI
Nomor Induk Mahasiswa : 100803003
Program Studi : SARJANA (S1) MATEMATIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU
PENGETAHUANALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Disetujui di
Medan, Juli 2014 Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Drs. Pengarapen Bangun, M.Si. Drs. Gim Tarigan, M.Si. NIP. 19560815 198503 1 005 NIP. 19550202198601 1 001
Disetujui oleh
Departemen Matematika FMIPA USU Ketua,
Prof. Dr. Tulus, M.Si.Ph.D NIP. 196209011988031 002
(4)
PERNYATAAN
ANALISIS FAKTOR YANG MEMPENGARUHI KONSUMEN DALAM PROSES KEPUTUSANPEMBELIAN PRODUK TUPPERWARE
( Kasus : Mahasiswi Matematika Universitas Sumatera Utara )
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya
Medan, Juli 2014
TRI ANANDA PUTRI 100803003
(5)
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa yang telah memberikan rahmat dan hidayah-Nya sehingga skripsi ini dapat diselesaikan dalam waktu telah ditetapkan.
Ucapan terima kasih penulis sampaikan kepada Bapak Dr. Sutarman, M.Sc selaku Dekan FMIPA USU,Bapak Drs. Gim Tarigan, M.Si dan Bapak Drs. Pengarapen Bangun, M.Si selaku pembimbing yang telah memberikan panduan dan penuh kepercayaan kepada penulis untuk menyempurnakan skripsi ini.
Penulis juga mengucapkan terima kasih kepada Bapak Prof. Dr. Tulus, M.Si. Ph.Dselaku ketua Departemen Matematika Ibu Dr. Mardiningsih, M.Si selaku sekretasis Departemen Matematika, Bapak Dr. Pasukat Sembiring, M.Si dan Ibu Dra. Laurentina Pangaribuan, M.S selaku penguji skripsi, dan staf pengajar Matematika di FMIPA USU, beserta pegawai Administrasi.
Penulis juga mengucapkan terima kasih kepada kedua orang tua yang tercinta Ibunda Hj. Mauridah dan Ayahanda H. Ir. Bachtiar Husen, M.T serta saudara Muhammad Taufau Rizky, S.T dan Muhmmad Arief Pribadi, S.T. M.T. dan saudari Nadia Sealpina, kak Septi Ayu Virgilisa, S.Pd., dan kak Nurul Husna, S.P.yang telah memberikan semangat,motivasi, dan do’a dalam menyelesaikan skripsi ini. Akhirnya penulis juga mengucapkan terima kasih kepadaIda Husna, Dewi Harni Nasution, Ocktavalanni Siregar, Fitriana, Ayu Widyani, Nusaibah Kholilah, Rika Listya Sari, kak Silvia Harlenidan teman-teman lain yang tidak dapat disebutkan satu persatu atas bantuannya dalam menyelesaikan skripsi ini.
Semoga segala bentuk bantuan yang telah diberikan mendapat balasan yang jauh lebih baik dari Tuhan Yang Maha Esa.
Sebagai seorang mahasiswa, penulis menyadari bahwa masih banyak kekurangan di dalam menyelesaikan skripsi ini. Untuk itu, kritik dan saran yang membangun sangat diharapkan demi perbaikan tulisan ini.
Medan, Juli 2014 Penulis
(6)
ANALISIS FAKTOR YANG MEMPENGARUHI KONSUMEN DALAM PROSES KEPUTUSANPEMBELIAN PRODUK TUPPERWARE
( Kasus : Mahasiswi Matematika Universitas Sumatera Utara )
ABSTRAK
Analisis faktor merupakan salah satu metode multivariat yang digunakan untuk menganalisis variabel-variabel yang diduga memiliki keterkaitan satu sama lain sehingga keterkaitan tersebut dapat dijelaskan dan dipetakan atau dikelompokkan pada faktor yang tepat. Pada penelitian ini digunakan Analisis Faktor untuk mengetahui apa saja faktor-faktor yang dominan yang mempengaruhi konsumen dalam proses keputusan pembelian produk Tupperware menurut asumsi/persepsi Mahasisiwi Matematika Universitas Sumatera Utara selaku responden dalam penelitian ini. Berdasarkan hasil penelitian diperoleh 3 faktor yang dominan yang dapat mempengaruhi pembelian produk Tupperware yaitu faktor kualitas dan promosi (41,012%), faktor warna dan keunngulan (19,127%), faktor jenis diskon dan ukuran (13,594%). Ketiga faktor tersebut memberikan proporsi keragaman kumulatif sebesar 73,733% artinya ketiga faktor tersebut dapat mempengaruhi konsumen dalam proses keputusan pembelian produk Tupperware sebesar 73,733% dan sisanya dapat dipengaruhi faktor-faktor lainnya yang tidak teridentifikasi oleh model penelitian.
(7)
ANALYSIS OF FACTORS THAT AFFECTING THE CONSUMER IN PROCESS PURCHASE DECISION TUPPERWARE PRODUCT
(Case: Student of Mathematics University of Sumatera Utara) ABSTRACT
Factor analysis is a multivariate method used to analyze the variables that allegedly have links with one another so that the relationship can be described and mapped or grouped on the right factors. This research used factor analysis to find out what are the dominant factors that affect consumer buying decision process Tupperware products according to the assumptions / perceptions Mahasisiwi Mathematics University of North Sumatra as the respondents in this study. Based on the results obtained by three dominant factors that may affect the purchase of Tupperware products are quality factors and promotion (41.012%), and the color factor keunngulan (19.127%), the type of discount factor and size (13.594%). All three of these factors gives the cumulative proportion of the diversity of 73.733% means that all three of these factors can affect the consumer buying decision process Tupperware products at 73.733% and the rest can be influenced by other factors that were not identified by the research model.
(8)
DAFTAR ISI
Halaman
Persetujuan i
Pernyataan ii
Penghargaan iii
Abstrak iv
Abstract v
Daftar Isi vi
Daftar Tabel viii
Daftar Gambar ix
Bab 1 Pendahuluan
1.1. Latar Belakang 1
1.2. Perumusan Masalah 3
1.3. Pembatasan Masalah 3
1.4. Tujuan Penelitian 3
1.5. Manfaat Penelitian 4
1.6. Lokasi Penelitian 4
1.7. Metodologi Penelitian 4
Bab 2 Tinjauan Pustaka
2.1. Tupperware 6
2.2. Variabel 6
2.3. Data 7
2.3.1. Uji Dalam Pengolahan Data 8 2.3.1.1. Uji Validitas 8 2.3.1.2. Uji Reliabilitas 9
2.4. Analisis Faktor 9
2.4.1. Definisi Analisis Faktor 9 2.4.2. Model Analisis Faktor 10 2.4.3. Statistik yang berkaitan dengan Analisis Faktor 11 2.4.4. Langkah-langkah Analisis Faktor 15 Bab 3 Metode Penelitian
3.1. Menentukan Variabel 22
3.2. Pengumpulan Data 22
3.3. Pengolahan Data dan Analisis Data 23 3.3.1. Penskalaan data ordinal menjadi data interval 23
3.3.2. Menguji validitas data 23
(9)
3.3.4. Menganalisis data dengan menggunakan teknik analisisfactor
24
3.3.5. Interpretasi faktor 24
3.3.6. Menetukan ketepatan model 24 3.4 Mengambil Kesimpulan dan Membuat Saran 25
Bab 4 Pembahasan dan Hasil
4.1. Populasi, Sampel dan Teknik Penarikan Sampel 26
4.2. Variabel Penelitian 37
4.3. Sumber Data 29
4.4. Pengolahan Data 30
4.4.1. Input Data Mentah 30
4.4.2. Penskalaan Data Ordinal Menjadi Data Interval 31
4.5. Uji Validitas 34
4.6. Uji Reliabilitas 37
4.7. Analisis Data 41
4.7.1. Membentuk Matriks Korelasi 41
4.7.2. Ekstraksi Faktor 46
4.7.3. Menentukan Banyaknya Faktor 49 4.7.4. Melakukan Rotasi Faktor 51
4.7.5. Interpretasi Faktor 54
4.7.6. Menentukan Ketepatan Model 57
Bab 5 Kesimpulan dan Saran 58
5.1. Kesimpulan 58
5.2. Saran 58
(10)
DAFTAR TABEL
Halaman
Tabel 2.1 Korelasi Antar Variabel 16
Tabel 4.1 Daftar Jumlah Mahasisiwi Matematika 26
Tabel 4.2 Tabel Krejcie 27
Tabel 4.3 Data Hasil Kuisioner 30
Tabel 4.4 Penskalaan Variabel 31
Tabel 4.5 Hasil Penskalaan Variabel 33
Tabel 4.6 Data Interval 34
Tabel 4.7 Uji Validitas Variabel Penelitian 35 Tabel 4.8 Contoh Perhitungan Korelasi Product Moment 36 Tabel 4.9 Uji Reliabilitas Variabel Penelitian 38
Tabel 4.10 Matriks Korelasi 42
Tabel 4.11 Perhitungan Korelasi Antara Variabel X1 Dengan X2 42 Tabel 4.12 Kaiser-Meyer-Olkin (KMO) dan Barlett’s Test 45 Tabel 4.13 Nilai Measure of Sampling Adequecy (MSA) 46
Tabel 4.14 Komunalitas Variabel 47
Tabel 4.15.A Nilai Eigenvalue Untuk Setiap Faktor 48 Tabel 4.15.B Sumbangan Masing-Masing Faktor 49 Tabel 4.16 Matriks Faktor (a) (Sebelum Dirotasi) 52 Tabel 4.17 Matriks Faktor (a) (Setelah Dirotasi) 53 Tabel 4.18 Korelasi antara variabel sebelum dirotasi dan setelah dirotasi 55 Tabel 4.19 Selisih (Residual) antara Matriks Korelasi 57
(11)
DAFTAR GAMBAR
Halaman
(12)
DAFTAR LAMPIRAN
Lampiran 1: Kuisioner Penelitian Lampiran 2: Data Hasil Kuisioner Lampiran 3 : Perhitungan Korelasi Lampiran 4 : Hasil Output SPSS
(13)
ANALISIS FAKTOR YANG MEMPENGARUHI KONSUMEN DALAM PROSES KEPUTUSANPEMBELIAN PRODUK TUPPERWARE
( Kasus : Mahasiswi Matematika Universitas Sumatera Utara )
ABSTRAK
Analisis faktor merupakan salah satu metode multivariat yang digunakan untuk menganalisis variabel-variabel yang diduga memiliki keterkaitan satu sama lain sehingga keterkaitan tersebut dapat dijelaskan dan dipetakan atau dikelompokkan pada faktor yang tepat. Pada penelitian ini digunakan Analisis Faktor untuk mengetahui apa saja faktor-faktor yang dominan yang mempengaruhi konsumen dalam proses keputusan pembelian produk Tupperware menurut asumsi/persepsi Mahasisiwi Matematika Universitas Sumatera Utara selaku responden dalam penelitian ini. Berdasarkan hasil penelitian diperoleh 3 faktor yang dominan yang dapat mempengaruhi pembelian produk Tupperware yaitu faktor kualitas dan promosi (41,012%), faktor warna dan keunngulan (19,127%), faktor jenis diskon dan ukuran (13,594%). Ketiga faktor tersebut memberikan proporsi keragaman kumulatif sebesar 73,733% artinya ketiga faktor tersebut dapat mempengaruhi konsumen dalam proses keputusan pembelian produk Tupperware sebesar 73,733% dan sisanya dapat dipengaruhi faktor-faktor lainnya yang tidak teridentifikasi oleh model penelitian.
(14)
ANALYSIS OF FACTORS THAT AFFECTING THE CONSUMER IN PROCESS PURCHASE DECISION TUPPERWARE PRODUCT
(Case: Student of Mathematics University of Sumatera Utara) ABSTRACT
Factor analysis is a multivariate method used to analyze the variables that allegedly have links with one another so that the relationship can be described and mapped or grouped on the right factors. This research used factor analysis to find out what are the dominant factors that affect consumer buying decision process Tupperware products according to the assumptions / perceptions Mahasisiwi Mathematics University of North Sumatra as the respondents in this study. Based on the results obtained by three dominant factors that may affect the purchase of Tupperware products are quality factors and promotion (41.012%), and the color factor keunngulan (19.127%), the type of discount factor and size (13.594%). All three of these factors gives the cumulative proportion of the diversity of 73.733% means that all three of these factors can affect the consumer buying decision process Tupperware products at 73.733% and the rest can be influenced by other factors that were not identified by the research model.
(15)
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Tupperware adalah namamerek 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 tahun 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.
Berbicara tentang produk Tupperware, dalam kehidupan sehari-hari kita sudah sering mendengar produk Tupperware,tupperware biasanya digunakan oleh ibu-ibu rumah tangga untuk peralatan dapur seperti piring,gelas,baskom,sendok,kualidan lain sebagainya.Tetapi untuk zaman sekarang ini Tupperware tidak hanya diminati oleh ibu-ibu saja tetapi juga diminati dikalangan remaja seperti para mahasisiwi, untuk para mahasiswi Tupperware bukanlah suatu kebutuhan primer. Tetapi Tupperware hanya suatu kebutuhan sekunder yang banyak diminati oleh para mahasisiwi, dalam hal ini saya ingin mengetahui hal apa saja yang membuat Tupperware banyak diminati, padahal Tupperware bukanlah kebutuhan primer untuk para mahasiwi.
Tupperware adalah wadah penyimpanan yang praktis,menarik,dan elegant. Setiap konsumen yang akan membeli sebuah produk apapun itu baik itu perkakas rumah, kosmetik dan lain sebagainya pasti konsumen selalu mempertimbangkan banyak hal.Pertimbangan itu yang membuat mereka akan menentukan pilihan
(16)
barang mana yang akan mereka beli.Sama halnya dengan konsumen dalam membeli produk Tupperware,banyak hal yang akan mereka pertimbangkan sebelum mereka membeli produk tersebut. Banyak faktor-faktor yang mempengaruhi konsumen dalam memilih produk Tupperware yaitu kualitas produk (x1), warna produk (x2), bentuk produk (x3), promosi dari produk (x4),
keunggulan produk (x5), jenis produk (x6), jenis diskon dari produk (x7), popularitas dari produk (x8), dan ukuran produk (x9).
Untuk mengantisipasi agar konsumen tidak salah dalam memilih produk tupperware, pertama harus diketahui faktor-faktor apa saja yang menjadi faktor dominan Tupperware itu dapat dibeli oleh konsumen.Faktor pembelian Tupperware tersebut di bagi dalam beberapa variable,kemudian variabel-variabel tersebut perlu direduksi untuk memperoleh beberapa faktor yang dapat menggambarkan keragaman variabel tersebut.Penelitian ini menggunakan Analisis Faktor untuk mengetahui apa saja faktor-faktor yang paling dominan yang dapat mempengaruhi dalam pembelian produk Tupperware.
Analisis Faktor dipilih karena Analisis faktor merupakan nama umum yang menunjukkan suatu kelas prosedur, utamanya dipergunakan untuk menemukan hubungan (interrelatioship) antara sejumlah variabel-variabel yang saling independen satu dengan yang lain, sehingga data tereduksi atau diringkas dari variabel banyak diubah menjadi variabel yang lebih sedikit dari jumlah variabel awal. Dengan kata lain, Analisis faktor adalah menilai mana saja variabel yang dianggap layak (appropriateness) untuk dimasukkan dalam analisis selanjutnya (Supranto, 2004).
Analisis Faktor juga merupakan suatu kelas prosedur yang digunakan untuk mereduksi/ meringkas data dari variabel banyak diubah menjadi sedikit variabel. Berdasarkan penjelasan tersebut penulis memilih judul “ Analisis faktor yang mempengaruhi konsumen dalam proses keputusan pembelian produk Tupperware.” (Studi kasus : Mahasiswi Matematika Universitas Sumatera Utara).
(17)
1.2. Perumusan Masalah
Masalah yang akan dibahas yaitu mengenai faktor-faktor apa saja yang mempengaruhi mahasiswi dalam pembelian produk Tupperware dengan menggunakan analisis faktor, sehingga kita dapat mengetahui diantara faktor-faktor tersebut faktor-faktor mana yang paling dominan yang mempengaruhi mahasisiwi dalam proses keputusan pembelian produk Tupperware.
1.3. Pembatasan Masalah
Batasan dalam penelitian ini adalah :
1. Penelitian ini menggunakan Analisis Faktor untuk mengetahui faktor-
faktor yang mempengaruhi konsumen dalam proses keputusan pembelian produk Tupperware. Faktor-faktornyakualitas produk (x1), warna produk (x2), bentuk produk (x3), promosi dari produk (x4), keunggulan produk
(x5), jenis produk (x6), jenis diskon dari produk (x7), popularitas dari produk (x8), dan ukuran produk (x9).
2. Data yang digunakan adalah data primer yang diambil melalui kuesioner. Data ini diperoleh dari Mahasiswa Matematika Universitas Sumatera Utara yang masih aktif.
1.4. Tujuan Penelitian
Penelitian ini bertujuan untuk mengetahui faktor apa yang lebih dominan yang mempengaruhi mahasisiwi dalam proses keputusan pembelian produk Tupperware,sehingga faktor tersebut dapat diantisipasi dan juga dikendalikan. 1.5. Manfaat penelitian
(18)
Manfaat dari penelitian ini adalah :
1. Menambah wawasan dan memperkaya literatur dalam bidang statistika yang berhubungan dengan Analisis Faktor.
2. Hasil penelitian ini dapat dijadikan sebagai bahan referensi untuk peneliti-peneliti berikutnya dalam data yang akan dianalisis.
3. Dapat bermanfaat bagi mahasiswi sebagai bahan pertimbangan sebelum membeli produk Tupperware dan juga bermanfaat bagi mahsisiwi yang mencari pendapatan sampingan dari menjual produk Tupperware sebagai acuan dalam mempertahan faktor-faktor yang paling diminati konsumen dalam membeli produk Tupperware tersebut.
1.6. Lokasi Penelitian
Lokasi penelitian ini adalah Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.
1.7. Metodologi Penelitian
Penelitian yang dilakukan melalui beberapa tahap seperti yang diuraikanberikutini :
1. Menentukan variabel penelitian yang mempengaruhi pembelian produk Tupperware.
2. Mengumpulkan data primer yang bersumber pada hasil kuesioner terhadap responden yang merupakan Mahasiswi Matematika Universitas Sumatera Utara yang masih aktif, dengan menggunakan angket (kuesioner).
(19)
3. Mengolah dan menganalisis data hasil kuisioner yang diperoleh dengan cara manual dan dengan menggunakan software statistika SPSS.
a. Penskalaan data ordinal menjadi data interval. b. Menguji validitas data.
c. Menguji reliabilitas data.
d. Menganalisis data dengan menggunakan teknik analisis faktor. e. Interpretasi faktor.
f. Menetukan ketepatan model.
(20)
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,
Variabel merupakan suatu istilah yang berasal dari kata vary dan able yangberarti ‘berubah’ dan ‘dapat’. Jadi kata variabel berarti dapat berubah. Oleh
(21)
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
Data adalah bahan mentah yang perlu diolah sehingga menghasilkan informasi atau keterangan, baik kualitatif maupun kuantitatif yang menunjukkan fakta (Riduwan,2002). Pengolahan data merupakan kegiatan terpenting dalam proses dan kegiatan penelitian. Kekeliruan memilih analisis dan perhitungan akan berakibat fatal pada kesimpulan, generalisasi maupun interpretasi.
(22)
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 :
�
��=
�{� ∑ ��2−(∑ ��(∑ �))−2}{(∑ �� ∑ �.∑ �2−)(∑ �)2} Keterangan :���= 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 ���≥������ → valid
Apabila ���<������ → tidak valid (Ade Fatma, 2007)
(23)
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 :
�= � �
� −1� �1−
∑ ��2
��2 �
Keterangan :
�= nilai (koefisien) Alpha Cronbach
�= banyaknya variabel penelitian
∑ ��2= jumlah varians variabel penelitian
��2= varians total
2.4. Analisis Faktor
2.4.1 Definisi Analisis Faktor
Analisis faktor adalah sebuah analisis yang mensyaratkan adanya keterkaitan antar variabel. Pada prinsipnya analisis faktor menyederhanakan hubungan yang beragam dan kompleks pada variabel yang diamati dengan menyatukan faktor atau dimensi yang saling berhubungan atau mempunyai korelasi pada suatu struktur data yang baru yang mempunyai set faktor lebih kecil. Data-data yang dimasukkan pada umumnya data matriks dan terdiri dari variabel-variabel dengan jumlah yang besar. Analisis faktor dapat digunakan di dalam situasi sebagai berikut :
(24)
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 :
�� = ��1�1+��2�2+��3�3 +⋯+����� +⋯+����� +���� dimana :
�� = Variabel ke � yang dibakukan.
��� = Koefisien regresi yang dibakukan untuk variabel � pada komponen faktor �.
��= Komponen faktor ke �.
��= Koefisien regresi yang dibakukan untuk variabel ke � pada faktor yang unik ke
(25)
�� = Faktor unik variabel ke �. 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.
�� = ��1�1+��2�2+��3�3+⋯+����� dimana :
��= Perkiraan faktor ke i (didasarkan pada nilai variabel X dengan koefisiennya Wi ).
��= 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 :
�2 =− �(� −1)−(2�+ 5) 6 �ln|�|
(26)
Keterangan :
�= jumlah observasi
�= jumlah variabel
|�|= 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 →�
1 �12 �13
�21 1 �23
�31 �32 1
�
n = 4 →�
1 �12 �13
�21 1 �23
�31
�41
�32
�42 1
�43
�14
�24
�34 1
�
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.
ℎ� = ��21+�2�2+⋯+���2
dimana :
hi = communality variabel ke-i ; i = 1,2,3,...,n.
(27)
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 �� disebut vektor eigen (eigenvector) dari A jika Ax adalah sebuah kelipatan skalar dari x; jelasnya,
Ax =��
Untuk skalar sebarang �, skalar �disebut nilai eigen (eigenvalue) dari A, dan x disebut sebagai vektor eigen dari A yang terkait dengan �. (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
Kaiser – Meyer – Olkin (KMO) merupakan suatu indeks yang digunakan untuk menguji ketepatan analisis faktor. Nilai yang tinggi (antara 0,5 – 1,0) mengidentifikasi analisis faktor tepat. Apabila dibawah 0,5 menunjukkan bahwa analisis faktor tidak tepat untuk diaplikasikan.
(28)
��� = ∑ ∑ ��� 2 � �=1 � �=1
∑ ∑� ���2
�=1 �
�=1 +∑ ∑ ���2
� �=1 �
�=1
,� = 1,2, … ,� ; � = 1,2, … ,�
Keterangan :
���= koefisien korelasi sederhana antara variabel ke-i dan ke-k
���= 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.
���� = ∑ ∑ ��� 2 � �=1 � �=1
∑ ∑��=1���2 �
�=1 +∑ ∑ ���
2 � �=1 �
�=1
,�= 1,2, … ,� ; � = 1,2, … ,�
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
(29)
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 ∑�×�. Matriks korelasi digunakan sebagai input analisis faktor.
Tabel 2.1Korelasi Antar Variabel
�� �� �� ... ��
�� 1
(30)
�� ��� ��� 1
... ⋮ ⋮ ⋮ 1
�� ��� ��� ��� ⋯ 1
3. Menghitung nilai karakteristik (eigenvalue)
Perhitungan nilai karakteristik (eigenvalue), dimana perhitungan ini berdasarkan persamaan karakteristik :
���(� − ��) = 0 dengan :
�= matriks korelasi
�= eigenvalue
�= 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 =�� dengan :
(31)
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
Dalam pendekatan ini, banyaknya faktor yang diekstraksi ditentukan berdasarkan persentasi kumulatif varians mencapai tingkat yang memuaskan peneliti. Tingkat
(32)
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 (�) dengan akar dari matriks eigenvalue (�). Atau dalam persamaan matematis ditulis
(33)
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.
Orthogonal rotation adalah kalau sumbu dipertahankan tegak lurus sesamanya (bersudut 90 derajat). Yang paling banyak digunakan adalah varimax rotation, yaitu rotasi ortogonal dengan meminimumkan banyaknya variabel yang memiliki loadings tinggi pada sebuah faktor, sehingga lebih mudah menginterpretasi faktor. Rotasi ortogonal menghasilkan faktor-faktor yang tidak berkorelasi. Oblique rotation adalah jika sumbu-sumbu tidak dipertahankan harus
(34)
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)
Langkah terakhir dalam analisis faktor adalah menetukan ketepatan model(model fit). Asumsi dasar yang digunakan dalam analisis faktor adalah korelasi terobservasi dapat menjadi atribut dari faktor atau komponen. Untuk itu, korelasi terobservasi dapat direproduksi melalui estimasi korelasi antara variabel terhadap faktor. Selisih antara korelasi dari data observasi dengan korelasi reproduksi dapat digunakan dengan mengukur ketepatan model. Selisih tersebut disebut sebagai
(35)
residuals. Jika banyak residual yang besar (residual > 0,05), berarti model faktor yang dihasilkan tidak tepat sehingga model perlu dipertimbangkan kembali.
(36)
BAB 3
METODE PENELITIAN
3.1. Menentukan Variabel
Menentukan variabel penelitian yang mempengaruhi pembelian produk Tupperware. Variabel-variabelnya adalah kualitas produk (x1), warna produk (x2),
bentuk produk (x3), promosi dari produk (x4), keunggulan produk (x5), jenis
produk (x6), jenis diskon dari produk (x7), popularitas dari produk (x8), dan ukuran produk (x9).Variabel-variabel tersebut yang akan diuji manakah variabel yang paling dominan yang mempengaruhi mahasiswi dalam proses keputusan pembelian produk Tupperware. Selanjutnya hal yang dilakukan adalah pengumpulan data.
3.2. Pengumpulan Data
Mengumpulkan data primer yang bersumber pada hasil kuesioner terhadap responden yang merupakan Mahasiswi Matematika Universitas Sumatera Utara yang masih aktif, dengan menggunakan angket (kuesioner).Kuesioner dibagiikan kepada setiap mahasiswi yang menggunakan produk Tupperware dengan berbagai macam pertanyaan dan pernyataan yang tersedia di dalam angket (kuesioner). Setelah kuesioner yang telah tersebar sudah terisi, kuesioner diambil kembali dan dikumpulkan, selanjutnya data diolah.
3.3. Pengolahan Data dan Analisis Data
Mengolah dan menganalisis data hasil kuisioner yang diperoleh dengan cara manual dan dengan menggunakan software statistika SPSS. Pengolahan data ini
(37)
bertujuan untuk mengetahui variabel mana yang paling dominan dalam hal proses keputusan pembelian produk Tupperware.
3.3.1. Penskalaan data ordinal menjadi data interval.
Berdasarkan data mentah hasil kuisioner dapat dibuat suatu matriks Xpxn yang telah dilakukan penskalaan menjadi skala interval. Dalam penelitian ini digunakan teknik penskalaan Methods Successive Interval dengan bantuan Microsoft Office Excel 2007.
3.3.2. Menguji validitas data.
Uji validitas dilakukan untuk mengetahui tingkat kevalidan dari instrumen (kuesioner) yang digunakan dalam pengumpulan data yang diperoleh dengan cara mengkorelasi setiap skor variabel jawaban responden dengan total skor masing-masing variabel, kemudian hasil korelasi dibandingkan dengan nilai kritis pada taraf siginifikan 0,05 dan 0,01. Tinggi rendahnya validitas instrumen akan menunjukkan sejauh mana data yang terkumpul tidak menyimpang dari gambaran tentang variabel yang dimaksud.
3.3.3. Menguji reliabilitas data.
Uji reliabilitas berguna untuk menetapkan apakah instrumen yang dalam hal ini kuesioner dapat digunakan lebih dari satu kali, paling tidak oleh responden yang sama akan menghasilkan data yang konsisten. Dengan kata lain, reliabilitas instrumen mencirikan tingkat konsistensi. Uji Reliabilitas menunjukkan sejauh mana hasil suatu pengukuran dapat dipercaya. Pengukuran yang memiliki reliabilitas tinggi disebut sebagai pengukuran yang reliabel. Metode yang
(38)
digunakan untuk menguji reliabilitas adalah metode Alpha Cronbach. Variabel dikatakan reliabel jika memberikan nilai Alpha Cronbach > 0,6 (Ghozali, 2005).
3.3.4. Menganalisis data dengan menggunakan teknik analisis faktor.
Metode analisis data yang digunakan adalah teknik analisis faktor dengan pendekatan komponen utama. Langkah-langkah dalam analisis faktor adalah sebagai berikut :
a. Membentuk Matriks Korelasi b. Ekstraksi Faktor
c. Menentukan Banyaknya Faktor d. Melakukan Rotasi Faktor e. Interpretasi faktor.
f. Menetukan ketepatan model.
3.3.5. Interpretasi faktor.
Setelah rotasi dilakukan langkah selanjutnya adalah interpretasi faktor. Interpretasi faktor dipermudah dengan mengidentifikasi variabel yang loadingnya besar pada faktor yang sama. Faktor tersebut kemudian dapat diinterpretasi menurut variabel-variabel yang memiliki loading tinggi dengan faktor tersebut. Atau penentuan variabel yang dimasukkan ke dalam faktor dengan cara melihat factor loading yang terbesar.
3.3.6. Menetukan ketepatan model.
Proses akhir dari analisis faktor adalah menguji ketepatan model, dengan menggunakan output program SPSS. Perbedaan antara korelasi yang diobservasi (pada matriks korelasi sebelum analisis faktor) dengan korelasi analisis faktor (yang diestimasi dari matriks faktor) yaitu yang disebut dengan residual. Kalau banyak residual yang nilainya lebih besar dari 0,05 (residual > 0,05), berarti
(39)
model tidak tepat, model dipertimbangkan kembali. Sebaliknya, jika banyak residual yang nilainya lebih kecil dari 0,05 (residual < 0,05), berarti model sudah tepat.
3.4. Mengambil Kesimpulan dan membuat saran
Mengambil kesimpulan dari hasil perhitungan yang telah didapat. Kesimpulan dapat dibuat atau diperoleh setelah data selesai di kumpulkan, diolah dan diuji. Kemudian menuliskan saran, saran dibuat agar skripsi ini bisa menjadi lebih baik lagi dan juga untuk masukan bagi para penjual dan pembeli produk Tupperware.
(40)
BAB 4
HASIL DAN PEMBAHASAN
4.1.Populasi,sampel,dan Teknik Pengambilan Sampel.
Populasi dalam penelitian ini adalah seluruh Mahasiswi Matematika yang masih aktif dalam perkuliahan mulai dari stambuk 2010 sampai 2013. Data total jumlah Mahasiswi Matematika yang diperoleh dari bagian Akademik Departemen Matematika adalah sebagai berikut :
Tabel 4.1 Daftar Jumlah Mahasiswi Matematika NO Stambuk Jumlah Mahasiswi
(Jiwa)
1 2010 38
2 2011 55
3 2012 47
4 2013 60
Total 200
Sumber : Bagian Akademik Departemen Matematika
Jumlah sampel dalam penelitian ini adalah 132 responden yaitu Mahasiswi Matematika Universitas Sumatera Utara, teknik pengambilan sampel menggunakan teknik yang dikemukaka oleh Sugiono yaitu Sugiono mengemukakan cara menentukan ukuran sampel yang sangat praktis, yaitu dengan tabel Krejcie. Dengan cara tersebut tidak perlu dilalukan perhitungan yang rumit. Krejcie dalam melakukan perhitungan sampel didasarkan atas kesalahan 5%. Jadi sampel yang diperoleh itu mempunyai kepercayaan 95% terhadap populasi.
(41)
Tabel 4.2 Tabel Krejcie
N = Populasi S = Sampel (Sugiono, 2005:63)
Jumlah populasi dalam penelitian ini adalah 200 responden, maka sampel yang akan diteliti adalah sebanyak 132 responden diperoleh dari tabel Krejcie diatas.
4.2. Variabel Penelitian
Adapun Variabel yang digunakan dalam penelitian ini dalah sebagai berikut : 1. Kualitas produk (x1)
(42)
Kualitas produk adalah tingkat baik buruknya suatu produk, atau mutu dari suatu produk, produk tupperware selalu menjaga kualitasnya, agar produk tupperware tetap banyak diminati konsumen.
2. Warna produk (x2)
Warna produk adalah kombinasi warna dari produk tupperware yang diproduksi oleh perusahaan tupperware sehingga produk tersebut tampak lebih menarik untuk dilihat.
3. Bentuk produk (x3)
Bentuk produk adalah berbagai macam bentuk dari produk tupperware yang diproduksi oleh perusahaan tuuperware, bentuk yang diproduksi dibuat seunik mungkin dan seindah mungkin, agar banyak konsumen yang tertarik dengan produk tuuperware ini.
4. Promosi dari produk (x4)
Promosi dari produk adalah cara penjualan atau pemasaran dari penjual tupperware yang dilakukan saat mereka menjumpai konsumen, biasanya promosi dilakukan dengan cara membagikan katalog atau dengan cara memamerkan produk tupperware tersebut dengan berbagai macam argumen yang membuat konsumen tertarik untuk membeli produk tupperware.
5. Keunggulan produk (x5)
Keunggulan produk adalah kelebihan atau keuntungan dari sebuah produk. Produk tupperware memiliki beberapa keunggulan yaitu wadah penyimpanan yang elastis, ringan, tidak mudah pecah dan lain sebagainya.
6. Jenis produk (x6)
Jenis produk adalah berbagai macam atau ciri dari suatu produk, setiap produk pasti memiliki beberapa jenis walau produk tersebut memiliki merek yang sama. Produk tupperware memiliki berbagai macam jenis ada yang
(43)
berupa botol minuman, tempat makan, toples, piring, gelas dan lain sebagainya.
7. Jenis diskon dari produk (x7)
Jenis diskon produk adalah jenis-jenis atau berbagai macam diskon dari suatu produk. Produk tupperware memiliki berbagai macam diskon yang diberikan kepada konsumen, bagi para anggota dari tupperware biasanya diskon yang diberikan adalah 30 % untuk setiap produk, tetapi untuk pembeli biasa diskon yang diberikan sesuai dengan keinginan penjual.
8. Popularitas dari produk (x8)
Popularitas produk adalah terkenal atau tidaknya suatu produk yang diperjual belikan. Tupperware adalah suatu nama merek yang diberikan perusahaan kepada suatu barang yang diproduksi. Tupperware adalah merek wadah penyimpanan yang sudah terkenal di dunia.
9. Ukuran produk (x9)
Ukuran produk adalah besar atau kecilnya bentuk suatu produk. Produk tupperware memilki berbagai macam ukuran untuk satuan produknya ada yang berukuran yang kecil, sedang, dan besar.
4.3. Sumber Data
Data di dalam penelitain ini diperoleh dari hasil wawancara terstruktur terhadap responden dengan menggunakan kuisioner. Kuesioner yang digunakan merupakan kuisioner tertutup (kuesioner terstruktur), yaitu kuesioner yang disusun dalam bentuk beberapa pertanyaan dan pernyataan yang telah disertai dengan pilihan jawaban dalam bentuk skala.
(44)
Skala yang digunakan dalam penelitian ini adalah skala likert, yang biasanya digunakan untuk mengukur sikap, pendapat dan persepsi seseorang tentang suatu kejadian atau gejala sosial (Riduwan, 2005).
Dalam penelitian ini skala ditetapkan dalam bentuk pilihan ganda dengan setiap pernyataan diberi skor antara 1 sampai dengan 5, yaitu :
1 = Sangat tidak setuju 2 = Tidak setuju 3 = Netral/ragu-ragu 4 = Setuju
5 = Sangat setuju
4.4. Pengolahan Data
4.4.1. Input Data Mentah
Penentuan matriks input data mentah yang terdiri dari 132 sampel observasi (responden) dan 9 variabel awal penelitian.
Tabel 4.3 Data hasil Kuesioner
Nomor Responden (1) �� (2) �� (3) �� (4) �� (5) �� (6) �� (7) �� (8) �� (9) �� (10)
1 3 4 3 1 3 4 4 3 4
2 4 3 4 3 4 5 4 3 5
3 5 4 4 4 4 5 4 3 5
4 4 4 4 2 4 4 3 3 4
5 5 4 4 4 4 4 4 4 4
(45)
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)
7 4 4 4 5 4 5 5 5 4
8 3 2 3 2 2 4 4 3 4
9 4 4 4 2 4 4 3 2 3
10 4 4 4 4 4 5 5 4 5
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
132 4 4 2 2 4 4 3 2 3
Data mentah keseluruhan terdapat pada lampiran 2A
4.4.2. Penskalaan Data Ordinal Menjadi Data Interval
Berdasarkan data mentah hasil kuisioner dapat dibuat suatu matriks Xpxn yang telah dilakukan penskalaan menjadi skala interval. Dalam penelitian ini digunakan teknik penskalaan Methods Successive Interval dengan bantuan Microsoft Office Excel 2007. Berikut adalah perhitungan penskalaan Methods Successive Interval pada variabel 1.
Tabel 4.4 Penskalaan Variabel 1
Col Category Freq Prop Cum Density Z Scale 1,000 3,000 29,000 0,220 0,220 0,296 -0,773 1,000 4,000 76,000 0,576 0,795 0,284 0,825 2,368 5,000 27,000 0,205 1,000 0,000 3,734 Jumlah 132
(46)
Langkah-langkah Methods Successive Interval :
1. Menghitung frekuensi skor jawaban dalam skala ordinal.
2. Menghitung proporsi dan proporsi kumulatif untuk masing-masing skor jawaban.
3. Menentukan nilai Z untuk setiap kategori, dengan asumsi bahwa proporsi kumulatif dianggap mengikuti distribusi normal baku. Nilai Z diperoleh dari Tabel Distribusi Normal Baku.
4. Menghitung nilai densitas dari nilai Z yang diperoleh dengan cara memasukkan nilai Z tersebut ke dalam fungsi densitas normal baku sebagai berikut:
�(�) = 1 √2��
−2 1�2
�(−0,773) = 1 √2��
−2 1(−0,773)2
= 0,296
5. Menghitung Scale Value (SV) dengan rumus :
�� = ������������������� − �������������������
������������������� − �������������������
��1 =
0,000−0,296
0,220−0,000 =−1,345
��2 =
0,296−0,284
0,795−0,220= 0,021
��3 =
0,284−0,000
1,000−0,795= 1,385
6. Menentukan Scale Value min sehingga ���������� + |�����| = 1 Scale Value terkecil = −1,345
(47)
−1,345+|�����| =1
|�����| = 2,345
7. Mentransformasikan nilai skala dengan menggunakan rumus :
� =��+ |�����|
�1 =−1,345 + 2,345 = 1
�2 = 0,021 + 2,345 = 2,366
�3 = 1,385 + 2,345 = 3,73
Selanjutnya dengan melakukan cara yang sama, maka semua variabel akan ditransformasikan ke dalam data interval. Hasil dari masing-masing variabel : Tabel 4.5 Hasil Penskalaan Variabel
�� �� �� �� �� �� �� �� ��
1 1,000
2 1,000 1,000 1,878 1,000 1,000 1,000 1,000
3 1,000 1,845 2,197 2,293 1,660 1,530 2,776 2,191 1,000
4 2,368 2,848 3,361 2,970 2,874 2,202 4,070 3,172 2,469
5 3,734 4,131 4,626 4,169 4,643 3,526 5,334 4,230 3,921
Setelah dilakukan penskalaan pada 9 variabel, maka diperoleh data hasil kuesioner dalam bentuk interval sebagai berikut :
(48)
Tabel 4.6 Data Interval No (1) �� (2) �� (3) �� (4) �� (5) �� (6) �� (7) �� (8) �� (9) �� (10) 1 1,000 2,848 2,197 1,000 1,660 2,202 4,070 2,191 2,469
2 2,368 1,845 3,361 2,293 2,874 3,526 4,070 2,191 3,921
3 3,734 2,848 3,361 2,970 2,874 3,526 4,070 2,191 3,921
4 2,368 2,848 3,361 1,878 2,874 2,202 2,776 2,191 2,469
5 3,734 2,848 3,361 2,970 2,874 2,202 4,070 3,172 2,469
6 3,734 4,131 3,361 2,970 1,660 2,202 2,776 4,230 1,000
7 2,368 2,848 3,361 4,169 2,874 3,526 5,334 4,230 2,469
8 1,000 1,000 2,197 1,878 1,000 2,202 4,070 2,191 2,469
9 2,368 2,848 3,361 1,878 2,874 2,202 2,776 1,000 1,000
10 2,368 2,848 3,361 2,970 2,874 3,526 5,334 3,172 3,921
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
132 2,368 2,848 1,000 1,878 2,874 2,202 2,776 1,000 1,000 Data mentah keseluruhan terdapat pada lampiran 2B
4.5. Uji Validitas
Validitas menunjukkan sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Pada penelitian ini uji validitas dilakukan dengan membandingkan nilai r-hitung dengan nilai r-tabel (r product moment).
Pengujian validitas dilakukan pada 132 responden dengan bantuan SPSS dengan langkah sebagai berikut:
1. Klik analyze, pilih scale dan reliability analysis.
2. Setelah muncul kotak dialog reliability analysis, pindahkan data (x1 sampai x9) kedalam item statistik.
(49)
3. Klik kotak dialog statistic pilih descriptive for (item, scale, dan scale if item deleted).
4. Klik continue dan OK.
5. Setelah dilakukan uji validitas dengan bantuan SPSS diperolah hasil r- hitung sebagai berikut :
Tabel 4.7 Uji Validitas Variabel Penelitian
No Variabel ������� ������ Kesimpulan
1 �1 0,630 0,134 Valid
2 �2 0,281 0,134 Valid
3 �3 0,746 0,134 Valid
4 �4 0,738 0,134 Valid
5 �5 0,334 0,134 Valid
6 �6 0,675 0,134 Valid
7 �7 0,242 0,134 Valid
8 �8 0,458 0,134 Valid
9 �9 0,388 0,134 Valid
Dengan N = 132 dan α = 5% maka berdasarkan tabel korelasi product moment diperoleh r-tabel sebesar 0,134, ini menunjukkan bahwa seluruh variabel dinyatakan valid karena nilai r-hitung >r- tabel, r-hitung > 0,134.
Secara manual perhitungan korelasi product moment antara variabel �1 dengan skor total variabel lainnya (� =�2+�3 +�4+�5 +�6 +�7 +�8+�9) dapat dilihat pada tabel berikut:
(50)
Tabel 4.8 Contoh Perhitungan Korelasi Product Moment Nomor
Responden (1)
�
(2)
�
(3)
��
(4)
�� (5)
�� (6)
1 1,000 18,636 18,63596 1 347,298993
2 2,368 24,082 57,018788 5,60601 579,938704 3 3,734 25,760 96,186952 13,94198 663,602196 4 2,368 20,598 48,770781 5,60601 424,292693 5 3,734 23,965 89,481015 13,94198 574,297976 6 3,734 22,329 83,372962 13,94198 498,569772 7 2,368 28,810 68,214313 5,60601 830,036428
8 1,000 17,007 17,006525 1 289,221881
9 2,368 17,938 42,473006 5,60601 321,789695 10 2,368 28,005 66,308229 5,60601 784,297798 11 2,368 25,775 61,026815 5,60601 664,335639 12 2,368 31,059 73,538426 5,60601 964,661169 13 2,368 24,125 57,121874 5,60601 582,037588 14 2,368 28,005 66,308229 5,60601 784,297798 15 2,368 20,421 48,351253 5,60601 417,024539
. . . . . .
. . . . . .
. . . . . .
132 2,368 15,578 36,88293 5,60601 242,659309 Jumlah 309,761 3.096,739 7.565,851 831,490 75.283,427 Data mentah keseluruhan terdapat pada lampiran 3A
Tabel 4.8 diatas adalah perhitungan korelasi product moment antara X1 dan Y, secara manualnya dapat dihitung sebagai berikut :
(51)
��� = �
(∑ ��)−(∑ �.∑ �)
�{� ∑ �2−(∑ �)2}{� ∑ �2 −(∑ �)2}
��� =
132(7.565,851)−{(309,761)(3.096,739)}
�{132(831,490)−(309,761)2}{132(75.283,427)−(3.096,739)2}
��� =
(998692,395)−(959247,3)
�(109756,7−95951,57)(9937412−9589790)
��� =
39445,05
�(13805,1429)(347622,002)
��� =
39445,05
√4798971404
��� =
39445,05 69274,6086
��� = 0,569
Hasil perhitungan nilai korelasi product moment menggunakan program SPSS menunjukkan nilai yang sama dengan perhitungan nilai korelasi product moment secara manual terhadap variabel x1 yaitu sebesar 0,569.
4.6. Uji Reliabilitas
Uji Reliabilitas menunjukkan sejauh mana hasil suatu pengukuran dapat dipercaya. Pengukuran yang memiliki reliabilitas tinggi disebut sebagai pengukuran yang reliabel. Metode yang digunakan untuk menguji reliabilitas adalah metode Alpha Cronbach. Variabel dikatakan reliabel jika memberikan nilai Alpha Cronbach > 0,6 (Ghozali, 2005).
(52)
Untuk mendapatkan nilai Alpha Cronbach dapat dilakukan dengan bantuan program SPSS dengan langkah sebagai berikut :
1. Klik analyze, pilih scale dan reliability analysis.
2. Setelah muncul kotak dialog reliability analysis, pindahkan data (x1 sampai x9) ke dalam item statistik.
3. Klik kotak dialog statistic pilih descriptive for (item, scale, dan scale if item deleted).
4. Klik continue dan OK.
5. Pada output kolom cronbach’s Alpha if item deleted adalah hasil uji reliabilitas.
Tabel 4.9 Uji Reliabilitas Variabel Penelitian
No Variabel Alpha Cronbach Kesimpulan
1 �1 0,767 Reliabel
2 �2 0,806 Reliabel
3 �3 0,748 Reliabel
4 �4 0,741 Reliabel
5 �5 0,798 Reliabel
6 �6 0,753 Reliabel
7 �7 0,807 Reliabel
8 �8 0,784 Reliabel
9 �9 0,792 Reliabel
Hasil uji reliabilitas terhadap variabel-variabel penelitian menunjukkan bahwa data mempunyai tingkat reliabilitas yang tinggi karena nilai Alpha
(53)
Cronbach untuk ke 9 variabel > 0,6. Dengan demikian, data dapat memberikan hasil pengukuran yang konsisten (reliabel).
Secara manual perhitungan nilai Alpha Cronbach untuk variabel x1 diperoleh dengan langkah-langkah berikut ini:
1. Mencari nilai varians dari masing-masing variabel. Dengan menggunakan rumus varians:
�2 =∑ ��
2− (∑ ��)2 �
�
�2(�
1) = 0,792306
�2(�
2) = 0,84007
�2(�
3) = 0,851413
�2(�
4) = 0,881166
�2(�
5) = 0,682143
�2(�
6) = 0,741017
�2(�
7) = 0,812744
�2(�
8) = 0,869653
�2(�
(54)
2. Mencari nialai total varians (tanpa variabel x1)
�2
� = 19,951
3. Melakukan proses perhitungan nilai Alpha Cronbach variabel x1 dengan memakai rumus :
�= � �
� −1� �1−
∑ ��2
��2 �
�= � 9
9−1�
⎝ ⎜ ⎜ ⎛
1−
0,792306 + 0,84007 + 0,851413 + 0,881166 + 0,682143 + 0,741017 + 0,812744 + 0,869653 +
0,762703 19,951
⎠ ⎟ ⎟ ⎞
�= �9 8� �1−
7,233215 19,951 �
�= �9
8�(1−0,3625)
�= (1,125)(0,6375)
�= 0,7172
Hasil perhitungan nilai Alpha Cronbach menggunakan program SPSS menunjukkan nilai yang hampir sama dengan perhitungan Alpha Cronbach secara manual terhadap variabel x1 yaitu sebesar 0,7172, ini disebabkan adanya faktor pembulatan dalam proses perhitungan. Selanjutnya dapat dilakukan langkah yang sama untuk menentukan nilai Alpha Cronbach terhadap variabel yang lain.
(55)
4.7. Analisis Data
Metode analisis data yang digunakan adalah teknik analisis faktor dengan pendekatan komponen utama. Langkah-langkah dalam analisis faktor adalah sebagai berikut :
4.7.1. Membentuk Matriks Korelasi
a. Matriks korelasi merupakan matriks yang memuat koefisien korelasi dari semua pasangan variabel dalam penelitian ini.
b. Matriks ini digunakan untuk mendapatkan nilai kedekatan hubungan antar variabel penelitian.
c. Nilai kedekatan ini dapat digunakan untuk melakukan beberapa pengujian untuk melihat kesesuaian dengan nilai korelasi yang diperoleh dari analisis faktor.
Dalam proses analisisnya apabila koefisien korelasi antar variabel terlalu kecil berarti hubungannya lemah, maka metode analisis faktor kurang tepat untuk dipergunakan. Peneliti mengharapkan selain variabel awal berkorelasi dengan sesama variabel lainnya juga berkorelasi dengan faktor sebagai variabel terakhir yang didapat dari variabel-variabel awal.Perhitungan matriks korelasi menggunakan program SPSS adalah sebagai berikut :
(56)
Tabel 4.10 Matriks Korelasi
Correlation Matrixa
x1 x2 x3 x4 x5 x6 x7 x8 x9
Correlati on
x1 1.000 .291 .524 .684 .226 .576 .059 .305 .257
x2 .291 1.000 .327 .262 .324 .123 -.289 .401 -.089
x3 .524 .327 1.000 .594 .438 .629 .323 .319 .454
x4 .684 .262 .594 1.000 .147 .712 .174 .648 .221
x5 .226 .324 .438 .147 1.000 .277 .220 -.126 .388
x6 .576 .123 .629 .712 .277 1.000 .224 .312 .349
x7 .059 -.289 .323 .174 .220 .224 1.000 .157 .520
x8 .305 .401 .319 .648 -.126 .312 .157 1.000 .034
x9 .257 -.089 .454 .221 .388 .349 .520 .034 1.000
Perhitungan nilai korelasi masing-masing variabel secara manual diperoleh dengan memakai rumus korelasi product moment :
��� = �
(∑ ��)−(∑ �.∑ �)
�{� ∑ �2−(∑ �)2}{� ∑ �2 −(∑ �)2}
Contoh perhitungan korelasi antara variablex1 denganx2. Misalkan x1 adalah x
danx2 adalah Y.
Tabel 4.11 Perhitungan Korelasi Antara Variabel x1Dengan x2
Nomor Responden
� � �� �� ��
1
1,000 2,848 2,84785 1 8,1102255
2
2,368 1,845 4,36943 5,60601 3,4056165 3
3,734 2,848 10,6336 13,942 8,1102255 4
(57)
(1) (2) (3) (4) (5) (6)
5 3,734 2,848 10,6336 13,942 8,1102255
6 3,734 4,131 15,4258 13,942 17,067497
7 2,368 2,848 6,74285 5,60601 8,1102255
8 1,000 1,000 1 1 1
9 2,368 2,848 6,74285 5,60601 8,1102255 10 2,368 2,848 6,74285 5,60601 8,1102255 11 2,368 1,845 4,36943 5,60601 3,4056165 12 2,368 4,131 9,78164 5,60601 17,067497 13 2,368 2,848 6,74285 5,60601 8,1102255 14 2,368 2,848 6,74285 5,60601 8,1102255 15 2,368 2,848 6,74285 5,60601 8,1102255
. . . . . .
. . . . . .
. . . . . .
132 2,368 2,848 6,74285 5,60601 8,1102255 Jumlah 309,761 386,724 937,700 831,490 1.243,885 Data mentah keseluruhan terdapat pada lampiran 3B
Tabel 4.11 diatas adalah perhitungan korelasi antara x1 dan x2, secara manualnya dapat dihitung sebagai berikut :
��� = �
(∑ ��)−(∑ �.∑ �)
�{� ∑ �2 −(∑ �)2}{� ∑ �2−(∑ �)2}
��� =
132(937,700)−{(309,761)(386,724)}
�{132(831,490)−(309,761)2}{132(1243,885)−(386,724)2}
��� =
123776,4−119791,793
(58)
��� =
3984,63
�(13805,143)(14637,387)
��� = 3984,63
√202071220
��� =
3984,63 14215,176
��� = 0,280
Hasil perhitungan korelasi antara variabel x1 dan x2 menggunakan program SPSS menunjukkan nilai yang sama dengan perhitungan korelasi antara variabel x1 dan x2 secara manual yaitu sebesar 0,280. Selanjutnya dapat dilakukan langkah yang sama untuk menentukan nilai korelasi antara variabel yang lain.
Pada penelitian ini matriks korelasi yang dibentuk dari data yang diperoleh untuk mengetahui faktor-faktor yang mempengaruhi konsumen dalam proses keputusan pembelian produk Tupperware yaitu memperlihatkan korelasi yang cukup kuat antara variabel x1 dengan x2 sehingga diharapkan nantinya bahwa variabel-variabel ini akan berkorelasi dengan faktor yang sama.
Data mengenai 9 variabel yang berasal dari jawaban 132 orang responden kemudian dianalisa pada anti image correlation. Uji ini dilakukan dengan memperhatikan angka KMO dan MSA. Kriteria kesesuaian dalam pemakaian analisis faktor adalah
Jika harga KMO sebesar 0,9 berarti sangat memuaskan,
Jika harga KMO sebesar 0,8 berarti memuaskan,
(59)
Jika harga KMO sebesar 0,6 berarti cukup,
Jika harga KMO sebesar 0,5 berarti kurang memuaskan, dan
Jika harga KMO kurang dari 0,5 tidak dapat diterima.
Tabel 4.12 Kaiser-Meyer-Olkin (KMO) dan Barlett’s Test
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .644 Bartlett's Test of Sphericity Approx. Chi-Square 579.788
Df 36
Sig. .000
Hasil perhitungan menunjukkan besaran nilai Barlett Test of Sphericity adalah 579,788 pada signifikan 0,000 yang berarti pada penelitian ini ada korelasi yang signifikan antar variabel dan hasil perhitungan KMO sebesar 0,644 sehingga kecukupan sampel termasuk kategori yang cukup dan layak untuk diteliti lebih lanjut.
Menurut Santoso (2005) Angka MSA (Measure of Sampling Adequecy) berkisar antara 0 sampai 1 dengan kriteria :
MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel lain.
MSA ≥ 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut.
MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut
Hipotesis untuk uji diatas adalah :
H0 = sampel belum memadai untuk dianalisis lebih lanjut H1 = sampel sudah memadai untuk dianalisis lebih lanjut
Kriteria dengan melihat probabilitas (tingkat signifikansi) : Angka Sig. ≥ 0,05, maka H0 diterima
(60)
Tabel 4.13 Nilai Measure of Sampling adequecy (MSA)
Anti-image Matrices Anti-image
Correlation
x1 .782a -.206 -.057 -.489 .080 -.071 .044 .256 -.140 x2 -.206 .374a -.294 .242 -.515 .113 .499 -.565 .151 x3 -.057 -.294 .847a -.186 -.106 -.273 -.226 .084 -.212 x4 -.489 .242 -.186 .667a -.134 -.438 .117 -.626 .106 x5 .080 -.515 -.106 -.134 .506a -.064 -.282 .461 -.219 x6 -.071 .113 -.273 -.438 -.064 .838a .033 .120 -.078 x7 .044 .499 -.226 .117 -.282 .033 .493a -.373 -.310 x8 .256 -.565 .084 -.626 .461 .120 -.373 .443a -.030 x9 -.140 .151 -.212 .106 -.219 -.078 -.310 -.030 .777a
Dengan melihat anti image correlation diketahui hanya ke 6 variabel menunjukkan kriteria angka MSA lebih besar dari 0,5, sedangkan 3 variabel lainnya masih berada pada kriteria angkan MSA lebih kecil dari 0,5 yang berarti hanya 6 variabel yang masih bisa diprediksi untuk dianalisa lebih lanjut. Dari kedua hasil pengujian di atas, semua variabel mempunyai korelasi yang lumayan tinngi, jadi penelitian masih bisa dialnjutkan.
4.7.2. Ekstraksi Faktor
• Pada tahap ini, akan dilakukan proses inti dari analisis faktor, yaitu melakukan ekstraksi terhadap sekumpulan variabel yang ada KMO>0,5 sehingga terbentuk satu atau lebih faktor.
• Metode yang digunakan untuk tahap ini adalah Principal Component Analysis dan rotasi faktor dengan metode Varimax (bagian dari orthogonal).
(61)
Tabel 4.14 Komunalitas Variabel
Communalities Initial Extraction
x1 1.000 .602
x2 1.000 .797
x3 1.000 .737
x4 1.000 .874
x5 1.000 .845
x6 1.000 .666
x7 1.000 .719
x8 1.000 .694
x9 1.000 .703
Komunalitas pada dasarnya adalah jumlah varians (bisa dalam persentase) dari suatu variabel mula-mula yang bisa dijelaskan oleh faktor yang terbentuk.
a. Untuk variabel kualitas produk, nilai komunalitasnya adalah 0,602 atau sekitar 60,2% varians dari variabel kualitas produk bisa dijelaskan oleh faktor yang terbentuk.
b. Untuk variabel warna produk, nilai komunalitasnya adalah 0,797 atau sekitar 79,7% varians dari variabel warna produk bisa dijelaskan oleh faktor yang terbentuk.
c. Untuk variabel bentuk produk, nilai komunalitasnya adalah 0,737 atau sekitar 73,7% varians dari variabel bentuk produk bisa dijelaskan oleh faktor yang terbentuk.
d. Untuk variabel promosi produk, nilai komunalitasnya adalah 0,874 atau sekitar 87,4% varians dari variabel promosi produk bisa dijelaskan oleh faktor yang terbentuk.
e. Untuk variabel keunggulan produk, nilai komunalitasnya adalah 0,845 atau sekitar 84,5% varians dari variabel keunggulan produk bisa dijelaskan oleh faktor yang terbentuk.
(62)
f. Untuk variabel jenis produk, nilai komunalitasnya adalah 0,666 atau sekitar 66,6% varians dari variabel jenis produk bisa dijelaskan oleh faktor yang terbentuk.
g. Untuk variabel jenis diskon produk, nilai komunalitasnya adalah 0,719 atau sekitar 71,9% varians dari variabel jenis diskon produk bisa dijelaskan oleh faktor yang terbentuk.
h. Untuk variabel popularitas produk, nilai komunalitasnya adalah 0,694 atau sekitar 69,4% varians dari variabel popularitas produk bisa dijelaskan oleh faktor yang terbentuk.
i. Untuk variabel ukuran produk, nilai komunalitasnya adalah 0,703 atau sekitar 70,3% varians dari variabel ukuran produk bisa dijelaskan oleh faktor yang terbentuk.
Tabel 4.15 Total Variabel yang Dijelaskan A. Nilai Eigenvalue Untuk Setiap Faktor
Compon ent
Initial Eigenvalues
Total % of Variance Cumulative %
1 3.691 41.012 41.012
2 1.721 19.127 60.139
3 1.223 13.594 73.733
4 .823 9.145 82.879
5 .464 5.157 88.036
6 .398 4.423 92.459
7 .337 3.743 96.202
8 .225 2.499 98.702
9 .117 1.298 100.000
(63)
B. Sumbangan Masing-Masing Faktor Terhadap Varians Seluruh Variabel Asli
Component
Extraction Sums of Squared Loadings Total
% of
Variance Total
1 3.691 41.012 3.691
2 1.721 19.127 1.721
3 1.223 13.594 1.223
Berdasarkan table 4.15B diperoleh tiga faktor yang memiliki eigenvalue lebih besar dari 1,0 yaitu kita sebut faktor 1 dengan eigenvalue 3,691, faktor 2 dengan eigenvalue 1,721, dan faktor 3 dengan eigenvalue 1,223. Ketiga faktor tersebut menjelaskan (73,733) % total varians variabel yang mempengaruhi.
4.7.3. Menentukan Banyaknya Faktor
Penentuan banyaknya faktor yang dilakukan dalam analisis faktor maksudnya adalah mencari variabel terakhir yang disebut faktor yang saling tidak berkorelasi, bebas satu sama lainnya, lebih sedikit jumlahnya daripada variabel awal akan tetapi dapat menyerap sebagian besar informasi yang terkandung dalam variabel awal atau yang dapat memberikan sumbangan terhadap varians seluruh variabel. Ada beberapa prosedur yang dapat dipergunakan dalam menentukan banyaknya faktor, antara lain adalah sebgai berikut :
1. Dilihat dari Initial Eigenvalue Total
Untuk menentukan banyaknya faktor dari initial values dilihat dengan metode pendekatan, hanya faktor dengan eigenvalue lebih besar dari satu yang dipertahankan, jika lebih kecil dari satu, faktornya tidak diikutsertakan dalam model. Suatu eigenvalue menunjukkan besarnya sumbangan dari faktor terhadap varians seluruh variabel asli. Berdasarkan tabel 4.15A ternyata diperoleh banyaknya faktor yang dapat mempengaruhi konsumen dalam proses keputusan pemebelian produk Tupperware menurut persepsi mahasiswi atau asumsi
(64)
responden adalah 3, karena ada 3 faktor atau komponen yang eigenvalue nya lebih dari 1, yaitu Faktor dengan eigenvalue 3,691 , Faktor 2 dengan eigenvalue 1,721¸ Faktor 3 dengan eigenvalue 1,223. Berdasarkantabel 4.15B dapat diketahui bahwa besarnya sumbangan yang diberikan dari masing-masing faktor terhadap varians seluruh variabel asli. Faktor 1 memberikan sumbangan varians sebesar 41,012%, faktor 2 sebesar 19,127%, dan yang terakhir faktor 3 sebesar 13,594%. Sehingga total sumbangan varians dari ketiga faktor tersebut adalah sebesar 73,733%. 2. Menentukan Banyaknya Faktor dengan Scree Plot
Suatu Scree Plot adalah plot dari eigenvalue melawan banyaknya faktor yang bertujuan untuk melakukan ekstraksi agar diperoleh jumlah faktor. Scree plot berupa suatu kurva yang diperoleh dengan memplot eigenvalue sebagai sumbu vertikal dan banyaknya faktor sebagai sumbu horizontal. Bentuk kurva atau plotnya dipergunakan untuk menentukan banyaknya faktor.
Jika tabel total varians menjelaskan dasar jumlah faktor yang diperoleh dengan perhitungan angka, maka scree plot memperlihatkan hal tersebut dengan grafik. Terlihat bahwa dari satu ke dua faktor (garis dari sumbu Component 1 ke 2), arah garis cukup menurun tajam. Kemudian dari 2 ke 3 garis juga menurun. Pada faktor 4 sudah di bawah angka 1 dari sumbu eigenvalue. Hal ini menunjukkan bahwa ada 3 faktor yang mempengaruhi kepadatan penduduk, yang dapat diekstraksi berdasarkan scree plot.
(65)
Gambar 4.1 Scree PLot
4.7.4. Melakukan Rotasi Faktor
Output terpenting dalam analisis faktor adalah Matriks Faktor atau yang disebut juga dengan Komponen Matriks. Matriks faktor memuat koefisien yang dipergunakan untuk mengekspresikan variabel yang dibakukan dinyatakan dalam faktor. Koefisien ini merupakan factor loading, mewakili koefisien korelasi antara faktor dengan variabel. Koefisien dengan nilai mutlak (absolute) yang besar menunjukkan bahwa faktor dan variabel sangat terkait. Koefisien dari matriks faktor dapat dipergunakan untukmenginterpretasi faktor. Matriks faktor atau matriks komponen dapat dilihat sebagai berikut :
(66)
Tabel 4.16 Matriks Faktor (Sebelum Dirotasi)
Component Matrixa
Component
1 2 3
x4 .849
x3 .838
x6 .807
x1 .750
x8 .546 -.474 -.414
x7 .688
x9 .518 .658
x2 -.590 .550
x5 .454 .722
Walaupun matriks faktor atau matriks komponen awal sebelum dirotasi menunjukkan hubungan antara faktor (komponen) dengan variabel secara individu, akan tetapi masih sulit diambil kesimpulannya tentang banyaknya faktor yang dapat diekstraksi. Hal ini disebabkan karena faktor (komponen) berkorelasi dengan banyak variabel lainnya atau sebaliknya variabel tertentu masih berkorelasi dengan banyak fakor. Sehingga dalam keadaan ini terkadang membuat peneliti kesulitan dalam penentuan suatu variabel kedalam suatu faktor.
Misalkan Matriks Faktor (sebelum dirotasi) diatas dapat dilihat bahwa F1
memiliki korelasi kuat dengan 7 variabel, yaknix1, x3, x4, x5, x6, x8, x9 sementara F2 memiliki korelasi kuat dengan x7 danx9 dan F3 memiliki korelasi kuat dengan x2 dan x5. Korelasi dianggap cukup kuat jika koefisien korelasi yang diwaliki factor
loading mempunyai nilai lebih besar dari 0,40. Juga variabel berkorelasi dengan banyakfaktor, seperti variabel x1 berkorelasi dengan factor 1, variabel x7 berkorelasi dengan faktor 2, variabel x2 berkorelasi dengan faktor 3, situasi seperti ini membuat kesimpulan mengenai banyaknya faktor yang diekstraksi dari variabel menjadi sulit.
(67)
Untuk mengatasi hal tersebut dapat dilakukan proses rotasi pada faktor yang terbentuk agar memperjelas posisi sebuah variabel, akankah dimasukkan pada faktor yang satu ataukah ke faktor lainnya. Beberapa metode rotasi yang bisa digunakan adalah orthogonal rotation, varimax rotation, dan oblique rotation.
Orthogonal rotation adalah kalau dipertahankan tegak lurus sesamanya (bersudut 90 derajat). Yang paling banyak digunakan adalah varimax rotation, yaitu rotasi orthogonal dengan meminimumkan banyaknya variabel yang memiliki loading tinggi pada sebuah faktor, sehingga lebih mudah mengiterpretasi faktor. Rotasi orthogonal menghasilkan faktor-faktor yang tidak berkorelasi. Oblique rotation adalah jika sumbu-sumbu tidak dipertahankan harus tegak lurus sesamanya (bersudut 90 derajat) dan faktor-faktor berkorelasi. Oblique rotation harus dipergunakan kalau faktor dalam populasi berkorelasi sangat kuat.
Proses rotasi terhadap faktor pada penelitian ini menggunakan metode varimax rotation. Dan hasil rotasi terhadap dapat dilihat pada matriks faktor (setelah dirotasi) dibawah ini
Tabel 4.17 Matriks Faktor (Setelah Dirotasi)
Rotated Component Matrixa
Component
1 2 3
x4 .929
x8 .789
x6 .726
x1 .722
x3 .634 .538
x5 .916
x7 .826
x2 .446 -.674
(1)
xcvi
Component Matrixa Component
1 2 3
x4 .849
x3 .838
x6 .807
x1 .750
x8 .546 -.474 -.414
x7 .688
x9 .518 .658
x2 -.590 .550
x5 .454 .722
Extraction Method: Principal Component Analysis.
(2)
xcvii
Reproduced Correlations
x1 x2 x3 x4 x5 x6 x7 x8 x9 Reproduced
Correlation
x1 .602a .406 .609 .689 .279 .599 .138 .500 .260 x2 .406 .797a .336 .331 .369 .225 -.449 .261 -.171 x3 .609 .336 .737a .641 .524 .661 .334 .345 .512 x4 .689 .331 .641 .874a .090 .712 .218 .709 .251 x5 .279 .369 .524 .090 .845a .288 .160 -.213 .486 x6 .599 .225 .661 .712 .288 .666a .356 .478 .432 x7 .138 -.449 .334 .218 .160 .356 .719a .013 .631 x8 .500 .261 .345 .709 -.213 .478 .013 .694a -.044 x9 .260 -.171 .512 .251 .486 .432 .631 -.044 .703a Residualb x1 -.116 -.085 -.004 -.052 -.023 -.079 -.195 -.002
x2 -.116 -.009 -.069 -.045 -.102 .160 .140 .082 x3 -.085 -.009 -.047 -.087 -.032 -.011 -.027 -.058 x4 -.004 -.069 -.047 .057 .000 -.044 -.061 -.030 x5 -.052 -.045 -.087 .057 -.011 .059 .087 -.098 x6 -.023 -.102 -.032 .000 -.011 -.131 -.165 -.083 x7 -.079 .160 -.011 -.044 .059 -.131 .144 -.111 x8 -.195 .140 -.027 -.061 .087 -.165 .144 .078 x9 -.002 .082 -.058 -.030 -.098 -.083 -.111 .078 Extraction Method: Principal
Component Analysis.
a. Reproduced communalities
b. Residuals are computed between observed and reproduced correlations. There are 23 (63,0%) nonredundant residuals with absolute values greater than 0.05.
(3)
xcviii
Rotated Component Matrixa Component
1 2 3
x4 .929
x8 .789
x6 .726
x1 .722
x3 .634 .538
x5 .916
x7 .826
x2 .446 -.674
x9 .473 .668
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 4 iterations.
Component Score Coefficient Matrix Component
1 2 3
x1 .218 .061 -.057
x2 .076 .313 -.476
x3 .133 .223 .051
x4 .334 -.136 .016
x5 -.162 .610 -.065
x6 .215 .021 .106
x7 .020 -.056 .490
x8 .344 -.301 -.055
x9 -.036 .209 .349
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
(4)
xcix
Case Processing Summary
N %
Cases Valid 132 100.0
Excludeda 0 .0
Total 132 100.0
a. Listwise deletion based on all variables in the procedure.
Reliability Statistics Cronbach's
Alpha N of Items
.799 9
Item Statistics
Mean Std. Deviation N
x1 3.9848 .65364 132
x2 3.9924 .84254 132
x3 3.7652 .77025 132
x4 3.3712 1.29240 132
x5 3.7424 .74773 132
x6 4.3409 .90655 132
x7 3.7652 .69743 132
x8 3.7045 .89731 132
(5)
c
Item-Total Statistics
Scale Mean if Item Deleted
Scale Variance if Item Deleted
Corrected Item-Total Correlation
Cronbach's Alpha if Item
Deleted
x1 30.7955 18.286 .630 .767
x2 30.7879 19.436 .281 .806
x3 31.0152 16.916 .746 .748
x4 31.4091 13.541 .738 .741
x5 31.0379 19.472 .334 .798
x6 30.4394 16.447 .675 .753
x7 31.0152 20.229 .242 .807
x8 31.0758 17.948 .458 .784
x9 30.6667 19.796 .388 .792
Scale Statistics
Mean Variance Std. Deviation N of Items 34.7803 22.234 4.71527 9
(6)
ci
Correlation Matrixa
x1 x2 x3 x4 x5 x6 x7 x8 x9
Correlation x1 1.000 .291 .524 .684 .226 .576 .059 .305 .257 x2 .291 1.000 .327 .262 .324 .123 -.289 .401 -.089 x3 .524 .327 1.000 .594 .438 .629 .323 .319 .454 x4 .684 .262 .594 1.000 .147 .712 .174 .648 .221 x5 .226 .324 .438 .147 1.000 .277 .220 -.126 .388 x6 .576 .123 .629 .712 .277 1.000 .224 .312 .349 x7 .059 -.289 .323 .174 .220 .224 1.000 .157 .520 x8 .305 .401 .319 .648 -.126 .312 .157 1.000 .034 x9 .257 -.089 .454 .221 .388 .349 .520 .034 1.000 Sig.
(1-tailed)
x1 .000 .000 .000 .005 .000 .250 .000 .001 x2 .000 .000 .001 .000 .079 .000 .000 .156 x3 .000 .000 .000 .000 .000 .000 .000 .000 x4 .000 .001 .000 .046 .000 .023 .000 .006 x5 .005 .000 .000 .046 .001 .006 .076 .000 x6 .000 .079 .000 .000 .001 .005 .000 .000 x7 .250 .000 .000 .023 .006 .005 .036 .000 x8 .000 .000 .000 .000 .076 .000 .036 .348 x9 .001 .156 .000 .006 .000 .000 .000 .348