Analisis Faktor Yang Mempengaruhi Peningkatan Jumlah Nasabah Bizz Pada PT. Bank Central Asia Studi Kasus : Nasabah Bank Bca Capem Surabaya - Medan

6

BAB 2

LANDASAN TEORI

2.1 BCA BIZZ

PT. BCA didirikan pada tanggal 21 februari 1957 di pusat perniagaan Jakarta, berdasarkan akte notaris Raden Mas Suprapto nomor 32 tanggal 12 oktober 1956. Pada saat itu bentuk hukumnya adalah N.V yang bergerak dibidang jasa perbankan. . Perusahaan juga meningkatkan hubungan dengan para merchant penerima paspor BCA, melalui penawaran program insentif maupun promosi khusus yang dikaitkan dengan transaksi pembelanjaan kartu paspor BCA tersebut.

Inovasi lainnya dalam peningkatan pelayanan perbankan perusahaan membuka layanan BCA Bizz singkatan dari BCA Bisnis yang mencakup 8 kantor cabang diberbagai pusat bisnis Jakarta. Sasaran BCA Bizz adalah pemilik usaha atau wirausahawan yang memerlukan layanan perbankan khusus yang dapat menghemat waktu bagi nasabahnya agar dapat mencurahkan perhatiannya kepada usahanya. Tahun 2004 layanan ini berkembang didaerah lainnya seperti Bandung, Surabaya dan Medan. BCA Bizz merupakan layanan delivery channel yang terletak disentra bisnis perdagangan seperti mal-mal atau pusat-pusat perbelanjaan modern.

BCA Bizz pertama dibuka di Pusat Perdagangan Grosir Pasar Pagi Mangga Dua Jakarta 16 Desember 2002. BCA Bizz adalah suatu bentuk layanan khusus yang diberikan oleh pihak bank kepada nasabah individual bisnis atau segmen pedagang terpilih. BCA Bizz memberikan kemudahan-kemudahan bagi pedagang yang memiliki kesibukan yang padat sehingga tidak dapat meninggalkan usahanya untuk menyelesaikan transaksi perbankannya . Nasabah BCA Bizz juga dapat memberikan kuasanya kepada orang kepercayaannya dalam menyelesaikan transaksi perbankannya. Dalam hal ini kuasa tersebut telah tercantum sebelumnya pada saat pengisian formulir nasabah BCA Bizz. BCA Bizz Cabang Pembantu Surabaya dibuka pada tanggal 21 April 2004.

Secara singkat BCA Bizz itu adalah 1. Terletak di sentra bisnis perdagangan 2. Merupakan delivery channel

3. Khusus bagi pebisnis

4. Ditujukan bagi pelaku bisnis yang membutuhkan layanan transaksi perbankan demi menunjang kelancaran bisnis.

Pemberian dari layanan BCA Bizz ini diberikan kepada nasabah yang hanya anggota dari BCA Bizz beserta wakil yang telah ditunjuk oleh nasabah anggota BCA Bizz. Untuk memberikan layanan yang nyaman lokasi ruangan BCA Bizz berada diruangan yang berbeda dengan counter untuk melayani nasabah umum. Lebih jelasnya ruangan yang disediakan berbeda dengan nasabah yang bukan anggota BCA Bizz (nasabah umum).

Adapun layanan yang dioperasikan pada BCA Bizz adalah 2.1.1Layanan Umum

a. Pembukaan rekening, dalam hal ini pembukaan rekening tahapan, giro maupun deposito

b. Transaksi ke rekening baik setoran, tarikan, pemindahbukuan, kliring dan ingkaso

c. Pencetakan mutasi rekening

d. Layanan jasa seperti KU (Kiriman Uang), OR dan setoran pajak

2.1.2 Layanan Khusus

Dalam pemberian layanan khusus ini hanya dapat dilakukan di cabang BCA Bizz tempat pertama kali nasabah direkrut (selanjutnya disebut BCA Bizz asal).

Layanan ini mencakup:

a. Tarikan Tahapan/ Tapres tanpa kartu paspor BCA yang mana jika nasabah umum melakukan transaksi penarikan atau pemindahbukuan harus menggunakan kartu paspor BCA sebagai salah satu syarat kelengkapan penarikan yang penggunaannya digesekkan pada mesin tersebut dan menekan nomor pin. Namun khusus untuk nasabah BCA Bizz diberikan

kelonggaran apabila mereka lupa membawa kartu paspor BCA, kelonggaran ini juga dapat diberikan kepada kuasanya dalam melakukan pemindahbukuan. Akan tetapi petugas akan mengkonfirmasi terlebih dahulu kepada pemilik rekening sebelum dilaksanakan transaksinya. b. Pemindahbukuan tanpa bukti kepemilikan, dalam hal ini maksudnya

bahwa transaksi pemindahbukuan dapat dilakukan oleh orang/ kuasa yang tercantum pada daftar keanggotaan Bizz yang mana dalam pelaksanaannya tidak perlu membawa kartu paspor dan buku tabungan.

c. Pick up dan Delivery uang tunai

Pick up dan Delivery diatas maksudnya adalah bahwa nasabah tidak perlu

repot-repot untuk membawa uangnya dan menanggung resiko yang besar menuju ke bank ditempat keramaian dengan membawa sejumlah uang untuk disetorkan ke rekeningnya, melainkan cukup hanya dengan menelfon ke kantor BCA bizz dan meminta untuk dijemput setorannya. Setelah petugas datang sesuai jadwal yang disepakati, nasabah hanya tinggal menitipkan secure bag yang berisi transaksi perbankan kepada petugas. Dalam hal ini petugas tidak menyelasaikan transaksi tersebut ditempat bahkan petugas tidak mengetahui transaksi yang ada didalamnya. Namun nasabah tidak perlu khawatir dengan keamanan uang dan slip-slip penting lainnya yang ada didalam bag tersebut. Pada saat secure bag diserahkan maka secure bag diproteksi dengan segel sekali pakai. Lalu

secure bag akan dibuka disatu ruangan khusus yang dilengkapi dengan

kamera CCTV digital untuk pengawasan. Kegiatan tersebut dilakukan dan diproses oleh seorang petugas BCA Bizz yang akan diawasi oleh seorang saksi. Setelah transaksi selesai dilaksanakan bukti falidasi atau slip setorannya akan diantarkan pada sore harinya. Layanan ini dilakukan dengan menggunakan jasa pihak ketiga dan dikawal oleh satu hingga dua orang petugas keamanan.

d. Drop Bag

Yakni layanan yang diberikan kepada nasabah BCA Bizz yang mana nasabah ataupun kuasanya hadir ke bank dan melakukam transaksi setoran, pemindahbukuan ataupun giro tetapi ingin segera selesai

transaksinya dan tidak mau mengantri di counter teller. Dalam hal ini BCA Bizz memberikan layanan Drop Bag yang mana nasabah atau wakilnya bias menempatkan uangnya dan slip-slip transaksinya kedalam secure bag dan meninggalkannya di counterDrop Bag di gerai BCA Bizz. Pelaksanaan dan penyelasaian transaksinya sama dengan layanan pick up diatas bedanya kalau DropBag mereka langsung datang ke Counter yang jam pelayanannya juga berbeda dengan jam pelayanan nasabah umum.Untuk hari senin sampai dengan jumat operasional dimulai jam 09:00 sampai 15:00 namun khusus untuk nasabah BCA Bizz sampai dengan jam 16:00. sedangkan hari sabtu hanya melayani nasabah BCA Bizz yang jam operasionalnya dimulai dari jam 12:00 sampai dengan 16:00 dan hanya setoran titipan.

e. Setoran Titipan hari Sabtu

Setoran titipan ini akan dibukukan pada hari senin paginya.Tujuannya diberikan fasilitas setoran titipan hari sabtu ini adalah agar nasabah tidak perlu repot- repot membawa pulang uang dan membawanya kembali hari senin untuk meyelesaikan transaksi perbankannya. Terlebih-lebih apabila rekan bisnis membayarkan uang dalam jumlah besar yang akhirnya menjadikan ketidaknyamanan dalam perjalanan dari tempat usaha menuju kerumah.

f. Layanan lainnya seperti penukaran uang kecil yang sering dibutuhkan oleh pengusaha, serta permintaan mesin gesek EDC (Electronic DataCapture)

2.1.3 Syarat dan Ketentuan BCA Bizz

Untuk menjadi anggota BCA Bizz ada beberapa syarat dan ketentuan yang harus dipenuhi oleh nasabah yakni:

a) Mengisi formulir keanggotaan BCA Bizz b) Mengisi kartu specimen tanda tangan

c) Membaca dan menandatangani formulir Ketentuan dan Syarat

d) Menyerahkan pas photo sebanyak 2 lembar termasuk wakil yang ditunjuk

Setelah nasabah menjadi anggota BCA Bizz nasabah akan diberikan kartu BCA Bizz beserta wakil yang telah ditunjuk. Kartu BCA Bizz tersebut berfungsi sebagai tanda pengenal dan merpakan sarana bagi karyawan BCA Bizz untuk mengidentifikasi nasabah yang dapat dilayani di counter BCA Bizz. Dalam pemberian layanan ini nasbah tidak dikenakan biaya untuk mendapatkan fasilitas layanan yang ada.

2.2 Variabel

Variabel adalah konsep yang mempunyai bermacam-macam nilai. Dengan demikian, variabel adalah merupakan objek yang berbentuk apa saja yang ditentukan oleh peneliti dengan tujuan untuk memperoleh informasi agar bisa ditarik suatu kesimpulan. Secara teori, definisi variabel penelitian adalah merupakan suatu objek, atau sifat, atau atribut atau nilai dari orang, atau kegiatan yang mempunyai bermacam-macam variasi antara satu dengan lainnya yang ditetapkan oleh peneliti dengan tujuan untuk dipelajari dan ditarik kesimpulan

Variabel merupakan suatu istilah yang berasal dari kata vary dan able yang berarti “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 nilai kuantitatif maupun kualitatif. Dilihat dari segi nilainya, variabel dibedakan menjadi dua, yaitu variabel diskrit dan variabel kontinu. Variabel diskrit nilai kuantitatifnya selalu berupa bilangan bulat. Variabel kontinu nilai kuantitatifnya bisa berupa pecah

Menurut hubungan antara suatu variabel dengan variabel lainnya, variabel terbagi atas beberapa yaitu:

1. Variabel Dependen

Variabel dependen dalam bahasa Indonesia sering disebut sebagai peubah tak bebas, variabel output, kriteria, atau konsekuen. Variabel ini juga sering disebut sebagai variabel terikat. Variabel terikat atau peubah tak bebas ini merupakan variabel yang dipengaruhi atau yang menjadi akibat, karena adanya variabel sebab atau peubah bebas.

2. Variabel Independen

Variabel independen atau variabel bebas, atau peubah bebas sering juga disebut dengan variabel stimulus atau predictor, atau variabel

antecedent. Jika diterjemahkan dalam bahasa Indonesia, variabel

independen disebut juga sebagai peubah bebas. Peubah bebas ini adalah merupakan peubah yang mempengaruhi atau yang menjadi sebabterjadinya perubahan terhadap peubah tak 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.

2.3.3 Uji Dalam Pengolahan Data 2.3.3.1 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 digunakan untuk menguji validitas adalah dengan korelasi product moment yang rumusnya sebagai berikut:

} Y) ( Y {n } X) ( X n { Y) X. ( XY) n( r 2 2 2 2 xy ∑ − ∑ ∑ − ∑ ∑ ∑ − ∑ = (2.1)

Keterangan:

rxy = koefisien korelasi antara variabel x dan variabel y

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 rxy≥ rtabel , menyatakan data valid

Apabila rxy< rtabel , menyatakan datatidak valid

(Ade Fatma, 2007)

2.3.3.2 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:

�= � �

� −1� �1− ∑ ��2

��2 �

(2.2) keterangan:

 = reliabilitas instrumen

k = banyaknya butir pertanyaan ∑ ��2 = jumlah varian variabel

2.4 Analisis Faktor

2.4.1 Defenisi 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 dimaksudkan 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 satu 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 multivariant selanjutnya, misalnya analisis regresi berganda atau analisis diskriminan.

3. Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu set variabel yang lebih banyak jumlahnya untuk dipergunakan di dalam analisis multivariant 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 jumlah 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:

Xi = Bi1F1 + Bi2F2 + Bi3F3 + ... + BijFj + ... + BimFm + Viµi

Dimana:

Xi = Variabel ke i yang dibakukan

Bij = Koefisien regresi yang dibakukan untuk variabel i pada komponen faktor j

Fj = Komponen faktor ke j

Vi = Koefisien regresi yang dibakukan untuk variabel ke i pada faktor yang unik

ke i

µi = Faktor unik variabel ke i

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.

Fi = Wi1X1 + Wi2X2 + Wi3X3 + ... + WikXk

(2.4) Dimana:

Fi = perkiraan faktor ke i (didasarkan pada nilai variabel X dengan koefisiennya Wi

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 Barlett adalah sebagai berikut:

R ln 6

5 (2p 1) (N X2

  

 _{− −} +

− =

dengan derajat kebebasan (degree of freedom) df = p(p – 1)/2

Keterangan:

N = jumlah observasi p = jumlah variabel

R = 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 r12 r13

n = 3 → r21 1 r23

r31 r32 1

1 r12 r13 r14

r21 1 r23 r24

r31 r32 1 r34

r41 r42 r43 1

c. Community (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.

λ

λ

λ

2

im 2

i2 2 i1

i ...

h = + + +

(2.6) dimana:

hi = communality variabel ke-i; i = 1, 2, 3, ..., m

λim = 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 Rn disebut vektor eigen (eigenvector) dari A jika Ax adalah sebuah kelipatan skalar dari x; jelasnya,

Ax = λx

(2.7)

Untuk skalar sebarang λ, skalar λ disebut nilai eigen (eigenvalue) dari A, dan x disebut sebagai vektor eigen dari A yang terkait dengan λ (Anton Howard, 2000).

e. Factor loadings (Faktor Muatan)

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 di bawah 0,5 menunjukkan bahwa analisis faktor tidak tepat untuk diaplikasikan.

p ..., 2, 1, k p; ..., 2, 1, i , KMO

a

r

r

2 k i p 1 k p 1 i 2 k i p 1 k p 1 i 2 ik p 1 k p 1

i = =

+ =

∑

∑

∑

∑

=

∑

=

∑

= = = = (2.8) Keterangan:

rik = koefisien korelasi sederhana antara variabel ke-i dan ke-k

aik = 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.

i. Percentage of variance (Persentase Varians)

Persentase varians adalah persentase total varians yang disumbangkan oleh setiap faktor.

j. Residuals

Residuals adalah selisih antara korelasi yang terobservasi berdasarkan input correlation matrix dan korelasi hasil reproduksi yang diestimasi dari matriks

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 rotsi terhadap faktor

6. Membuat interpretasi 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 ∑pxp. Matriks korelasi

digunakan sebagai input analisis faktor.

Tabel 2.1 Korelasi antar Variabel X1 X2 X3 ... Xp

X1 1

X3 r31 r32 1

... ⁞ ⁞ ⁞ 1

Xp rp1 rp2 rp3 ... 1

3. Menghitung nilai karakteristik (eigenvalue)

Perhitungan nilai karakteristik (eigenvalue), dimana perhitungan ini berdasarkan persamaan karakteristik:

det(λI - A) = 0

(2.9) dengan:

A = matriks korelasi λ = eigenvalue I = 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 = λx

(2.10) 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 sebagian 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 varias 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 Scree Plot

Scree 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, banyak faktor yang diekstraksi ditentukan berdasarkan persentase 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 = 50% 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 adalah susunan kumpulan bilangan yang diatur dalam baris dan kolom berbentuk persegi panjang.Matriks loading faktor (Λ) diperoleh dengan mengalikan matriks eigenvector (V) dengan akar dari matriks eigenvalue (L). Atau dalam persamaan matematis ditulis:

Λ = V x L

(2.11) 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 komunitas 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 koefisien 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 menginterpretasi 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

9. Menentukan Ketepatan Model (model fit)

Langkah terakhir dalam analisis faktor adalah menentukan 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.

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 rotsi terhadap faktor

6. Membuat interpretasi 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 ∑pxp. Matriks korelasi digunakan sebagai input analisis faktor.

Tabel 2.1 Korelasi antar Variabel X1 X2 X3 ... Xp X1 1

X3 r31 r32 1

... ⁞ ⁞ ⁞ 1

Xp rp1 rp2 rp3 ... 1

3. Menghitung nilai karakteristik (eigenvalue)

Perhitungan nilai karakteristik (eigenvalue), dimana perhitungan ini berdasarkan persamaan karakteristik:

det(λI - A) = 0

(2.9) dengan:

A = matriks korelasi λ = eigenvalue I = 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 = λx

(2.10) 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 sebagian 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 varias 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 Scree Plot

Scree 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, banyak faktor yang diekstraksi ditentukan berdasarkan persentase 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 = 50% 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 adalah susunan kumpulan bilangan yang diatur dalam baris dan kolom berbentuk persegi panjang.Matriks loading faktor (Λ) diperoleh dengan mengalikan matriks eigenvector (V) dengan akar dari matriks eigenvalue (L). Atau dalam persamaan matematis ditulis:

Λ = V x L

(2.11) 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 komunitas 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 koefisien 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 menginterpretasi 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

9. Menentukan Ketepatan Model (model fit)

Langkah terakhir dalam analisis faktor adalah menentukan 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.