tugas 1 analisis faktor

7/30/2019 Tugas 1 Analisis Faktor

http://slidepdf.com/reader/full/tugas-1-analisis-faktor 1/14

Oleh Kelompok IV :

Farid Rahman P3400212010

Wigayanti Rauf P3400212011

Nur Hidayat Fatwa Ali P3400212012

Kelas A



Analisis Faktor

A. Pengertian Analisis Faktor

Analisis faktor termasuk variasi seperti analisis komponen dan faktor analisis

umum dengan menggunakan pendekatan statistik yang dapat digunakan untuk

menganalisis hubungan diantara beberapa variabel dan menjelaskan variabel-variabel ini

dalam keadaan umumnya berdasarkan dimensi/faktor. (Hair, Anderson, Tatham, Black).

Analisis faktor merupakan metode pengembangan pengukuran untuk bermacam-

macam variabel yang tidak dapat diukur secara langsung, seperti tingkah laku, pendapat,

intelegensi, personalitiy dan lain-lain. Metode ini biasa digunakan dalam studi perilaku dan

sosial (Sharma, 1996).

Berdasarkan pendapat-pendapat di atas, analisis faktor dapat dikatakan sebagai

salah satu kelurarga analisis multivariate yang bertujuan untuk meringkas atau mereduksi

variabel amatan secara keseluruhan menjadi beberapa variabel atau dimensi baru, akan

tetapi variabel atau variabel baru yang terbentuk tetap mampu mempresentasikan variabel

utama.

Ada dua pendekatan utama dalam analisis faktor, yaitu :

1. Exploratory factor analysis, digunakan apabila banyaknya faktor yang akan terbentuk

tidak ditentukan terlebih dahulu.2. Confirmatory factor analysis, digunakan apabila faktor yang akan terbentuk telah

ditetapkan terlebih dahulu.

Asumsi mendasar yang harus digaris bawahi dalam analisis faktor adalah bahwa

variabel-variabel yang dianalisis memiliki keterkaitan atau saling berhubungan karena

analisis faktor berusaha untuk mencari common dimension (kesamaan dimensi) yang

mendasari variabel-variabel tersebut.

B. Tujuan Analisis Faktor

Tujuan dari analisis faktor adalah untuk menggambarkan hubungan-hubungan

kovarian antara beberapa variabel yang mendasari tetapi tidak teramati (Johnson &

Wichem, 2002). Sementara menurut Widarjono, tujuan dari analisis faktor adalah untuk

mencari seminimal mungkin faktor dengan prinsip kesederhanaan atau parsimony

(parsimony) yang mampu menghasilkan korelasi antara indikator-indikator yang

diobservasi.

Menurut Sharma (1996) tujuan analisis faktor adalah menggunakan matriks

korelasi hitungan untuk:



1. Mengidentifikasi jumlah terkecil dari faktor umum (yaitu model faktor yang paling

parsimoni) yang mempunyai penjelasan terbaik atau menghubungkan korelasi diantara

variabel indikator.

2. Mengidentifikasi, melalui faktor rotasi, solusi faktor yang paling masuk akal.

3. Estimasi bentuk dan struktur loading, komunality dan varian unik dari indikator.

4. Interpretasi dari faktor umum. Jika perlu, dilakukan estimasi faktor skor.

Melihat beberapa kesimpulan diatas, dapat disimpulkan tujuan dari analisis faktor

adalah untuk mencari cara menyingkat informasi yang terdapat dalam beberapa variabel

asal menjadi lebih kecil (faktor) dengan meminimalkan kehilangan informasi.

C. Prosedur Analisis Faktor

Langkah pertama yang harus dilakukan dalam menganalisis faktor ialah dengan

menghitung matriks korelasi indikator untuk mengetahui syarat kecukupan bagi data di

dalam analisis faktor. Setelah terpenuhi syarat kecukupan data maka langkah selanjutnya

adalah mencari faktor atau ekstraksi faktor (extracting factor) untuk mencari faktor yang

mampu menjelaskan korelasi antar indikator yang diteliti. Langkah berikutnya adalah

rotasi faktor untuk mencari faktor yang mampu mengoptimalkan korelasi antara indikator

independen yang diobservasi.

1. Membuat matriks korelasi

Dalam melakukan analisis faktor, keputusan pertama yang harus diambil oleh peneliti

adalah menganalisis apakah data yang ada cukup memenuhi syarat dalam analisis

faktor. Berkenaan dengan analisis faktor, pengujian yang dilakukan yaitu:

a. Uji Bartlett’s test of sphericity

Uji Bartlett,s ini merupakan uji statistik untuk signifikansi menyeluruh dari semua

korelasi di dalam matriks korelasi. Dengan kata lain uji bartlett’s digunakan untuk

menguji bahwa variabel-variabel dalam sampel berkolerasi.b. Uji Keiser Mayer Olkin (KMO)

Uji Keiser Mayer Olkin (KMO) digunakan untuk mengetahui kecukupan sampel

atau pengukuran kelayakan sampel. Analisis faktor dianggap layak jika besaran

KMO > 0,5.

r 2

ij

i ≠ j

KMO =

r 2

ij + a2ij

i ≠ j i ≠ j



c. Uji Measure of Sampling Adequacy (MSA)

Uji Measure of Sampling Adequacy (MSA) digunakan untuk mengukur derajat

korelasi antar variabel dengan kriteria MSA > 0,5.

2. Menetukan jumlah faktor

Penentuan jumlah faktor didasarkan pada besarnya eigenvalue satiap faktor yang

muncul. Faktor-faktor inti yang dipilih adalah faktor yang memiliki eigenvalue > 1.

3. Rotasi Faktor

Rotasi faktor digunakan untuk mempermudah interpretasi dalam menentukan variabel-

variabel mana saja yang tercantum dalam suatu faktor karena terkadang ada beberapa

variabel yang mempunyai korelasi tinggi dengan lebih dari satu faktor. Tujuan dari

rotasi faktor ini agar dapat memperoleh struktur faktor yang lebih sederhana agar

mudah diinterpretasikan. Ada beberapa metode rotasi faktor yang biasa digunakan,

yaitu:

a.

Varimax method adalah metode rotasi faktor yang meminimalkan jumlah indikatordengan loading yang tinggi pada satu faktor.

b. Quartimax method merupakan metode rotasi untuk meminimalisasi jumlah faktor

yang digunakan untuk menjelaskan indikator.

c. Equamax method merupakan metode gabungan antara vartimax method yang

meminimalkan indikator dan quartimax method yang meminimalkan faktor.

D. Contoh Kasus

Variabel-variabel yang digunakan oleh Hair untuk menganalisis faktor terdiri dari variabel

X6 Product quality; X7 E-commers activities; X8 Technical support; X9 Complain

resolution; X10 Advertesing; X11 Product line; X12 Salesforce image; X13 Competitive

Pricing; X14 Warranty & claims; X15 New products; X16 Order & billing; X17 Price

flexibility; dan X18 Delivery speed. Untuk lebih jelasnya dapat dilihat sebagai berikut:

r 2 ij

i=j

MSA =

r 2

ij + a2

ij I=j



X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16 X17 X18

5.7 4 6.7 6 3.3 5.5 5.1 6.2 6.7 5.4 4.2 6.2 4.5

5.9 4.1 5.5 7.2 3.5 6.4 5.5 8.4 6.2 6.3 5.7 5.8 4.8

5.6 3.4 5.1 6.4 3.7 5.7 5.6 9.1 5.4 6.1 5 6 4.5

9.1 4.5 3.6 6.4 5.3 5.3 7.1 8.4 5.8 6.7 4.5 6.1 4.4

5.2 3.8 7.1 5.2 3.9 4.3 5 8.4 7.1 4.6 3.3 4.9 3.3

9.6 5.7 6.8 5.9 5.4 8.3 7.8 4.5 6.4 6.5 4.3 3 4.3

8.6 3.6 7.4 5.1 3.5 7.3 4.7 3.7 6.7 6 4.8 3.4 4

9.3 2.4 2.6 7.2 2.2 7.2 4.5 6.2 6.4 4.2 6.7 4.4 4.5

6 4.1 5.3 4.7 3.5 5.3 5.3 8 6.5 3.9 4.7 5.3 4

6.4 3.6 6.6 6.1 4 3.9 5.3 7.1 6.1 3.7 5.6 6.6 3.9

8.5 3 7.2 5.8 4.1 7.6 3.7 4.8 6.9 6.7 5.3 3.8 4.4

7 3.3 5.4 5.5 2.6 4.8 4.2 9 6.5 5.9 4.3 5.2 3.7

8.5 3 5.7 6 2.3 7.6 3.7 4.8 5.8 6 5.7 3.8 4.4

7.6 3.6 3 4 5.1 4.2 4.6 7.7 4.9 7.2 4.7 5.5 3.5

6.9 3.4 8.5 4.3 4.5 6.4 4.7 5.2 7.7 3.3 3.7 2.7 3.3

8.1 2.5 7.2 4.5 2.3 5.1 3.8 6.6 6.8 6.1 3 3.5 3

6.7 3.7 6.5 5.3 5.3 5.1 4.9 9.2 5.7 4.2 3.5 4.5 3.4

8 3.3 6.1 5.7 5.5 4.6 4.7 8.7 5.9 3.8 4.7 6.6 4.2

6.7 4 5.2 3.9 3 5.4 6.8 8.4 6.2 6 2.5 4.3 3.5

8.7 3.2 6.1 4.3 3.5 6.1 2.9 5.6 6.1 6.5 3.1 2.9 2.5

9 3.4 5.9 4.6 3.9 6 4.5 6.8 6.4 4.3 3.9 3.5 3.5

9.6 4.1 6.2 7.3 2.9 7.7 5.5 7.7 6.1 4.4 5.2 4.6 4.9

8.2 3.6 3.9 6.2 5.8 4.9 5 9 5.2 7.1 4.7 6.9 4.5

6.1 4.9 3 4.8 5.1 3.9 6.4 8.2 5.1 6.8 4.5 4.9 3.2

8.3 3.4 3.3 5.5 3.1 4.6 5.2 9.1 4.1 1.7 4.6 5.8 3.9

9.4 3.8 4.7 5.4 3.8 6.5 4.9 8.5 4.9 6.2 4.1 4.5 4.1

9.3 5.1 4.6 6.8 5.8 6.6 6.3 7.4 5.1 4.1 4.6 4.6 4.3

5.1 5.1 6.6 6.9 4.4 5.4 7.8 5.9 7.2 5.2 4.9 6.3 4.5

8 2.5 4.7 7.1 3.6 7.7 3 5.2 5.1 3.9 4.3 4.2 4.7

5.9 4.1 5.7 5.9 5.8 6.4 5.5 8.4 6.4 5.1 5.2 5.8 4.8

10 4.3 7.1 6.3 2.9 5.4 4.5 3.8 6.7 3.7 5 4 3.5

5.7 3.8 6.8 7.5 5.7 5.7 6 8.2 6.6 4.8 6.5 7.3 5.2

9.9 3.7 3.7 6.1 4.2 7 6.7 6.8 5.9 7.2 4.5 3.4 3.9

7.9 3.9 4.3 5.8 4.4 6.9 5.8 4.7 5.2 3.6 4.1 4.2 4.3

6.7 3.6 5.9 4.2 3.4 4.7 4.8 7.2 5.7 5.3 4 3.6 2.8

8.2 2.7 3.7 7.4 2.7 7.9 3.1 5.3 5.3 5 4.5 4.3 4.9

9.4 2.5 4.8 6.1 3.2 7.3 4.6 6.3 6.3 9.2 4.7 4.6 4.6

6.9 3.4 5.7 4.4 3.3 6.4 4.7 5.2 6.4 4.4 3.2 2.7 3.3

8 3.3 3.8 5.8 3.2 4.6 4.7 8.7 5.3 4.2 4.9 6.6 4.2

9.3 3.8 7.3 5.7 3.7 6.4 5.5 7.4 6.6 5.9 4.1 3.2 3.4

7.4 5.1 4.8 7.7 4.5 7.2 6.9 9.6 6.4 7.4 5.7 6.5 5.5

7.6 3.6 5.2 5.8 5.6 6.6 5.4 4.4 6.7 6.4 4.6 3.9 4

10 4.3 5.3 3.7 4.2 5.4 4.5 3.8 6.7 4.5 3.7 4 3.5

9.9 2.8 7.2 6.9 2.6 5.8 3.5 5.4 6.2 7 5.6 4.9 4

8.7 3.2 8.4 6.1 2.8 7.8 3.8 4.9 7.2 4.5 5.4 3.9 4.5

8.4 3.8 6.7 5 4.5 4.7 5.9 6.7 5.1 4.2 2.7 5 3.6

8.8 3.9 3.8 5.1 4.3 4.7 4.8 5.8 5 7.2 4.4 3.7 2.9

7.7 2.2 6.3 4.5 2.4 4.7 3.4 6.2 6 4.7 3.3 3.1 2.6

6.6 3.6 5.8 4.1 4.9 4.7 4.8 7.2 6.5 3.9 3.5 3.6 2.8

5.7 3.8 3.5 6.7 5.4 5.7 6 8.2 5.4 5 4.7 7.3 5.2

5.7 4 7.9 6.4 2.7 5.5 5.1 6.2 7.5 6.4 5 6.2 4.5

5.5 3.7 4.7 5.4 4.3 5.3 4.9 6 5.6 2.5 4.5 5.9 4.3

7.5 3.5 3.8 3.5 2.9 4.1 4.5 7.6 5.1 5.2 4 5.4 3.4

6.4 3.6 2.7 5.3 3.9 3.9 5.3 7.1 5.2 5.5 4.7 6.6 3.9

9.1 4.5 6.1 5.9 6.3 5.3 7.1 8.4 7.1 5.7 5.4 6.1 4.4

6.7 3.2 3 3.7 4.8 6.3 4.5 5 5.2 2.5 2.9 2.6 3.1

6.5 4.3 2.7 6.6 6.5 6.3 6 8.7 4.7 6.3 4.6 5.6 4.6

9.9 3.7 7.5 4.7 5.6 7 6.7 6.8 7.2 4.6 4.1 3.4 3.9

8.5 3.9 5.3 5.5 5 4.9 6 6.8 5.7 3.6 4.4 5.1 3.7

9.9 3 6.8 5 5.4 5.9 4.8 4.9 7.3 7.6 3.1 4.3 3.8

7.6 3.6 7.6 4.6 4.7 4.6 5 7.4 8.1 6.6 4.5 5.8 3.9

9.4 3.8 7 6.2 4.7 6.5 4.9 8.5 7.3 2.4 4.3 4.5 4.1

9.3 3.5 6.3 7.6 5.5 7.5 5.9 4.6 6.6 3.1 5.2 4.1 4.6

7.1 3.4 4.9 4.1 4 5 5.9 7.8 6.1 3.5 2.6 3.1 2.7



X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16 X17 X18

9.9 3 7.4 4.8 4 5.9 4.8 4.9 5.9 6.9 3.2 4.3 3.8

8.7 3.2 6.4 4.9 2.4 6.8 4.6 6.8 6.3 5.1 4.3 3.7 4

8.6 2.9 5.8 3.9 2.9 5.6 4 6.3 6.1 4 2.7 3 3

6.4 3.2 6.7 3.6 2.2 2.9 5 8.4 7.3 6.5 2 3.7 1.6

7.7 2.6 6.7 6.6 1.9 7.2 4.3 5.9 6.5 4.1 4.7 3.9 4.3

7.5 3.5 4.1 4.5 3.5 4.1 4.5 7.6 4.9 2.8 3.4 5.4 3.4

5 3.6 1.3 3 3.5 4.2 4.9 8.2 4.3 7.6 2.4 4.8 3.1

7.7 2.6 8 6.7 3.5 7.2 4.3 5.9 6.9 7.7 5.1 3.9 4.3

9.1 3.6 5.5 5.4 4.2 6.2 4.6 8.3 6.5 4.1 4.6 4.3 3.9

5.5 5.5 7.7 7 5.6 5.7 8.2 6.3 7.4 4.9 5.5 6.7 4.9

9.1 3.7 7 4.1 4.4 6.3 5.4 7.3 7.5 4.6 4.4 3 3.3

7.1 4.2 4.1 2.6 2.1 3.3 4.5 9.9 5.5 3.5 2 4 2.4

9.2 3.9 4.6 5.3 4.2 8.4 4.8 7.1 6.2 6.6 4.4 2.6 4.2

9.3 3.5 5.4 7.8 4.6 7.5 5.9 4.6 6.4 4.9 4.8 4.1 4.6

9.3 3.8 4 4.6 4.7 6.4 5.5 7.4 5.3 4.8 3.6 3.2 3.4

8.6 4.8 5.6 5.3 2.3 6 5.7 6.7 5.8 3.6 4.9 3.6 3.6

7.4 3.4 2.6 5 4.1 4.4 4.8 7.2 4.5 6.4 4.2 5.6 3.7

8.7 3.2 3.3 3.2 3.1 6.1 2.9 5.6 5 4.3 3.1 2.9 2.5

7.8 4.9 5.8 5.3 5.2 5.3 7.1 7.9 6 5.7 4.3 4.9 3.9

7.9 3 4.4 5.1 5.9 4.2 4.8 9.7 5.7 5.8 3.4 5.4 3.5

Langkah – langkah:

1. Dari menu SPSS, klik Analyze > Dimention reduction > Faktor

2. Masukkan semua variabel ke dalam kotak variabel

3. Klik Descriptive, klik KMO Bartletts test of sphericity dan Anti image

4. Klik Initial solution

Hasil Output:

KMO and Bartlett's Test

.609

948.983

78

.000

Kaiser-Meyer-Olkin Measure of Sampling

Adequacy.

Approx. Chi-Square

df

Sig.

Bartlett's Test of

Sphericity

MSA > 0.5 menunjukkan kecukupan dari sampel

Menunjukkan bahwa adanya korelasi antar

variabel dan layak untuk diproses lebih lanjut.



Pada tabel Anti Image MAtrice, khususnya pada kolom Anti image correlation terlihat

angka yang bertanda (a) yang menandakan besaran MSA sebuah variabel. Jika nilai MSA tiap

variabel besarannya (> 0,5) maka semua variabel dapat diproses lebih lanjut. Namun jika ada

variabel yang besaran MSA nya (< 0,5) maka proses akan diulang dari awal dengan

mengeluarkan salah satu variabel yang memiliki besaran MSA terkecil. Hal tersebut diulangi

secara bertahap agar dapat memperoleh nilai MSA variabel yang ditetapkan.

Pada tabel di atas untuk variabel X11, X15 dan X17 memiliki nilai MSA (<0,5)

sehingga salah satu dari variabel tersebut yang memiliki nilai MSA terkecil harus dikeluarkan,

dalam kasus ini X15 dan X17 memiliki nilai MSA terendah, sehingga harus dikeluarkan dan

kemudian memproses kembali dari awal, sehingga hasil output akan Nampak sebagai berikut:

KMO and Bartlett's Test

.653

619.273

55

.000

Kaiser-Meyer-Olkin Measure of Sampli ng

Adequacy.

Approx. Chi-Square

df

Sig.

Bartlett's Test of

Sphericity

MSA > 0.5 menunjukkan kecukupan dari

sampel

Menunjukkan bahwa adanya korelasi

antar variabel dan layak untuk diproses

lebih lanjut.



Setelah mengulangi proses analysis, akan nampak tabel Anti Image Matrice seperti di

atas, pada tabel Anti Image Corelation terlihat jelas bahwa nilai MSA masing-masing variabel

besarannya (> 0,5) sehingga semua variabel dapat diproses lebih lanjut.

Langkah analisis selanjutnya dapat dilakukan dengan cara sebagai berikut:

1. Dari menu SPSS, buka file analisis faktor

2. Tekan tombol reset

3. Masukkan semua variabel yang memenuhi syarat (dalam hal ini variabel X6, X7, X8, X9,

X10, X11, X12, X13, X14, X16, dan X18)

4. Klik tombol descriptive, klik initial solution, KMO and Bartllet’s test of sphericity,

Anti image, lalu tekan continue.

5. Klik Extraction, klik Scree plot, klik continue

6. Klik Rotatio, klik vertimax atau quartimax, lalu tekan continue

7. Klik Scores, klik save as variabel, pilih regression, kemudian tekan continue

8. Klik Ok.

Akan nampak hasil output sebagai berikut :

Tabel communalities menunjukkan variabel product quality besarannya 0.768. hal ini

berarti sekitar 76,8% varians dari variabel product quality dapat dijelaskan oleh faktor yang

terbentuk, begitu seterusnya, dengan asumsi semakin kecil nilai communalities berarti semakin

lemah hubungannya dengan faktor yang terbentuk.

Communalities

1.000 .768

1.000 .777

1.000 .893

1.000 .881

1.000 .576

1.000 .787

1.000 .859

1.000 .641

1.000 .8921.000 .766

1.000 .914

X6 - Product Quality

X7 - E-Commerce

Activiti es

X8 - Technical Support

X9 - Complaint

Resolution

X10 - Advertising

X11 - Product Line

X12 - Salesforce Image

X13 - Competitive Pricing

X14 - Warranty & Claim sX16 - Order & Billing

X18 - Delivery Speed

Initi al Extracti on

Extraction Method: Principal Component Analysis.



Pada tabel total variance explained di atas menunjukkan ada 4 faktor yang terbentuk

dari 11 variabel yang dimasukkan. Masing-masing faktor eigenvelue > 1. Faktor 1 eigenvalue

sebesar 3,427 dengan variance 31,154. Faktor 2 eigenvalue sebesar 2,551 dengan variance23,190. Faktor 3 eigenvalue sebesar 1,691 dengan variance 15,373. Faktor 4 eigenvalue sebesar

1,087 dengan variance 9,878. Nilai eigenvalue menggambarkan kepentingan relatif masing-

masing faktor dalam menghitung varians dari 11 variabel yang dianalisis.

3,427 X 100 = 34,27%

2,551 X 100 = 25,51%

1,691 X 100 = 16,91%

1,087 X 100 = 10,87%

Total variance apabila dari 11 variabel diekstrak menjadi 4 faktor adalah

34,27% + 25,51% + 16,91% + 10,87% = 87,56%

Besarnya varians yang mampu dijelaskan oleh faktor baru yang terbentuk adalah 87,56%

sedangkan sisanya 12,44% dijelaskan oleh faktor lain yang tidak diteliti.

Total Variance Explained

3.427 31.154 31.154 3.427 31.154 31.154 2.893 26.298 26.298

2.551 23.190 54.344 2.551 23.190 54.344 2.234 20.305 46.603

1.691 15.373 69.717 1.691 15.373 69.717 1.855 16.868 63.471

1.087 9.878 79.595 1.087 9.878 79.595 1.774 16.124 79.595

.609 5.540 85.135

.552 5.017 90.152

.402 3.650 93.802

.247 2.245 96.047

.204 1.850 97.898

.133 1.208 99.105

.098 .895 100.000

Component

1

2

3

4

56

7

8

9

10

11

Total % of Vari ance Cumul ati ve % Total % of Vari ance Cumul ati ve % Total % of Vari ance Cumul ati ve %

Initi al Ei ge nval ue s Extracti on Su ms of Sq uared Lo adi ngs Ro ta ti on Su ms of Sq ua red Loa di ngs

Extraction M ethod: Principal Com ponent Anal ysis.



Gambar screeplot menjelaskan hubungan antara banyaknya faktor yang terbentuk

dengan nilai eigenvalue dalam bentuk grafik.

Rotated component matrix dengan menggunakan metode varimax menampilkan nilai

loading faktor dari tiap-tiap veriabel. Loading faktor merupakan besarnya korelasi antara faktor

yang terbentuk dengan fariabel tersebut. Untuk fariabel product quality, korelasi antara

variabel product quality dengan faktor 1 (0,002), faktor 2 (-0,013), faktor 3 (-0,033), dan faktor

4 (0,876). Hal ini dapat dikatakan bahwa variabel product quality masuk ke dalam faktor 4.

Begitupun untuk proses variabel berikutnya. Sehingga akan diperoleh hasil sebagai berikut:

1. Faktor 1 terdiri dari variabel complaint resolution, order & billing, dan delivery speed.

2. Faktor 2 terdiri dari variabel E-commerce activity, advertising, salesforce image, dan

competitive pricing.

3.

Faktor 3 terdiri dari variabel technical support, warranty & claims. 4. Faktor 4 terdiri dari variabel product quality dan product line.

Rotated Component Matrixa

.002 -.013 -.033 .876

.057 .871 .047 -.117

.018 -.024 .939 .101

.926 .116 .048 .091

.139 .742 -.082 .015

.591 -.064 .146 .642

.133 .900 .076 -.159

-.085 .226 -.246 -.723

.110 .055 .931 .102

.864 .107 .084 .039

.938 .177 -.005 .052

X6 - Product Quality

X7 - E-Commerce

Activiti es

X8 - Technical Support

X9 - Complaint

Resolution

X10 - Advertising

X11 - Product Line

X12 - Salesforce Image

X13 - Competitive Pricing

X14 - Warranty & Claims

X16 - Order & Billing

X18 - Delivery Speed

1 2 3 4Component


Rotation Method: Varimax with Kaiser Normalization.

Rotation converged in 5 iterations.a.

Component Transformation Matrix

.857 .322 .271 .296

.011 .758 -.312 -.573

-.376 .321 .867 -.055

-.351 .467 -.277 .763

Component

1

2

3

4

1 2 3 4


Rotation Method: Varimax with Kaiser Normalization.



Tabel component transformation matrix, menunjukkan hasil rotasi varimax. Variabel-

variabel sudah terdistribusi ke masing-masing faktor yaitu 4 faktor yang terbentuk. Setelah

dilakukan rotasi dan terbentuk 4 faktor, selanjutnya member nama faktor tersebut. Penamaan

faktor ini tergantung peneliti dan dapat mewakili variabel-variabelnya. Pemberian nama

dilakukan sebagai berikut:

1. Faktor 1 terdiri dari variabel complaint resolution, order & billing, dan delivery speed

dapat diberi nama faktor customer service.

2. Faktor 2 terdiri dari variabel E-commerce activity, advertising, salesforce image, dan

competitive pricing dapat diberi nama faktor promotion.

3. Faktor 3 terdiri dari variabel technical support, warranty & claims dapat diberi nama

faktor customer satisfaction

4. Faktor 4 terdiri dari variabel product quality dan product line dapar diberi nama faktor

production.



Referensi

Hair. Joseph, Black. William, Babin, Barry, Anderson, Rolph. Multivariate Data Analysis.

Seventh edition

Johnson. N & Wichem. D. 1998. Applied Multivariate Statistical Analysis. Prentice-Hall,

Englewood Cliffs, N. J.

Sharma. S. 1996. Applied Multivariate Techniques. New York: John Wiley & Sons,Inc.

tugas 1 analisis faktor

Documents