D. Masalah Penelitian
Tahap pertama analisis faktor adalah menentukan masalah penelitian atau tujuan yang akan
dicapai dari penelitian yang akan dilakukan. Terdapat 2 tipe tujuan yang dapat dicapai dari
suatu penelitian :
1. Penelitian eksploratori
Penelitian eksploratori adalah penelitian yang bertujuan untuk mencari ide-ide atau
hubungan-hubungan yang baru. Dalam analisis faktor, penelitian eksploratori merupakan
penelitian dimana peneliti tidak menset batasan-batasan apriori estimasi komponen atau
jumlah faktor yang akan diekstraksi (take what data the data give you).
2. Penelitian konfirmatori
Penelitian konfirmatori adalah penelitian yang bertujuan untuk menguji hipotesis atau
kerangka konsep yang telah dirumuskan sebelumnya. Penelitian konfirmatori ini juga
bertujuan untuk menguji derajat kesesuaian data dengan struktur yang telah dibuat
sebelumnya.
E. Tipe Analisis Faktor
Analisis faktor sebenarnya merupakan model yang dapat mengidentifikasikan hubungan yang
terdapat di antara sejumlah variabel maupun yang terdapat dalam sejumlah responden. Jika
analisis faktor dilakukan untuk mengidentifikasikan hubungan yang terdapat di antara
sejumlah variabel, maka analisis faktor yang dilakukan adalah analisis faktor R (R factor
analysis). Jika analisis faktor dilakukan untuk mengidentifikasikan hubungan yang terdapat
di antara sejumlah responden, maka analisis faktor yang dilakukan adalah analisis faktor Q
(Q factor analysis). Pengelompokkan sejumlah responden ini dapat juga dilakukan dengan
menggunakan analisis cluster. Perbedaan antara analisis faktor Q dengan analisis cluster
terdapat pada dasar pengelompokkan yang digunakan, yaitu analisis faktor Q
mengelompokkan responden berdasarkan kesamaan struktur atau interkorelasi antar
responden sedangkan analisis cluster mengelompokkan responden berdasarkan jarak aktual
antar responden (distance-based similarity). Untuk lebih jelasnya, perbedaan antara analisis
faktor Q dan analisis cluster dijelaskan melalui ilustrasi berikut,
Misalkan terdapat sejumlah responden yang memiliki nilai untuk sejumlah variabel penilaian
sebagai berikut:
Jika pengelompokkan responden dilakukan dengan analisis faktor Q maka akan diperoleh 2
kelompok dimana kelompok pertama terdiri dari responden A dan responden C, sedangkan
kelompok kedua terdiri dari responden B dan responden D. Jika pengelompokkan responden
dilakukan dengan analisis cluster maka akan diperoleh 2 kelompok dimana kelompok
pertama terdiri dari responden A dan responden B, sedangkan kelompok kedua terdiri dari
responden C dan responden D.
3. Desain Penelitian
Desain analisis faktor meliputi tiga hal berikut:
1. Penentuan Input untuk Analisis Faktor
Penentuan variabel-variabel dilakukan sesuai dengan landasan teoritis tertentu dan
relevan dengan tujuan penelitian, serta sebaiknya satuan yang digunakan untuk
mengukur variabel-variabel tersebut adalah sama. Jika tidak dimungkinkan digunakan
satuan pengukuran yang sama, input nilai ini harus distandardisasikan terlebih dahulu
(memiliki rataan sama dengan nol dan deviasi standar sama dengan satu). Sedapat
mungkin, jenis skala yang digunakan adalah metrik (interval atau rasio), namun skala
nonmetrik bisa juga digunakan dengan mengubahnya ke dalam variabel dummy yaitu
variabel yang bernilai 0 atau 1.Input data mentah pada analisis faktor pada umumnya
berupa satu set nilai variabel-variabel untuk masing-masing individu atau objek dalam
sampel. Kemudian diolah menjadi matriks berukuran p (jumlah variabel orisinal)
yang akan menjadi input algoritma dalam analisis faktor.Matriks data mentah n p (n
obyek dan p variabel) diubah menjadi matriks variansi-kovariansi atau matriks
korelasi. Pada umumnya pendekatan yang digunakan adalah menggunakan matriks
korelasi. Penggunaan matriks korelasi menghilangkan perbedaan yang diakibatkan
oleh mean dan dispersi variabel. Penggunaan matriks kovariansi dapat dilakukan jika
variansi pada masing-masing variabel tidak jauh berbeda atau pada data mentah telah
dilakukan standardidasi (sedemikian hingga variansi dari masing-masing variabel
menjadi seragam).Perbandingan penggunaan antara matriks korelasi dan matriks
kovariansi:
a. Alasan utamanya adalah karena variabel-variabel yang diukur biasanya mempunyai
unit dan skala pengukuran yang berbeda. Penggunaan matriks korelasi menghilangkan
perbedaan yang diakibatkan oleh mean dan dispersi variabel. Jadi variabel yang
tadinya mempunyai skala dan satuan yang berbeda siap untuk dibandingkan.
b. Penggunaan matriks kovariansi dapat dilakukan jika variansi pada masing-masing
variabel tidak jauh berbeda atau pada data mentah telah dilakukan standardidasi
(sedemikian hingga variansi dari masing-masing variabel menjadi seragam).
c. Pendekatan dengan matriks kovariansi lebih jarang digunakan, walaupun input ini
memberikan keuntungan, antara lain sifat-sifat sampling Principal Component
(variabel) yang diperoleh dari matriks kovariansi lebih dapat ditelusuri.
terdapat variabel dengan data yang bersifat nonmetrik yang harus diikutsertakan
dalam analisis faktor, maka digunakan variabel dummy.
2. Ukuran sampel
Sebuah penelitian awal dengan menggunakan analisis faktor sebaiknya memiliki
sampel tidak kurang dari 50 buah, dan lebih baik jika mencapai 100 buah. Namun
terdapat aturan umum yang dapat dipegang, yaitu jumlah sampel minimum lima kali
dari jumlah variabel yang ada. Jadi jika suatu penelitian melibatkan 20 variabel awal,
maka jumlah sampel minimumnya adalah 100 buah. Dalam beberapa kejadian,
perbandingan jumlah sampel dan jumlah variabel sebesar 2 : 1 masih dapat
memberikan output yang cukup baik. Namun dalam hal ini, interpretasi harus
dilakukan dengan hati-hati.Secara statistik, kecukupan jumlah sampel secara
keseluruhan dapat dilihat dari angka Kaiser-Meyer-Olkin (KMO). Nilai ukuran
KMO yang kecil mengindikasikan bahwa penggunaan analisis faktor perlu
dipertimbangkan. Kaiser (1974) mencirikan ukuran KMO sebagai berikut:
berjenis kelamin pria dan 50 lainnya diambil dari responden yang berjenis kelamin wanita.
Disini kita tidak boleh melakukan analisis faktor untuk set variabel tersebut dengan cara
menggabungkan semua sampel karena telah diketahui sebelumnya bahwa karakteristik
variabel akan berbeda berdasarkan gender. Analisis faktor tidak bisa mengidentifikasi
kesalahan ini, jadi disinilah pentingnya peran peneliti untuk mengerti asumsi konseptual ini.
Asumsi berdasarkan statistical issues
Anti-image
correlation
matrix
Anti-image correlation matrix merupakan matriks yang menunjukkan angka negative
dari korelasi parsial yang terdapat antar variabel sehingga jika nilai anti-image
correlation (semakin negatif) antarvariabel semakin besar, maka penggunaan analisis
faktor harus kembali dipertimbangkan.
Bartletts
Test
of
Sphericity
Bartletts Test of Sphericity merupakan salah satu metode yang digunakan untuk
melihat korelasi antar variabel secara keseluruhan atau sekaligus. Bartletts Test of
Sphericity menguji hipotesis bahwa matriks korelasi adalah matriks identitas. Jika
hipotesis ini diterima, maka penggunaan analisis faktor perlu dipertimbangkan (model
faktor yang dipergunakan tidak sesuai).
5. Metode Faktor
Pada tahap keempat ini dilakukan dua hal yaitu menentukan model faktor dan menentukan
jumlah faktor. Terdapat dua prosedur analisis faktor yang paling banyak digunakan, yaitu:
principal component analysis dan common factor analysis. Principal component analysis
digunakan apabila peneliti ingin mengekstraksi sejumlah besar variabel penelitian menjadi
beberapa variabel penelitian saja agar lebih mudah tertangani. Adapun common factor
analysis digunakan mengidentifikasikan struktur hubungan antarvariabel dengan
mengungkapkan konstruksi (dimensi-dimensi) yang mendasari hubungan tersebut. Perbedaan
antara principal component analysis dan common factor analysis digambarkan pada Gambar
berikut.
matematis
di
Xp
model
PCA
dapat
dituliskan
sebagai:
mana:
PCm
: skor faktor untuk faktor ke-m
wm
: koefisien skor faktor untuk faktor ke-m
: variabel awal (orisinal) ke-p
Keterangan:
CFm
: skor faktor untuk faktor ke-m
vpm
Xp
ep
: variansi-variansi errorPerhatikan bahwa masing-masing variabelvariabel orisinal merupakan kombinasi linier dari principal component (komponen
utama).Ada beberapa kelemahan yang terdapat pada Common Factor Analysis (CFA):
1. Factor indeterminancy, yaitu setiap responden dapat memiliki beberapa skor
yang berbeda yang dihasilkan dari model yang dihasilkan (faktor loading
dapat berbeda antar responden).
2. Communalities tidak selalu dapat dicari, kalaupun bisa, hasilnya dapat invalid
(lebih besar dari 1). Dengan adanya kelemahan-kelemahan tersebut,
pemakaian principal component analysis menjadi lebih luas.
Secara garis besar, metodologi analisis faktor berupa proses transformasi variabel-variabel
orisinal (awal) menjadi variabel-variabel baru yang saling tidak berkorelasi. Variabel baru ini
disebut dengan faktor. Masing-masing faktor merupakan kombinasi linier dari variabel
orisinal.
Salah satu ukuran jumlah informasi yang dibawa atau diteruskan oleh masing-masing faktor
adalah variansinya. Sehubungan dengan hal ini, faktor-faktor disusun dengan urutan variansi
yang menurun. Faktor pertama merupakan faktor yang paling informatif (memiliki variansi
terjelaskan yang maksimum) dan faktor terakhir adalah faktor yang paling sedikit
meneruskan informasi (memiliki variansi terjelaskan yang minimum).
Jumlah faktor yang dibangkitkan adalah maksimum sebanyak jumlah variabel awal. Namun
dikaitkan dengan tujuannya, pada umumnya jumlah faktor yang dibangkitkan adalah
sejumlah kecil faktor yang dinilai mencukupi oleh peneliti.
Penentuan Jumlah Faktor yang Diekstraksi:
Terdapat beberapa kriteria yang dapat digunakan dalam menentukan jumlah faktor yang akan
dibentuk, antara lain:
terdapat berapa faktor yang akan terbentuk. Sebaliknya, pada penelitian yang bersifat
konfirmatori sudah terdapat penelitian atau teori atau hipotesis tertentu yang
menyatakan bahwa akan terdapat sekian faktor. Pada penelitian konfirmatori ini,
secara a priori (sesuai kerangka teoritis) ditetapkan jumlah faktor yang akan
diekstraksi. Contoh: konsep ServQual dari Zeithaml dan Parasuraman menyatakan
bahwa dimensi kualitas layanan ada lima, yaitu keandalan (reliability), aspek-aspek
berwujud (tangibles), daya tangkap (responsiveness), jaminan (assurance), dan
empati (empathy). Sudah tentu, kalau kita melakukan analisis faktor terhadap atributatribut kualitas layanan, jumlah faktor yang kita minta lima, karena konsep
mengatakan demikian.
6. Interpretasi Output Analisis Faktor
Terdapat tiga tahap dalam melakukan interpretasi faktor :
1. Perhitungan
matriks
Matriks faktor:
faktor
inisial
(yang
belum
dirotasikan).
2. Ekstraksi faktor
Ekstraksi faktor adalah tahap yang bertujuan untuk menghasilkan sejumlah faktor dari
data yang ada. Matriks faktor setelah dirotasi dapat mempermudah interpretasi dalam
menentukan variabel-variabel mana saja yang dapat tercakup dalam suatu faktor.
Rotasi faktor dapat menghasilkan output beberapa solusi (bobot dan nilai faktor).
Solusi ini tidak selalu mudah diinterpretasikan. Idealnya suatu variabel memiliki
bobot faktor yang tinggi untuk sebuah faktor dan bobot faktor yang rendah untuk
faktor-faktor lainnya. Ini dapat diinterpretasikan bahwa variabel tersebut dapat
diwakili oleh faktor dengan bobot faktor yang tinggi tersebut.Solusi dengan variabelvariabel bernilai bobot faktor menengah untuk semua faktor akan sulit
diinterpretasikan. Untuk mengatasi hal ini dilakukanlah rotasi faktor. Rotasi faktor
berarti merotasikan dimensi. Hasil rotasi ini tidak mengurangi komunalitas. Artinya,
informasi masing-masing variabel yang diteruskan oleh keseluruhan faktor tidak
berubah. Yang dapat berubah adalah nilai eigen. Namun, umumnya tidak berbeda
jauh. Karena lebih mudah diinterpretasikan, pada umumnya hasil rotasi faktor inilah
yang digunakan untuk analisis lebih lanjut.
Skor Faktor
Beberapa interpretasi dapat dilakukan atas output analisis faktor yang ditampilkan
dalam keempat Tabel di atas.
Nilai Eigen (Eigen value):
Nilai eigen menggambarkan jumlah variansi yang diteruskan oleh sebuah faktor. Nilai
eigen dapat diperoleh dengan menjumlahkan kuadrat dari bobot faktor untuk seluruh
variabel (jumlah kuadrat dalam satu kolom faktor). Nilai eigen Faktor 1 yang sebesar
2,7546 menunjukkan bahwa variansi yang terjelaskan oleh Faktor 1 adalah sebesar
2,7546 dari keseluruhan nilai variansi awal yang sebesar 5 (karena terdapat 5 buah
variabel yang masing-masing memiliki nilai variansi sama dengan 1). Atau proporsi
variansi yang terjelaskan oleh Faktor 1 adalah sebesar 0.5509 atau 55.09% (lihat baris
proportion). Variansi sisanya dijelaskan oleh Faktor 2 (0.3550 atau 35.5%) dan faktorfaktor lainnya. Faktor 1 dan Faktor 2 secara bersama-sama mampu menjelaskan
0.9059 atau (90.59%) dari total variansi yang ada (lihat baris cumulative). Dari sini
tampak cukup beralasan untuk menggunakan Faktor 1 dan Faktor 2 sebagai variabel
pengganti kelima variabel awal.
Variansi Terjelaskan (Explained Variance):
Angka pada Tabel kedua. ini menunjukkan jumlah variansi yang dapat dijelaskan atau
diteruskan oleh masing-masing faktor. Sebelum rotasi, variansi terjelaskan ini sama
dengan nilai eigen (lihat Tabel pertama.) dan sesudah rotasi sedikit berkurang. Total
variansi terjelaskan dari kedua faktor setelah rotasi adalah sebesar 4.529 atau masih
terdapat 0.471 variansi yang belum terjelaskan. Ini berarti apabila digunakan kedua
faktor untuk menggantikan kelima variabel awal maka akan terjadi kehilangan
informasi sebesar 0.471 nilai variansi yang menjadi tidak terjelaskan.
,725
Approx. Chi-Square
1949,423
df
253
Sig.
,000
Kaiser Meyer Olkin Measure of Sampling (KMO) adalah indek perbandingan jarak antara koefisien korelasi dengan koefisien korelasi parsialnya. Jika jumlah
kuadrat koefisen korelasi parsial di antara seluruh pasangan variabel bernilai kecil jika dibandingkan dengan jumlah kuadrat koefisien korelasi, maka akan
menghasilkan nilai KMO mendekati 1. Nilai KMO dianggap mencukupi jika lebih dari 0,5. Hasil penelitian menunjukkan bahwa nilai Kaiser Meyer Olkin
Measure of Sampling sebesar 0,725. Dengan demikian persyaratan KMO memenuhi persyaratan karena memiliki nilai di atas 0,5.
Nilai MSA pada tabel Anti-image Matrices ditunjukkan pada baris Anti Image Correlation dengan tanda "a". Misal X1 nilai
MSA = 0,775 dimana > 0,5 maka X1 memenuhi syarat MSA, sedangkan MSA X2 = 0,266 < 0,5 maka X2 tidak memenuhi
syarat MSA. Dari 23 variabel, terdapat 4 variabel yang nilai MSAnya kurang dari 0,5 yaitu : X2, X7, X8 dan X15. Keempat
variabel tersebut dikeluarkan dari pengujian. Harus diulangi lagi analisis faktor hingga didapatkan output hingga tidak ada
variabel yang MSA nilainya kurang dari 0,5.
Didapatkan KMO and Bartlett's Test baru sebagai berikut :
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
,786
Approx. Chi-Square
1651,574
df
171
Sig.
,000
Setelah diulangi tanpa mengikut sertakan X2, X7, X8 dan X15 nilai KMO adalah 0,786. Bartletts test of sphricity : 1651,574 dengan sig 0,000.
Maka syarat KMO dan Bartletts test terpenuhi.
Tabel Anti-image Matrices yang baru menunjukkan nilai anti image correlation masing-masing variabel dengan tanda a semua memnuhi nilai
diatas 0,5, sehingga ada 19 variabel yang diuji memenuhi persyaratan.
Communalities
Initial
Extraction
X1 - Customer Type
1,000
,790
X3 - Firm Size
1,000
,687
X4 - Region
1,000
,736
X5 - Distribution System
1,000
,578
X6 - Product Quality
1,000
,761
X9 - Complaint Resolution
1,000
,848
X10 - Advertising
1,000
,375
1,000
,796
1,000
,784
1,000
,569
1,000
,532
1,000
,738
1,000
,853
1,000
,917
X19 - Satisfaction
1,000
,897
1,000
,740
1,000
,744
1,000
,799
1,000
,596
Dari tabel di atas menujukkan 19 variabel diuji memenuhi persyaratan komunalitas yaitu lebih besar dari 0,5
(komunalitas > 0,5) kecuali variabel X10. Karena nilai Extraction pada tabel variabel X10: 0,375 menunjukkan
Communalities < 0,5, maka variabel tersebut tidak memenuhi syarat komunalitas dan harus dikeluarkan dari pengujian
serta anda harus mengulangi langkah analis faktor dari awal tanpa mengikutsertakan variabel yang tidak memenuhi syarat
komunalitas. Pengulangan tersebut sama dengan cara pengulangan pada syarat MSA yang telah dijelaskan di atas. Sehingga
hanya ada 18 variabel tersisa yang akan diuji.
Hasil KMO and Bartlett's Test baru sebagai berikut :
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
.787
Approx. Chi-Square
1.610E3
df
153
Sig.
.000
Setelah diulangi tanpa mengikut sertakan X2, X7, X8, X15 dan X10 nilai KMO adalah 0,787. Bartletts test of sphricity : 1610,000 dengan sig
0,000. Maka syarat KMO dan Bartletts test terpenuhi.
Tabel Anti-image Matrices yang baru menunjukkan nilai anti image correlation masing-masing variabel dengan tanda a semua memenuhi nilai
diatas 0,5, sehingga ada 18 variabel yang diuji memenuhi persyaratan.
Communalities
Initial
Extraction
X1 - Customer Type
1.000
.805
X3 - Firm Size
1.000
.685
X4 - Region
1.000
.762
X5 - Distribution System
1.000
.614
X6 - Product Quality
1.000
.776
X9 - Complaint Resolution
1.000
.851
1.000
.797
1.000
.715
1.000
.576
1.000
.547
1.000
.744
1.000
.852
1.000
.916
X19 - Satisfaction
1.000
.896
.755
1.000
.749
1.000
.817
1.000
.613
tabel di atas menujukkan 18 variabel diuji memenuhi persyaratan komunalitas yaitu lebih besar dari 0,5 (komunalitas
> 0,5. Analisis lebih lanjut dapat dilakukan. Tabel di atas menunjukkan seberapa besar sebuah variabel dapat menjelaskan
faktor. Misal X1 nilainya 0,805, artinya variabel X1 dapat menjelaskan faktor sebesar 80,5%. Begitu pula dengan variabel
lainnya, di mana semuanya > 50%, oleh karenanya dapat disimpulkan bahwasanya semua variabel dapat menjelaskan
faktor.
Compon
Initial Eigenvalues
ent
Total
% of Variance
Cumulative %
Total
% of Variance
Cumulative %
Total
% of Variance
Cumulative %
6.829
37.938
37.938
6.829
37.938
37.938
4.197
23.317
23.317
3.544
19.691
57.630
3.544
19.691
57.630
4.137
22.983
46.301
1.790
9.945
67.575
1.790
9.945
67.575
3.640
20.221
66.522
1.305
7.252
74.828
1.305
7.252
74.828
1.495
8.306
74.828
.833
4.626
79.454
.632
3.509
82.963
.538
2.990
85.953
.491
2.728
88.681
.463
2.572
91.253
10
.334
1.856
93.109
11
.292
1.620
94.729
12
.257
1.427
96.155
13
.215
1.194
97.349
14
.169
.939
98.288
15
.133
.738
99.027
16
.096
.532
99.559
17
.071
.393
99.952
18
.009
.048
100.000
Berdasarkan tabel di atas, lihat kolom "Component" yang menunjukkan bahwa ada 18 komponen yang dapat mewakili
variabel. Perhatikan kolom "Initial Eigenvalues" yang dengan SPSS kita tentukan nilainya 1 (satu). Varians bisa diterangkan
oleh oleh faktor 1 adalah 6,829/18 x 100% = 37,938. Oleh faktor 2 sebesar 3,544/18 x 100% = 19,691. Sementara oleh
faktor 3 sebesar 1,790/18 x 100% = 9,945 dan faktor 4 1,305/18x 100% = 7,252. Sehingga total keempat faktor akan
mampu menjelaskan variabel sebesar 37,938 + 19,691+9,945+7,252 = 74,828 Dengan demikian, karena nilai Eigenvalues
yang ditetapkan 1, maka nilai Total yang akan diambil adalah yang > 1 yaitu component 1, 2, 3 dan 4.
Factor
Loading
Setelah kita mengetahui bahwa faktor maksimal yang bisa terbentuk adalah 4 faktor, selanjutnya kita melakukan penentuan
masing-masing variabel akan masuk ke dalam faktor mana, apakah faktor 1, 2, 3 atau 4. Cara menentukan tersebut adalah
dengan melihat tabel Component Matrix seperti di bawah ini:
Component Matrixa
Component
1
X1 - Customer Type
.823
-.181
-.101
-.290
X3 - Firm Size
.101
.603
.400
-.389
X4 - Region
-.253
.821
.146
.045
X5 - Distribution System
.460
-.245
.316
.493-
X6 - Product Quality
.551
-.543
.297
-.300
X9 - Complaint Resolution
.755
.307
-.431
.034
.757
-.408
-.237
.003
.307
.560
.362
.419
-.356
.653
.136
-.061
.232
-.224
-.171
.643
.660
.313
-.448
.099
.033
.872
-.301
-.006
.747
.368
-.472
.005
X19 - Satisfaction
.894
.120
.267
.105
.781
.117
.362
.034
.735
.046
.455
-.014
.826
.006
-.128
-.345
.721
.208
.224
.008
Component Matrixa
Component
1
X1 - Customer Type
.823
-.181
-.101
-.290
X3 - Firm Size
.101
.603
.400
-.389
X4 - Region
-.253
.821
.146
.045
X5 - Distribution System
.460
-.245
.316
.493-
X6 - Product Quality
.551
-.543
.297
-.300
X9 - Complaint Resolution
.755
.307
-.431
.034
.757
-.408
-.237
.003
.307
.560
.362
.419
-.356
.653
.136
-.061
.232
-.224
-.171
.643
.660
.313
-.448
.099
.033
.872
-.301
-.006
.747
.368
-.472
.005
X19 - Satisfaction
.894
.120
.267
.105
.781
.117
.362
.034
.735
.046
.455
-.014
.826
.006
-.128
-.345
.721
.208
.224
.008
Tabel di atas menunjukkan seberapa besar sebuah variabel berkorelasi dengan faktor yang akan dibentuk. Misal: X5
berkorelasi sebesar 0,460dengan faktor 1 -0,245 dengan faktor 2, 0,316 dengan faktor 3 dan 0,493 dengan faktor 4.
Secara jelasnya dapat anda lihat pada tabel Rotated Component Matrix di bawah ini untuk menentukan variabel mana
akan
masuk
faktor
yang
mana.
X1 - Customer Type
.445
.584
-.496
-.143
X3 - Firm Size
.388
.023
.447
-.578
X4 - Region
.033
-.014
.848
-.205
X5 - Distribution System
.559
-.039
-.192
.513
X6 - Product Quality
.494
.023
-.712
-.156
X9 - Complaint Resolution
.254
.881
.028
.097
.304
.532
-.615
.209
.577
.088
.569
.225
-.075
-.117
.694
-.273
.074
.132
-.109
.715
.185
.825
.078
.152
-.086
.497
.755
-.165
.225
.926
.074
.061
X19 - Satisfaction
.829
.434
-.100
.101
.811
.301
-.080
.009
.832
.191
-.136
-.040
.445
.667
-.344
-.236
.681
.386
.000
-.020
X1 - Customer Type
.445
.584
-.496
-.143
X3 - Firm Size
.388
.023
.447
-.578
X4 - Region
.033
-.014
.848
-.205
X5 - Distribution System
.559
-.039
-.192
.513
X6 - Product Quality
.494
.023
-.712
-.156
X9 - Complaint Resolution
.254
.881
.028
.097
.304
.532
-.615
.209
.577
.088
.569
.225
-.075
-.117
.694
-.273
.074
.132
-.109
.715
.185
.825
.078
.152
-.086
.497
.755
-.165
.225
.926
.074
.061
X19 - Satisfaction
.829
.434
-.100
.101
.811
.301
-.080
.009
.832
.191
-.136
-.040
.445
.667
-.344
-.236
.681
.386
.000
-.020
Penentuan variabel masuk faktor mana ditentukan dengan melihat nilai korelasi terbesar.
Maka dapat disimpulkan anggota masing-masing faktor:
Faktor 1: X6, X19, X20, X21, X22, X23
Faktor 2: X1, X9, X16, X18, X22
Faktor 3: X3, X4, X12, X13, X17
Faktor 4 : X5, X11, X14
Langkah terakhir untuk penentuan faktor adalah melihat tabel Component Transformation Matrix.
Component Transformation Matrix
Compo
nent
.688
.658
-.293
.086
.121
.311
.910
-.245
.709
-.678
.091
-.173
.098
-.103
.278
.950
Tabel di atas menunjukkan bahwa pada component 1 nilai korelasi 0,688> 0,5, component 2: 0,311 < 0,5 dan component 3:
0,091 < 0,5 dan component 4 : 0,950 >0,5. Karena tidak semua komponen menunjukkan nilai korelasi diatas 0,5, maka
hanya faktor 1 dan faktor 4 yang dapat dikatakan tepat dalam merangkum ke 18 variabel yang ada.