Pendahuluan

Pengukuran dan pemahaman terhadap kinerja suatu perusahaan merupakan aspek kritis dalam mengelola bisnis dengan efektif. Dalam upaya ini, peneliti akan menganalisis dataset yang mencerminkan beberapa variabel kunci yang mempengaruhi citra atau image perusahaan. Data ini memberikan gambaran mengenai promosi, kepuasan pelanggan, kenyamanan, penawaran produk, pelayanan, dan harga produk.

Analisis yang digunakan

Dalam penelitian ini, peneliti akan menerapkan Analisis Komponen Utama (PCA). PCA adalah teknik statistik yang digunakan untuk mereduksi dimensi dataset dan mengidentifikasi pola-pola utama atau komponen-komponen utama yang membentuk data. Hal ini akan membantu kami memahami hubungan antarvariabel dan menyederhanakan representasi data tanpa kehilangan informasi yang signifikan.

Variabel yang digunakan

Variabel-variabel yang akan digunakan dalam analisis komponen utama ini adalah sebagai berikut:

  • X1 (PROMOSI): Menunjukkan upaya promosi yang dilakukan perusahaan untuk meningkatkan visibilitas dan kepercayaan pelanggan terhadap produk atau layanan yang ditawarkan.

  • X2 (KEPUASAN): Mengukur tingkat kepuasan pelanggan terhadap produk atau pengalaman yang mereka terima dari perusahaan.

  • X3 (KENYAMANAN): Mencerminkan kenyamanan atau kemudahan yang dirasakan oleh pelanggan dalam menggunakan produk dari perusahaan.

  • X4 (PENAWARAN): Menilai kualitas dan daya tarik penawaran produk perusahaan.

  • X5 (PELAYANAN): Mempresepsikan pelanggan terhadap kualitas pelayanan yang diberikan oleh perusahaan.

  • X6 (HARGA): Mengukur bagaimana harga produk mempengaruhi persepsi pelanggan terhadap nilai yang diberikan.

Variabel-variabel ini akan membantu kami mengidentifikasi faktor-faktor utama yang berkontribusi terhadap citra perusahaan dan memahami hubungan antarvariabel dalam konteks kinerja perusahaan.

Hasil & Interpretasi

Langkah 1 : Import data

library(readxl)
library (DT)
data("DATA")
datatable(DATA)

Langkah 2 : Membuat data standarized

dengan menggunakan ’head()’digunakan untuk melihat beberapa baris dari sebuah data

DATA_standardized = scale(DATA)
head(DATA_standardized)
##                X1        X2        X3         X4          X5         X6
## [1,] -0.759194488 -1.167929 -1.148573 -1.5898780 -0.92687825 -0.6477843
## [2,] -0.003086156 -1.167929 -1.031882 -0.3143312 -0.05598593 -0.2916352
## [3,] -1.407287343 -1.167929 -1.148573 -1.5898780 -0.92687825 -1.2888527
## [4,] -0.327132584 -1.167929 -1.031882 -1.5898780 -0.92687825  0.1357437
## [5,] -0.975225440 -1.167929 -1.031882 -1.5898780 -0.92687825  0.1357437
## [6,] -1.191256391 -1.167929 -1.031882 -0.3143312 -0.05598593 -0.4768328

Karena pada data X1 hingga Y memiliki tanda (-) maka perlu dilakukan sebuah standarisai data. Pada tahap ini, seluruh variabel disamakan standarnya. Jadi. tiap variabel bisa memiliki kontribusi yang sama dalam analisis.

Langkah 3 : Mencari matriks covarians

DATA_covariance <- cov(DATA_standardized)
DATA_covariance
##             X1           X2           X3        X4          X5           X6
## X1 1.000000000  0.305978887  0.003528198 0.1116683  0.04810936  0.330594636
## X2 0.305978887  1.000000000  0.098662969 0.1389601 -0.08517445  0.003635813
## X3 0.003528198  0.098662969  1.000000000 0.1221550  0.36470795 -0.216899470
## X4 0.111668336  0.138960114  0.122155000 1.0000000  0.26422309  0.135592267
## X5 0.048109359 -0.085174450  0.364707951 0.2642231  1.00000000  0.035175435
## X6 0.330594636  0.003635813 -0.216899470 0.1355923  0.03517544  1.000000000

matriks ragam peragam dihitung dari data yang telah distandarisasi. Tujuan tahapan ini untuk mengetahui hubungan antarvariabel dari kumpulan input data.

Langkah 4 : Menghitung komponen utama nilai eigen dan vektor eigen

library(Matrix)
## Warning: package 'Matrix' was built under R version 4.3.1
DATAeigen= eigen(DATA_covariance)
DATAeigen
## eigen() decomposition
## $values
## [1] 1.5914075 1.4663833 1.0938541 0.8137857 0.5240741 0.5104954
## 
## $vectors
##            [,1]        [,2]       [,3]       [,4]        [,5]        [,6]
## [1,] -0.4857485  0.41732523  0.1340815 -0.4215671  0.51460708  0.35968163
## [2,] -0.3637618  0.21237800  0.7079624  0.1854062 -0.20112580 -0.49652302
## [3,] -0.3242790 -0.56376895  0.2488887 -0.3287699 -0.47820476  0.42224714
## [4,] -0.5041079 -0.09724975 -0.2006542  0.7750749  0.08212218  0.29777597
## [5,] -0.4299258 -0.45420072 -0.3588310 -0.2321720  0.27851256 -0.59045129
## [6,] -0.2959862  0.49713580 -0.4998440 -0.1586543 -0.61784697 -0.09218525

menghitung nilai dan vektor eigen tujuannya agar peneliti bisa mengindentifikasi komponen utama. Output yang dihasilkan dari fungsi diatas:

  • Values, yaitu nilai ini bisa digunakan untuk melihat seberap besar varians yang dapat dijelaskan pada komponen utama. Pada eigen values dapat kita lihat bahwa terdapat 3 komponen utama yang hasilnya lebih dari 1.Dengan nilai komponen pertama sebesar 1.5914075, komponen kedua sebesar 1.4663833, dan komponen ketiga sebesar 1.0938541.jadi terdapat 3 komponen yang akan kita pilih sebagai komponen utama.
  • Vectors, nilai ini digunakan untuk membuat persamaan komponen utama yang telah terbentuk.

Langkah 5 : Mencari komponen utama dengan scatter plot

plot(x=rep(1:6,length.out=6),y=DATAeigen$values, main="scatter plot",
     ylab="Eigen values",xlab="PC",type="o",col="blue")

Bisa kita lihat pada grafik diatas bahwa grafik tersebut mulai melandai yang dimana ini membuktikan bahwa hanya ada 3 buah komponen yang terbentuk yaitu komponen ke-1 komponen ke-2, dan komponen ke-3. Untuk komponen sisanya dapat kita lihat semakin melandai dan semakin kecil (<1) sehingga tidak kita pilih.

Langkah 6 : Melakukan PCA

DATAPCA=prcomp(x=DATA,scale=T,center=T)
summary(DATAPCA)
## Importance of components:
##                           PC1    PC2    PC3    PC4     PC5     PC6
## Standard deviation     1.2615 1.2109 1.0459 0.9021 0.72393 0.71449
## Proportion of Variance 0.2652 0.2444 0.1823 0.1356 0.08735 0.08508
## Cumulative Proportion  0.2652 0.5096 0.6919 0.8276 0.91492 1.00000

Didapatkan pada output diatas bahwa kumulatif proporsi yang dapat menjelaskan keragaman data menurut beberapa sumber disarankan memiliki nilai 70-80%. disini menyesuaikan dengan nilai eigen diatas jadi saya menggunakan 70% keragaman data maka kita lihat nilai kumulatif proporsi bahwa PC3 sudah dapat menjelaskan 0,6919 jika dibulatkan menjadi 0,7 atau 70% dari keragaman data.

Langkah 7 : Persamaan PCA

KU1 menggambarkan ukuran dari daya tarik penawaran, upaya promosi, dan kualitas pelayanan, Ketiga indikator ini merupakan indikator terkuat KU1. Berdasarkan informasi tersebut maka KU1 dapat dinamakan indeks daya tarik penawaran dan pelayanan

KU2 menggambarkan ukuran dari kenyamanan, harga produk , dan tingkat kepuasaan pelanggan terhadap produk, Ketiga indikator ini merupakan indikator terkuat KU2. Berdasarkan informasi tersebut maka KU2 dapat dinamakan indeks pengalaman pelanggan terhadap kenyamanan, harga, dan kepuasan produk

KU3 menggambarkan ukuran dari tingkat kepuasaan pelanggan, harga produk, dan kualitas pelayanan, Ketiga indikator ini merupakan indikator terkuat KU3. Berdasarkan informasi tersebut maka KU3 dapat dinamakan indeks kepuasan, harga, dan layanan unggulan

Kesimpulan

Dapat disimpulkan bahwa data kinerja suatu perusahaan yang terdiri dari 6 variabel dapat direduksi menjadi 3 indikator namun tetap dapat menggambarkan keragaman dari data awal. Kedua indikator tersebut adalah

  1. daya tarik penawaran dan pelayanan
  2. pengalaman pelanggan terhadap kenyamanan, harga, dan kepuasan produk
  3. kepuasan, harga, dan layanan unggulan

dari ketiga indikator tersebut, yang berperan besar dalam menjelaskan kinerja perusaahan adalah kepuasan, pelayanan, dan juga harga produk. Indikator yang tebentuk ini dapat digunakan untuk analisis lanjutan karena memiliki sifat saling bebas.

Sumber

Astutik, S (2018). Analisis Multivariat: Teori dan Aplikasinya dengan SAS.UB Press.