2. Asam urat?
3. Kolesterol?
4. Adik?
5. Tekanan darah?
6. Paman?
7. Bibi?
8. Berat badan?
9. Suhu tubuh?
10. Lebar bahu?
1. Tinggi?
2. Asam urat?
3. Kolesterol?
4. Adik?
5. Tekanan darah?
6. Paman?
7. Bibi?
8. Berat badan?
9. Suhu tubuh?
10. Lebar bahu?
Pertama-tama akan coba diketahui variabel apa saja benar-benar dapat dianggap
mempengaruhi seseorang untuk membeli sepeda motor.
Misalkan kita memiliki data sebagai berikut, yang disimpan pada file faktor.sav:
yaitu data dari 50 orang yang pernah membeli sepeda motor. Data tersebut meliputi
variabel:
irit, yaitu skala yang menyatakan tingkat kesetujuan terhadap keiritan bahan bakar
onderdil, yaitu skala yang menyatakan tingkat kesetujuan terhadap ketersediaan suku
cadang (onderdil)
harga, yaitu skala yang menyatakan tingkat kesetujuan terhadap tingkat harga sepeda
motor
model, yaitu skala yang menyatakan tingkat kesetujuan terhadap model dan desain
sepeda motor
warna, yaitu skala yang menyatakan tingkat kesetujuan terhadap warna sepeda motor
awet, yaitu skala yang menyatakan tingkat kesetujuan terhadap keawetan (khususnya
mesin) sepeda motor
promosi, yaitu skala yang menyatakan tingkat kesetujuan terhadap gencar/
menariknya promosi sepeda motor
Langkah Tentang variabel apa saja yang berpengaruh dalam pembelian sepeda motor
dapat ditelusuri melalui sampel pada file faktor.sav.
Namun sampel ini terlebih dahulu harus diuji apakah memadai untuk dianalisis lebih
lanjut. Ini dilakukan dengan melakukan pengujian terhadap kedua hipotesis berikut ini:
Pengujian ini dapat dilakukan dengan menekan perintah Statistics, Data Reduction,
Factor sebagai berikut:
Klik KMO pada bagian Correlation Matrix, lalu klik Continue agar kembali ke layar
semula, yaitu:
Karena:
nilai Sig (significance)=0.001 < =0.05, maka H0 ditolak, yang artinya sampel
dapat dianalisis lebih lanjut.
Alternatif lain
nilai KMO = 0.560, yaitu di atas 0.5000 , inipun mengindikasikan kita untuk
menolak H0, yang artinya sampel dapat dianalisis lebih lanjut.
Anti-image Matrices
Kombinasi Sistem
Hemat Harga Model Warna Keawetan Promosi Pembayaran
Bahan Ketersediaan Motor yang Motor yang Motor yang Mesin dari Kredit yang
Bakar Suku Cadang kompetitif menarik menarik Motor Produsen wajar
Anti-image Covariance Hemat Bahan Bakar .827 4.564E-02 -.181 -8.796E-03 3.444E-02 2.359E-02 .184 -.220
Ketersediaan Suku
4.564E-02 .574 8.951E-02 -.292 6.804E-02 9.513E-02 .227 -.172
Cadang
Harga Motor yang
-.181 8.951E-02 .814 -9.198E-02 -.174 -7.934E-02 -7.975E-02 2.829E-02
kompetitif
Model Motor yang menarik
-8.796E-03 -.292 -9.198E-02 .578 -.230 -7.495E-03 -.130 7.127E-03
Perhatikan angka-angka yang diberi superscript a . Bila angka bernilai lebih besar dari
atau sama dengan 0.5, maka variabel terkait dapat dianalisis lebih lanjut, sedangkan bila
tidak demikian, maka variabel tersebut harus dikeluarkan dari analisis. Ternyata variabel
promosi harus dikeluarkan dari analisis selanjutnya.
Karena ada variabel yang harus dikeluarkan dari analisis, yaitu variabel promosi, maka
langkah-langkah di atas harus diulang, sampai didapatkan situasi dimana tak ada lagi
variabel yang harus dikeluarkan dari analisis.
Jadi kita lakukan kembali pengujian terhadap H0 dan H1 dengan menekan perintah
Statistics, Data Reduction, Factor sebagai berikut:
Untuk selanjutnya, tekanlah icon pada Variables, untuk menyatakan variabel apa
saja yang akan coba dipertimbangkan selanjutnya. Dalam hal ini varaibel promosi tidak
lagi dilibatkan, sehingga didapatkan layar:
Klik KMO pada bagian Correlation Matrix, lalu klik Continue agar kembali ke layar
semula, yaitu:
Karena:
nilai Sig (significance)=0.001 < =0.05, maka H0 ditolak, yang artinya sampel
dapat dianalisis lebih lanjut.
Kombinasi Sistem
Hemat Harga Model Warna Keawetan Pembayaran
Bahan Ketersediaan Motor yang Motor yang Motor yang Mesin Kredit yang
Bakar Suku Cadang kompetitif menarik menarik Motor wajar
Anti-image Covariance Hemat Bahan Bakar .872 -8.670E-03 -.173 2.357E-02 4.259E-02 3.850E-02 -.230
Ketersediaan Suku
-8.670E-03 .648 .128 -.299 8.512E-02 .126 -.192
Cadang
Harga Motor yang
-.173 .128 .822 -.110 -.178 -8.606E-02 2.782E-02
kompetitif
Model Motor yang menarik
2.357E-02 -.299 -.110 .601 -.244 -1.724E-02 6.134E-03
Kombinasi Warna Motor
4.259E-02 8.512E-02 -.178 -.244 .705 5.443E-02 -.174
yang menarik
Keawetan Mesin Motor 3.850E-02 .126 -8.606E-02 -1.724E-02 5.443E-02 .953 -3.931E-02
Sistem Pembayaran
-.230 -.192 2.782E-02 6.134E-03 -.174 -3.931E-02 .754
Kredit yang wajar
Anti-image Correlation Hemat Bahan Bakar .533a -1.154E-02 -.204 3.257E-02 5.433E-02 4.224E-02 -.284
Ketersediaan Suku a
-1.154E-02 .526 .176 -.479 .126 .160 -.275
Cadang
Harga Motor yang a
-.204 .176 .547 -.157 -.234 -9.723E-02 3.532E-02
kompetitif
Model Motor yang menarik a
3.257E-02 -.479 -.157 .578 -.375 -2.280E-02 9.112E-03
Kombinasi Warna Motor a
5.433E-02 .126 -.234 -.375 .593 6.642E-02 -.239
yang menarik
Keawetan Mesin Motor 4.224E-02 .160 -9.723E-02 -2.280E-02 6.642E-02 .547a -4.637E-02
Sistem Pembayaran
-.284 -.275 3.532E-02 9.112E-03 -.239 -4.637E-02 .623
Kredit yang wajar
a. Measures of Sampling Adequacy(MSA)
Perhatikan angka-angka yang diberi superscript a . Bila angka bernilai lebih besar dari
atau sama dengan 0.5, maka variabel terkait dapat dianalisis lebih lanjut, sedangkan bila
tidak demikian, maka variabel tersebut harus dikeluarkan dari analisis. Ternyata kali ini
semuanya bernilai di atas 0.5000, jadi semua variabel (kecuali variabel promosi) dapat
dipertahankan analisis selanjutnya.
Jadi, sebagai Langkah-1 dari Analisis Faktor terhadap data kelima puluh responden
pembeli sepeda motor adalah didapatkannya kesimpulan bahwa variabel:
dapat dilibatkan dalam analisis selanjutnya, karena dapat dipandang sebagi variabel yang
memiliki pengaruh terhadap orang untuk membeli sepeda motor. Namun tidak demikian
halnya dengan variabel promosi, variabel ini harus dibuang dan tidak dilibatkan pada
analisis selanjutnya.
Untuk melakukan hal ini, kembali buka file faktor.sav, sehingga kembali didapatkan
layar:
Pertama:
Component Matrixa
Component
1 2 3
Hemat Bahan Bakar .369 .290 .772
Ketersediaan Suku
.627 -.558 -6.84E-04
Cadang
Harga Motor yang
.354 .729 -.131
kompetitif
Model Motor yang menarik
.764 -.109 -.380
Kombinasi Warna Motor
.666 .287 -.353
yang menarik
Keawetan Mesin Motor -.174 .532 -9.23E-02
Sistem Pembayaran
.651 -4.74E-02 .417
Kredit yang wajar
Extraction Method: Principal Component Analysis.
a. 3 components extracted.
Karena pada Component Matrix ini terdapat 3 komponen, berarti akan terbentuk 3
faktor, artinya variabel
irit, onderdil, harga, model, warna, awet,kredit
kelak sebaiknya dibagi kedalam 3 kelompok.
Kedua:
Communalities
Initial Extraction
Hemat Bahan Bakar 1.000 .816
Ketersediaan Suku
1.000 .705
Cadang
Harga Motor yang
1.000 .675
kompetitif
Model Motor yang menarik
1.000 .740
Ketiga:
Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
% of Cumulative % of Cumulative % of Cumulative
Component Total Variance % Total Variance % Total Variance %
1 2.136 30.520 30.520 2.136 30.520 30.520 1.802 25.750 25.750
2 1.307 18.670 49.190 1.307 18.670 49.190 1.369 19.563 45.313
3 1.064 15.204 64.394 1.064 15.204 64.394 1.336 19.081 64.394
4 .907 12.953 77.347
5 .691 9.872 87.219
6 .534 7.622 94.840
7 .361 5.160 100.000
Extraction Method: Principal Component Analysis.
Scree Plot
2.5
2.0
1.5
1.0
Eigenvalue
.5
0.0
1 2 3 4 5 6 7
Component Number
Dari scree plot tampak bahwa untuk jumlah komponen = 3 gambar mulai landai,
artinya sbeaiknya ketujuh variabel dikelompokan atau diringkas kedalam 3 faktor.
Component
1 2 3
Hemat Bahan Bakar .369 .290 .772
Ketersediaan Suku
.627 -.558 -6.84E-04
Cadang
Harga Motor yang
.354 .729 -.131
kompetitif
Model Motor yang menarik
.764 -.109 -.380
Kombinasi Warna Motor
.666 .287 -.353
yang menarik
Keawetan Mesin Motor -.174 .532 -9.23E-02
Sistem Pembayaran
.651 -4.74E-02 .417
Kredit yang wajar
Extraction Method: Principal Component Analysis.
a. 3 components extracted.
Tetapi variabel onderdil belum jelas akan masuk faktor mana, karena terdapat 2 nilai
korelasi yang hampir sama besarnya, yaitu 0.627 dan 0.558 (tanda negatif hanya
menunuukkan arah korelasi), Untukitu terhadap variabel ini perlu dilakukan proses rotasi
agar menjadi jelas akan masuk kedalam faktor yang mana.
Component
1 2 3
Hemat Bahan Bakar -5.30E-02 9.859E-02 .897
Ketersediaan Suku
.413 -.709 .179
Cadang
Harga Motor yang
.499 .610 .231
kompetitif
Model Motor yang menarik
.812 -.280 3.044E-02
Kombinasi Warna Motor
.791 .122 9.678E-02
yang menarik
Keawetan Mesin Motor 5.065E-03 .566 -4.10E-02
Sistem Pembayaran
.306 -.268 .659
Kredit yang wajar
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 6 iterations.
Hasil Rotated Component Matrix lebih memberikan kejelasan tentang menjadi anggota
faktor manakah sebuah variabel itu?
Variabel onderdil yang sebelumnya belum jelas, kini menjadi jelas bahwa ia harus
dimasukkan kedalam faktor-2.
Component 1 2 3
1 .825 -.280 .491
2 .187 .955 .229
3 -.533 -.097 .840
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Dari Component Transformation Matrix tampak bahwa pengelompokan ketujuh
variabel kedalam 3 faktir sudah baik, karena ketiga faktir yang terbentuk memiliki
korelasi yang tinggi (diatas 0.5), yaitu 0.825, 0.955 dan 0.840.
Kedelapan:
Component Plot in Rotated Space
1.0
harga motor yang kom
keawetan mesin motor
.5
kombinasi warna moto hemat bahan bakar
Component 2 0.0
sistem
model motor yang menpembayaran kr
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
Component 1 Component 3
Bagan ini menggambarkan letak ketujuh variabel pada ketiga faktor tersebut.
(dibahas di kelas).
Validasi ditujukan untuk menjawab apakah hasil pengelompokan varaibel kedalam faktor
dapat digeneralisasikan ke populasi