NAMA : DESI ANGRYANI OKTARINA

NIM : 121000041
PRAKTIKUM MULTIVARIAT

ANALISIS FAKTOR

Analisis Factor-Faktor Yang Mempengaruhi Kualitas Motor.

Interpretasi

Deskripsi Data

Descriptive Statistics

Mean Std. Deviation Analysis N

Hemat Bahan Bakar 3.8840 .73300 50

Ketersediaan Suku Cadang 3.7320 .70434 50

Harga Motor yang kompetitif 2.8720 1.16882 50

Model Motor yang menarik 3.4560 .98066 50

Kombinasi Warna Motor

3.0540 1.02921 50
yang menarik

Keawetan Mesin Motor 2.7220 1.08877 50

Promosi dari Produsen 3.1840 1.05528 50

Sistem Pembayaran Kredit

3.5680 .92724 50
yang wajar

Tabel korelasi variable

Variabel1 Variabel2 r P
Irit Onderdil 0.079 0.292
Harga 0.200 0.082
Model 0.061 0.337
Warna 0.079 0.292
Awet -0.027 0.425
Promosi -0.216 0.066
Kredit 0.299 0.017
Onderdil Harga -0.089 0.270
Model 0.487 0.0001
Warna 0.132 0.180
Awet -0.185 0.099
Promosi -0.316 0.013
Kredit 0.341 0.008
Harga Model 0.196 0.086
 Warna 0.309 0.014
Awet 0.098 0.248
Promosi 0.150 0.149
Kredit 0.071 0.312
Model Warna 0.443 0.001
Awet -0.069 0.316
Promosi 0.052 0.360
Kredit 0.250 0.040
Warna awet -0.046 0.375
Promosi 0.096 0.253
Kredit 0.290 0.020
Awet Promosi 0.129 0.185
Kredit -0.035 0.404
Promosi Kredit -0.120 0.203

Tabel Correlation Matrix merupakan tabel matriks korelasi yang berisi nilai-nilai korelasi
antara variabel-variabel yang akan dianalisis. Pada bagian Correlation dapat dilihat besarnya korelasi
antarvariabel. Sebagai contoh, korelasi antara variabel model dengan warna sebesar 0.443 yang
menunjukkan terdapat hubungan yang cukup kuat dan positif. Artinya, semakin bagus model, maka
makin bagus warna.

Kemudian pada baris sig.(1-tailed) menunjukkan signifikansi korelasi antara variabel-variabel

tersebut. Korelasi antara variabel model dengan warna signifikan, terlihat dari nilai p-value sebesar
0,001(<0.05) yang berarti terdapat memang terdapat hubungan antara variabel model dan warna.

KMO dan Bartlett’s Test

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling
.560
Adequacy.
Bartlett's Test of Approx. Chi-Square 57.339
Sphericity df 28
Sig. .001

Berdasarkan Bartlett’s Tes of Sphericity dengan Chi-Square 57.339 (df 28) dan nilai sig =
0,001 < 0,05 menunjukkan bahwa matriks korelasi bukan merupakan matriks identitas sehingga dapat
dilakukan analisis komponen utama.

Di samping itu, Nilai KMO yang dihasilkan adalah sebesar 0.560 serta p-value sebesar 0,001
(<0,05) , nilai tersebut jatuh dalam kategori “lebih dari cukup” layak untuk kepentingan analisis
faktor. Oleh karena itu, variabel – variabel dapat dianalisis lebih lanjut.
 Tabel Anti-Image Matrices

Pengecekan Anti Image matrices untuk mengetahui apakah variabel – variabel secara parsial
layak untuk dianalisis dan tidak dikeluarkan dalam pengujian.

Berdasarkan tabel di atas, terlihat bahwa dari 8 variabel yang akan dianalisis, tidak terdapat
variabel yang memiliki nilai MSA (dapat dilihat pada output yang bertanda a pada kolom Anti-Image
Correlation) < 0,5. Karena tidak ada variable yang nilai MSA nya < 0,5, tidak ada pembuangan
variabel. Hal ini dapat menunjukkan bahwa ke-8 variabel tersebut’ lebih dari cukup’ layak untuk
dilakukan analisis faktor.

Communalities

Communalities
Initial Extraction
Hemat Bahan Bakar 1.000 .755
Ketersediaan Suku
1.000 .729
Cadang
Harga Motor yang
1.000 .612
kompetitif
Model Motor yang
1.000 .733
menarik
Kombinasi Warna Motor
1.000 .621
yang menarik
Keawetan Mesin Motor 1.000 .273
Promosi dari Produsen 1.000 .638
Sistem Pembayaran
1.000 .502
Kredit yang wajar
Extraction Method: Principal Component
Analysis.
 Dari keseluruhan nilai dalam table communalities, diperoleh bahwa hampir seluruh (tujuh)
variabel awal mempunyai nilai communalities yang besar ( > 0.5). Hal ini dapat diartikan bahwa
keseluruhan variabel yang digunakan memiliki hubungan yang kuat dengan faktor yang terbentuk.
Dengan kata lain, semakin besar nilai dari communalities maka semakin baik analisis faktor, karena
semakin besar karakteristik variabel asal yang dapat diwakili oleh faktor yang terbentuk.

1. Keeratan hubungan variabel hemat bahan bakar terhadap faktor yang terbentuk sebesar 0,755
artinya hubungan variabel hemat bahan bakar terhadap faktor yang terbentuk erat. Atau dapat
juga dikatakan kontribusi variabel ibu bekerja terhadap faktor yang terbentuk sebesar 75.5 %.
2. Keeratan hubungan variabel kesediaan suku cadang sebesar 0,729 artinya hubungan
variabel onderdil terhadap faktor yang terbentuk erat. Atau dapat juga dikatakan kontribusi
variabel onderdil terhadap faktor yang terbentuk sebesar 72,9 %.

Total Variance Explained

Table Total Variance Explained menunjukkan besarnya persentase keragaman total yang
mampu diterangkan oleh keragaman faktor - faktor yang terbentuk. Dalam tabel tersebut juga terdapat
nilai eigenvalue dari tiap-tiap faktor yang terbentuk. Faktor 1 memiliki eigenvalue sebesar 2,160,
Faktor 2 sebesar 1.527 , dan Faktor 3 sebesar 1,177. Untuk menentukan berapa komponen/faktor yang
dipakai agar dapat menjelaskan keragaman total maka dilihat dari besar nilai eigenvaluenya,
komponen dengan eigenvalue >1 adalah komponen yang dipakai. Kolom ‘cumulative %’
menunjukkan persentase kumulatif varians yang dapat dijelaskan oleh faktor. Besarnya keragaman
yang mampu diterangkan oleh Faktor 1 sebesar 26,999 persen, sedangkan keragaman yang mampu
dijelaskan oleh Faktor 1 dan 2 sebesar 46,089 persen. Ketiga faktor mampu menjelaskan keragaman
total sebesar 60,800 persen. Berdasarkan alasan nilai eigen value ketiga faktor yang lebih dari 1 dan
besarnya persentase kumulatif ketiga faktor sebesar 60,800 persen, dapat disimpulkan bahwa ketiga
faktor sudah cukup mewakili keragaman variabel – variabel asal.

Proporsi keragaman data yang dijelaskan tiap komponen setelah dilakukan rotasi terlihat lebih
merata daripada sebelum dilakukan rotasi. Faktor pertama menerangkan keragaman data dengan
proporsi terbesar, yaitu 26,999 persen menurut metode ekstraksi dengan analisis faktor (sebelum
rotasi) dan dengan analisis faktor (setelah rotasi) keragaman data awal dapat dijelaskan sebesar 26,841
persen. Kemudian untuk faktor kedua menerangkan keragaman data awal dengan proporsi 23,554
persen menurut metode ekstraksi dengan analisis faktor (sebelum rotasi) dan dengan analisis faktor
(setelah rotasi) keragaman data awal dapat dijelaskan sebesar 18.922 persen. Sedangkan untuk faktor
ketiga menerangkan keragaman sebesar 14,711 persen sebelum dilakukan rotasi dan naik menjadi
18,026 persen setelah dirotasi. Proporsi keragaman data yang lebih merata setelah dilakukan rotasi
menunjukkan keseragaman data awal yang dijelaskan oleh masing-masing faktor menjadi maksimum.
 Scree Plot

Scree Plot adalah salah satu alternatif yang dapat digunakan untuk membantu peneliti
menentukan berapa banyak faktor terbentuk yang dapat mewakili keragaman peubah – peubah asal.
Bila kurva masih curam, akan nada petunjuk untuh menambahkan komponen. Bila kurva sudah
landai, akan ada petunjuk untuk menghentikan penambahan komponen, walaupun penilaian
curam/landai bersifat subjektif peneliti. Dari scree plot di atas, terlihat pada saat satu komponen
terbentuk, kurva masih menunjukkan kecuraman, begitu juga pada saat di titik ke-2, garis kurva masih
tajam, di titik ke-3 garis kurva masih tajam namun sedikit berbeda dari pola kedua garis sebelumnya.
Setelah melewati titik ke-3, garis kurva sudah mulai landai, semakin ke kanan akan semakin landai.

Dari penjelasan di atas, dapat kita tarik kesimpulan bahwa terdapat tiga komponen atau faktor
yang terbentuk.

Table component matrix

Component Matrixa
Component
1 2 3
Hemat Bahan Bakar .397 -.085 .768
 Ketersediaan Suku
.673 -.440 -.287
Cadang
Harga Motor yang
.301 .647 .320
kompetitif
Model Motor yang
.737 .192 -.392
menarik
Kombinasi Warna Motor
.621 .465 -.142
yang menarik
Keawetan Mesin Motor -.205 .392 .278
Promosi dari Produsen -.225 .702 -.307
Sistem Pembayaran
.662 -.084 .238
Kredit yang wajar
Extraction Method: Principal Component Analysis.
a. 3 components extracted.

Table component matrix menunjukkan besarnya korelasi tiap variabel dalam faktor yang
terbentuk. Nilai – nilai koefisien korelasi antara variabel dengan faktor - faktor yang terbentuk
(loading factor) dapat dilihat pada table Component Matrix. Ketiga faktor tersebut menghasilkan
matrik loading faktor yang nilai-nilainya merupakan koefisien korelasi antara variabel dengan faktor-
faktor tersebut. Bila dilihat variabel –variabel yang berkorelasi terhadap setiap faktornya, ternyata
loading faktor yang dihasilkan sudah mampu memberikan arti sebagaimana yang diharapkan. Hal ini
terlihat dari variabel ketersediaan suku cadang dimana korelasi variabel ini dengan faktor 1 sebesar
0,673, sedangkan dengan faktor 2 sebesar -0,440, sehingga kita sudah dapat diputuskan bahwa
variabel ketersediaan suku cadang dimasukkan ke faktor 1. Tiap faktor suadh dapat diinterpretasikan
dengan jelas sehingga tidak perlu dilakukan rotasi.

Dengan demikian, setiap faktor sudah dapat menjelaskan keragaman variabel awal dengan
tepat dan hasilnya adalah sebagai berikut

1. Faktor 1 , beberapa variabel yang memiliki korelasi yang kuat dengan faktor 1 , yaitu variabel
ketersediaan suku cadang, model motor yang mearik, warna motor yang menarik dan system
pembayaran kredit yang wajar
2. Faktor 2, terdapat beberapa variabel yang memiliki korelasi yang kuat dengan faktor 2 , yaitu
variabel harga motor yang kompetitif dan promosi dari produsen.
3. Faktor 3, dalam faktor ini tiga variabel yang memiliki korelasi yang kuat dengan faktor 3,
yaitu variabel hemat bahan bakar
 Component Transformation Matrix

Component Score Covariance Matrix

Component 1 2 3

1 1.000 .000 .000

2 .000 1.000 .000

3 .000 .000 1.000

Extraction Method: Principal Component

Analysis.
Component Scores.

Tabel Component Transformation Matrix berfungsi untuk menunjukkan apakah faktor –

faktor yang terbentuk sudah tidak memiliki korelasi lagi satu sama lain atau orthogonal. Bila dilihat
dari table Component Transformation Matrix, nilai – nilai korelasi yang terdapat pada diagonal utama
berada di atas 0,5 yaitu 1.000;1.000;1.000. Hal ini menunjukkan bahwa ketiga faktor yang terbentuk
sudah tepat karena memiliki korelasi yang tinggi pada diagonal – diagonal utamanya.