Laporan Praktikum Analisis Faktor : Pengaruh Aktivitas Mahasiswa Terhadap Pertumbuhan

Coffee Shop di Koridor Jalan Sirojudin- Banjarsari Selatan

Disusun Guna Memenuhi Tugas Mata Kuliah Metode Analisis Perencanaan (TKP342)
Dosen Pengampu :
Dr. Yudi Basuki, S.T., M.T.;
Dr. soc.agr. Iwan Rudiarto, S.T. M.Sc.
Dr. Eng Maryono S.T., M.T.;
Sri Rahayu, S.Si., M.Si.;
Widjonarko, S.T., M.T.
Anang Wahyu Sejati, S.T., M.T.

Disusun oleh :
Kamelia Balqis 21040117120012
Arga Hijrian Pasha 21040117130063
Fathiyyah Nur Andina 21040117130068
Gajah Muhammad Merkava 21040117130070
Bella Monica Ratu 21040117130090

Kelas B

DEPARTEMEN PERENCANAAN WILAYAH DAN KOTA

FAKULTAS TEKNIK UNIVERSITAS DIPONEGORO
SEMARANG
2019
 BAB I
PENDAHULUAN
1.1. Latar Belakang
Seiring dengan berjalannya waktu dan berkembangnya zaman membuat gaya hidup dan
trend di kalangan mahasiswa pun berubah. Bentuk ruang- ruang yang dibutuhkan mahasiswa
untuk mewadahi aktivitasnnya juga ikut berkembang. Tembalang sebagai salah satu pusat
pendidikan yang didominasi oleh mahasiswa pun terjadi perubahan bentuk ruang- ruang aktivitas.
Adanya aktivitas mahasiswa ini memunculkan ide bagi para pebisnis untuk mendirikan sebuah
usaha yang berorientasi pada kedai kopi atau yang lebih dikenal dengan kedai kopi (coffee shop).
Coffee shop adalah sebuah bisnis yang berorientasi pada jasa food service yang menyediakan menu
minuman berjenis olahan kopi.
Namun pada kedai kopi atau coffee shop tidak hanya dikunjungi sebagai tempat untuk
menikmati kopi tapi juga menjadi tempat mengerjakan tugas para mahasiswa tak terkecuali bagi
mahasiswa di Tembalang. hal ini yang menyebabkan berjamurnya kedai kopi (coffee shop) di
Tembalang, terutama pada koridor sirojudin-banjarsari selatan yang notabene sebagai jalan
kolektor yang crowded bila dilihat dari lalu lintas harian rata- rata.
Semakin banyak berdirinya kedai kopi (coffee shop) di koridor sirojudin- banjarsari selatan,
setiap kedai kopi (coffee shop) dituntut untuk melakukan keunikan dan melengkapi fasilitas
penunjang lainnya untuk menghadapi persaingan yang kompetitif dalam pasar ini. Terdapat tiga
buah kedai kopi (coffee shop) di koridor sirojudin- banjarsari yaitu Kayo Coffee and Space, Jendela
Coffee Brewer & Kitchen, dan Anak Panah Kopi Tembalang.
Pada dasarnya proses pengambilan keputusan bagi setiap mahasiswa adalah berbeda,
karena adanya faktor- faktor yang memengaruhi yang membuat masing- masing individu
mengambil keputusan yang berbeda, seperti faktor pribadi, faktor finansial, ataupun faktor fasilitas
yang ditawarkan. Disesuaikan dengan kebutuhan dari setiap individu pula. Hal ini yang
menyebabkan perbedaan pemilihan kedai kopi (coffee shop) yang secara tidak langsung
mempengaruhi lokasi- lokasi berdirinya kedai kopi (coffee shop) di titik lokasi tertentu.
Penelitian ini merupakan jenis penelitian deskriptif kuantitatif. Penelitian ini dilakukan
pada 3 Coffee Shop yaitu Kayo Coffee and Space, Jendela Coffee Brewer & Kitchen, dan Anak Panah
Kopi Tembalang. Populasi dalam penelitian ini adalah mahasiswa Universitas Diponegoro. Metode
pengumpulan data yang digunakan dalam penelitian ini adalah dengan kuesioner. Kuesioner dapat
mengungkap banyak hal sehingga dalam waktu singkat diperoleh banyak data atau keterangan.
Berdasarkan bentuknya, penelitian ini menggunakan kuesioner berbentuk tertutup. Kuesioner
tertutup memiliki jawaban yang sudah disediakan dan tidak memberi peluang kepada responden
untuk menambah keterangan lain. Teknik analisis data yang digunakan dalam penelitian ini adalah
analisis faktor.
Analisis faktor digunakan untuk meredukasi dan meringkas faktor-faktor apa saja yang
menyebabkan pemilihan lokasi Coffee Shop. Analisis data dilakukan dengan menganalisis jawaban
dari responden atas kuesioner yang diberikan. Hasil pengolahan data analisis faktor menggunakan
perhitungan SPSS.
 BAB II
KAJIAN LITERATUR

2.1. Analisis Faktor

2.1.1. Definisi Analisis Faktor
Analisis faktor merupakan suatu teknik untuk menganalisis tentang saling
ketergantungan dari beberapa variabel secara simultan dengan tujuan untuk
menyederhanakan dari bentuk hubungan antara beberapa variabel yang diteliti menjadi
sejumlah faktor yang lebih sedikit dari pada variabel yang diteliti. Hal ini berarti, analisis
faktor dapat juga menggambarkan tentang struktur data dari suatu penelitian (Suliyanto,
2005).
Analisis faktor adalah suatu teknik interdependensi (interdependence technique),
dimana tidak ada pembagian variabel menjadi variabel bebas dan variabel tergantung
dengan tujuan utama yaitu mendefinisikan struktur yang terletak di antara varaibel-
variabel dalam analisis. Analisis ini menyediakan alat-alat untuk menganalisis struktur dari
hubungan interen atau korelasi di antara sejumlah besar variabel dengan menerangkan
korelasi yang baik antara variabel, yang diasumsikan untuk merepresentasikan dimensi-
dimensi dalam data (Hair, 2010).
Jadi, pada prinsipnya analisis faktor digunakan untuk mengelompokkan beberapa
variabel yang memiliki kemiripan untuk dijadikan satu faktor, sehingga dimungkinkan dari
beberapa atribut yang memengaruhi satu komponen variabel dapat diringkas menjadi
beberapa faktor utama yang jumlahnya lebih sedikit.

2.1.2. Tujuan Analisis Faktor

Pada dasarnya, tujuan analisis faktor adalah :
1. Data Sumarization, yakni mengidentifikasi adanya hubungan antar variabel
dengan melakukan uji korelasi.
2. Data Reduction, yakni setelah melakukan korelasi, maka dilanjutkan dengan
proses membuat sebuah variabel set baru yang dinamakan faktor untuk
menggantikan sejumlah variabel tertentu.
Tujuan umum dari teknik analisis faktor adalah menemukan suatu cara untuk
mereduksi informasi yang terkandung di dalam sejumlah variabel-variabel original ke
dalam set variabel yang lebih kecil dari dimensi-dimensi gabungan dan baru. Untuk
 menemukan tujuan tersebut, ada 4 hal yang mendukung yaitu mengkhususkan unit
analisis, mencapai ringkasan data atau pengurangan data, pemilihan variabel, dan
menggunakan hasil analisis faktor dengan teknik-teknik multivariat yang lain (Hair,
2010).

2.1.3. Fungsi Analisis Faktor

Terdapat 3 fungsi analisis faktor menurut Suliyanto (2005), diantaranya adalah
sebagai berikut.
1. Mengidentifikasi dimensi-dimensi mendasar yang dapat menjelaskan korelasi
dari serangkaian variabel.
2. Mengidentifikasi variabel-variabel baru yang lebih kecil, untuk menggantikan
variabel tidak berkorelasi dari serangkaian variabel asli yang berkorelasi.
3. Mengidentifikasi beberapa variabel kecil dari sejumlah variabel yang banyak
untuk dianalisis multivariat lainnya.

2.1.4. Jumlah Sampel Ideal dan Jenis Data Untuk Analisis Faktor
Secara umum, jumlah sampel dalam analisis faktor minimal 50 pengamatan. Bahkan
seharusnya ukuran sampel sebanyak 100 atau lebih besar. Biasanya ukuran sampel dalam
analisis ini dianjurkan memiliki paling sedikit 5 kali jumlah variabel yang akan diamati,
karena semakin banyak sampel yang dipilih akan mencapai patokan rasio 10:1, dalam arti
untuk satu variabel ada 10 sampel (Hair, 2010). Dalam pengertian SPSS, hal ini berarti
untuk setiap 1 kolom yang ada, seharusnya terdapat 10 baris data, sehingga jika ada 5
kolom (variabel), minimal seharusnya ada 50 baris data (sampel). Data dalam analisis
faktor minimal adalah interval, sehingga apabila data yg diperoleh berupa data ordinal,
harus ditransformasikan menjadi data interval, misalnya dengan menggunakan metode
successive interval (Suliyanto,2005).

2.1.5. Penentuan Jumlah Faktor

Untuk menentukan banyaknya jumlah faktor yang terbentuk dalam analisis faktor
dapat dilakukan beberapa pendekatan berikut.
1. Penentuan berdasarkan apriori.
Dalam metode penentuan ini, jumlah faktor telah ditentukan sebelumnya oleh
peneliti. Universitas Sumatera Utara
 2. Penentuan berdasarkan eigenvalue.
Untuk menentukan jumlah faktor yang terbentuk dapat didasarkan pada
eigenvalue. Jika suatu variabel memiliki eigenvalue > 1, dianggap sebagai suatu
faktor, sebaliknya jika suatu variabel hanya memiliki eigenvalue < 1, tidak
dimasukkan dalam model.
3. Penentuan berdasarkan scree plot.
Scree plot pada dasarnya merupakan grafik yang menggambarkan hubungan
antara faktor dengan eigenvalue, pada sumbu Y menunjukkan eigenvalue,
sedangkan pada sumbu X menunjukkan jumlah faktor. Untuk dapat menentukan
berapa jumlah faktor yang diambil, ditandai dengan slope yang sangat tajam
antara faktor yang satu dengan faktor berikutnya.
4. Penentuan berdasarkan persentase varian (percentage of variance). Persentase
varian menunjukkan jumlah variasi yang berhubungan pada suatu faktor yang
dinyatakan dalam persentase. Untuk dapat menentukan berapa jumlah faktor
yang diambil, harus memiliki nilai persentase varian > 0,5. Sedangkan apabila
menggunakan kriteria kumulatif persentase varian, besarnya nilai kumulatif
persentase varian > 60%.
Untuk mengetahui peranan masing-masing variabel dalam suatu faktor dapat
ditentukan dari besarnya loading variabel yang bersangkutan. Loading dengan nilai
terbesar berarti mempunyai peranan utama pada faktor tersebut. Variabel yang memiliki
nilai loading < 0,5 dianggap tidak memiliki peranan yang berarti terhadap Universitas
Sumatera Utara faktor yang terbentuk sehingga variabel tersebut dapat diabaikan dalam
pembentukan faktor.

2.1.6. Uji Ketepatan model Analisis Faktor

Uji ketepatan model digunakan untuk melihat apakah faktor-faktor yang telah
terbentuk berdasarkan analisis faktor benar-benar telah valid. Ada beberapa cara untuk
menguji ketepatan model dari faktor-faktor yang telah terbentuk, yaitu sebagai berikut.
1. Dengan membagi sampel awal menjadi dua sama besarnya. Apabila ada jumlah sampel
ganjil, maka satu sampel harus dihilangkan atau dimasukkan kepada dua bagian sampel
tersebut. Kemudian sampel yng telah dibagi dua dianalisis satu persatu. Apabila hasil
analisis faktor antara sampel pertama dan sampel kedua tidak banyak perbedaan,
faktor yang terbentuk dinyatakan baik. Universitas Sumatera Utara
2. Dengan melihat nilai perbandingan antara observed correlation dengan reproduced
correlations. Diharapkan perubahan matriks korelasi yang baru tidak jauh berbeda
dengan matriks korelasi asal. Untuk itu, perlu dilakukan perhitungan atas perubahan
yang terjadi, yaitu dengan menghitung selisih nilai koefisien korelasi dari matriks
korelasi asal dengan koefisien korelasi dari matriks korelasi baru. Jika nilai mutlak dari
selisih tersebut melebihi nilai 0,05, dimasukkan dalam kategori bahwa koefisien
korelasi tersebut tidak sama (berubah). Kemudian dihitung jumlah koefisien yang
berbeda dan tergolong sama. Jumlah relatif dari koefisien yang tergolong sama
dijadikan indikator ketepatan model. Model dikatakan baik apabila koefisien yang tidak
berubah atau sama lebih banyak (> 50%) daripada yang tergolong berubah. Dalam
perkembangannya metode ini lebih banyak digunakan.

2.1.7. Langkah-langkah Analisis Faktor

Menurut Suliyanto (2005), langkah-langkah dalam analisis faktor adalah sebagai
berikut.
a. Merumuskan masalah
b. Membuat matriks korelasi
Proses analisis faktor didasarkan pada matriks korelasi antara variabel yang satu
dengan variabel-variabel lain, untuk memperoleh analisis faktor yang semua
varaibelvariabelnya harus berkorelasi. Untuk menguji ketepatan dalam model faktor, uji
statistik yang digunakan adalah barletts test sphericity dan Kiser-Mayer-Olkin (KMO) untuk
mengetahui kecukupan sampelnya. Universitas Sumatera Utara
1. Nilai KMO sebesar 0,9 adalah baik sekali
2. Nilai KMO sebesar 0,8 adalah baik
3. Nilai KMO sebesar 0,7 adalah sedang/agak baik
4. Nilai KMO sebesar 0,6 adalah cukup
5. Nilai KMO sebesar 0,5 adalah kurang
6. Nilai KMO sebesar < 0,5 adalah ditolak
c. Penentuan jumlah faktor.
Penentuan jumlah faktor yang ditentukan untuk mewakili variabel-variabel yang
akan dianalisis didasarkan pada besarnya eigenvalue serta persentase total
variannya. Hanya faktor yang memiliki eigenvalue sama atau lebih besar dari satu
 yang dipertahankan dalm model analisis faktor, sedangkan yang lainnya
dikeluarkan dari model
d. Rotasi faktor.
Hasil dari ekstraksi faktor dalam matriks faktor mengidentifikasikan hubungan
antar faktor dan variabel individual, namun dalam faktor-faktor tersebut banyak
variabel yang berkorelasi sehingga sulit diinterpretasikan. Melalui rotasi faktor
matriks, faktor matriks ditransformasikan ke dalam matriks yng lebih sederhana
sehingga mudah diinterpretasikan. Rotasi faktor menggunakan prosedur varimax.
e. Interpretasi faktor.
Interpretasi faktor dilakukan dengan mengklasifikasikan variabel yang mempunyai
factor loading minimum 0,4 sedangkan variabel dengan faktor loading kurang dari
0,4 dikeluarkan dari model.
f. Penyeleksian surrogate variable.
Mencari salah satu variabel dalam setiap faktor sebagai wakil dari masingmasing
faktor. Pemilihan ini didasarkan pada nilai factor loading tertinggi.
g. Model Fit (ketepatan model).
Tahap akhir dari ananlisis faktor adalah mengetahui ketepatan dalam memilih
teknik analisis faktor antara principal component analysis dan maximum likelihood
dengan melihat jumlah residual (perbedaan) antara korelasi yang diamati dengan
korelasi yang diproduksi. Semakin kecil persentase nilai residual (dalam hal ini
adalah nilai root mean square error = RMSE), maka semakin tepat penentuan teknik
tersebut.

2.1.8. Asumsi Analisis Faktor

Prinsip utama dalam analisis faktor adalah korelasi, artinya variabel yang memiliki
korelasi erat akan membentuk suatu faktor, sedangkan variabel yang ada dalam suatu
faktor akan memiliki korelasi yang lemah dengan variabel yang terdapat pada faktor
yang lain. Karena prinsip utama analisis faktor adalah korelasi, maka asumsi dalam
analiss faktor berkaitan erat dengan korelasi berikut.
a. Korelasi atau keterkaitan antarvariabel harus kuat. Hal ini dapat diidentifikasi dari
nilai determinannya yg mendekati nol. Nilai determinan dari matriks korelasi yang
elemen-elemennya menyerupai matriks identitas akan memiliki nilai determinan
sebesar satu. Artinya, jika nilai determinan mendekati satu, maka matriks korelasi
 menyerupai matriks identitas, dimana antar item/variabel tidak saling terkait
karena matriks Universitas Sumatera Utara identitas memiliki elemen pada diagonal
bernilai satu, sedangkan lainnya bernilai nol.
b. Indeks perbandingan jarak antara koefisien korelasi dengan koefisien korelasi
parsialnya secara keseluruhan harus kecil. Hal ini dapat diidentifikasi dengan nilai
Kiser Meyer Olkin measure of sampling adequency (KMO). KMO merupakan sebuah
indeks perbandingan jarak antara koefisien korelasi dengan koefisien parsialnya
secara keseluruhan. Jika jumlah kuadrat koefisien korelasi parsial di antara seluruh
pasangan variable bernilai kecil dibandingkan dengan jumlah kuadrat koefisien
korelasi, maka akan menghasilkan nilai KMO yang mendekati satu. Nilai KMO yang
kecil menunjukkan bahwa analis faktor bukan merupakan pilihan yang tepat. Untuk
dapat dilakukan analisis faktor, nilai KMO diangggap cukup apabila nilai KMO > 0,5.
c. Indeks perbandingan jarak antara koefisien korelasi dengan koefisien korelasi
parsialnya secara keseluruhan harus kecil. Hal ini dapat diidentifikasi dengan nilai
Measure of Sampling Adequency (MSA). MSA adalah sebuah indeks perbandingan
jarak antara koefisien korelasi dengan koefisien korelasi parsialnya secara parsial
setiap item/variabel. Untuk dapat dilakukan analisis faktor, nilai MSA dianggap
cukup apabila nilai MSA > 0,5. Apabila ada item/variabel yang tidak memiliki nilai
MSA > 0,5, variabel tersebut harus dikeluarkan dari analisis faktor secara bertahap
satu persatu.

2.2. Coffee Shop

Fenomena keberadaan kafe di beberapa kota besar tanah air menarik beberapa
peneliti untuk mengkajinya melalui berbagai aspek. Herlyana (2012) dengan
penelitiannya berjudul Fenomena Coffee Shop sebagai Gejala Gaya Hidup Baru
Kaum Muda mengatakan bahwa sebagian anak muda menyukai gaya hidup yang
cenderung berorientasi pada nilai kebendaan dan prestise. Hal ini dilihat melalui
munculnya coffee shop yang berawal dari tren meminum kopi berjenis latte dan
cappucino berpengaruh pada gaya hidup anak muda yang bermula dari berubahnya
lokasi ngopi. Adapun kesamaan dalam penelitian ini berfokus pada seputar lokasi.
Namun, penelitian ini lebih menekankan pada aktivitas mahasiswa yang
mempengaruhi berjamurnya coffee shop.
 Keputusan Menteri Pariwisata, Pos dan Telekomunikasi Nomor
73/PW.105/MPPT/1985 menyatakan restoran adalah salah satu jenis usaha jasa
pangan yang bertempat di sebagian atau seluruh bangunan yang permanen,
dilengkapi dengan peralatan dan perlengkapan untuk proses pembuatan,
penyimpanan, penyajian dan penjualan makanan dan minuman bagi umum di
tempat usahanya dan memenuhi persyaratan yang ditetapkan dalam keputusan ini
(Listyari, 2006).
Coffee Shop merupakan kedai kopi yang ditandai dengan pelayanan secara cepat.
Banyaknya kursi menempati counter service untuk menekankan suasana informal.
Lokasi utamanya di gedung perkantoran atau pusat perbelanjaan dengan jumlah
kunjungan pengunjung yang tinggi dan menarik perhatian pengunjung untuk
bersantai atau melakukan pertemuan pertemuan bersifat tidak formal
 BAB III
HASIL DAN PEMBAHASAN
3.1. Data
Data yang digunakan penulis pada analisis faktor ini dengan menggunakan data
yang didapatkan dari hasil kuisioner. Penelitian ini menggunakan kuesioner berbentuk
tertutup. Kuesioner tertutup memiliki jawaban yang sudah disediakan dan tidak
memberi peluang kepada responden untuk menambah keterangan lain.
Penelitian ini merupakan jenis penelitian deskriptif kuantitatif. Penelitian ini
dilakukan pada 3 Coffee Shop yaitu Kayo Coffee and Space, Jendela Coffee Brewer &
Kitchen, dan Anak Panah Kopi Tembalang. Populasi dalam penelitian ini adalah
mahasiswa Universitas Diponegoro. Metode pengumpulan data yang digunakan dalam
penelitian ini adalah dengan kuesioner. Kuesioner dapat mengungkap banyak hal
sehingga dalam waktu singkat diperoleh banyak data atau keterangan. Berdasarkan
bentuknya, penelitian ini menggunakan kuesioner berbentuk tertutup. Kuesioner
tertutup memiliki jawaban yang sudah disediakan dan tidak memberi peluang kepada
responden untuk menambah keterangan lain. Teknik analisis data yang digunakan
dalam penelitian ini adalah analisis faktor.
Analisis faktor digunakan untuk meredukasi dan meringkas faktor-faktor apa
saja yang menyebabkan pemilihan lokasi Coffee Shop. Analisis data dilakukan dengan
menganalisis jawaban dari responden atas kuesioner yang diberikan. Hasil pengolahan
data analisis faktor menggunakan perhitungan SPSS.
Dalam penggambaran analisisnya akan diketahui nilai dari KMO (Kaiser Mayer
Olkin), yang akan menjelaskan kelayakan sampel. faktor dianggap layak jika besaran
KMO nilainya minimal 0,5. Besaran lain yang dilihat adalah nilai MSA, besaran ini
digunakan untuk mengukur derajat korelasi antar variabel dengan kriteria MSA ≥ 0,5.

Tabel 3.1. Hasil Kuesioner 50 Responden

Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9
Jihan 24 1-2
Nisrina Jendela Coffee Brewers & Kitchen Jl tunjung sari no. 2a Sedang Jarang 0 jam tidak juta
Jendela Coffee Brewers & Kitchen, Anak 1-2
Mahda Panah Kopi Tembalang Banjarsari Sedang Jarang 1 Wifi suka juta
Lutfia Diah 1-2
A Anak Panah Kopi Tembalang Ngesrep Timur v Sedang Jarang 1 Wifi suka juta
 24 >2
syifa Jendela Coffee Brewers & Kitchen Jatisari v Sedang Jarang 1 jam suka juta
Kayo Coffee and Space, Jendela Coffee
Brewers & Kitchen, Anak Panah Kopi 1-2
ranu Tembalang bulusan utara Sedang Jarang 1 Wifi suka juta
1-2
ic Anak Panah Kopi Tembalang bulusan Sedang Jarang 1 AC tidak juta
Kayo Coffee and Space, Jendela Coffee
Brewers & Kitchen, Anak Panah Kopi 24 <1
Rhein Tembalang Banjarsari no 59 Sedang Jarang 1 jam suka juta
24 1-2
zyzy Jendela Coffee Brewers & Kitchen gondang barat Sedang Jarang 1 jam suka juta
Kayo Coffee and Space, Jendela Coffee
Anggita Brewers & Kitchen, Anak Panah Kopi Jalan Tembalang 24 1-2
Fitriani Tembalang Selatan v no. 57 Sedang Jarang 1 jam tidak Juta
Jendela Coffee Brewers & Kitchen, Anak JL.Banjarsari Gg. 24 <1
Shidik Panah Kopi Tembalang Iwenisari 15 Dekat Jarang 0 jam tidak Juta
Gito 1-2
Anggara Anak Panah Kopi Tembalang Jl. Gondang Timur II Sedang Jarang 1 Wifi suka Juta
Umi <1
Khoiryatin Anak Panah Kopi Tembalang Jl timoho barat II Jauh Jarang 1 Wifi tidak Juta
Jendela Coffee Brewers & Kitchen, Anak 24 <1
Sella Panah Kopi Tembalang baskoro Sedang Jarang 1 jam suka Juta
1-2
Jihan Jendela Coffee Brewers & Kitchen sodarto Sedang Jarang 1 Wifi suka Juta
1-2
Rhama Jendela Coffee Brewers & Kitchen gang bulusari 1 Jauh Sering 1 Wifi suka Juta
Kayo Coffee and Space, Jendela Coffee
Brewers & Kitchen, Anak Panah Kopi 24 >2
Dea Tembalang tembalang Sedang Jarang 1 jam suka juta
<1
Shavira Anak Panah Kopi Tembalang banyuputih II Sedang Jarang 1 Wifi suka Juta
1-2
Naya Jendela Coffee Brewers & Kitchen Jl. Prof Soedharto 14B Jauh Jarang 0 Wifi suka Juta
1-2
Dina Jendela Coffee Brewers & Kitchen Jalan Banjarsari Sedang Jarang 1 Wifi tidak Juta
Nurul Jl. Tirto usodo timur 1-2
Fauziah Anak Panah Kopi Tembalang no.41a Sedang Jarang 1 Wifi tidak Juta
>2
Josephin Jendela Coffee Brewers & Kitchen Galang sewu raya Sedang Sering 1 Wifi suka juta
 1-2
Fita Jendela Coffee Brewers & Kitchen Jatisari 3 no 8a Dekat Jarang 1 Wifi tidak Juta
<1
Aldhea Anak Panah Kopi Tembalang Banjarsari 2 no. 5 ( Jauh Jarang 1 AC suka Juta
Rheza >2
Mustafa Jendela Coffee Brewers & Kitchen semarang Jauh Sering 2 Wifi suka juta
Fauziah Perum Graha
Berliani Sendangmulyo blok 1-2
Safitri Kopi Coffee and Space mawar III no 53 Jauh Sering 2 Wifi suka Juta
Nur Azizah 1-2
Ferawati Jendela Coffee Brewers & Kitchen Jl. Banjarsari No.3f Dekat Jarang 2 Wifi suka Juta
Muhammad 24 1-2
Hanif Kayo Coffee and Space Bukit agung blok r no 2 Jauh Jarang 1 jam suka Juta
Rani 1-2
Puspita Sari Jendela Coffee Brewers & Kitchen Jl. Siwungu Dekat Jarang 1 Wifi suka Juta
<1
Kunti Jendela Coffee Brewers & Kitchen Bukutsari Jauh Jarang 1 Wifi tidak Juta
<1
Nophia Anak Panah Kopi Tembalang Srondol kulon Jauh Jarang 1 Wifi suka Juta
24 1-2
Ardyfa Anak Panah Kopi Tembalang Graha sapta Jauh Jarang 1 jam suka Juta
>2
Arga HP Anak Panah Kopi Tembalang Sipodang Sedang Jarang 1 Wifi suka juta
24 1-2
Kamelia Anak Panah Kopi Tembalang Jl. Gerungsari 1 Sedang Jarang 1 jam tidak Juta
Antares 24 1-2
Daffa Anak Panah Kopi Tembalang Gondang Timur 4 Sedang Jarang 1 jam suka Juta
Muhammad 24 1-2
Hanif A Anak Panah Kopi Tembalang Banjarsari selatan Sedang Jarang 1 jam suka Juta
24 1-2
Rahadi Anak Panah Kopi Tembalang semarang Dekat Jarang 1 jam suka Juta
24 >2
Cilla Jendela Coffee Brewers & Kitchen Tirto agung 12B Dekat Sering 1 jam suka juta
Qashash 24 1-2
Munqidz Jendela Coffee Brewers & Kitchen Banjarsari Sedang Jarang 1 jam tidak Juta
1-2
Nana Anak Panah Kopi Tembalang Perumda Sedang Jarang 1 Wifi suka Juta
>2
Kinan Jendela Coffee Brewers & Kitchen Tembalang selatan Sedang Jarang 1 AC tidak juta

Ariel Jendela Coffee Brewers & Kitchen Baskoro Dekat Jarang 1 24 tidak 1-2
 jam Juta

1-2
Atan Anak Panah Kopi Tembalang Perumda Sedang Jarang 1 AC suka Juta
Jln. Ngesrep Timur IV 1-2
Bella Kayo Coffee and Space no.16 Jauh Jarang 2 Wifi suka Juta
1-2
Egaak Anak Panah Kopi Tembalang Jurangblimbing Sedang Jarang 1 Wifi tidak Juta
24 1-2
Jhonson Jendela Coffee Brewers & Kitchen Semarang indah Jauh Jarang 1 jam suka Juta
1-2
Maria Anak Panah Kopi Tembalang Galang Sewu Sedang Sering 2 Wifi suka Juta
24 <1
Raras Anak Panah Kopi Tembalang Jalan banjarsari no 3a Sedang Sering 1 jam suka juta
1-2
Arfika Anak Panah Kopi Tembalang Jl banjarsari raya no 58 Dekat Jarang 1 Wifi suka Juta
1-2
Faya Jendela Coffee Brewers & Kitchen Dekat Jarang 1 Wifi tidak Juta
1-2
Kiki Jendela Coffee Brewers & Kitchen Prof soedarto sh no3 Sedang Jarang 1 Wifi tidak Juta
Sumber : penulis, 2019

3.2. Tahapan Analisis

Berdasarkan langkah kerja yang telah dilakukan didapatkan beberapa output yaitu :

Tabel 3.2. Descriptive Statistics

Descriptive Statistics
Mean Std. Deviation Analysis N
Jarak 2.06 .652 50
Intensitas_ke_cs 1.88 .328 50
Jumlah_Pemesanan 1.96 .402 50
Fasilitas 1.84 .955 50
Kesukaan_thd_kopi 1.32 .471 50
Uang_saku 2.04 .570 50
Sumber : pengolahan SPSS penulis, 2019
Tabel Descriptive Statistics menunjukkan mean, std. deviation, dan jumlah data.
Jawaban dikategorikan menjadi beberapa pilihan dengan urutan semakin kecil maka
 semakin mendukung adanya perumbuhan coffee shop di koridor jalan Sirojudin-Banjarsari
Selatan. Berikut merupakan keterangan setiap pengkategoriannya.
Tabel 3.3. Nilai Pengkategorian
Jarak Fasilitas
1 = Dekat (<1 km) 1 = WIFI
2 = Sedang (1-2 km) 2 = AC
3 = Jauh (>2 km) 3 = 24 jam
Intensitas berkunjung ke Kesukaan terhadap kopi
Coffee Shop 1 = suka
1 = Sering 2 = tidak suka
2 = Jarang
Jumlah Cangkir yang dipesan Uang saku per bulan
1 = >1 cangkir 1 = >2 juta
2 = 1 cangkir 2 = 1-2 juta
3 = 0 cangkir 3 = <1 juta
Sumber : penulis, 2019

Jumlah responden yang mengisi kuesioner yaitu 50 responden. Berdasarkan tabel

tersebut dapat diketahui bahwa intensitas kunjungan responden ke coffee shop yang ada di
koridor jalan Sirojudin-Banjarsari Selatan cukup sering dengan jarak dari tempat tinggal
sekitar 1 sampai dengan 2 kilometer. Rata-rata responden memesan satu cangkir kopi
setiap kali mengunjungi coffee shop tersebut. Sedangkan fasilitas yang paling penting
menurut responden yaitu AC. Rata-rata responden menyukai kopi serta uang saku rata-rata
yaitu Rp 1.000.000,00 sampai dengan Rp 2.000.000,00.

Tabel 3.4. Correlation Matrix

Correlation Matrix
Intensitas Jumlah_Pe Fasilit Kesukaan Uang_sa
Jarak _ke_cs mesanan as _thd_kopi ku
Correlati Jarak 1.000 -.252 -.146 -.115 -.197 .158
on Intensitas_ke_c
-.252 1.000 .427 .198 .253 .135
s
 Jumlah_Pemes
-.146 .427 1.000 .302 .284 .185
anan
Fasilitas -.115 .198 .302 1.000 .025 .012
Kesukaan_thd_
-.197 .253 .284 .025 1.000 .103
kopi
Uang_saku .158 .135 .185 .012 .103 1.000
Sig. (1- Jarak .039 .155 .213 .086 .136
tailed) Intensitas_ke_c
.039 .001 .084 .038 .175
s
Jumlah_Pemes
.155 .001 .017 .023 .099
anan
Fasilitas .213 .084 .017 .431 .467
Kesukaan_thd_
.086 .038 .023 .431 .238
kopi
Uang_saku .136 .175 .099 .467 .238
Sumber : pengolahan SPSS penulis, 2019

Tabel 3.5 Inverse of Correlation Matrix

Inverse of Correlation Matrix
Intensitas_ke_c Jumlah_Pemes Kesukaan_thd_
Jarak s anan Fasilitas kopi Uang_saku
Jarak 1.149 .248 .035 .071 .176 -.241
Intensitas_ke_cs .248 1.320 -.434 -.097 -.147 -.121
Jumlah_Pemesanan .035 -.434 1.392 -.322 -.253 -.175
Fasilitas .071 -.097 -.322 1.121 .098 .038
Kesukaan_thd_kopi .176 -.147 -.253 .098 1.150 -.081
Uang_saku -.241 -.121 -.175 .038 -.081 1.095
Sumber : pengolahan SPSS penulis, 2019

Hasil dari analisis Invers of Correlations Matrix merupakan tingkat korelasi antar
variabel. Jika angka semakin tinggi maka korelasi yang terbentuk semakin kuat. Angka yang
 bernilai positif menunjukkan hubungan antar variabel berbanding lurus. Sedangkan angka
dengan nilai negatif menunjukkan hubungan antar variabel yang berbanding terbalik.

Tabel 3.6. KMO and Bartlett’s Test

KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .638
Bartlett's Test of Approx. Chi-Square 27.652
Sphericity df 15
Sig. .024
Sumber : pengolahan SPSS penulis, 2019

Tabel output KMO and Bartlett’s Test digunakan untuk mengetahui kelayakan dari
suatu variabel untuk diproses melalui teknik analisis faktor. Berdasarkan hasil di atas, nilai
KMO yang didapat yaitu sebesar 0.638 yang berarti penelitian ini layak dilanjutkan
menggunakan teknik analisis faktor karena memenuhi syarat dengan nilai KMO lebih besar
dari 0,5.

Tabel 3.7. Anti- image Matrices

Anti-image Matrices

Intensitas_ Jumlah_Pe Fasilita Kesukaan_t Uang_sak

Jarak ke_cs mesanan s hd_kopi u
Anti-image Jarak .871 .164 .022 .055 .133 -.192
Covariance Intensitas_ke_cs .164 .757 -.236 -.065 -.097 -.084
Jumlah_Pemesan
.022 -.236 .719 -.206 -.158 -.115
an
Fasilitas .055 -.065 -.206 .892 .076 .031
Kesukaan_thd_ko
.133 -.097 -.158 .076 .870 -.064
pi
Uang_saku -.192 -.084 -.115 .031 -.064 .913
Anti-image Jarak .585a .201 .028 .063 .153 -.215
Correlation Intensitas_ke_cs .201 .679a -.320 -.079 -.120 -.101
 Jumlah_Pemesan
.028 -.320 .641a -.257 -.200 -.142
an
Fasilitas .063 -.079 -.257 .629a .086 .034
Kesukaan_thd_ko
.153 -.120 -.200 .086 .684a -.072
pi
Uang_saku -.215 -.101 -.142 .034 -.072 .517a
a. Measures of Sampling Adequacy(MSA)
Sumber : pengolahan SPSS penulis, 2019

Tabel anti Image Matrices digunakan untuk mengetahui dan menentukan variabel-
variabel yang layak digunakan untuk analisis faktor. Pada tabel di atas terdapat tanda
“a”yang mengindikasikan Measure of Sampling Adequacy (MSA). Nilai masing-masing MSA
tersebut yaitu.
1. Jarak sebesar 0.585
2. Intensitas kunjungan ke Coffee Shop sebesar 0.679
3. Jumlah pemesanan sebesar 0.641
4. Fasilitas sebesar 0.629
5. Kesukaan terhadap kopi sebesar 0.684
6. Uang saku per bulan sebesar 0.517
Persyaratan yang harus dipenuhi dalam analisis faktor yaitu MSA lebih dari 0.5. dari
hasil di atas, seluruh variabel memiliki nilai MSA lebih dari 0.5. Maka, seluruh variabel
dapat digunakan dalam analisis faktor ini.

Tabel 3.8. Communalities

Communalities
Initial Extraction
Jarak 1.000 .654
Intensitas_ke_cs 1.000 .558
Jumlah_Pemesanan 1.000 .624
Fasilitas 1.000 .230
Kesukaan_thd_kopi 1.000 .315
Uang_saku 1.000 .739
 Extraction Method: Principal Component
Analysis.
Sumber : pengolahan SPSS penulis, 2019

Tabel Communalities menunjukan nilai variabel untuk menentukan kemampuan

menjelaskan faktor. Jika nilai extraction lebih besar dari 0.5 maka variabel dianggap mampu
menjelaskan faktor. Berdasarkan tabel di atas, terdapat empat variabel yang dianggap
mampu menjelaskan faktor yaitu variabel jarak, intensitas kunjungan ke Coffee Shop,
jumlah pemesanan, dan uang saku per bulan. Sedangkan dua variabel lainnya yaitu fasilitas
dan kesukaan terhadap kopi dianggap tidak mampu menjelaskan faktor karena nilai
extraction kurang dari 0.5.

Tabel 3.9. Total Variance Explained

Total Variance Explained
Extraction Sums of Squared Rotation Sums of Squared
Initial Eigenvalues Loadings Loadings
Compon % of Cumulativ % of Cumulativ % of Cumulativ
ent Total Variance e% Total Variance e% Total Variance e%
1 1.951 32.523 32.523 1.951 32.523 32.523 1.951 32.516 32.516
2 1.168 19.473 51.996 1.168 19.473 51.996 1.169 19.480 51.996
3 .997 16.611 68.607
4 .712 11.859 80.466
5 .646 10.772 91.238
6 .526 8.762 100.000
Extraction Method: Principal Component Analysis.
Sumber : pengolahan SPSS penulis, 2019

Tabel Total Variance Explained menunjukkan nilai masing-masing variabel yang

dianalisis. Pada penelitian ini enam variabel yang berarti ada enam komponen yang di
analisis. Pada kolom initial eigenvalues menunjukkan faktor yang terbentuk. Jika seluruh
faktor dijumlahkan maka akan menunjukkan jumlah variabel yaitu 6 (hasil dari
penjumlahan pada kolom total). Sedangkan pada kolom extraction sums of squared
loadings menunjukkan jumlah variasi atau banyaknya faktor yang dapat terbentuk. Pada
tabel di atas, hasil output ada dua variasi faktor yaitu 1.951 dan 1.168.
Berdasarkan tabel output Total Variance Explained pada bagian Initial Eigenvalues,
ada dua faktor yang terbentuk dari keenam variabel penelitian yang dianalisis. Syarat untuk
menjadi faktor yaitu nilai eigenvalues harus lebih besar dari 1. Nilai eigenvalues component
pertama yaitu sebesar 1.951 (lebih dari 1) serta mampu menjelaskan 32,52%. sedangkan
nilai eigenvalues component kedua yaitu sebesar 1.168 (lebih dari 1) serta mampu
menjelaskan 19,47%. Jika kedua faktor dijumlahkan maka akan menghasilkan kemampuan
menjelaskan faktor sebesar 51,99%.
Gambar 3.1. Scree Plot

Sumber : pengolahan SPSS penulis, 2019

Berdasarkan gambar Scree Plot di atas, dapat diketahui bahwa jumlah faktoro yang
terbentuk hanya 2 yang dilihat dari titik yang berada di atas angka 1.

Tabel 3.10. Component Matrix

Component Matrixa
Component
 1 2
Jarak -.448 .673
Intensitas_ke_cs .747 .002
Jumlah_Pemesanan .770 .175
Fasilitas .472 -.086
Kesukaan_thd_kopi .561 .004
Uang_saku .249 .823
Extraction Method: Principal Component
Analysis.
a. 2 components extracted.
Sumber : pengolahan SPSS penulis, 2019

Tabel component matrix menunjukkan korelasi atau hubungan antara masing-

masing variabel dengan faktor yang akan terbentuk. Dari hasil di atas menunjukkan bahwa :
1. Variabel jarak memiliki korelasi dengan faktor 1 sebesar -0.448 dan faktor 2 sebesar 0.673.
2. Variabel intensitas kunjungan ke coffee shop memiliki korelasi dengan faktor 1 sebesar
0.747 dan faktor 2 sebesar 0.002.
3. Variabel jumlah pemesanan memiliki korelasi dengan faktor 1 sebesar 0.770 dan faktor 2
sebesar 0.175.
4. Variabel fasilitas memiliki korelasi dengan faktor 1 sebesar 0.472 dan faktor 2 sebesar -
0.086.
5. Variabel kesukaan terhadap kopi dengan faktor 1 sebesar 0.561 dan faktor 2 sebesar 0.004.
6. Variabel uang saku per bulan terhadap faktor 1 sebesar 0.249 dan faktor 2 sebesar 0.823.

Tabel 3.11. Rotated Component Matrix

Rotated Component Matrixa
Component
1 2
Jarak -.432 .684
Intensitas_ke_cs .747 -.016
Jumlah_Pemesanan .774 .157
Fasilitas .470 -.097
Kesukaan_thd_kopi .561 -.009
 Uang_saku .268 .817
Extraction Method: Principal Component
Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
a. Rotation converged in 3 iterations.
Sumber : pengolahan SPSS penulis, 2019

1. Variabel jarak memiliki nilai korelasi dengan faktor 1 sebesar -0.432 dan faktor 2 sebesar
0.684. Nilai korelasi faktor 2 lebih besar dari faktor 1, maka variabel jarak termasuk
kelompok variabel 2.
2. Variabel intensitas kunjungan ke coffee shop memiliki nilai korelasi dengan faktor 1
sebesar 0.747 dan faktor 2 sebesar -0.016. nilai korelasi faktor 1 lebih besar dari faktor 2,
maka variabel intensitas kunjungan ke coffee shop termasuk kelompok variabel 1.
3. Variabel jumlah pemesanan memiliki nilai korelasi dengan faktor 1 sebesar 0.774 dan
faktor 2 sebesar 0.157. Nilai korelasi faktor 1 lebih besar dari faktor 2, maka variabel
jumlah pemesanan termasuk kelompok variabel 1.
4. Variabel fasilitas memiliki nilai korelasi dengan faktor 1 sebesar 0.470 dan faktor 2
sebesar -0.97. Nilai korelasi faktor 1 lebih besar dari faktpr 2, maka variabel fasilitas
termasuk kelompok variabel 1.
5. Variabel kesukaan terhadap kopi memiliki nilai korelasi dengan faktor 1 sebesar 0.561
dan faktor 2 sebesar -0.009. Nilai korelasi faktor 1 lebih besar dari faktor 2, maka variabel
kesukaan terhadap kopi termasuk kelompok 1.
6. Variabel uag saku memiliki korelasi dengan faktor 1 sebesar 0.268 dan faktor 2 sebesar
0.817. Nilai korelasi faktor 2 lebih besar dari faktor 1, maka variabel uang saku termasuk
kelompok variabel 2.
Berdasarkan hasil di atas maka dapat disimpulkan bahwa faktor 1 terdiri atas
variabel intensitas kunjungan ke coffee shop, jumlah pemesanan, fasilitas, dan kesukaan
terhadap kopi. Sedangkan faktor 2 terdiri atas variabel jarak dan uang saku.

Tabel 3.12. Component Transformation Matrix

Component Transformation
Matrix
 Component 1 2
1 1.000 -.023
2 .023 1.000
Extraction Method: Principal
Component Analysis.
Rotation Method: Varimax with
Kaiser Normalization.
Sumber : pengolahan SPSS penulis, 2019

Tabel Component Transformation Matrix menunjukkan bahwa komponen 1 dan 2

memiliki korelasi masing-masing 1. Nilai korelasi tersebut lebih besar dari 0.5 maka kedua
faktor yang terbentuk dapat dikatakan layak untuk merangkum keenam variabel yang
dianalisis.

3.3. Analisis Output

Berdasarkan hasil analisis data menunjukkan bahwa faktor- faktor yang
mempengaruhi pemilihan coffee shop untuk tujuan lokasi beraktivitas di Koridor Sirojudin-
Banjarsari Selatan dapat dijelaskan oleh persentase dari masing- masing faktor. Nilai Total
Variance Explained digunakan untuk mengetahui persentase dari enam faktor yang
dianalisis. Hasil analisis faktor menggunakan bantuan program SPSS pada taraf signifikansi
5%, dimana persentase dari masing-masing faktor dapat dilihat pada tabel 3.13.

Tabel 3.13. Hasil Analisis Total Variance Explained

Total Variance Explained
Extraction Sums of Squared Rotation Sums of Squared
Initial Eigenvalues Loadings Loadings
Compon % of Cumulativ % of Cumulativ % of Cumulativ
ent Total Variance e% Total Variance e% Total Variance e%
1 1.951 32.523 32.523 1.951 32.523 32.523 1.951 32.516 32.516
2 1.168 19.473 51.996 1.168 19.473 51.996 1.169 19.480 51.996
3 .997 16.611 68.607
4 .712 11.859 80.466
5 .646 10.772 91.238
6 .526 8.762 100.000
Extraction Method: Principal Component Analysis.
Sumber : pengolahan SPSS penulis, 2019

Berdasarkan tabel 3.13 dapat ditunjukkan bahwa faktor jarak memiliki eigenvalue sebesar
1,951 dengan nilai varian sebesar 32,523%, faktor intensitas pergi ke coffee shop memiliki
eigenvalue sebesar 01,168 dengan nilai varian sebesar 19,473%, faktor jumlah cangkir yang
dipesan memiliki eigenvalue sebesar 0,997 dengan nilai varian sebesar 16,611%, faktor fasilitas
memiliki eigenvalue sebesar 0,712 dengan nilai varian sebesar 11,869%, faktor kesukaan terhadap
kopi memiliki eigenvalue sebesar 0,646 dengan nilai varian sebesar 10,772%, dan faktor uang saku
memiliki eigenvalue sebesar 0,526 dengan nilai varian sebesar 8,762%.
Faktor yang dapat menjelaskan pemilihan coffee shop di koridor Sirojudin- Banjarsari
Selatan dapat ditunjukkan dengan ekstraksi faktor. Ekstraksi faktor dapat dijelaskan oleh total
persentase dari masing-masing faktor utama. Faktor-faktor utama tersebut adalah jarak dan
intensitas pergi ke coffee shop yang memiliki eigenvalue > 1. Untuk mengetahui distribusi dimensi-
dimensi yang belum dirotasi ke dalam faktor yang telah terbentuk, maka dapat dilihat pada Rotated
Component Matrix.

Tabel 3.14. Rotated Component Matrix

Rotated Component Matrixa
Component
1 2
Jarak -.432 .684
Intensitas_ke_cs .747 -.016
Jumlah_Pemesanan .774 .157
Fasilitas .470 -.097
Kesukaan_thd_kopi .561 -.009
Uang_saku .268 .817
Extraction Method: Principal Component
Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
 b. Rotation converged in 3 iterations.
Sumber : pengolahan SPSS penulis, 2019

Berdasarkan tabel 3.14 dapat ditunjukkan bahwa faktor yang mempengaruhi

pemilihan coffee shop dapat dikelompokan menjadi 2 faktor. Faktor satu terbentuk dari
faktor jarak (X1) dan faktor intensitas pergi ke coffee shop (X2).

BAB IV
KESIMPULAN

Berdasarkan hasil analisis data dan pembahasan, maka dapat ditarik simpulan yaitu faktor-
faktor yang mempengaruhi pemilihan coffee shop untuk tujuan beraktivitas di koridor Sirojudin-
Banjarsari Selata adalah jarak dengan nilai varian sebesar 32,523%, faktor intensitas pergi ke
coffee shop memiliki eigenvalue sebesar 01,168 dengan nilai varian sebesar 19,473%, faktor
jumlah cangkir yang dipesan memiliki eigenvalue sebesar 0,997 dengan nilai varian sebesar
16,611%, faktor fasilitas memiliki eigenvalue sebesar 0,712 dengan nilai varian sebesar 11,869%,
faktor kesukaan terhadap kopi memiliki eigenvalue sebesar 0,646 dengan nilai varian sebesar
10,772%, dan faktor uang saku memiliki eigenvalue sebesar 0,526 dengan nilai varian sebesar
8,762%. Dan faktor yang paling dominan mempengaruhi pemilihan coffee shop sebagai tujuan
beraktivitas yaitu jarak dan intensitas pergi ke coffee shop.
Sehingga dapat disimpulkan berjamurnya lokasi coffee shop akan semakin meningkat
tergantung kepada jarak coffee shop tersebut terhadap lokasi kos dan berjamurnya coffee shop
akan semakin menjamur dengan didukung mahasiswa yang memiliki intensitas pergi ke coffee
shop yang tinggi.

Daftar Pustaka
Anonim. Tanpa Tahun. Analisis Faktor. Dalam www.sbm.binus.ac.id. Diakses pada Kamis, 18
April 2019.
Anonim. Tanpa Tahun. Panduan Analisis Faktor dan Interpretasi dengan SPSS Lengkap. Dalam
www.spssindonesia.com. Diakses pada Kamis, 18 April 2019.

Lampiran
 Descriptive Statistics

Mean Std. Deviation Analysis N

Jarak 2.06 .652 50

Intensitas_ke_cs 1.88 .328 50

Jumlah_Pemesanan 1.96 .402 50

Fasilitas 1.84 .955 50

Kesukaan_thd_kopi 1.32 .471 50

Uang_saku 2.04 .570 50

Correlation Matrix

Jumlah_Pemesa Kesukaan_thd_k
Jarak Intensitas_ke_cs nan Fasilitas opi Uang_saku

Correlation Jarak 1.000 -.252 -.146 -.115 -.197 .158

Intensitas_ke_cs -.252 1.000 .427 .198 .253 .135

Jumlah_Pemesanan -.146 .427 1.000 .302 .284 .185

Fasilitas -.115 .198 .302 1.000 .025 .012

Kesukaan_thd_kopi -.197 .253 .284 .025 1.000 .103

Uang_saku .158 .135 .185 .012 .103 1.000

Sig. (1-tailed) Jarak .039 .155 .213 .086 .136

Intensitas_ke_cs .039 .001 .084 .038 .175

Jumlah_Pemesanan .155 .001 .017 .023 .099

Fasilitas .213 .084 .017 .431 .467

Kesukaan_thd_kopi .086 .038 .023 .431 .238

 Uang_saku .136 .175 .099 .467 .238

Inverse of Correlation Matrix

Jumlah_Pemesa Kesukaan_thd_k
Jarak Intensitas_ke_cs nan Fasilitas opi Uang_saku

Jarak 1.149 .248 .035 .071 .176 -.241

Intensitas_ke_cs .248 1.320 -.434 -.097 -.147 -.121

Jumlah_Pemesanan .035 -.434 1.392 -.322 -.253 -.175

Fasilitas .071 -.097 -.322 1.121 .098 .038

Kesukaan_thd_kopi .176 -.147 -.253 .098 1.150 -.081

Uang_saku -.241 -.121 -.175 .038 -.081 1.095

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .638

Bartlett's Test of Sphericity Approx. Chi-Square 27.652

df 15

Sig. .024

Anti-image Matrices

Intensitas_ke_ Jumlah_Peme Kesukaan_thd

Jarak cs sanan Fasilitas _kopi Uang_saku

Anti-image Covariance Jarak .871 .164 .022 .055 .133 -.192

Intensitas_ke_cs .164 .757 -.236 -.065 -.097 -.084

 Jumlah_Pemesanan .022 -.236 .719 -.206 -.158 -.115

Fasilitas .055 -.065 -.206 .892 .076 .031

Kesukaan_thd_kopi .133 -.097 -.158 .076 .870 -.064

Uang_saku -.192 -.084 -.115 .031 -.064 .913

a
Anti-image Correlation Jarak .585 .201 .028 .063 .153 -.215

a
Intensitas_ke_cs .201 .679 -.320 -.079 -.120 -.101

a
Jumlah_Pemesanan .028 -.320 .641 -.257 -.200 -.142

a
Fasilitas .063 -.079 -.257 .629 .086 .034

a
Kesukaan_thd_kopi .153 -.120 -.200 .086 .684 -.072

a
Uang_saku -.215 -.101 -.142 .034 -.072 .517

a. Measures of Sampling Adequacy(MSA)

Communalities

Initial Extraction

Jarak 1.000 .654

Intensitas_ke_cs 1.000 .558

Jumlah_Pemesanan 1.000 .624

Fasilitas 1.000 .230

Kesukaan_thd_kopi 1.000 .315

Uang_saku 1.000 .739

Extraction Method: Principal Component Analysis.

Total Variance Explained

 Extraction Sums of Squared Rotation Sums of Squared
Initial Eigenvalues Loadings Loadings

Compone % of Cumulative % of Cumulative % of Cumulative

nt Total Variance % Total Variance % Total Variance %

1 1.951 32.523 32.523 1.951 32.523 32.523 1.951 32.516 32.516

2 1.168 19.473 51.996 1.168 19.473 51.996 1.169 19.480 51.996

3 .997 16.611 68.607

4 .712 11.859 80.466

5 .646 10.772 91.238

6 .526 8.762 100.000

Extraction Method: Principal Component Analysis.

 a
Component Matrix

Component

1 2

Jarak -.448 .673

Intensitas_ke_cs .747 .002

Jumlah_Pemesanan .770 .175

Fasilitas .472 -.086

Kesukaan_thd_kopi .561 .004

Uang_saku .249 .823

Extraction Method: Principal Component Analysis.

a. 2 components extracted.

a
Rotated Component Matrix

Component

1 2

Jarak -.432 .684

Intensitas_ke_cs .747 -.016

Jumlah_Pemesanan .774 .157

Fasilitas .470 -.097

Kesukaan_thd_kopi .561 -.009

Uang_saku .268 .817

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

a. Rotation converged in 3 iterations.

Component Transformation Matrix

Component 1 2

1 1.000 -.023

2 .023 1.000
Extraction Method: Principal Component
Analysis.

Rotation Method: Varimax with Kaiser

Normalization.