Analisis Faktor Perkembangan Wisata Bandungan

Kelas C
Dosen Pengampu : Sri Rahayu, Ssi. Msi.

Ghiffari Barbarossa 21040118140097

 BAB I
Pendahuluan
Pertumbuhan ekonomi dunia pada tahun 2019 dan 2020 diproyeksikan akan mengalami
penurunan menjadi 3,5% pada tahun 2019 dan 3,6% pada tahun 2020 (Naufal, 2019).
Fenomena penurunan pertumbuhan ekonomi ini disebut juga sebagai pelemahan ekonomi
global. Terjadinya pelemahan ini tidak hanya didasarkan oleh ekonomi internasional namun
juga perubahan politik, keamanan, dan geopolitik global (Zulfikar & Jayadi, 2017).
Melemahnya ekonomi global akan membuat harga barang baku yang menggunakan Dollar
menjadi mahal. Hal ini akan sangat berdampak pada harga komoditas yang menggunakan
Dollar sebagai alat pembayaran, misalnya pada sektor ekspor dan impor (Novalina, 2018).
Naiknya harga komoditas yang menyebabkan terganggunya sektor ekspor dan impor membuat
perlu adanya sektor alternatif untuk membantu menjaga stabilitas PDB.
Salah sektor alternatif yang memiliki potensi tinggi ialah sektor pariwisata (Mudrikah,
2014). Hal ini disebabkan oleh sektor pariwisata yang berkontribusi melalui penerimaan
devisa, pendapatan daerah, pengembangan wilayah, penyerapan investasi serta tenaga kerja
(Naufal, 2019). Peran sektor pariwisata yang memiliki kontribusi mencapai 3,8% hingga 9%
terhadap PDB pada tahun 2012 jika mempertimbangkan multiplier effect (Sujai, 2016).
Sementara itu pada tahun 2017, sektor pariwisata menyumbang 4,5% dan naik hingga 4,8%
pada tahun 2018. Hal ini menunjukkan bahwa sektor pariwisata memiliki potensi tinggi seperti
yang dikatakan sebelumnya dalam menjaga stabilitas PDB ketika sektor ekspor dan impor
sedang terganggu akibat fenomena pelemahan ekonomi global.
Wisata Bandungan merupakan salah satu contoh pariwisata yang berlokasi di
Kabupaten Semarang. Wisata Bandungan pada umumnya berupa wisata alam, seperti puncak,
gunung, curug, atau taman. Selain wisata alam, Wisata Bandungan juga memiliki warisan
kebudayaan berupa Candi Gedong Songo, serta wisata kuliner yang menawarkan
pemandangan indah di lokasi Bandungan. Seperti yang dikatakan sebelumnya, sektor
pariwisata merupakan salah satu sektor alternatif dengan potensi yang tinggi hal ini juga
menguatkan untuk dilaksanakannya pengembangan wisata. Pengembangan yang dilakukan
haruslah tepat artinya sesuai pada aspek yang memang perlu dikembangkan. Sebab suatu
pengembangan merupakan implementasi dari rencana yang memperhatkan kaidah alokasi
sumberdaya. Untuk itu penulis menggunakan data penilaian wisatawan terhadap Wisata
Bandungan yang kemudan dianalisis faktor guna menemukan faktor-faktor apa saja yang
berpengaruh terhadap kualitas Wisata Bandungan.
 BAB II
Kajian Literatur
Pariwisata adalah Pariwisata ialah aktivitas perjalanan yang dilakukan sementara waktu
dari tempat tinggal ke daerah tujuan dengan alasan bukan untuk menetap atau mencari nafkah
melainkan hanya untuk memenuhi rasa ingin tahu, menghabiskan waktu senggang, bersenang-
senang atau berlibur (Meyers, 2009). pariwisata mempunyai peran yang strategis dalam
perkembangan perekonomian di Indonesia di luar minyak bumi dan gas. Selain sebagai sumber
penghasil devisa, sektor pariwisata mempunyai peranan yang besar dalam memacu dan
menggerakkan sektor ekonomi lainnya, serta membuka berbagai lapangan kerja. sumbangan
pariwisata sangat berarti bagi penciptaan lapangan kerja, dan kesempatan kerja yang tersedia
secara global saat ini diantaranya berasal dari sektor pariwisata. Diduga pula bahwa daya serap
tenaga kerja pada sektor pariwisata lebih besar di negara berkembang (Utami, 2016).
Pengembangan wisata merupakan salah satu bagian dari pembangunan ekonomi dalam
rangka meningkatkan pertumbuhan ekonomi suatu Negara. Pengembangan ini nantinya
diharapkan dapat menciptakan lapangan kerja bagi masyarakat yang lebih luas yang nantinya
dapat meningkatkan pendapatan masyarakat secara keseluruhan yang akhirnya dapat
meningkatkan kemakmuran masyarakat. Pengembangan pariwisata juga merupakan suatu
usaha secara berencana dan terstruktur untuk membenahi objek dan kawasan yang ada dan
membangun objek dan kawasan wisata yang baru yang akan dipasarkan pada calon wisatawan.
Pengembanngan pariwisata pada prinsipnya sama dengan pengembangan produk wisata, yang
mana dalam pengembangan produk wisata yang merupakan sarana pariwisata hendaknya
disesuaikan dengan perubahan selera wisatawan yang sangat dinamis (Sutiarso, 2017).
Analisis faktor merupakan suatu analisis yang digunakan untuk meringkas informasi
atau data jika dalam suatu penelitian terdapat berbagai variabel. Kebanyakan dari variabel-
variabel dari data penelitian tersebut saling berkorelasi dan harus diperkecil jumlahnya
sehingga dapat diperoleh data yang konseptual dan mudah dikelola (Rumlawang & Toamain,
2011). Proses analisis faktor dilakukan untuk mengetahui faktor-faktor apa saja yang
mempengaruhi kualitas Wisata Bandungan, untuk kemudian diolah sebagai masukan aspek apa
saja yang sekiranya perlu untuk dikembangkan di Wisata Bandungan.
 BAB III
Gambaran Kasus
Kecamatan Bandungan adalah sebuah kecamatan di Kabupaten Semarang, Jawa
Tengah, Indonesia. Bandungan terbentuk dari hasil pemekaran Kecamatan Ambarawa, Jambu
dan Bawen tahun 2007. Kecamatan ini berjarak sekitar 16 kiBandungan terkenal dengan Pasar
Tradisionalnya. Lokasi pasar sangatlah strategis, tepat dijalan utama Bandungan. Pasar
Tradisional Bandungan sangat menarik untuk dikunjungi, karena pasar ini dikenal sebagai
pasar wisata. Pertama kali memasuki pasar, kita disuguhi los kayu yang bersih dan tertata
dengan rapi. Walau hanya terdiri dari dua lajur, pasar terlihat penuh karena tiap los berbentuk
seperti bertumpuksehingga bisa menampung lebih banyak barang diatasnya. Kecamatan
Bandungan juga menyuguhkan tanaman hias disepanjang trotoar jalan tepatnya di depan kantor
Kecamatan Bandungan yang tak jauh dari lokasi pasar. Pasar bersebelahan dengan Taman
Wisata New Bandungan Indah Waterpark and Family Resort.
Kecamatan Bandungan terdiri dari 10 Desa yakni Bandungan, Banyukuning, Candi,
Duren, JetisJimbaran, Kenteng, Mlilir, Pakopen, dan Sidomukti. Batas-batas wilayah
Kecamatan Bandungan antara lain Kecamatan Bergas di sebelah utara, Kecamatan Bawen di
sebelah timur, Kecamatan Ambarawa dan Jambu di sebelah selatan, serta Kecamatan
Sumowono di sebelah barat. Gambaran wilayah dipetakan seperti peta di bawah ini.
Peta Administrasi Kecamatan Bandungan
Sumber : RTRW Kabupaten Semarang 2011
 Responden Kondisi Jalan Transportasi Jarak Ibukota Hotel Promosi Biro Wisata Alam Rumah Makan Sayur Buah Bunga

1 1 1 1 2 2 3 1 1 1 1 1

2 1 1 1 2 3 3 1 2 1 1 1

3 2 2 2 1 2 2 2 1 2 3 2

4 1 2 2 2 2 2 1 2 1 1 1

5 2 2 1 2 2 3 1 1 1 1 1

6 2 1 1 2 3 2 2 2 2 2 1

7 1 1 1 2 3 3 2 1 1 1 1

8 1 2 1 1 2 3 1 1 1 1 1

9 2 2 2 1 3 3 2 2 1 1 2

10 2 2 1 1 2 2 2 1 2 2 3

11 2 1 2 2 2 2 1 1 1 2 2

12 2 2 1 1 2 2 2 1 1 2 1

13 1 1 1 1 3 3 2 1 2 1 1

14 2 2 2 1 3 3 2 2 1 1 2

15 2 2 1 2 2 2 1 1 1 1 2

16 1 2 1 1 2 3 2 1 2 2 3

17 1 1 1 2 2 2 1 1 1 1 2

18 3 2 3 2 3 3 1 2 1 1 1

19 1 1 1 2 3 3 1 2 1 2 2

20 1 1 1 2 2 2 1 2 2 2 2

21 2 2 2 1 2 3 2 1 1 1 2

22 2 2 1 1 2 3 2 2 2 1 1

23 2 1 1 2 1 2 1 2 1 1 1

24 2 2 2 2 2 3 2 3 2 1 2

25 2 2 1 1 2 2 1 2 1 2 3

26 2 2 2 2 3 3 2 1 1 1 2

27 2 2 1 1 2 2 1 1 2 2 1

28 2 2 2 1 2 2 1 1 1 1 2

29 1 1 1 2 3 3 1 2 1 1 1

30 1 2 1 1 2 2 2 1 2 2 2

Tabel Lembar Kuisioner Wisata Bandungan

Lembar kuisioner berikut merupakan lembar kuisioner tentang kualitas Wisata

Bandungan dilihat dari 11 variabel berupa kondisi jalan, sarana transportasi, jarak ke ibukota,
hotel, promosi, biro wisata, kondisi alam, rumah makan, pedagang sayur, pedagang buah, dan
pedagang bunga. Pengisian kuisioner ini menggunakan 30 orang sebagai respondennya dengan
jawaban tiap orang dikodekan menjadi skala 1 sampai 3 dengan angka satu menggambarkan
kualitas terbaik kemudian menurun di setiap tingkatannya.
 BAB IV
Analisis Output

Set Variable view seperti pada gambar di samping

Masukan data ke data view

Klik analyze → Dimension Reduction → Factors → Input semua variabel kecuali responden

Set Pengaturan analisis faktor SPSS seperti gambar di atas

 Descriptive Statistics
Mean Std. Deviation Analysis N
Kondisi Jalan 1,63 0,556 30
Transportasi 1,63 0,490 30
Jarak Ibukota 1,37 0,556 30
Hotel 1,53 0,507 30
Promosi 2,30 0,535 30
Biro Wisata 2,53 0,507 30
Alam 1,47 0,507 30
Rumah Makan 1,47 0,571 30
Sayur 1,33 0,479 30
Buah 1,40 0,563 30
Bunga 1,63 0,669 30

Statistik deskriptif menggambarkan Mean, Standard Deviation, dan Analysis N. Pada tabel
mean terlihat bahwa rerata jawaban pengunjung berkisar antara 1,37—2,53. Hal ini
menunjukkan bahwa kualitas wisata di bandungan berkisar antara kurang hingga cukup.
Correlation Matrix
Jar_Ibukot Biro_wisat Rumah_M Ped_Sayu Ped_Bung
Kon_jalan Sar_Trans a Hotel Promosi a Alam akan r Ped_Buah a
Correlation Kon_jalan 1,000 0,502 0,561 -0,139 -0,081 -0,139 0,139 0,123 -0,043 0,044 0,090
Sar_Trans 0,502 1,000 0,384 -0,573 -0,224 -0,018 0,296 -0,107 0,098 0,050 0,312

Jar_Ibukot 0,561 0,384 1,000 0,016 0,197 0,139 0,106 0,203 -0,216 -0,154 0,096
a
Hotel -0,139 -0,573 0,016 1,000 0,152 0,063 -0,464 0,301 -0,331 -0,290 -0,318
Promosi -0,081 -0,224 0,197 0,152 1,000 0,534 0,229 0,203 -0,134 -0,183 -0,164
Biro_wisat -0,139 -0,018 0,139 0,063 0,534 1,000 0,205 0,182 -0,189 -0,531 -0,217
a
Alam 0,139 0,296 0,106 -0,464 0,229 0,205 1,000 -0,063 0,472 0,169 0,217
Rumah_M 0,123 -0,107 0,203 0,301 0,203 0,182 -0,063 1,000 0,042 -0,171 -0,078
akan
Ped_Sayu -0,043 0,098 -0,216 -0,331 -0,134 -0,189 0,472 0,042 1,000 0,511 0,179
r
Ped_Buah 0,044 0,050 -0,154 -0,290 -0,183 -0,531 0,169 -0,171 0,511 1,000 0,403

Ped_Bung 0,090 0,312 0,096 -0,318 -0,164 -0,217 0,217 -0,078 0,179 0,403 1,000
a

Correlation Matrix menggambarkan angka korelasi atau kekuatan hubungan antar variabel di
mana jika angka mendekati 1 berarti hubungan semakin kuat dan begitupun sebaliknya.
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling 0,605
Adequacy.
Bartlett's Test of Approx. Chi-Square 97,138
Sphericity df 55
Sig. 0,000

KMO atau Kaiser-Meyer-Olkin Measure of sampling berguna untuk menentukan apakah suatu
data dapat dilanjutkan untuk analisis faktor selanjutnya. Jika KMO >0,5 maka data dapat
dianalisis faktor jika <0,5 maka tidak bisa. Data dari lembar kuisioner tersebut memiliki KMO
>0,5 sehingga dapat dilakukan analisis faktor.
 Anti-image Matrices
Jar_Ibukot Biro_wisat Rumah_M Ped_Sayu Ped_Bung
Kon_jalan Sar_Trans a Hotel Promosi a Alam akan r Ped_Buah a
Anti-image Kon_jalan .601 a -0,345 -0,415 -0,071 0,049 0,210 -0,144 -0,156 0,111 -0,089 0,170
Correlatio Sar_Trans -0,345 a
-0,266 0,509 0,264 -0,123 -0,014 0,046 -0,032 0,131 -0,187
.626
n
Jar_Ibukot -0,415 -0,266 .635a -0,167 -0,222 -0,016 -0,054 -0,113 0,157 0,032 -0,114
a
Hotel -0,071 0,509 -0,167 .692a -0,011 0,040 0,263 -0,214 0,053 0,144 0,048
Promosi 0,049 0,264 -0,222 -0,011 a -0,437 -0,285 -0,121 0,202 -0,215 0,106
.532
Biro_wisat 0,210 -0,123 -0,016 0,040 -0,437 .605a -0,183 -0,100 0,012 0,452 0,041
a
a
Alam -0,144 -0,014 -0,054 0,263 -0,285 -0,183 .594 0,152 -0,488 0,080 -0,155
Rumah_M -0,156 0,046 -0,113 -0,214 -0,121 -0,100 0,152 .517a -0,307 0,142 -0,095
akan
a
Ped_Sayu 0,111 -0,032 0,157 0,053 0,202 0,012 -0,488 -0,307 .544 -0,427 0,150
r
Ped_Buah -0,089 0,131 0,032 0,144 -0,215 0,452 0,080 0,142 -0,427 a -0,339
.594

a
Ped_Bung 0,170 -0,187 -0,114 0,048 0,106 0,041 -0,155 -0,095 0,150 -0,339 .672
a
a. Measures of Sampling Adequacy(MSA)

Anti-Image Metrices berguna untuk melihat MSA atau Measures of Sampling Adequacy untuk
menentukan apakah suatu variabel dari satu data dapat dilakukan analisis faktor. Jika MSA
>0,5 maka analisis faktor dapat dilakukan terhadap variabel tersebut. Pada tabel ini MSA dapat
dilihat melalui tanda superscript a di angka. Jika dilihat nampak bahwa seluruh MSA >0,5
sehingga semua variabel dapat dianalisis faktor tanpa ada yang disisihkan.
Communalities
Initial Extraction
Kon_jalan 1,000 0,742
Sar_Trans 1,000 0,796
Jar_Ibukota 1,000 0,752
Hotel 1,000 0,770
Promosi 1,000 0,664
Biro_wisata 1,000 0,806
Alam 1,000 0,779
Rumah_Makan 1,000 0,698
Ped_Sayur 1,000 0,747
Ped_Buah 1,000 0,737
Ped_Bunga 1,000 0,376
Extraction Method: Principal Component
Analysis.
Tabel Komunalitas menggambarkan pengaruh masing-masing variabel terhadap faktor yang
terbentuk. Conth pada kasus ini variabel biro wisata memiliki pengaruh 0,806 atau 80,6%
sementara itu pengaruh terkecil berada pada variabel pedangan bunga yaitu 0,376 atau 37,6%.
 Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
% of Cumulativ % of % of
Component Total Variance e% Total Variance Cumulative % Total Variance Cumulative %
1 2,877 26,158 26,158 2,877 26,158 26,158 2,208 20,070 20,070
2 2,163 19,662 45,820 2,163 19,662 45,820 2,103 19,120 39,190
3 1,634 14,857 60,677 1,634 14,857 60,677 1,940 17,638 56,828
4 1,193 10,845 71,522 1,193 10,845 71,522 1,616 14,694 71,522
5 0,834 7,579 79,102
6 0,731 6,643 85,744
7 0,443 4,027 89,771
8 0,357 3,246 93,017
9 0,310 2,816 95,833
10 0,241 2,189 98,022
11 0,218 1,978 100,000
Extraction Method: Principal Component Analysis.

Tabel Total Variance Explained dan grafik scree plot menggambarkan eigenvalue dimana
jumlah faktor merupaakn jumlah yang memiliki eigenvalue lebih dari satu sehingga
berdasarkan grafik dapat diamati bahwa terbentuk 4 faktor dari 11 variabel.
 Component Matrixa
Component
1 2 3 4
Kon_jalan 0,333 0,611 -0,466 0,202
Sar_Trans 0,619 0,546 -0,204 -0,270

Jar_Ibukota 0,049 0,783 -0,317 0,189

Hotel -0,737 -0,158 -0,240 0,380

Promosi -0,404 0,408 0,555 0,162
Biro_wisata -0,456 0,515 0,530 -0,229

Alam 0,493 0,355 0,640 0,028

Rumah_Makan -0,304 0,292 0,017 0,721

Ped_Sayur 0,578 -0,226 0,463 0,384

Ped_Buah 0,661 -0,401 0,048 0,372

Ped_Bunga 0,601 0,021 -0,040 0,115

Extraction Method: Principal Component Analysis.

a. 4 components extracted.

Tabel component matrix menggambarkan faktor-faktor yang terbentuk dan variabel apa saja
yang termasuk ke dalamnya. Variabel dengan angka >0,5 maka termasuk ke dalam faktor
tersebut sehingga dapat diamati bahwa :
• Faktor 1 : Transportasi, Pedagang Sayur, Pedagang Buah, Pedangan Bunga
• Faktor 2 : Kondisi Jalan, Jarak ke Ibukota
• Faktor 3 : Promosi, Biro Wisata, Kondisi Alam
• Faktor 4 : Rumah Makan
Component Transformation Matrix
Compone
nt 1 2 3 4
1 0,731 0,326 -0,334 -0,498
2 -0,124 0,813 0,568 -0,031
3 0,477 -0,453 0,747 -0,098
4 0,473 0,166 -0,088 0,861
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Tabel berikut menggambarkan korelasi antar faktor dimana pada diagonalnya menunjukkan
angka yang >0,5 yang artinya seluruh faktor yang terbentuk dapat merangkum semua variabel
penyusun yang terkelompok di dalamnya.
 BAB V
Kesimpulan
Berdasarkan analisis faktor yang sudah dilakukan terbentuk 4 faktor dimana faktor 1
terdiri dari Transportasi, Pedagang Sayur, Pedagang Buah, Pedangan Bunga, faktor 2 terdiri
dari Kondisi Jalan, Jarak ke Ibukota, Faktor 3 terdiri dari Promosi, Biro Wisata, Kondisi Alam,
serta faktor 4 yang hanya terdiri dari rumah makan. Keempat faktor ini dapat merangkum
keseluruhan variabel yang terkelompok di dalamnya. Penamaan faktor-faktor ini antara lain
faktor fasilitas penunjang (faktor 1), faktor aksesibilitas (faktor 2), faktor pemasaran
(faktor 3), serta faktor restoran (faktor 4). Keempat faktor ini ketika dicocokkan dengan
rerata tanggapan responden maa faktor 1 memiliki salah satu rerata terkecil.
Berdasarkan hal itu maka faktor 1 atau fasilitas penunjang wisata direkomendasikan
menjadi fokus pengembangan pariwisata di Wisata Bandungan. Pengembangan di salah satu
faktor tentunya akan mempengaruhi pengembangan di faktor-faktor lainnya mengingat
kekuatan hubungan yang cukup tinggi dilihat dari korelasi antar variabelnya. Didasari oleh
beberapa pendapat pada penelitian-penelitian sebelumnya. Salah satunya, Mudrikah (2014)
mengatakan bahwa sektor alternatif yang memiliki potensi tinggi ialah sektor pariwisata serta
pendapat-pendapat lain yang juga tercantum pada tulisan ini. Oleh karena itu rekomendasi
pengembangan fasilitas penunjang wisata merupakan saran yang tepat guna memajukan
pariwisata Wisata Bandungan sebagai alternatif sektor PDRB saat fenomena pelemahan
ekonomi global yang mendisrupsi sektor impor dan ekspor.
 Daftar Pustaka

Aditya, A., Suryani, E., & Hendrawan, R. A. (2017). Analysis of Electricity Demand to
Increase the Electrification Ratio (Case Study: Madura Island). IPTEK Journal of
Proceedings Series, 0(2), 143. https://doi.org/10.12962/j23546026.y2017i2.2312
Kraft, J., & Kraft, A. (1978). On the relationship between energy and GNP. The Journal of
Energy and Development, 401–403.
Meyers, K. (2009). Pengertian Pariwisata. Diakses Juni.
Mudrikah, A. (2014). Kontribusi sektor pariwisata terhadap GDP Indonesia tahun 2004-2009.
Economics Development Analysis Journal, 3(2).
Naufal, M. (2019). Pengembangan Sektor Pariwisata Indonesia Sebagai Upaya. December.
Novalina, A. (2018). Analisis Prediksi Pelemahan Ekonomi Indonesia Rezim Depresiasi Kurs.
JEpa, 1(1), 1–11.
Rumlawang, F., & Toamain, A. (2011). Analisis Faktor. BAREKENG: Jurnal Ilmu Matematika
Dan Terapan, 1, 18–24. https://doi.org/10.30598/barekengvol1iss2pp18-24
Sarwono, J. (2009). Statistik itu mudah: panduan lengkap untuk belajar komputasi statistik
menggunakan SPSS 16. Yogyakarta: Andi.
Sujai, M. (2016). Strategi pemerintah indonesia dalam menarik kunjungan turis mancanegara.
Kajian Ekonomi Dan Keuangan, 20(1), 61–76.
Sutiarso, M. A. (2017). Pengembangan Pariwisata Yang Berkelanjutan Melalui Ekowisata.
Manajemen Kepariwisataan Di Sekolah Tinggi Pariwisata Bali Internasional (STPBI),
5(September), 1–11. https://doi.org/10.31219/osf.io/q43ny
Utami, A. R. (2016). Kompetensi Khas di Sektor Pariwisata. Esensi, 6(1), 75–88.
https://doi.org/10.15408/ess.v6i1.3121
Zulfikar, R., & Jayadi, A. (2017). Tantangan Turbulensi Ekonomi Global Terhadap Ekonomi
Politik Internasional Indonesia. Jurnal Ilmu Ekonomi Dan Pembangunan, 17(2), 89–98.
 Lampiran

Factor Analysis

Notes
Output Created 05-APR-2020 13:05:19
Comments
Input Data E:\MAP\Statistik_Faktor_band
ungan.sav
Active Dataset DataSet1
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data 30
File
Missing Value Handling Definition of Missing MISSING=EXCLUDE: User-
defined missing values are
treated as missing.
Cases Used LISTWISE: Statistics are
based on cases with no
missing values for any
variable used.
Syntax FACTOR
/VARIABLES Kon_jalan
Sar_Trans Jar_Ibukota Hotel
Promosi Biro_wisata Alam
Rumah_Makan Ped_Sayur
Ped_Buah Ped_Bunga
/MISSING LISTWISE
/ANALYSIS Kon_jalan
Sar_Trans Jar_Ibukota Hotel
Promosi Biro_wisata Alam
Rumah_Makan Ped_Sayur
Ped_Buah Ped_Bunga
/PRINT UNIVARIATE
INITIAL CORRELATION KMO
INV REPR AIC EXTRACTION
ROTATION FSCORE
/PLOT EIGEN
/CRITERIA MINEIGEN(1)
ITERATE(25)
/EXTRACTION PC
/CRITERIA ITERATE(25)
/ROTATION VARIMAX
/METHOD=CORRELATION.
Resources Processor Time 00:00:02,11
Elapsed Time 00:00:00,79
Maximum Memory Required 16224 (15.844K) bytes

[DataSet1] E:\MAP\Statistik_Faktor_bandungan.sav

Descriptive Statistics
Mean Std. Deviation Analysis N
Kon_jalan 1.63 .556 30
Sar_Trans 1.63 .490 30
Jar_Ibukota 1.37 .556 30
Hotel 1.53 .507 30
Promosi 2.30 .535 30
Biro_wisata 2.53 .507 30
Alam 1.47 .507 30
Rumah_Makan 1.47 .571 30
Ped_Sayur 1.33 .479 30
Ped_Buah 1.40 .563 30
Ped_Bunga 1.63 .669 30

Correlation Matrix
Kon_jalan Sar_Trans Jar_Ibukota Hotel Promosi
Correlation Kon_jalan 1.000 .502 .561 -.139 -.081
Sar_Trans .502 1.000 .384 -.573 -.224
Jar_Ibukota .561 .384 1.000 .016 .197
Hotel -.139 -.573 .016 1.000 .152
Promosi -.081 -.224 .197 .152 1.000
Biro_wisata -.139 -.018 .139 .063 .534
Alam .139 .296 .106 -.464 .229
Rumah_Makan .123 -.107 .203 .301 .203
Ped_Sayur -.043 .098 -.216 -.331 -.134
Ped_Buah .044 .050 -.154 -.290 -.183
Ped_Bunga .090 .312 .096 -.318 -.164

Correlation Matrix
Biro_wisata Alam Rumah_Makan Ped_Sayur Ped_Buah
Correlation Kon_jalan -.139 .139 .123 -.043 .044
Sar_Trans -.018 .296 -.107 .098 .050
Jar_Ibukota .139 .106 .203 -.216 -.154
Hotel .063 -.464 .301 -.331 -.290
Promosi .534 .229 .203 -.134 -.183
Biro_wisata 1.000 .205 .182 -.189 -.531
Alam .205 1.000 -.063 .472 .169
Rumah_Makan .182 -.063 1.000 .042 -.171
Ped_Sayur -.189 .472 .042 1.000 .511
Ped_Buah -.531 .169 -.171 .511 1.000
Ped_Bunga -.217 .217 -.078 .179 .403

Correlation Matrix
Ped_Bunga
Correlation Kon_jalan .090
Sar_Trans .312
Jar_Ibukota .096
Hotel -.318
Promosi -.164
Biro_wisata -.217
 Alam .217
Rumah_Makan -.078
Ped_Sayur .179
Ped_Buah .403
Ped_Bunga 1.000

Inverse of Correlation Matrix

Kon_jalan Sar_Trans Jar_Ibukota Hotel Promosi Biro_wisata
Kon_jalan 1.944 -.766 -.800 -.147 .094 .433
Sar_Trans -.766 2.544 -.585 1.206 .573 -.291
Jar_Ibukota -.800 -.585 1.911 -.343 -.418 -.032
Hotel -.147 1.206 -.343 2.203 -.022 .087
Promosi .094 .573 -.418 -.022 1.859 -.883
Biro_wisata .433 -.291 -.032 .087 -.883 2.194
Alam -.288 -.032 -.107 .559 -.556 -.388
Rumah_Makan -.251 .085 -.180 -.366 -.190 -.171
Ped_Sayur .225 -.074 .316 .115 .400 .025
Ped_Buah -.189 .317 .067 .323 -.444 1.013
Ped_Bunga .283 -.355 -.188 .086 .172 .072

Inverse of Correlation Matrix

Alam Rumah_Makan Ped_Sayur Ped_Buah Ped_Bunga
Kon_jalan -.288 -.251 .225 -.189 .283
Sar_Trans -.032 .085 -.074 .317 -.355
Jar_Ibukota -.107 -.180 .316 .067 -.188
Hotel .559 -.366 .115 .323 .086
Promosi -.556 -.190 .400 -.444 .172
Biro_wisata -.388 -.171 .025 1.013 .072
Alam 2.051 .251 -1.017 .174 -.264
Rumah_Makan .251 1.326 -.514 .247 -.130
Ped_Sayur -1.017 -.514 2.117 -.940 .259
Ped_Buah .174 .247 -.940 2.293 -.612
Ped_Bunga -.264 -.130 .259 -.612 1.422

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .605
Bartlett's Test of Sphericity Approx. Chi-Square 97.138
df 55
 Sig. .000

Anti-image Matrices
Kon_jalan Sar_Trans Jar_Ibukota Hotel Promosi
Anti-image Covariance Kon_jalan .514 -.155 -.215 -.034 .026
Sar_Trans -.155 .393 -.120 .215 .121
Jar_Ibukota -.215 -.120 .523 -.081 -.118
Hotel -.034 .215 -.081 .454 -.005
Promosi .026 .121 -.118 -.005 .538
Biro_wisata .102 -.052 -.008 .018 -.217
Alam -.072 -.006 -.027 .124 -.146
Rumah_Makan -.097 .025 -.071 -.125 -.077
Ped_Sayur .055 -.014 .078 .025 .102
Ped_Buah -.042 .054 .015 .064 -.104
Ped_Bunga .102 -.098 -.069 .027 .065
Anti-image Correlation Kon_jalan .601a -.345 -.415 -.071 .049
Sar_Trans -.345 .626a -.266 .509 .264
Jar_Ibukota -.415 -.266 .635a -.167 -.222
Hotel -.071 .509 -.167 .692a -.011
Promosi .049 .264 -.222 -.011 .532a
Biro_wisata .210 -.123 -.016 .040 -.437
Alam -.144 -.014 -.054 .263 -.285
Rumah_Makan -.156 .046 -.113 -.214 -.121
Ped_Sayur .111 -.032 .157 .053 .202
Ped_Buah -.089 .131 .032 .144 -.215
Ped_Bunga .170 -.187 -.114 .048 .106

Anti-image Matrices
Biro_wisata Alam Rumah_Makan Ped_Sayur
Anti-image Covariance Kon_jalan .102 -.072 -.097 .055
Sar_Trans -.052 -.006 .025 -.014
Jar_Ibukota -.008 -.027 -.071 .078
Hotel .018 .124 -.125 .025
Promosi -.217 -.146 -.077 .102
Biro_wisata .456 -.086 -.059 .005
Alam -.086 .488 .092 -.234
Rumah_Makan -.059 .092 .754 -.183
Ped_Sayur .005 -.234 -.183 .472
Ped_Buah .201 .037 .081 -.194
Ped_Bunga .023 -.091 -.069 .086
Anti-image Correlation Kon_jalan .210 -.144 -.156 .111
Sar_Trans -.123 -.014 .046 -.032
Jar_Ibukota -.016 -.054 -.113 .157
Hotel .040 .263 -.214 .053
Promosi -.437 -.285 -.121 .202
Biro_wisata .605a -.183 -.100 .012
Alam -.183 .594a .152 -.488
Rumah_Makan -.100 .152 .517a -.307
Ped_Sayur .012 -.488 -.307 .544a
Ped_Buah .452 .080 .142 -.427
Ped_Bunga .041 -.155 -.095 .150

Anti-image Matrices
Ped_Buah Ped_Bunga
Anti-image Covariance Kon_jalan -.042 .102
Sar_Trans .054 -.098
Jar_Ibukota .015 -.069
Hotel .064 .027
Promosi -.104 .065
Biro_wisata .201 .023
Alam .037 -.091
Rumah_Makan .081 -.069
Ped_Sayur -.194 .086
Ped_Buah .436 -.188
Ped_Bunga -.188 .703
Anti-image Correlation Kon_jalan -.089 .170
Sar_Trans .131 -.187
Jar_Ibukota .032 -.114
Hotel .144 .048
Promosi -.215 .106
Biro_wisata .452 .041
Alam .080 -.155
Rumah_Makan .142 -.095
Ped_Sayur -.427 .150
Ped_Buah .594a -.339
Ped_Bunga -.339 .672a

a. Measures of Sampling Adequacy(MSA)

Communalities
 Initial Extraction
Kon_jalan 1.000 .742
Sar_Trans 1.000 .796
Jar_Ibukota 1.000 .752
Hotel 1.000 .770
Promosi 1.000 .664
Biro_wisata 1.000 .806
Alam 1.000 .779
Rumah_Makan 1.000 .698
Ped_Sayur 1.000 .747
Ped_Buah 1.000 .737
Ped_Bunga 1.000 .376

Extraction Method: Principal Component

Analysis.

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings
Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 2.877 26.158 26.158 2.877 26.158 26.158
2 2.163 19.662 45.820 2.163 19.662 45.820
3 1.634 14.857 60.677 1.634 14.857 60.677
4 1.193 10.845 71.522 1.193 10.845 71.522
5 .834 7.579 79.102
6 .731 6.643 85.744
7 .443 4.027 89.771
8 .357 3.246 93.017
9 .310 2.816 95.833
10 .241 2.189 98.022
11 .218 1.978 100.000

Total Variance Explained

Rotation Sums of Squared Loadings
Component Total % of Variance Cumulative %
1 2.208 20.070 20.070
2 2.103 19.120 39.190
3 1.940 17.638 56.828
4 1.616 14.694 71.522
5
6
7
8
9
10
11

Extraction Method: Principal Component Analysis.

Component Matrixa
Component
1 2 3 4
Kon_jalan .333 .611 -.466 .202
Sar_Trans .619 .546 -.204 -.270
Jar_Ibukota .049 .783 -.317 .189
Hotel -.737 -.158 -.240 .380
Promosi -.404 .408 .555 .162
Biro_wisata -.456 .515 .530 -.229
Alam .493 .355 .640 .028
Rumah_Makan -.304 .292 .017 .721
Ped_Sayur .578 -.226 .463 .384
Ped_Buah .661 -.401 .048 .372
Ped_Bunga .601 .021 -.040 .115
Extraction Method: Principal Component Analysis.a
a. 4 components extracted.

Reproduced Correlations
Kon_jalan Sar_Trans Jar_Ibukota Hotel
Reproduced Correlation Kon_jalan .742a .580 .680 -.153
Sar_Trans .580 .796a .471 -.596
Jar_Ibukota .680 .471 .752a -.011
Hotel -.153 -.596 -.011 .770a
Promosi -.112 -.184 .154 .162
Biro_wisata -.131 -.048 .170 .041
Alam .088 .361 .104 -.562
Rumah_Makan .215 -.227 .345 .448
Ped_Sayur -.084 .036 -.223 -.356
Ped_Buah .028 .080 -.226 -.294
Ped_Bunga .255 .360 .080 -.393
Residualb Kon_jalan -.078 -.119 .014
Sar_Trans -.078 -.087 .023
Jar_Ibukota -.119 -.087 .028
Hotel .014 .023 .028
Promosi .031 -.039 .043 -.009
Biro_wisata -.007 .029 -.031 .021
Alam .051 -.065 .001 .098
Rumah_Makan -.092 .120 -.142 -.146
Ped_Sayur .041 .061 .007 .025
Ped_Buah .016 -.030 .072 .005
Ped_Bunga -.165 -.048 .016 .074

Reproduced Correlations
Promosi Biro_wisata Alam Rumah_Makan
Reproduced Correlation Kon_jalan -.112 -.131 .088 .215
Sar_Trans -.184 -.048 .361 -.227
Jar_Ibukota .154 .170 .104 .345
Hotel .162 .041 -.562 .448
Promosi .664a .651 .306 .368
Biro_wisata .651 .806a .290 .133
Alam .306 .290 .779a -.015
Rumah_Makan .368 .133 -.015 .698a
Ped_Sayur -.006 -.223 .512 .044
 Ped_Buah -.343 -.567 .225 -.048
Ped_Bunga -.237 -.311 .281 -.094
Residualb Kon_jalan .031 -.007 .051 -.092
Sar_Trans -.039 .029 -.065 .120
Jar_Ibukota .043 -.031 .001 -.142
Hotel -.009 .021 .098 -.146
Promosi -.117 -.077 -.165
Biro_wisata -.117 -.085 .050
Alam -.077 -.085 -.049
Rumah_Makan -.165 .050 -.049
Ped_Sayur -.129 .034 -.039 -.002
Ped_Buah .160 .036 -.056 -.123
Ped_Bunga .074 .094 -.064 .015

Reproduced Correlations
Ped_Sayur Ped_Buah Ped_Bunga
Reproduced Correlation Kon_jalan -.084 .028 .255
Sar_Trans .036 .080 .360
Jar_Ibukota -.223 -.226 .080
Hotel -.356 -.294 -.393
Promosi -.006 -.343 -.237
Biro_wisata -.223 -.567 -.311
Alam .512 .225 .281
Rumah_Makan .044 -.048 -.094
Ped_Sayur .747a .637 .368
Ped_Buah .637 .737a .429
Ped_Bunga .368 .429 .376a
Residualb Kon_jalan .041 .016 -.165
Sar_Trans .061 -.030 -.048
Jar_Ibukota .007 .072 .016
Hotel .025 .005 .074
Promosi -.129 .160 .074
Biro_wisata .034 .036 .094
Alam -.039 -.056 -.064
Rumah_Makan -.002 -.123 .015
Ped_Sayur -.127 -.189
Ped_Buah -.127 -.027
Ped_Bunga -.189 -.027

Extraction Method: Principal Component Analysis.

a. Reproduced communalities
b. Residuals are computed between observed and reproduced correlations. There are 27 (49.0%) nonredundant
residuals with absolute values greater than 0.05.

Rotated Component Matrixa

Component
1 2 3 4
Kon_jalan .041 .850 -.131 .035
Sar_Trans .160 .693 -.025 -.538
Jar_Ibukota -.123 .827 .175 .145
Hotel -.454 -.196 -.056 .723
Promosi -.004 -.025 .767 .274
Biro_wisata -.253 -.008 .860 -.037
Alam .635 .164 .513 -.295
Rumah_Makan .091 .251 .217 .762
Ped_Sayur .853 -.141 -.009 .004
Ped_Buah .731 -.070 -.445 -.001
Ped_Bunga .472 .250 -.229 -.197

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.a
a. Rotation converged in 9 iterations.

Component Transformation Matrix

Component 1 2 3 4
1 .731 .326 -.334 -.498
2 -.124 .813 .568 -.031
3 .477 -.453 .747 -.098
4 .473 .166 -.088 .861

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

Component Score Coefficient Matrix

Component
1 2 3 4
Kon_jalan -.006 .425 -.106 .108
Sar_Trans -.041 .294 -.002 -.298
Jar_Ibukota -.050 .414 .041 .136
Hotel -.098 -.023 -.094 .418
Promosi .100 -.024 .396 .148
Biro_wisata -.081 -.037 .447 -.125
Alam .303 .016 .326 -.108
Rumah_Makan .197 .171 .067 .568
Ped_Sayur .447 -.094 .057 .153
Ped_Buah .352 -.037 -.187 .157
Ped_Bunga .185 .103 -.091 -.019

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

Component Score Covariance Matrix

Component 1 2 3 4
1 1.000 .000 .000 .000
2 .000 1.000 .000 .000
3 .000 .000 1.000 .000
4 .000 .000 .000 1.000

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.