Anti-image Matrices
Ruan
g
Pelayanan Tingkat Pelayanan Pelayanan Tungg
Fasilitas Parkir Fasilitas ATM Teller Jenis Produk Bunga Satpam Konsumen u
Anti-image Covariance Fasilitas Parkir ,758 -,233 -,138 -,105 ,169 ,071 ,064 -,181
Fasilitas ATM -,233 ,751 ,093 ,180 -,049 ,024 -,022 -,191
Pelayanan Teller -,138 ,093 ,624 ,094 -,041 -,200 -,246 -,018
Jenis Produk -,105 ,180 ,094 ,797 -,305 -,050 -,061 ,020
Tingkat Bunga ,169 -,049 -,041 -,305 ,808 ,054 -,018 -,134
Pelayanan Satpam ,071 ,024 -,200 -,050 ,054 ,675 -,197 -,098
Pelayanan Konsumen ,064 -,022 -,246 -,061 -,018 -,197 ,643 ,030
Ruang Tunggu -,181 -,191 -,018 ,020 -,134 -,098 ,030 ,809
Anti-image Correlation Fasilitas Parkir ,496a -,308 -,201 -,135 ,216 ,099 ,092 -,232
Fasilitas ATM -,308 ,573a ,136 ,233 -,063 ,034 -,032 -,245
Pelayanan Teller -,201 ,136 ,616a ,134 -,058 -,308 -,388 -,026
Jenis Produk -,135 ,233 ,134 ,445a -,380 -,069 -,085 ,024
Tingkat Bunga ,216 -,063 -,058 -,380 ,435a ,074 -,024 -,166
Pelayanan Satpam ,099 ,034 -,308 -,069 ,074 ,687a -,299 -,132
Pelayanan Konsumen ,092 -,032 -,388 -,085 -,024 -,299 ,671a ,042
Ruang Tunggu -,232 -,245 -,026 ,024 -,166 -,132 ,042 ,586a
Component Matrixa
Component
1 2 3
Fasilitas Parkir -,159 ,705 ,159
Fasilitas ATM -,322 ,687 ,172
Pelayanan Teller ,761 ,299 -,139
Jenis Produk ,239 -,376 ,666
Tingkat Bunga ,192 -,268 ,769
Pelayanan Satpam ,773 ,190 -,084
Pelayanan Konsumen ,805 ,120 -,072
Ruang Tunggu ,005 ,637 ,459
Extraction Method: Principal Component Analysis.
a. 3 components extracted.
Communalities
Extraction
Fasilitas Parkir ,548
Fasilitas ATM ,605
Pelayanan Teller ,688
Jenis Produk ,642
Tingkat Bunga ,699
Pelayanan Satpam ,641
Pelayanan Konsumen ,668
Ruang Tunggu ,616
Extraction Method: Principal Component
Analysis.
Anti-image Matrices
Pelayan
Pelayan an
Fasilitas Pelayanan Jenis an Konsum Ruang
Fasilitas Parkir ATM Teller Produk Satpam en Tunggu
Anti-image Covariance Fasilitas Parkir ,795 -,234 -,136 -,051 ,063 ,071 -,165
Component Matrixa
Component
1 2 3
Fasilitas Parkir -,115 ,720 ,235
Fasilitas ATM -,290 ,731 -,109
Pelayanan Teller ,787 ,230 -,137
Jenis Produk ,167 -,277 ,915
Pelayanan Satpam ,791 ,127 -,020
Pelayanan Konsumen ,814 ,062 -,046
Ruang Tunggu ,013 ,707 ,284
Extraction Method: Principal Component Analysis.
a. 3 components extracted.
Communalities
Extraction
Fasilitas Parkir ,587
Fasilitas ATM ,630
Pelayanan Teller ,691
Jenis Produk ,942
Pelayanan Satpam ,642
Pelayanan Konsumen ,669
Ruang Tunggu ,581
Extraction Method: Principal Component
Analysis.
Anti-image Matrices
Fasilitas Fasilitas Pelayanan Pelayanan Pelayanan Ruang
Parkir ATM Teller Satpam Konsumen Tunggu
Anti-image Covariance Fasilitas Parkir ,798 -,237 -,134 ,061 ,068 -,168
Fasilitas ATM -,237 ,795 ,078 ,037 -,008 -,209
Pelayanan Teller -,134 ,078 ,636 -,199 -,246 -,023
Pelayanan Satpam ,061 ,037 -,199 ,680 -,203 -,093
Pelayanan Konsumen ,068 -,008 -,246 -,203 ,650 ,025
Ruang Tunggu -,168 -,209 -,023 -,093 ,025 ,833
Anti-image Correlation Fasilitas Parkir ,571a -,297 -,188 ,083 ,094 -,206
Fasilitas ATM -,297 ,611a ,109 ,050 -,011 -,257
a
Pelayanan Teller -,188 ,109 ,647 -,302 -,383 -,031
a
Pelayanan Satpam ,083 ,050 -,302 ,699 -,305 -,124
Pelayanan Konsumen ,094 -,011 -,383 -,305 ,674a ,034
Ruang Tunggu -,206 -,257 -,031 -,124 ,034 ,632a
a. Measures of Sampling Adequacy(MSA)
Component Matrixa
Component
1 2
Fasilitas Parkir -,080 ,751
Fasilitas ATM -,238 ,732
Pelayanan Teller ,807 ,162
Pelayanan Satpam ,798 ,076
Pelayanan Konsumen ,817 ,011
Ruang Tunggu ,046 ,732
Extraction Method: Principal Component Analysis.
a. 2 components extracted.
Communalities
Extraction
Fasilitas Parkir ,571
Fasilitas ATM ,592
Pelayanan Teller ,678
Pelayanan Satpam ,642
Pelayanan Konsumen ,667
Ruang Tunggu ,539
Extraction Method: Principal Component
Analysis.
Dari hasil olah SPSS, didapatkan angka communalities untuk variabel fasilitas parkir sebesar 0,571 berarti sekitar 57,1 persen varians dari variabel parkir dapat dijelaskan oleh faktor yang
terbentuk. Sedangkan angka communalities untuk variabel fasilitas ATM sebesar 0,592 berarti sekitar 59,2 persen varians dari variabel ATM dapat dijelaskan oleh faktor yang terbentuk.
Variabel pelayanan teller sebesar 0,678 berarti sekitar 67,8 persen varians dari variabel tersebut dijelaskan oleh faktor yang tebentuk. V ariabel pelayanan satpam sebesar 0,642 berarti
sekitar 64,2 persen varians dari variabel tersebut dijelaskan oleh faktor yang terbentuk. Variabel pelayanan konsumen sebesar 0,667 berarti sekitar 66,7 persen varians dari variabel
tersebut dijelaskan oleh faktor terbentuk. Variabel ruang tunggu sebesar 0,539 berarti sekitar 53,9 persen varians dari variabel tersebut dijelaskan oleh faktor terbentuk.
Dari tabel total variance explained terlihat bahwa hanya dua faktor terbentuk, karena dengan satu faktor angka eigenvalue di atas 1, dengan dua faktor angka eigenvalue masih di atas 1,
tetapi dengan tiga faktor angka eigenvalue sudah di bawah 1. Varian faktor 1 sebesar 33,662 persen dan varian faktor 2 sebesar 27,799 persen. Sehingga kedua faktor itu dapat menjelaskan
61,461 persen dari variasi ke-enam variabel yang dianalisis.
Angka pada tabel Component Matrix adalah faktor loading yang menunjukkan korelasi antara suatu variabel dengan faktor 1 atau faktor 2. Misalnya pada variabel fasilitas ATM,
korelasi antara variabel fasilitas ATM dengan faktor 1 adalah -0,238 (lemah) dan korelasi antara variabel ATM dengan faktor 2 adalah 0,732 (kuat). Dengan demikian variabel ATM dapat
dimasukkan sebagai komponen faktor 2. Demikian juga variabel parkir dan variabel tunggu masuk faktor 2. Sedangkan variabel Yante, Yanpam, dan Yankon masuk faktor 1.
Proses rotasi memperjelas masuknya suatu variabel ke salah satu factor. Suatu variabel dikatakan tidak jelas bisa dimasukkan ke salah satu faktor mungkin karena koefisien
korelasinya sama-sama kecil (angka pembatas/cut off point agar sebuah variabel secara nyata masuk suatu faktor untuk data sekitar 100 observasi adalah 0,55), atau mungkin juga karena
koefisien korelasinya sama-sama besar.
Menamakan Faktor
Untuk kasus di atas faktor 1 yang terdiri atas Yantel, Yanpam dan Yanko, karena mengandung unsur pelayanan mungkin bisa disebut faktor pelayanan. Sedangkan faktor 2 yang
terdiri atas Parkir, ATM dan Tunggu yang semuanya adalah mengandung unsur fasilitas, mungkin bisa disebut faktor fasilitas fisik. Dengan terbentuknya dua faktor, maka pihak
manajemen tidak perlu mengamati 6 variabel, cukup 2 faktor saja, yaitu faktor fasilitas dan faktor pelayanan.
Anti-image Matrices
Fasilitas Fasilitas Pelayana Jenis Tingkat Pelayanan Pelayanan Ruang
Parkir ATM Teller Produk Bunga Satpam Konsumen Tunggu
Anti-image Covariance Fasilitas Parkir ,758 -,233 -,138 -,105 ,169 ,071 ,064 -,181
Fasilitas ATM -,233 ,751 ,093 ,180 -,049 ,024 -,022 -,191
Pelayana Teller -,138 ,093 ,624 ,094 -,041 -,200 -,246 -,018
Jenis Produk -,105 ,180 ,094 ,797 -,305 -,050 -,061 ,020
Tingkat Bunga ,169 -,049 -,041 -,305 ,808 ,054 -,018 -,134
Pelayanan Satpam ,071 ,024 -,200 -,050 ,054 ,675 -,197 -,098
Pelayanan Konsumen ,064 -,022 -,246 -,061 -,018 -,197 ,643 ,030
Ruang Tunggu -,181 -,191 -,018 ,020 -,134 -,098 ,030 ,809
Anti-image Correlation Fasilitas Parkir ,496a -,308 -,201 -,135 ,216 ,099 ,092 -,232
Fasilitas ATM -,308 ,573a ,136 ,233 -,063 ,034 -,032 -,245
Pelayana Teller -,201 ,136 ,616a ,134 -,058 -,308 -,388 -,026
Jenis Produk -,135 ,233 ,134 ,445a -,380 -,069 -,085 ,024
Tingkat Bunga ,216 -,063 -,058 -,380 ,435a ,074 -,024 -,166
Pelayanan Satpam ,099 ,034 -,308 -,069 ,074 ,687a -,299 -,132
Pelayanan Konsumen ,092 -,032 -,388 -,085 -,024 -,299 ,671a ,042
Ruang Tunggu -,232 -,245 -,026 ,024 -,166 -,132 ,042 ,586a
Component Matrixa
Component
1
Fasilitas Parkir -,159
Fasilitas ATM -,322
Pelayana Teller ,761
Jenis Produk ,239
Tingkat Bunga ,192
Pelayanan Satpam ,773
Pelayanan Konsumen ,805
Ruang Tunggu ,005
Extraction Method: Principal Component
Analysis.
a. 1 components extracted.
Communalities
Extraction
Fasilitas Parkir ,025
Fasilitas ATM ,103
Pelayana Teller ,580
Jenis Produk ,057
Tingkat Bunga ,037
Pelayanan Satpam ,598
Pelayanan Konsumen ,648
Ruang Tunggu 2,139E-5
Extraction Method: Principal Component
Analysis.
Pada tabel Total Variance Explained, khususnya bagian persentase kumulatif sebesar 25,614% < 60%, maka harus ada variabel yang dikeluarkan. Pada tabel Component Matrix dapat
dilihat bahwa nilai dari variabel fasilitas ATM memiliki angka terkecil yakni -0,322 < 0,60, sehingga variabel harus dikeluarkan. Pada langkah selanjutnya yaitu mengeluarkan variabel
fasilitas ATM.
Rotated Component
Matrixa
a. Only one component was
extracted. The solution
cannot be rotated.
Component Score
Covariance Matrix
Component 1
1 1,000
Extraction Method: Principal
Component Analysis.
Rotation Method: Varimax
with Kaiser Normalization.
Component Scores.
Pada tabel KMO and Bartlett's test, nilai KMO measure of sampling adequacy (MSA) sebesar 0,574. Oleh karena angka ini > 0,5
dan dilihat dari Bartlett's test of sphericity dengan nilai chi square sebesar 143,369 dengan signifikansi 0,000 dapat disimpulkan bahwa kumpulan variabel tersebut dapat diproses lebih
lanjut.
Anti-image Matrices
Fasilitas Pelayana Jenis Tingkat Pelayanan Pelayanan Ruang
Parkir Teller Produk Bunga Satpam Konsumen Tunggu
Anti-image Covariance Fasilitas Parkir ,838 -,123 -,058 ,170 ,087 ,063 -,283
Pelayana Teller -,123 ,636 ,077 -,036 -,207 -,248 ,006
Jenis Produk -,058 ,077 ,842 -,311 -,059 -,059 ,073
Tingkat Bunga ,170 -,036 -,311 ,811 ,056 -,019 -,156
Pelayanan Satpam ,087 -,207 -,059 ,056 ,676 -,197 -,098
Pelayanan Konsumen ,063 -,248 -,059 -,019 -,197 ,644 ,026
Ruang Tunggu -,283 ,006 ,073 -,156 -,098 ,026 ,861
Anti-image Correlation Fasilitas Parkir ,396a -,169 -,069 ,207 ,115 ,086 -,333
Pelayana Teller -,169 ,638a ,106 -,050 -,316 -,388 ,008
a
Jenis Produk -,069 ,106 ,460 -,376 -,079 -,080 ,086
a
Tingkat Bunga ,207 -,050 -,376 ,436 ,076 -,026 -,187
Pelayanan Satpam ,115 -,316 -,079 ,076 ,676a -,298 -,128
Pelayanan Konsumen ,086 -,388 -,080 -,026 -,298 ,671a ,035
Ruang Tunggu -,333 ,008 ,086 -,187 -,128 ,035 ,416a
a. Measures of Sampling Adequacy(MSA)
Component Matrixa
Component
1
Fasilitas Parkir ,011
Pelayana Teller ,804
Jenis Produk ,153
Tingkat Bunga ,146
Pelayanan Satpam ,796
Pelayanan Konsumen ,814
Ruang Tunggu ,162
Extraction Method: Principal Component
Analysis.
a. 1 components extracted.
Communalities
Extraction
Fasilitas Parkir ,000
Pelayana Teller ,647
Jenis Produk ,023
Tingkat Bunga ,021
Pelayanan Satpam ,633
Pelayanan Konsumen ,663
Ruang Tunggu ,026
Extraction Method: Principal Component
Analysis.
Pada tabel Total Variance Explained, khususnya bagian persentase kumulatif sebesar 28,777% < 60%, maka harus ada variabel yang dikeluarkan. Pada tabel Component Matrix dapat
dilihat bahwa nilai dari variabel fasilitas parkir memiliki angka terkecil yakni 0,011 < 0,60, sehingga variabel fasilitas parkir harus dikeluarkan.
Rotated Component
Matrixa
Component Score
Covariance Matrix
Component 1
1 1,000
Extraction Method: Principal
Component Analysis.
Rotation Method: Varimax
with Kaiser Normalization.
Component Scores.
Anti-image Matrices
Pelay Tingka
ana Jenis t Pelayanan Pelayanan Ruang
Teller Produk Bunga Satpam Konsumen Tunggu
Anti-image Covariance Pelayana Teller ,655 ,071 -,012 -,203 -,248 -,041
Anti-image Correlation Pelayana Teller ,671a ,096 -,016 -,303 -,380 -,052
Component Matrixa
Component
1
Pelayana Teller ,803
Jenis Produk ,154
Tingkat Bunga ,148
Pelayanan Satpam ,796
Pelayanan Konsumen ,815
Ruang Tunggu ,159
Extraction Method: Principal Component
Analysis.
a. 1 components extracted.
Communalities
Extraction
Pelayana Teller ,646
Jenis Produk ,024
Tingkat Bunga ,022
Pelayanan Satpam ,633
Pelayanan Konsumen ,664
Ruang Tunggu ,025
Extraction Method: Principal Component
Analysis.
Pada tabel Total Variance Explained, khususnya bagian persentase kumulatif sebesar 33,572% < 60%, maka harus ada variabel yang dikeluarkan. Pada tabel Component Matrix dapat
dilihat bahwa nilai dari variabel tingkat bunga memiliki angka terkecil yakni 0,148 < 0,60, sehingga variabel harus dikeluarkan.
Rotated Component
Matrixa
Component Score
Covariance Matrix
Component 1
1 1,000
Extraction Method: Principal
Component Analysis.
Rotation Method: Varimax
with Kaiser Normalization.
Component Scores.
Pada tabel KMO and Bartlett's test, nilai KMO measure of sampling adequacy (MSA) sebesar 0,673. Oleh karena angka tersebut > 0,5 dan dilihat dari Bartlett's test of sphericity dengan
nilai chi square sebesar 97,250 dengan signifikansi 0,000 dapat disimpulkan bahwa kumpulan variabel tersebut dapat diproses lebih lanjut.
Anti-image Matrices
Pelayana Jenis Pelayanan Pelayanan Ruang
Teller Produk Satpam Konsumen Tunggu
Anti-image Covariance Pelayana Teller ,655 ,078 -,203 -,249 -,044
Jenis Produk ,078 ,981 -,046 -,079 ,021
Pelayanan Satpam -,203 -,046 ,687 -,207 -,074
Pelayanan Konsumen -,249 -,079 -,207 ,650 ,050
Ruang Tunggu -,044 ,021 -,074 ,050 ,984
a
Anti-image Correlation Pelayana Teller ,670 ,097 -,302 -,381 -,054
Jenis Produk ,097 ,380a -,055 -,098 ,021
Pelayanan Satpam -,302 -,055 ,707a -,310 -,090
a
Pelayanan Konsumen -,381 -,098 -,310 ,667 ,063
Ruang Tunggu -,054 ,021 -,090 ,063 ,523a
a. Measures of Sampling Adequacy(MSA)
Component Matrixa
Component
1
Pelayana Teller ,813
Jenis Produk ,102
Pelayanan Satpam ,803
Pelayanan Konsumen ,817
Ruang Tunggu ,148
Extraction Method: Principal Component
Analysis.
a. 1 components extracted.
Communalities
Extraction
Pelayana Teller ,661
Jenis Produk ,010
Pelayanan Satpam ,644
Pelayanan Konsumen ,667
Ruang Tunggu ,022
Extraction Method: Principal Component
Analysis.
Pada tabel Total Variance Explained, khususnya bagian persentase kumulatif sebesar 40,095% < 60%, maka harus ada variabel yang dikeluarkan. Pada tabel Component Matrix dapat
dilihat bahwa nilai dari variabel jenis produk memiliki angka terkecil yakni 0,102 < 0,60, sehingga variabel harus dikeluarkan.
Rotated Component
Matrixa
Pada tabel KMO and Bartlett's test, nilai KMO measure of sampling adequacy (MSA) sebesar 0,684. Oleh karena angka ini > 0,5 dan dilihat dari Bartlett's test of sphericity dengan nilai
chi square sebesar 94,865 dengan signifikansi 0,000 dapat disimpulkan bahwa kumpulan variabel tersebut dapat diproses lebih lanjut.
Anti-image Matrices
Pelaya
na Pelayanan Pelayanan Ruang
Teller Satpam Konsumen Tunggu
Anti-image Covariance Pelayana Teller ,661 -,202 -,247 -,046
Pelayanan Satpam -,202 ,689 -,214 -,073
Pelayanan Konsumen -,247 -,214 ,657 ,052
Ruang Tunggu -,046 -,073 ,052 ,985
a
Anti-image Correlation Pelayana Teller ,684 -,299 -,375 -,057
a
Pelayanan Satpam -,299 ,706 -,317 -,089
a
Pelayanan Konsumen -,375 -,317 ,672 ,065
Ruang Tunggu -,057 -,089 ,065 ,517a
a. Measures of Sampling Adequacy(MSA)
Component Matrixa
Component
1
Pelayana Teller ,819
Pelayanan Satpam ,802
Pelayanan Konsumen ,814
Ruang Tunggu ,151
Extraction Method: Principal Component
Analysis.
a. 1 components extracted.
Communalities
Extraction
Pelayana Teller ,671
Pelayanan Satpam ,643
Pelayanan Konsumen ,663
Ruang Tunggu ,023
Extraction Method: Principal Component
Analysis.
Pada tabel Total Variance Explained, khususnya bagian persentase kumulatif sebesar 49,988% < 60%, maka harus ada variabel yang dikeluarkan. Pada tabel Component Matrix dapat
dilihat bahwa nilai dari variabel ruang tunggu memiliki angka terkecil yakni 0,151 < 0,60, sehingga variabel harus dikeluarkan
Rotated Component
Matrixa
Component Score
Covariance Matrix
Component 1
1 1,000
Extraction Method: Principal
Component Analysis.
Rotation Method: Varimax
with Kaiser Normalization.
Component Scores.
Pada tabel KMO and Bartlett's test, nilai KMO measure of sampling adequacy (MSA) sebesar 0,689. Oleh karena angka ini > 0,5 dan dilihat dari Bartlett's test of sphericity dengan nilai
chi square sebesar 92,957 dengan signifikansi 0,000 dapat disimpulkan kumpulan variabel tersebut dapat diproses lebih lanjut.
Anti-image Matrices
Pelayana Pelayanan Pelayanan
Teller Satpam Konsumen
Anti-image Covariance Pelayana Teller ,663 -,207 -,247
Pelayanan Satpam -,207 ,694 -,212
Pelayanan Konsumen -,247 -,212 ,659
a
Anti-image Correlation Pelayana Teller ,682 -,305 -,373
Pelayanan Satpam -,305 ,708a -,314
Pelayanan Konsumen -,373 -,314 ,679a
a. Measures of Sampling Adequacy(MSA)
Component Matrixa
Component
1
Pelayana Teller ,820
Pelayanan Satpam ,800
Pelayanan Konsumen ,822
Extraction Method: Principal Component
Analysis.
a. 1 components extracted.
Communalities
Extraction
Pelayana Teller ,672
Pelayanan Satpam ,640
Pelayanan Konsumen ,676
Extraction Method: Principal Component
Analysis.
Total Variance Explained
Extraction Sums of Squared Loadings
Component Total % of Variance Cumulative %
1 1,988 66,267 66,267
Extraction Method: Principal Component Analysis.
Pada tabel Total Variance Explained, khususnya bagian persentase kumulatif sebesar 66,267% > 60%, maka tidak perlu ada variabel yang dikeluarkan lagi. Pada tabel Component Matrix
dapat dilihat bahwa nilai dari variabel pelayanan teller, pelayanan satpam, dan pelayanan konsumen > 0,60, sehingga tidak ada variabel yang harus dikeluarkan.
Rotated Component
Matrixa
Component Score
Covariance Matrix
Component 1
1 1,000
Extraction Method: Principal
Component Analysis.
Rotation Method: Varimax
with Kaiser Normalization.
Component Scores.
Kriteria Pengujian