Analisis Faktor Eksploratori pada kebiasaan Impulsive Buying Pengguna Pembayaran Buy Now Pay Later (BNPL)
Dinda Intan Wahyuni
2024-11-09
1 PENDAHULUAN
1.1 Latar Belakang
Kemajuan teknologi memberikan banyak kemudahan dalam segala segi kehidupan salah satunya adalah kemudahan berbelanja yang sudah banyak bergeser dari cara konvensional menjadi serba digital. Tren penggunaan Buy Now Pay Later meningkat secara pesat di Indonesia, BNPL memungkinkan pengguna untuk melakukan pembelian barang/jasa tanpa pembayaran dimuka, melainkan dapat dibayar dalam jangka waktu tertentu(cicilan) dengan biaya/bunga tertentu. Survei yang dilakukan oleh Kredivo bersama Katadata Insight Center (KIC) menyatakan bahwa e-wallet menjadi metode pembayaran yang paling banyak dipilih pada 2023, yakni mencapai 84,3%. Pada survei yang sama ditunjukan 45,9% dari konsumen menggunakan Paylater, angka ini menunjukan berkembangnya tren pembayaran digital di Indonesia.
Antusiasme masyarakat dalam penggunaan kemudahan berbelanja melalui BNPL ini bisa mendukung konsumen untuk membuat keputusan pembelian tanpa berfikir panjang yang mengarah ke impulse buying (Mitchell and Qadar, 2019). Impulse buying merupakan sebuah perilaku yang dilakukan seseorang ketika membeli produk yang tidak direncakan secara spontan (Rook, 1987). Apabila terlalu larut dalam perilaku ini banyak dampak negatif yang bisa muncul seperti kondisi ekonomi pribadi yang akan sulit karena terlilit hutang juga peningkatan sampah pribadi karena barang-barang yang dibeli secara spontan tanpa memperhitungkan kebutuhan.
Keputusan untuk melakukan pembelian spontan atau impulsive dapat dipengaruhi oleh berbagai faktor seperti kebiasaan, penggunaan dan promosi e-PayLater, Kontrol diri dan masih banyak lagi. Dalam konteks ini, analisis faktor eksploratori menjadi penting untuk mengidentifikasi faktor-faktor utama yang berperan dalam pengambilan Impulsive Buying. Hasil analisis ini dapat memberikan pemahaman yang lebih baik pada faktor utama yang melatar belakangi pengambilan keputusan konsumen dan perilaku konsumen yang distimulasi oleh penggunaan BNPL.
1.2 Tinjauan Pustaka
1.2.1 Analisis Faktor
Analisis faktor adalah metode yang digunakan untuk mencari faktor yang menjelaskan hubungan atau korelasi antara berbagai indikator independen yang diamati. Tujuan analisis faktor adalah untuk menjelaskan bagaimana struktur hubungan di antara banyak variabel diwakili oleh faktor (Hanggita, 2018). Analisis faktor mencangkup pencarian faktor yang dapat menjelaskan sebagian besar varians dalam data dengan tetap mempertahankan informasi yang relevan dari variabel asli, faktor-faktor tersebut memberikan gambaran hubungan dan keterkaitan antara variabel yang diamati sehingga membantu mereduksi kompleksitas data dan membantu menemukan pola yang mendasari.
terdapat dua pendekatan utama yang umum digunakan, yaitu eksploratori (exploratory factor analysis) dan konfirmatori (confirmatory factor analysis). EFA biasa digunakan jika belum diketahui teori atau dugaan mengenai jumlah faktor serta variabel mana saja yang terkait dengan faktor tertentu, sehingga peneliti bebas melakukan pengembangan atau eksplorasi data. sedangkan pada CFA peneliti biasanya telah memiliki teori atau dugaan secara apriori terlebih dahulu, variabel-variabel mana saja yang berhubungan dengan faktor mana saja (Gundono, 2011). Model analisis faktor adalah seperti berikut: \[ \begin{align*} x_{i}&=\Sigma\lambda_{ij}f_{j}+u_{i}\\ x_{1}&=\lambda_{11}f_{1}+\lambda_{12}f_{2}+...+\lambda_{1k}f_{k}+u_{1}\\ x_{2}&=\lambda_{21}f_{1}+\lambda_{22}f_{2}+...+\lambda_{2k}f_{k}+u_{2} \\ &\vdots\\ x_{q}&=\lambda_{q1}f_{1}+\lambda_{q2}f_{2}+...+\lambda_{qk}f_{k}+u_{q} \end{align*} \] dimana, \(x'=[x_i,x_2,...,x_q]\) adalah q indikator (variabel manifes) yang dapat diobservasi dan \(F_i=[x_i,x_2,...,x_q]\) adalah k faktor bersama (variabel laten) yang tidak dapat diobservasi dengan \(k<q\). \(\lambda_{ij}\) adalah nilai pembobot faktor yang ketika diestimasi dari matriks korelasi sampel akan menjadi estimasi korelasi antara faktor dan variabel manifes.Nilai yang lebih besar menghubungkan suatu faktor dengan variabel manifes yang bersesuaian, dengan melihat variabel manifes mana yang mempunyai bobot tinggi pada suatu faktor setiap faktor dapat diberikan deskripsi atau label yang bermakna. Sedangkan \(u_i\) dalam hal ini dikenal sebagai varians spesifik untuk setiap \(x_i\)
1.2.2 Analisis pendahulu
Untuk melakukan analisis faktor, terdapat analisis pendahulu yang harus dilakukan dan harus terpenuhi untuk menentukan apakah analisis faktor sesuai diterapkan pada data dengan memeriksa matriks korelasi.
Uji Kaiser-Meyer-Olkin (KMO)
Uji Kaiser-Meyer-Olkin (KMO) merupakan suatu indeks yang dipergunakan untuk meneliti ketepatan analisis faktor. Analisis faktor dikatakan tepat apabila nilai KMO berkisar antara 0,5 sampai 1,0 dan sebaliknya jika nilai KMO kurang dari 0,5 berarti analisis faktor tidak tepat (Daely, K. , dkk, 2013).
Hipotesis:
\(H_0\)=Jumlah data cukup untuk difaktorkan
\(H_1\)=Jumlah data tidak cukup untuk difaktorkan
Uji statistik: \[ KMO=\frac {\Sigma_i\Sigma_{i\neq j} r^2_{ij}}{\Sigma_i\Sigma_{i\neq j}r^2_{ij}+\Sigma_i\Sigma_{i\neq j}a^2_{ij}} ;i=1,2,...,p;j=1,2,...,p \] \(r_{ij}\)=koefisien korelasi sederhana antar variabel i dan j
\(a_{ij}\)=koefisien korelasi parsial antar variabel i dan j
Bartlett’s Test of Sphericity
suatu uji untuk membuktikan hipotesis bahwa variabel tidak saling berkorelasi (uncorrelated) dalam populasi. Atau dapat diartikan bahwa matriks korelasi populasi merupakan matriks identitas (identity matrix).(Daely, K. , dkk, 2013).
Hipotesis:
\(H_0\)=Tidak terdapat korelasi yang signifikan antar variabel
\(H_1\)=Terdapat korelasi yang signifikan antar variabel.
Uji statistik: \[ x^2_{obs}=-[(N-1)-\frac{(2p+5)}{6}]ln|R| \] N=jumlah observasi
p=jumlah variabel
|R|=deteminasi dari matriks korelasi
Jika p-value < 0.05, maka H0 ditolak. Syarat analisis faktor terpenuhi
Uji Measure Sampling Adequacy (MSA)
MSA mengukur seberapa baik variabel-variabel dalam data berkorelasi satu sama lain.Measure of Sampling Adequacy (MSA) yaitu suatu indeks perbandingan antara koefisien korelasi parsial untuk setiap variabel. (Daely, K. , dkk, 2013). MSA digunakan untuk mengukur kecukupan sampel. Nilai MSA berkisar dari 0 hingga 1.Dasar pengambilan keputusan yaitu jika nilai MSA Indikator < 0.5 maka Indikator tersebut akan tereliminasi dan tidak dapat diikutsertakan dalam analisis komponen utama.
1.2.3 Metode Ekstraksi Faktor
Meskipun banyak faktor bermakna dapat ditentukan oleh peneliti (secara subjektif), beberapa aturan telah menjadi acuan dari waktu ke waktu. Salah satu aturan yang paling penting dan telah diterima secara luas adalah Kaiser criterion. Aturan ini memperhitungkan semua faktor dengan nilai eigen yang lebih besar dari 1 sebagai faktor yang bermakna, karena nilai eigen yang kurang dari 1 menggambarkan faktor yang kurang baik dalam menjelaskan varians dari masing-masing variabel manifes. Kaiser criterion seringkali disertai dengan scree plot di mana nilai eigen diplot terhadap banyak faktor di dalam sistem koordinat dengan urutan nilai eigen yang menurun dan banyak faktor yang meningkat (Cleff, 2019).
Ekstraksi faktor adalah suatu metode yang digunakan untuk mereduksi data dari beberapa indikator yang menghasilkan faktor yang lebih sedikit yang mampu menjelaskan korelasi antar indikator yang diobservasi.terdapat dua pendekatan dalam mengekstraksi faktor yakni menggunakan metode PCA (Principal Component Analysis) dan CFA (Common Factor Analysis). PCA digunakan untuk mereduksi indikator yang tidak memenuhi korelasi berdasarkan nilai MSA. Dasar pengambilan keputusan dalam PCA yaitu melalui nilai eigen yang terbentuk ≥ 1 maka faktor tersebut dapat menjelaskan indikator dengan baik sehingga perlu disertakan dalam pembentukan indikator.Sedangkan PFA mengasumsikan bahwa varians variabel dapat dipisahkan menjadi dua bagian. Bagian pertama ditentukan oleh varians gabungan dari semua variabel dalam analisis. Bagian lainnya ditentukan oleh varians spesifik untuk variabel yang bersangkutan (Cleff, 2019).
1.3 Data
Pada analisis ini, digunakan data sekunder atau data data yang didapatkan peneliti melalui sumber-sumber yang sudah ada. Pengumpulan data ini sendiri dilakukan kepada 810 responden yang mengisi kuisioner online sesuai dengan kriteria yakni berusia diatas 17 tahun dan pernah melakukan belanja online. Terdapat 28 pertanyaan survey (Variabel) yang dijawab menggunakan nilai skala 1-5 dimana mewakili:
1= Sangat tidak setuju
2= Tidak Setuju
3= Netral
4= Setuju
5= Sangat Setuju
2 SOURCE CODE
2.1 Library
> library(readxl)Digunakan untuk membaca file excel (.xls dan .xlsx) dan mengimpornya ke dalam R sehingga dapat digunakan untuk analisis yang lebih lanjut
> library(REdaS)package REdas digunakan untuk melakukan anaslisis pendahuluan seperti uji KMO, uji MSA dan uji Bartlett’s
> library(psych)Digunakan untuk analisis faktor, analisis komponen utama, analisis korelasi, pengukuran reliabilitas, dan sejumlah alat lainnya yang berguna dalam penelitian sosial dan psikologi.
2.2 Input Data
Dengan menggunakan packages read_excel dan diisi
menggunakan alamat dimana data tersebut tersimpan di perangkat file
Hasil_Questionnaire.xlsx diimpor ke R dan disimpan dalam
inputyang kemudia dijadikan data frame dengan nama
data.
str(data)digunakan untuk mengetahui struktur data tabeldata`
contohnya berapa pengamatan dan variabel didalamnya.
> #input data
> input<-read_excel("D:/semester 5/AnMul/Hasil_Questionnaire.xlsx")
> data=data.frame(input)
> str(data)
'data.frame': 810 obs. of 28 variables:
$ Q1 : num 3 3 3 4 1 4 4 1 2 4 ...
$ Q2 : num 3 1 3 4 1 5 1 1 2 3 ...
$ Q3 : num 3 2 3 4 1 2 3 2 2 3 ...
$ Q4 : num 1 1 3 4 1 5 4 3 2 2 ...
$ Q5 : num 3 3 3 4 2 3 1 1 1 2 ...
$ Q6 : num 3 4 3 4 2 3 1 1 2 2 ...
$ Q7 : num 3 3 3 4 2 4 1 1 2 2 ...
$ Q8 : num 3 3 3 4 2 3 1 1 3 2 ...
$ Q9 : num 2 1 3 4 2 4 1 1 3 3 ...
$ Q10: num 2 1 4 4 1 5 1 1 2 3 ...
$ Q11: num 2 1 3 4 2 5 1 1 2 3 ...
$ Q12: num 2 4 3 4 3 3 1 1 2 3 ...
$ Q13: num 1 2 3 4 1 4 1 1 2 3 ...
$ Q14: num 1 3 3 4 2 3 1 1 2 3 ...
$ Q15: num 4 4 4 4 3 3 5 5 3 3 ...
$ Q16: num 3 4 4 4 3 4 5 5 2 3 ...
$ Q17: num 4 4 4 4 4 4 5 5 2 3 ...
$ Q18: num 3 4 4 4 3 3 5 5 2 3 ...
$ Q19: num 5 4 4 2 5 1 5 3 5 4 ...
$ Q20: num 5 4 4 4 2 1 5 3 5 4 ...
$ Q21: num 3 2 2 2 3 2 2 1 4 3 ...
$ Q22: num 3 3 2 2 1 5 3 2 4 3 ...
$ Q23: num 4 4 2 2 5 5 2 3 4 3 ...
$ Q24: num 3 5 3 1 3 3 5 5 3 3 ...
$ Q25: num 3 5 3 1 3 4 5 5 5 3 ...
$ Q26: num 4 5 3 1 2 4 5 5 5 3 ...
$ Q27: num 3 5 3 2 3 4 5 5 5 3 ...
$ Q28: num 2 4 3 1 3 4 5 5 5 3 ...2.3 Uji Pendahulu
2.3.1 Uji KMO dan MSA
Untuk mengetahui nilai statistik KMO dan MSA kita menggunakan fungsi
KMOS() yang ada pada library
REdaS
> #Uji KMO dan MSA
> KMOS(data)2.3.2 Uji Bartlett
Untuk mengetahui nilai statistik Bartlett’s Test of Sphericity kita
menggunakan fungsi bart_spher() yang ada pada
library REdaS
> #Uji Bartlett’s Test of Sphericity
> bart_spher(data)2.4 Analisis Faktor
2.4.1 Nilai eigen dan scree plot
> corr=cor(data)
> eigen=eigen(corr)
> eigen$values
>
> scrplt = plot(eigen$values, main = "Scree Plot", xlab = "Factors", ylab = "Eigen Values",pch = 23, col = "blue", type = "o", lwd = 1.7)
> axis(1,at=seq(1,28))+abline(h = 1, col = "maroon", lty = 2, lwd = 1.7)fungsi cor() digunakan untuk mengetahui matriks korelasi
antar variabel dari data.Matriks atau data frame yang berisikan korelasi
tersebut disimpan dalam nama corr. kemudian digunakan
fungsi ‘eigen()’ untuk mengitung vektor eigen dan sekaligus nilai eigen
yang disimpan dengan nama eigen. Untuk menentukan faktor
bermakna maka kita bisa menampilkan hasil nilai eigen dengan fungsi
eigen$values.
Kita juga menggunakan scree plot untuk memvisualisasikan
nilai eigen mana yang memiliki nilai diatas 1. fungsi ‘plot()’ digunakan
pada pembuatan scree plot dengan argumen main=
untuk membuat judul utama, ylab= untuk membuat judul bagi
sumbu y dan xlab= untuk judul sumbu x, pch=
untuk menentukan bentuk poin (titik) yang mewakili nilai data (nilai
eigen pada variabel tersebut), col= untuk menentukan warna,
type= untuk menentukan jenis garis yang yang digunakan,
lwd= untuk ketebalan garis. fungsi axis()
digunakan untuk menyatakan bagaimana sumbu x ditampilkan setiap faktor
dari 1 sampai faktor ke 28, dan abline() untuk membuat
garis batas sumbu horizontal yang menunjukan lebih jelas mana nilai
eigen yang berada di atas atau di bawah nilai 1.
2.4.2 Ekstraksi Faktor dengan PCA
> #Hasil analisis faktor
> nfaktor=7
>
> #Menggunakan PCA sebagai metode ekstraksi
> PCA = principal(r =corr , nfactors = nfaktor, rotate = "varimax")
> PCA$communality
> PCAUntuk mengekstraksi faktor menggunakan metode PCA digunakan fungsi
principal() dari package psychdengan argumen
r=adalah matriks korelasi antar variabel yang sebelumnya
disimpan sebagai corr, ‘nfactors’ adalah banyaknya komponen
yang diekstrak,dan ‘rotate’ menyatakan metode rotasi yang kita gunakan
yang dalam ini kita menggunakn metode varimax.
2.4.3 Ekstraksi Faktor dengan PFA
> PFA = fa(r = data, nfactors = nfaktor, rotate = "varimax", fm = "pa")
> PFA
> head(PFA$scores)Untuk mengekstraksi faktor menggunakan metode PCA digunakan fungsi
fa() dari package psych dengan argumen
r=adalah matriks korelasi antar variabel yang sebelumnya
disimpan sebagai corr, ‘nfactors’ adalah banyaknya komponen
yang diekstrak,dan ‘rotate’ menyatakan metode rotasi yang kita gunakan
yang dalam ini kita menggunakn metode varimax.fm, yaitu
metode ekstraksi faktor yang digunakan, dalam hal ini adalah PFA (“pa”).
head(PFA$scores) digunakan untuk menunjukan 6 data teratas
saja karena terdapat 810 data yang akan muncul
2.4.4 Plot
> fa.diagram(PFA)Visualisasi dengan fungsi fa.diagram() menggunakan argumen;
fa.resultsdimana kita menginput hasil analisis faktor,
dalam hal ini adalah PFA; dan cut, yaitu batas nilai
absolut pembobot faktor yang akan ditampilkan (dihubungkan dengan
variabel yang bersesuaian).
3 HASIL DAN PEMBAHASAN
3.1 Uji KMO
Kaiser-Meyer-Olkin Statistics
Call: KMOS(x = data)
Measures of Sampling Adequacy (MSA):
Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8
0.8812445 0.8443634 0.8150340 0.9303002 0.9061446 0.8789629 0.8995195 0.9135148
Q9 Q10 Q11 Q12 Q13 Q14 Q15 Q16
0.9510281 0.9553530 0.9195133 0.9375051 0.9304983 0.9451417 0.8117938 0.8537883
Q17 Q18 Q19 Q20 Q21 Q22 Q23 Q24
0.7784208 0.8567866 0.4952083 0.5110406 0.7701885 0.8082592 0.8594269 0.7621739
Q25 Q26 Q27 Q28
0.7370305 0.8477179 0.7585198 0.7619851
KMO-Criterion: 0.8762878Berdasarkan output nilai uji KMO sebesar 0,8762>0,5 (lebih dari lima) sehingga kita dapat menolah \(H_0\) atau menyatakan bahwa analisis faktor dapat diterapkan.
Seluruh nilai MSA juga menunjukan nilai yang >0,5 (lebih dari 0,5) sehingga semua variabel dapat diikutsertakan dalam analisis
3.2 UJI Bartlett’s
Bartlett's Test of Sphericity
Call: bart_spher(x = data)
X2 = 17140.391
df = 378
p-value < 2.22e-16Berdasarkan output pada uji Bartlett’s diketahui nilai signifikansi sebesar kurang dari 2.22e-16 atau 0,000<0,5 (kurang dari 0,5) sehingga kita bisa menolak \(H_0\) dan terdapat cukup bukti untuk menyatakan bahwa antar variabel saling berkorelasi dan layak untuk dilakukan analisi faktor
3.3 Faktor Bermakna dengan eigen dan scree plot
[1] 8.85641407 3.17430219 3.10480357 2.08973434 1.60863601 1.28350077
[7] 1.03078245 0.81299543 0.76241391 0.56755153 0.56400381 0.45176553
[13] 0.41436940 0.35867144 0.34178043 0.31009515 0.29394714 0.27569896
[19] 0.25533530 0.24460307 0.23060256 0.19479026 0.18077667 0.14370138
[25] 0.13553516 0.12479942 0.10432483 0.08406525
numeric(0)Berdasarkan nilai eigen dan scree plot diketahui bahwa terdapat & faktor yang memiliki nilai eigen lebih dari 1 (dapat dengan baik menjelaskan masing-masing variansi variabel dengan baik) sehingga sesuai dengan Kaiser criterion, banyak faktor bermakna yang akan diekstrak adalah sebanyak 7 faktor.
3.4 Ekstraksi Faktor dengan PCA
Principal Components Analysis
Call: principal(r = corr, nfactors = nfaktor, rotate = "varimax")
Standardized loadings (pattern matrix) based upon correlation matrix
RC1 RC2 RC3 RC7 RC6 RC4 RC5 h2 u2 com
Q1 0.23 0.13 -0.14 0.03 0.73 -0.20 0.06 0.68 0.32 1.5
Q2 0.24 0.06 -0.09 0.13 0.81 -0.11 0.01 0.76 0.24 1.3
Q3 -0.01 0.10 0.08 0.07 0.72 -0.07 -0.03 0.55 0.45 1.1
Q4 0.36 0.20 -0.10 0.08 0.54 -0.18 -0.22 0.57 0.43 2.9
Q5 0.46 0.07 -0.03 0.78 0.12 -0.04 0.00 0.85 0.15 1.7
Q6 0.43 0.13 -0.01 0.81 0.05 -0.02 -0.04 0.87 0.13 1.6
Q7 0.49 0.07 -0.08 0.75 0.16 -0.09 0.03 0.85 0.15 1.9
Q8 0.53 0.10 -0.09 0.76 0.09 -0.04 0.03 0.88 0.12 1.9
Q9 0.76 0.13 -0.05 0.43 0.11 -0.05 0.01 0.79 0.21 1.7
Q10 0.82 0.10 -0.01 0.16 0.13 -0.10 0.00 0.73 0.27 1.2
Q11 0.89 0.08 -0.05 0.24 0.15 -0.10 0.00 0.88 0.12 1.3
Q12 0.87 0.03 -0.03 0.23 0.14 -0.11 0.04 0.85 0.15 1.2
Q13 0.83 0.02 -0.04 0.24 0.18 -0.13 0.03 0.81 0.19 1.3
Q14 0.84 0.10 -0.05 0.20 0.04 -0.09 -0.03 0.77 0.23 1.2
Q15 0.04 0.87 -0.02 0.09 0.11 -0.07 0.13 0.80 0.20 1.1
Q16 0.17 0.85 -0.02 0.10 0.20 -0.10 0.04 0.81 0.19 1.3
Q17 -0.01 0.91 0.00 0.00 0.01 -0.07 -0.01 0.83 0.17 1.0
Q18 0.17 0.88 -0.03 0.08 0.09 -0.12 0.04 0.84 0.16 1.2
Q19 -0.02 0.08 0.07 -0.04 -0.07 0.03 0.89 0.81 0.19 1.0
Q20 0.05 0.08 0.02 0.04 0.01 -0.03 0.90 0.83 0.17 1.0
Q21 -0.02 -0.17 -0.06 0.05 -0.08 0.77 0.03 0.64 0.36 1.1
Q22 -0.16 -0.11 0.04 -0.10 -0.16 0.84 -0.01 0.79 0.21 1.2
Q23 -0.33 -0.03 0.07 -0.10 -0.25 0.74 -0.02 0.73 0.27 1.7
Q24 -0.04 0.04 0.77 -0.11 -0.02 0.10 0.01 0.61 0.39 1.1
Q25 -0.01 0.02 0.81 -0.07 0.01 0.13 0.07 0.68 0.32 1.1
Q26 -0.09 0.03 0.81 0.02 -0.03 0.00 -0.01 0.67 0.33 1.0
Q27 -0.07 -0.08 0.77 0.07 -0.02 -0.09 0.12 0.63 0.37 1.1
Q28 0.03 -0.07 0.78 -0.04 -0.09 -0.09 -0.08 0.64 0.36 1.1
RC1 RC2 RC3 RC7 RC6 RC4 RC5
SS loadings 5.57 3.30 3.19 2.94 2.34 2.09 1.72
Proportion Var 0.20 0.12 0.11 0.10 0.08 0.07 0.06
Cumulative Var 0.20 0.32 0.43 0.54 0.62 0.69 0.76
Proportion Explained 0.26 0.16 0.15 0.14 0.11 0.10 0.08
Cumulative Proportion 0.26 0.42 0.57 0.71 0.82 0.92 1.00
Mean item complexity = 1.4
Test of the hypothesis that 7 components are sufficient.
The root mean square of the residuals (RMSR) is 0.04
Fit based upon off diagonal values = 0.99Berdasarkan hasil analisis, diketahui bahwa terbentuk 7 faktor bermakna yang mendasari iImpulsive buying berdasarkan data keseluruhan variabel. dengan model yang terbentuk yakni
\[ \begin{align*} x_{i}&=\Sigma\lambda_{ij}f_{j}+u_{i}\\ x_{1}&=0,23 f_{1}+0,13f_{2}+...+0,0324u_{1}\\ x_{2}&=0,24 f_{1}+0,06f_{2}+...+0,0244u_{2}\\ \\ &\vdots\\ x_{28}&=0,03 f_{1}-0,07f_{2}+...+0,3561u_{28}\\ \end{align*} \] dilihat dari Proportion Variance pada output, faktor RC1 dapat menjelaskan variansi pada variabel sebesar 26%, faktor RC2 menjelaskan variansi pada variabel sebesar 16%, faktor RC3 sebesar 15%, faktor RC7 sebesar 14%, faktor RC6 sebesar 11%, faktor RC4 sebesar 10% dan faktor RC5 mampu menjelaskan sebesar 8% . Secara kumulatif, 7 faktor yang diekstrak dapat menjelaskan variansi pada variabel sebesar 76% keseluruhan variansi, sedangkan 24% lainnya dijelaskan oleh variabel lain diluar faktor bermakna.
3.5 Ekstraksi Faktor dengan Principal Factor Analysis (PFA)
Factor Analysis using method = pa
Call: fa(r = data, nfactors = nfaktor, rotate = "varimax", fm = "pa")
Standardized loadings (pattern matrix) based upon correlation matrix
PA1 PA2 PA3 PA7 PA6 PA4 PA5 h2 u2 com
Q1 0.22 0.14 -0.13 0.03 0.66 -0.20 0.04 0.56 0.44 1.7
Q2 0.23 0.06 -0.08 0.11 0.84 -0.10 0.01 0.79 0.21 1.3
Q3 0.06 0.11 0.05 0.03 0.47 -0.11 -0.04 0.26 0.74 1.3
Q4 0.34 0.19 -0.11 0.08 0.47 -0.20 -0.17 0.46 0.54 3.2
Q5 0.56 0.08 -0.03 0.67 0.12 -0.04 0.00 0.79 0.21 2.1
Q6 0.54 0.13 -0.02 0.72 0.05 -0.01 -0.04 0.83 0.17 2.0
Q7 0.58 0.08 -0.08 0.65 0.17 -0.08 0.03 0.81 0.19 2.2
Q8 0.62 0.10 -0.09 0.67 0.10 -0.04 0.03 0.86 0.14 2.1
Q9 0.79 0.13 -0.06 0.32 0.13 -0.05 0.01 0.76 0.24 1.5
Q10 0.78 0.10 -0.02 0.10 0.15 -0.11 0.00 0.66 0.34 1.2
Q11 0.91 0.08 -0.06 0.12 0.16 -0.11 -0.01 0.89 0.11 1.1
Q12 0.88 0.03 -0.03 0.12 0.15 -0.12 0.04 0.83 0.17 1.1
Q13 0.83 0.02 -0.04 0.15 0.20 -0.14 0.03 0.77 0.23 1.3
Q14 0.82 0.10 -0.06 0.13 0.07 -0.10 -0.03 0.71 0.29 1.1
Q15 0.05 0.82 -0.02 0.08 0.13 -0.08 0.13 0.73 0.27 1.2
Q16 0.17 0.81 -0.02 0.08 0.22 -0.11 0.04 0.75 0.25 1.3
Q17 0.00 0.87 0.00 0.00 0.01 -0.07 0.00 0.77 0.23 1.0
Q18 0.17 0.86 -0.03 0.07 0.11 -0.13 0.04 0.80 0.20 1.2
Q19 -0.03 0.08 0.07 -0.03 -0.08 0.03 0.76 0.60 0.40 1.1
Q20 0.06 0.08 0.03 0.04 0.01 -0.03 0.86 0.75 0.25 1.0
Q21 -0.04 -0.17 -0.05 0.05 -0.12 0.56 0.02 0.36 0.64 1.3
Q22 -0.16 -0.11 0.04 -0.09 -0.16 0.85 0.00 0.80 0.20 1.2
Q23 -0.32 -0.04 0.07 -0.08 -0.27 0.67 -0.02 0.64 0.36 1.9
Q24 -0.07 0.03 0.70 -0.06 -0.04 0.06 0.02 0.51 0.49 1.1
Q25 -0.04 0.01 0.75 -0.04 -0.01 0.09 0.07 0.59 0.41 1.1
Q26 -0.07 0.03 0.77 0.02 -0.02 0.01 0.00 0.59 0.41 1.0
Q27 -0.04 -0.07 0.70 0.03 -0.02 -0.06 0.10 0.51 0.49 1.1
Q28 0.02 -0.06 0.72 -0.04 -0.07 -0.06 -0.06 0.54 0.46 1.1
PA1 PA2 PA3 PA7 PA6 PA4 PA5
SS loadings 5.97 3.05 2.75 2.07 1.97 1.74 1.40
Proportion Var 0.21 0.11 0.10 0.07 0.07 0.06 0.05
Cumulative Var 0.21 0.32 0.42 0.49 0.56 0.63 0.68
Proportion Explained 0.32 0.16 0.15 0.11 0.10 0.09 0.07
Cumulative Proportion 0.32 0.48 0.62 0.73 0.83 0.93 1.00
Mean item complexity = 1.4
Test of the hypothesis that 7 factors are sufficient.
df null model = 378 with the objective function = 21.46 with Chi Square = 17140.39
df of the model are 203 and the objective function was 1.91
The root mean square of the residuals (RMSR) is 0.02
The df corrected root mean square of the residuals is 0.03
The harmonic n.obs is 810 with the empirical chi square 346.49 with prob < 1.4e-09
The total n.obs was 810 with Likelihood Chi Square = 1513.22 with prob < 6.7e-199
Tucker Lewis Index of factoring reliability = 0.854
RMSEA index = 0.089 and the 90 % confidence intervals are 0.085 0.094
BIC = 153.72
Fit based upon off diagonal values = 0.99
Measures of factor score adequacy
PA1 PA2 PA3 PA7 PA6 PA4
Correlation of (regression) scores with factors 0.97 0.96 0.93 0.93 0.90 0.91
Multiple R square of scores with factors 0.93 0.92 0.86 0.86 0.81 0.83
Minimum correlation of possible factor scores 0.87 0.83 0.71 0.72 0.62 0.66
PA5
Correlation of (regression) scores with factors 0.91
Multiple R square of scores with factors 0.82
Minimum correlation of possible factor scores 0.64
PA1 PA2 PA3 PA7 PA6 PA4
[1,] -0.8059258 -0.02251225 -0.4052622 1.25191242 0.08768594 0.33056618
[2,] -0.2756020 0.65664109 1.4361540 1.28703177 -1.21578250 -0.01516395
[3,] 0.5831922 0.42707983 -0.3764360 0.14331451 -0.06347327 -0.84013293
[4,] 1.3268682 0.26584871 -2.2350047 0.53638497 0.58444759 -0.57239666
[5,] -0.3026428 -0.08456286 -0.6759288 -0.02323467 -1.99656521 -1.13865362
[6,] 1.8538640 0.01153528 0.6223084 -0.49060115 1.80751276 2.29843398
PA5
[1,] 1.4797799
[2,] 0.2851521
[3,] 0.1349192
[4,] -0.5949407
[5,] -0.7921097
[6,] -3.5151349Dengan ekstraksi faktor menggunakan PFA didapatkan pula 7 faktor bermakna yang mereduksi model. Dilihat dari Proportion Variance pada output faktor PA1 dapat menjelaskan variansi pada variabel sebesar 32%, faktor PA2 menjelaskan variansi pada variabel sebesar 16%, faktor PA3 sebesar 15%, faktor PA7 sebesar 11%, faktor PA6 sebesar 10%, faktor PA4 sebesar 9% dan faktor PA5 mampu menjelaskan sebesar 7% . Secara kumulatif, 7 faktor yang diekstrak dapat menjelaskan variansi pada variabel sebesar 68% keseluruhan variansi data, sedangkan 24% lainnya dijelaskan oleh variabel lain diluar faktor bermakna.
3.6 Plot
Pembobot faktor diinterpretasikan sebagai korelasi antara faktor dan
variabel (indikator).
\(PA_1\) berkorelasi signifikan dengnan variabel \(Q_{11},Q_{12},Q_{13},Q_{14},Q_9,Q_{10}\)
\(PA_2\) berkorelasi signifikan dengnan variabel \(Q_{17},Q_{18},Q_{15},Q_{16}\)
\(PA_3\) berkorelasi signifikan dengnan variabel \(Q_{26},Q_{25},Q_{28},Q_{27},Q_{24}\)
\(PA_4\) berkorelasi signifikan dengnan variabel \(Q_{6},Q_{8},Q_{5},Q_{7}\)
\(PA_5\) berkorelasi signifikan dengnan variabel \(Q_{2},Q_{1},Q_{3},Q_{4}\)
\(PA_6\) berkorelasi signifikan dengnan variabel \(Q_{22},Q_{23},Q_{21}\)
\(PA_7\) berkorelasi signifikan dengnan variabel \(Q_{20},Q_{19}\)
4 PENUTUP
4.1 Kesimpulan
Berdasarkan analisis diperoleh 7 faktor bermakna yang diektrak dari 28 variabel (indikator) dalam survey mengenai impulsive buying pada pengguna Buy Now Pay Later (BNPL).Tujuh faktor tersebut adalah faktor kebiasaan belanja,faktor benefit dari Pay Later, faktor pengaruh iklan dan orang sekitar, faktro kesenangan pribadi, faktor penahanan diri dari godaan, perilaku spontan dan penyesalan, dan faktor Kesadaran dan pemahaman terhadap norma terkait sikap impulsive buying.Terdapat 7 variabel yang tidak memiliki korelasi signifikan dengan setidaknya salah satu faktor dalam model (komunalitasnya kecil). Hal ini mengindikasikan bahwa variabel-variabel tersebut dijelaskan dengan lebih baik oleh faktor lain di luar model.Berdasarkan faktor-faktor bermakna tersebut dari segi masyrakat(konsumen), pengambil kebijakan khususnya di bidang ekonomi, dan juga penawarn jasa Buy Now Pay Later dapat lebih mengantisipasi dan lebih sadar akan faktor-faktor timbulnya impulsive buying ini sehingga nantinya semua pihak dapat tetap merasakan kemudahan dan keuntungan secara sehat serta tanpa adanya kerugian berat di salah satu pihak.
4.2 Saran.
menambahkan uji lainnya yang dapat menggambarkan data agar diperoleh sebuah kesimpulan yang valid.Melakukan penelitian dengan jumlah sampel yang lebih besar. Ukuran sampel yang lebih besar dapat menghasilkan data penelitian yang lebih tepat dan dapat diterapkan secara umum pada populasi yang lebih besar.
5 DAFTAR PUSTAKA
Cleff, T. (2019). Applied Statistics and Multivariate Data Analysis for Business and Economics: A Modern Approach Using SPSS, Stata, and Excel. Springer.
Daely, K., Sinulingga, U., & Manurung, A. (2013). Analisis Statistik Faktor-Faktor yang mempengaruhi indeks prestasi mahasiswa. Saintia Matematika, 1(5), 483-494.
Gudono. 2011. Analisis Data Multivariat. Yogyakarta: BPFE.
Hanggita, A. T. (2018). Analisis faktor pemilihan lokasi usaha jasa pada UMKM di Kecamatan Paciran. Manajemen Bisnis, 8(2).
Kurniawan, B., Wiharna, O., & Permana, T. (2017). Studi analisis faktor-faktor yang mempengaruhi hasil belajar pada mata pelajaran teknik listrik dasar otomotif. Journal of Mechanical Engineering Education, 4(2).
Mitchell, S. & Qadar, S. (2019). Afterpay, PayPal and Zip Pay: The shopping tech making us buy more. Retrieved June 20, 2020, from https://www.abc.net.au/life/afterpay-paypaland-zip-pay-making-us-buy-more/11604216
Rook, D.W. (1987) Buying Impulse. Journal of Consumer Research, 14, 189-199, https://doi.org/10.1086/209105