Analisis Faktor
Analisis Faktor
dimensi tersebut. Ia kemudian melakukan analisis faktor konfirmatori. Hasil dari analisis
faktor menunjukkan bahwa pembagian kelima faktor akhirnya dibuktikan.
1. 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 :
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).
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.
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.
Selain angka KMO, kecukupan data pada analisis faktor dapat dilihat pada matriks
korelasi anti-image (anti-image correlation matrix). Kalau angka KMO
menggambarkan kecukupan data secara keseluruhan, maka diagonal matriks korelasi
anti-image menunjukkan kecukupan data untuk masing-masing variabel. Jika nilainya
kurang dari 0,50 maka penyertaan variabel tersebut perlu dipertimbangkan kembali.
4. Asumsi
Terdapat 2 jenis asumsi yang digunakan dalam analisis faktor yaitu asumsi berdasarkan
conceptual issues dan asumsi berdasarkan statistical issues.
Asumsi berdasarkan conceptual issues
Dalam analisis faktor, asumsi berdasarkan isu konseptual lebih kritis dibandingkan dengan
asumsi berdasarkan isu statistik. Asumsi ini berhubungan dengan adanya hubungan yang
mendasari set variabel atau sampel yang dipilih oleh peneliti, dimana peneliti disini
bertanggung jawab untuk memastikan bahwa variabel-variabel yang dianalisis dengan
menggunakan analisis faktor ini valid dan layak untuk dipelajari secara konseptual. Hal ini
penting karena penggunaan analisis faktor hanya menentukan korelasi antar variabel-variabel
yang dianalisis tanpa memperhatikan apakah variabel-variabel tersebut layak untuk
dikorelasikan. Sebagai contoh, misalnya terdapat satu jenis set variabel yang penilaiannya
berbeda karakteristiknya untuk gender yang berbeda. Set variabel tersebut akan diambil
sampelnya sebanyak 100 buah dengan cara 50 sampel diambil dari populasi respoden yang
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
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.
Perbedaan antara
Principal
Component
Analysis dan
Common Factor
Analysis
Perbedaan antara
PCA dan CFA
Dari gambaran
awal, di sini
dipertegas
perbedaan antara analisis komponen utama (PCA) dan analisis faktor umum (CFA) dalam
bentuk matematisnya:
di mana:
PCm
wm
Xp
Keterangan:
CFm
: skor faktor untuk faktor ke-m
vpm
: bobot (loading) faktor ke-m untuk variabel ke-p
Xp
: variabel awal (orisinal) ke-p
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:
1. Kriteria nilai eigen.
Nilai eigen menggambarkan jumlah variansi yang dapat dijelaskan oleh sebuah faktor.
Telah dibahas bahwa nilai-nilai dari sebuah variabel, setelah distandardisasikan akan
memiliki variansi sebesar 1. Hal ini berimplikasi bahwa jika sebuah faktor memiliki
nilai eigen < 1, artinya faktor tersebut membawa informasi yang lebih sedikit
dibandingkan variabel awal. Atau dengan kata lain, kemampuan menjelaskan variansi
data (yang diukur dengan variansi) oleh faktor tersebut lebih buruk dibandingkan
dengan kemampuan variabel awal. Jika faktor ini dimasukkan dalam analisis lebih
lanjut, maka akan bertentangan dengan tujuan penggunaan analisis faktor.
Kesimpulannya, akan sangat beralasan jika faktor yang diekstraksi dibatasi pada
faktor-faktor dengan nilai eigen > 1.
2. Kriteria scree plot.
Sebuah scree plot adalah plot dari nilai eigen terhadap jumlah faktor, dalam urutan
proses ekstraksi (sebagai contoh lihat Gambar di bawah). Bentuk dari plot dapat
digunakan untuk menentukan jumlah faktor yaitu dengan memperhatikan kecuraman
garis yang ada. Proses ekstraksi berhenti pada titik di mana garis menjadi relatif lebih
landai. Proses ekstraksi berhenti pada titik yang merupakan pangkal garis yang
mengalami penurunan yang paling tajam. Pada Gambar di bawah, terlihat bahawa
setelah faktor 2 terjadi penurunan nilai eigen value yang cukup tajam ke faktor 3.
Oleh karena itu, faktor yang valid hanya sampai faktor 2.
Contoh Scree
Plot
3. Kriteria variansi
yang
terjelaskan.
Pada kriteria ini
faktor-faktor
akan diekstraksi
sampai dengan
jumlah proporsi
nilai eigen kumulatifnya melebihi suatu batas yang dianggap cukup memuaskan
(salah satu pedoman umum: untuk ilmu pasti 80 % dan untuk ilmu sosial 65 %).
4. Kriteria a priori.
Analisis faktor dapat digunakan pada penelitian yang bersifat eksploratori atau
konfirmatori. Pada penelitian yang bersifat eksploratori, peneliti belum mengetahui
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 faktor inisial (yang belum dirotasikan).
Matriks faktor:
sekali metode rotasi, misalnya varimax, quartimax, dan equimax untuk rotasi
orthogonal dan oblimax, quartimin, oblimin, dan promax untuk rotasi oblique.
Ilustrasi untuk kedua jenis rotasi digambarkan pada Gambar berikut.
Nilai
Eigen
dari
Masingmasing
Komponen Utama
Variansi yang
Terjelaskan
oleh Masing-masing Faktor
Koefisien Skor
Faktor
(Standardized)
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 faktor-faktor lainnya. Faktor 1 dan Faktor 2 secara bersamasama 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.
Skor Faktor (Factor Scores):
Meskipun faktor-faktor yang diperoleh tidak teramati/terukur sebagaimana kelima
variabel awal, namun faktor-faktor ini juga dapat berlaku sebagai variabel. Pada
analisis lebih lanjut, hasil dari analisis faktor ini dapat digunakan untuk menggantikan
kelima variabel awal tadi. Nilai dari masing-masing faktor yang menggantikan
informasi dari kelima variabel awal ini disebut dengan skor faktor.
Koefisien Skor Faktor:
Menunjukkan nilai koefisien dari masing-masing variabel awal (yang telah
,725
1949,42
3
253
,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.
,786
1651,574
171
,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
X1 - Customer Type
X3 - Firm Size
X4 - Region
X5 - Distribution System
X6 - Product Quality
X9 - Complaint
Resolution
X10 - Advertising
X11 - Product Line
X12 - Salesforce Image
X13 - Competitive
Pricing
X14 - Warranty &
Claims
X16 - Order & Billing
X17 - Price Flexibility
X18 - Delivery Speed
X19 - Satisfaction
X20 - Likely to
Recommend
X21 - Likely to Purchase
X22 - Purchase Level
X23 - Consider Strategic
Alliance
Extraction
1,000
1,000
1,000
1,000
1,000
,790
,687
,736
,578
,761
1,000
,848
1,000
1,000
1,000
,375
,796
,784
1,000
,569
1,000
,532
1,000
1,000
1,000
1,000
,738
,853
,917
,897
1,000
,740
1,000
1,000
,744
,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.
Bartlett's Test of
Sphericity
Approx. Chi-Square
df
Sig.
.787
1.610E3
153
.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
Extractio
n
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
X12 - Salesforce
Image
1.000
.715
X13 - Competitive
Pricing
1.000
.576
1.000
.547
1.000
.744
1.000
.852
1.000
.916
X19 - Satisfaction
1.000
.896
X20 - Likely to
Recommend
1.000
.755
1.000
.749
X21 - Likely to
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.
Initial Eigenvalues
Comp
onent
Total
% of
Variance
Cumulative
%
Total
% of
Variance
Cumulative
%
% 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
-.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
X12 - Salesforce
Image
.307
.560
.362
.419
X13 - Competitive
Pricing
-.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
X20 - Likely to
Recommend
.781
.117
.362
.034
X4 - Region
X21 - Likely to
Component Matrixa
Component
1
X1 - Customer Type
.823
-.181
-.101
-.290
X3 - Firm Size
.101
.603
.400
-.389
-.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
X12 - Salesforce
Image
.307
.560
.362
.419
X13 - Competitive
Pricing
-.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
X20 - Likely to
Recommend
.781
.117
.362
.034
X4 - Region
X21 - Likely to
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
X12 - Salesforce
Image
.577
.088
.569
.225
X13 - Competitive
Pricing
-.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
X20 - Likely to
Recommend
.811
.301
-.080
.009
X21 - Likely to
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
X12 - Salesforce
Image
.577
.088
.569
.225
X13 - Competitive
Pricing
-.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
X20 - Likely to
Recommend
.811
.301
-.080
.009
X21 - Likely to
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.
.688
.658
-.293
.086
.121
.311
.910
-.245
.709
-.678
.091
-.173
.098
-.103
.278
.950