BAB 2 TINJAUAN PUSTAKA 2.1. Tupperware - Analisis Faktor Yang Mempengaruhi Konsumen Dalam Proses Keputusanpembelian Produk Tupperware( Kasus : Mahasiswi Matematika Universitas Sumatera Utara )
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 taereka merancang, membuat dan menyebarkan produk-produknya ke 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 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.
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 < (Ade Fatma, 2007) → tidak valid
2.3.1.2. Uji Reliabilitas
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 :
2
∑
1 = � − �
2
− 1� � 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 :
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
2 3 ⋯ + ⋯ +
1
2
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
.
= 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
2
3
⋯ +
1
2
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
- 5)
2
= − �( − 1) − � ln| |
6 dengan derajat kebebasan (degree of freedom) df = ( − 1)/2 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 :
1
12
13
1 n = 3
21 23 �
→�
1
31
32
1
12
13
14
1
21
23
24
n = 4 �
→�
1
34
31
32
1
41
42
43
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.
2
2
2
- 1
2
- = ℎ ⋯ +
dimana : h i = communality variabel ke-i ; i = 1,2,3,...,n.
= nilai factor loading
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.
2
∑ ∑
=1 =1
, = = 1,2, … , ; = 1,2, … ,
2
2
- =1 =1 =1 =1
∑ ∑ ∑ ∑
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, … ,
2
2
- =1 =1 =1 =1
∑ ∑ ∑ ∑
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
2. Membentuk matriks korelasi
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
1
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 :
x = eigenvector, (Anton Howard, 2000)
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 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 = × √
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 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 residuals. Jika banyak residual yang besar (residual > 0,05), berarti model faktor yang dihasilkan tidak tepat sehingga model perlu dipertimbangkan kembali.