ANALISIS FAKTOR

Analisis Faktor mempunyai tujuan terpenting yaitu menjelaskan hubungan di antara banyak variabel dalam bentuk beberapa faktor. Analisis faktor dalam prosesnya mencoba menemukan hubungan antar sejumlah variabel-variabel yang saling bebas satu sama lain sehingga bisa dibuat satu atau beberapa kumpulan variabel yang lebih sedikit dari jumlah variabel awaL

Tujuan dari Analisis Faktor antara lain:

1. Data Summarization, yakni mengidentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi. Jika korelasi dilakukan antar variabel (dalam pengertian SPSS adalah 'kolom'), analisis tersebut dinamakan R Factor analysis. Tetapi apabila korelasi dilakukan antar respondenatau kasus sampel penelitian (dalam pengertian SPSS adalah 'baris'), analisis disebut Q Factor Analysis, yang juga popular disebut CLUSTER ANALYSIS.


2. Data Reduction, yakni setelah melakukan korelasi, dilakukan proses membuat sebuah variabel set baru yang dinamakan faktor untuk menggantikan sejumlah variabel tertentu.

Asumsi Analisis Faktor, antara lain:
1. Besar korelasi atau korelasi antar indenpenden variabel hams cukup kuat, misal di atas 0,5.
2. Besar Korelasi Parsial, korelasi antar dua variabel dengan menganggap tetap variabel yang lain, justru harus kecil. Pada SPSS, deteksi terhadap korelasi parsial diberikan lewat pilihan ANTI-IMAGE CORRELATION.
3. Pengujian seluruh matrik korelasi (korelasi antar variabel), yang diukur dengan besaran BARLETT TEST OF SPHERICITY atau MEASURE SAMPLING ADEQUACY (MSA). Pengujian ini mengharuskan adanya korelasi yang signifikan di antara paling sedikit beberapa variabel.
4. Pada beberapa kasus, asumsi NORMALITAS dari variabel-variabel atau faktor yang terjadi sebaiknya dipenuhi.


MODEL

Misalkan variabel acak x tergantung secara linier pada sejumlah variabel acak tak teramati yaitu Fl' F2' F3' , Fn (Faktor bersama) dim ana n < p,
sedangkan El' E2' E3""""'" En adalah error atau faktor-faktor spesifik.


Sehingga persamaan umum analisa faktor dapat dirumuskan seperti formula berikut ini :
X¬¬¬¬¬1¬-m 1 = I 11 F1 + I 12 F2 + I 13 F3 +……+ I 1n Fn ++ £i
X¬¬¬¬¬2¬-m 2= I 21 F1 + I 22 F2 + I 23 F3 +……+ I 2n Fn ++ £2
……………………..

X¬¬¬¬¬p¬-m p= I p1 F1 + I p2 F2 + I p3 F3 +……+ I pn Fn ++ £p



Atau secara matriks dapat dirumuskan :
X¬¬¬¬¬ px1 ¬-m px1= I pxn Fnp1 + £px1

Dimana :

m 1 : rata-rata dari variabel ke-i

£1 : faktor spesifik ke-I (error ke-I)
1ij : loading factor variabel ke-I pada faktor ke-j
Fi : common factor ke-j
L : matriks factor loading
I :1,2,3…..,P
J :1,2,3…..,P



Jumlah kuadrat dari loading untuk variabel ke-I pada faktor ke-J disebut komunalitas ke-I :

h1 = l11 + l12 + … + l1n

Umumnya faktor-faktor diperoleh berdasarkan informasi dari matriks loading L belum dapat langsung diinterpretasikan. Untuk itu dilakukan cara dengan merotasikan matriks loading faktor L dengan menggunakan metode tegak lurus varimax yang menghasilkan matriks L.


Proses Analisis Faktor



Secara garis besar, tahapan pada analisis faktor :

1. Memilih variabel yang layak dimasukkan dalam analisis faktor. Oleh karena analisis faktor berupaya mengelompokkan sejumlah variabel, maka seharusnya ada korelasi yang cukup kuat di antara variabel, sehingga akan
terjadj pengelompokkan. Jika sebuah variabel atau lebih berkorelasi lemah dengan variabel lainnya, maka variabel tersebut akfu'1 dikeluarkan dari analisis faktor. Dengan melihat contoh di atas, dari 13 variabel, mungkin saja, dalam seleksi ada satu atau lebih variabel yang gugur. Alat seperti MSA atau Barlett's Test dapat digunakan untuk keperluan ini.

2. Setelah sejumlah variabel terpilih, maka dilakukful 'ekstrasi' variai._ _ tersebut hingga menjadi satu atau beberapa faktor. Beberapa met047" ;; pencarian faktor yang populer adalah Principal Component dan Maxim_ _ likehood.

3. Faktor yang terbentuk, pada banyak kasus, kurang menggambark-= perbedaan di antara faktor-faktor yang ada. Seperti pada contoh di atas "'" faktor 1 dengan faktor 2 ternyata masih mempunyai kesarnaan-kesamaar: atau sebenarnya masih sulit sulit dikatakan apakah isi (variabel) pad falri.Ui '" 1 benar-benar layak masuk faktor 1, ataukah mungkin dapat masuk fakb_ 2. Hal tersebut akan mengganggu analisis, karena justru sebuah fakt-l'g harus berbeda secara nyata dengan faktor yang lain. Untuk itu, jika i:;t _ faktor maih diragukan, dapat dilakukan proses rotasi untuk memperjelas apakah faktor yang terbentuk sudah secara signifikan berbeda deng_ faktor lain.

4. Setelah faktor benar-benar sudah terbentuk, maka proses dilanjutkan dengan menamakan faktor yang ada, seperti contoh di atas. Kemudian beberapa langkah akhir juga perlu dilakukan, yaitu validasi hasil faktor.


Analisis Faktor (1)
Menilai Variabel yang Layak

Contoh studi Kasus 1 :

Sebuah Perguruan Tinggi Swasta di Kota Baturaja ingin mengetahui fakto:r¬faktor apa saja yang mendorong pelajar Sekolah Menengah Umum untuk melanjutkan kuliah di sebuah Perguruan Tinggi. Setelah dilakukan riset selama beberapa saat, ditemukan sejumlah variabel yang mempengaruhi motivasi calon mahasiswa di Baturaja untuk kulifu'1 di Perguruan Tinggi :

Faktor - faktor yang mempengaruhi :
1. Gedung milik sendiri
2. Lokasi strategis
3. fasilitas laboratorium lengkap
4. Dosen pengajar berkualitas dan professional 5. Kurikulum berbasis kompetensi
6. Sistem perkuliahan tleksibel
7. Biaya terjangkau
8. Kondisi belajar yang kondusif
9. Kegiatan ekstrakurikuler banyak
10. Image kampus cukup bergengsi
11. Kecepatan pelayanan Bagian Pengajaran 12. Beasiswa bagi yang berprestasi
13. Penyaluran ke dunia kerja


Dari ketiga belas variabel tersebut, tentu saja dapat diperhatikan semuanya
oleh pihak manajemen Perguruan Tinggi dan melakukan berbagaistrategi dengan memperhatikan semua masukan variabel yang ada. Tetapi pihak Perguruan Tinggi dapat menduga bahwa dari ketiga belas variabel tersebut ada beberapa yang dapat dikata-kan 'mirip' satu sarna lain. Untuk itu, pihak
Perguruan Tinggi kemudian melakukan analisis faktor, untuk kemungkinan dapt mereduksi (mengurangi) 13 variabel di atas menjadi hanya beberapa faktor. Setelah dilakukan analisis, berikut distribusi variabel di atas :

i Faktor 1 l?aktor 2 Faktor 3
Dosen pengajar Laboratorium lengkap Sistem perkuliahan fleksibel
berkualitas dan I dan full AC Biaya Terjangkau
profesional I Gedung milik sendiri Image kampus cukup
Kecepatan . Lokasi strategis bergengsi
pelayanan Bagian Kondisi belajar yang Kurikulum berbasis
Pengajaran kondusif kompetensi I
Penyaluran ke dunia kerja
Beasiswa bagi yang
berprestasi
Kegiatan ekstrakurikuler
banyak

Melihat hasil di atas, pihak Perguruan Tinggi dapat lebih berkonsentrasi pada tiga faktor di atas, karena temyata dari 13 variabel terdahulu dapat direpresentasikan ke dalam 3 faktor, di mana tiap faktor berisi faktor-faktor
yang memang mengandung kemiripan dari variabel-variabel komponennya.
Pihak Perguruan Tinggi kemudian dapat memberi nama pada tiga faktor di atas, seperti faktor 1 dinamakan Pelayanan SDM (Sumber Daya Manusia), faktor 2 dinamakan Fasilitas Fisik, dan faktor 3 dinamakan Fasilitas Non Fisik. Memang terkadang tidak ada nama yang tepat untuk menggabungkan
sejumlah variabel, walaupun mirip. Namun peling tidak pihak Perguruan Tinggi dapat berkonsentrai pada 3 faktor di atas, seperti meningkatkan falilitas fisik, atau fasilitas non fisik, bahkan mungkin berkonsentrasi pada perekrutan SDM, dalam hal ini karyawan dan Dosen Pengajar.

Faktor Analisis untuk Dua Faktor

1. Menamai Variabel

Langkah :
.. Buka software SPSS
.. Buka file Faktor 2
.. Dari menu utama SPSS, buka. Menu Analyze, lalu submenu Data
Reduction, kemudian pilihan factor.
.. Tampak di layar :




Pengisian :
. Variables atau variabel apa saja yang akan diproses. Oleh karena akan
diuji semua variabel, masukkan semua variabel. Untuk itu, masuk..."I{an variabel Lab, gedung, lokasi dan kondisi ke kotak Variables di sebelah kanan.

NB : Langkah praktis untuk memilih semua variabel, pilih variabel teratas, tekan tombol Shift, lalu sambil tetap menekan tombol Shift, pilih variabel terbawah. Otomatis semua variables tersorot dan tinggal klik tanda untuk memasukkan semua variabel tersebut.
Buka icon Descriptives, hingga tampak pada layar :




Pengisian :
• Untuk Correlation Matrix, pilih (aktifkan) KMO and Barlett's test of sphericity dan Anti image. Abaikan pilihan yang lain.
• Untuk statistic, biarkan pilihan pada default Initial solution.
• Tekan continue untuk kembali ke kotak dialog utama.
• Abaikan bagian yang lain dari kotak dialog faktor, Kemudian tekan OK untuk proses pengujian variabel.

Output:

Factor Analysis

KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.

Bartlett's Test of Approx. Chi-Square
Sphericity df
Sig.
.551

30.297
6
.000




Anti-image Matrices
Laboratorium
Full AC Gedung
Kuliah milik
sendiri Lokasi
Kampus
Strategis Kondisi
Kampus Mendukung
Anti-image Covarian Laboratorium full AC
Gedung Kuliah milik
sendiri .
Lokasi kampus stratei Kondisi Kampus mendukung

621

149

-322
-213


149

743

237
246 -322

-237

601
009 -213

-264

009
739
Anti-image Correiatir Laboratorium full AC
Gedug Kuliah milik
sendiri
Lokasi kampus strategis
Kondisi Kampus
mendukung
516a
220

-527
-314 220
499a

-354
-356 -527
-354

568a
014 -314
-356

014
628a

a. Measures of Sampling Adequacy(MSA)

Analisis .

• Pada tabel pertama, KMO and Barlett's test, terlihat angka K-M-O Measure of Sampling Adequacy (MSA) adalah 0,551. Oleh karena
angka MSA di atas 0,5, maka kumpulan variabel tersebut dapat diproses lebih lanjut. Selanjutnya hap variabel dianalisis untuk mengetahui mana yang dapat diproses lebih lanjut dan mana yang hams dikeluarkan. Kesimpulan yang sarna dapat dilihat pula pada angka KMO and Barlett's test (yang ditampakkan dengan angka Chi¬Square) sebesar 30,297 dengan signifikansi 0,000.
• Pada tabel kedua (Anti Image matrices), khususnya pada bagian bawah (Anti Image Correlation)_ terlihat sejumlah angka yang membentuk diagonal, yang bertanda 'a', yang menandakan besaran
MSA sebuah variabel. Seperti variabel lab yang mempunyai MSA 0,516, kemudian variabel gedung dengan MSA sebesar 0,499 dan seterusnya.

Pedoman :
• Apaka.c'1 ada angka MSA yang di bawah 0,5 ? ternyata ada satu
variabel yang mempunyai MSA di bawah 0,5 yaitu gedung (0,499).
• Variabel tersebut yang paling kecil, untuk dikeluarkan dari pemilihan
variabel. Oleh karena MSA dari variabel gedung paling kecil, maka
variabel tersebut dikeluarkan dari pemilihan variabel.
• Ulang kembali langkah pemilihan variabel, namun sekarang variabel sudah berkurang satu. Perhatikan untuk selalu membuang satu variabel yang mempunyai MSA paling kecil jika ditemukan adanya MSA yang di bawah 0,5 yang dalam hal ini adalah variabel gedung.


Langkah pengulangan pemilihan variabel :
a. Buka file faktor 2 (atau jika sudah, langsung proses di bawah ini).
b. Dari menu utama SPSS, buka menu Analyze, lalu submenu Data
Reduction, kemudian pilihan Factor.
c. Tekan tombol Reset untuk menghapus semua variabel masukan
terdahulu, sehingga kotak dialog kembali berisi pilihan default.
Tampak di layar :





Pengisian :
• Variables atau variabel apa saja yang akan diproses. Oleh karena akan diuji semua variable kecuali gedung, maka masukkan semua variabel yang lain. Untuk itu, masukkan variabel Lab, lokasi dan, kondisi ke kotak Variables di sebelah kanan.

.NB : Langkah praktis untuk memilih semua variabel, pilih variabel teratas, tekan tombol Shift, lalu sambil tetap menekan tombol Shift, pilih variabel terbawah. Otomatis semua variables tersorot dan tinggal klik tanda  untuk memasukkan semua variabel tersebut.
• Buka icon Descriptives. Pengisian sarna dengan terdahulu, untuk Correltion Matrix, pilih (aktifkan) KMO and Barlett's test of sphericity dan Anti Image. Abaikan pilihan yang lain.
Untuk Statistics, biarkan pilihan pada default Initial Solution.
• Tekan continue untuk kembali ke kotak dialog utarna.
• Abaikan bagian yang lain dari kotak dialog faktor, Kemudian tekan OK untuk proses pengujian variabel.








Output:

Factor Analysis

KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.

Bartlett's Test of Approx. Chi-Square
Sphericity df
Sig.

.620

19.506
3 3
.000



IAnti-image Matrices

Lokasi Kondisi
Laboratorium kampus Kampus
full AC strategis mendukung
Anti-image Covarianc, Laboratorium full AC .652 -.330 -.192
Lokasi kampus strategi -.330 .687 -.098
Kondisi Kampus -.192 -.098 .847
mendukung
Anti-image Correlatior Laboratorium full AC .587a -.493 -.259
Lokasi kampus strategi - .493 .603a -.128
Kondisi Kampus a
mendukung -.259 -.128 .735

a. Measures of Sampling Adequacy(MSA)

Pedoman :
. Apakah ada angka MSA yang di bawah 0,5 ? ternyata tidak ada variabel yang mempunyai MSA di bawah 0,5. Sehingga ketiga variabel dapat dilakukan analisis faktor.


Kesimpulan : Dari tiga belas variabel mula-mula yang dianalisis, dengan dua kali pengulangan analisis, terseleksi sepuluh variabel yang memenuhi syarat untuk analisis faktar, yaitu lab, lakasi, kondisi, sistem, image, biaya, penyaluran, kegiatan, dosen dan pelayanan.

Melanjutkan analisis dari keseluruhan variabel yang tela..h terseleksi.

Faktor Analisis untuk Faktor 3


Menamai Variabel

Langkah :
.. Buka software SPSS
. Buka file Faktor 3
. Dari menu utama SPSS, buka menu
Reduction, kemudian pilihan factor.
. Tampak di layar :

Analyze, lalu submenu Data


Pengisian :
.. Variables atau variabel apa saja yang akan diproses. Oleh karena akan diuji semua variabel, masukkan semua variabel. Untuk itu, masukkan variabellab, lokasi, kondisi, sistem, biaya, image, kurikulum, penyaluran, kegiatan, dosen dan pelayanan ke kotak Variables di sebelah kanan.
NB : Langkah praktis untuk memilih semua variabel, pilih variabel teratas, tekan tombol Shift, lalu sambil tetap menekan tombol Shift, pilih variabel terbawah. Otomatis semua variables tersorot dan tinggal klik tanda untuk memasukkarf semua variabel tersebut.
.Buka icon Descriptives, hingga tampak pada layar :



Pengisian :
. Untuk Correlation Matrix, pilih (aktifka..TJ.) KMO and Barlett's
sphericity dan Anti image. Abaikan pilihan yang lain.
. Untuk statistic, biarkan pilihan pada default Initial solution.
. Tekan continue untuk kembali ke kotak dialog utama.
. Kemudian klik Extraction, tampak di layar :



Pengisian :
. Untuk Method, pilih Pricipal Components. Hal ini berarti Metode analisis
untuk mencari faktor yang digunakan adalah Pricipal Components.
. Untuk Display, selain default Unrotated Factor Solution, aktifkan juga
pilihan Scree Plot. . Tekan continue untuk kembali ke kotak dialog utama. . Abaikan bagian yang lain dari kotak dialog faktor, Kemudian tekan OK
untuk proses pengujian variabel.


..
Output:

Factor Analysis

Communalities
Initial
extraction
Laboratorium lengkap full AC
ILokasi Kampus strategis Kondisi/suasana
kampus mendukung
Sistem perkuliahan
fleksibel
Biaya kuliah terjangkau
Image kampus cukup terkenal
Penyaluran ke Dunia
Kerja Kegiatan ekstrakurikuler banyak
Dosen berkualitas dan profesional
Kecepatan pelayanan , Bag.Akademik

1.000
1.000

1.000

1.000
1.000

1.000

1.000

1.000

1.000

1.000

.815
.301

.869

791
818

698

869

366

570

666


Extraction Method: Principal Component Analysis.


Total Variance Explained

componen initial eigenvalues xtraction sums of squared loading
Total % of variance comulative % total % of variance comulative %
1 2.708 27.079 27.097 2.708 27.079 27.079
2 2.401 24.005 51.085 2.401 24.005 51.085
3 1.665 16.547 67.631 1.655 16.547 67.631
4 976 9.758 77.390
5 828 8.278 85.668
6 634 6.337 92.005
7 366 3.656 95.660
8 250 2.504 98.165
9 184 1.835 100.000
10 000 000 100.000
Extraction Method: Principal Component Analysis.


Scree Plot



Component Number

Component Matrix

Component
Laboratorium lengkap full AC LokasiKampusstrategis Kondisi/suasana kampus mendukung. Sistem perkuliahan fleksibel Biaya kuliahterjangkau Image kampus cukup terkenal Penyaluran ke Dunia Kerja Kegiatanekstrakurikuler banyak Dosen berkualitas dan professional Kecepatan pelayanan Bag.Akademik .560

-012

781

353
387

246

781

379

436

712


563

-221

-496

805
817

362

-496

000

-030

-307
-429

-502

115

-131
041

712

115

472

616

-254


Extraction Method: Principal Component Analysis
a. 3 components extracted.

Analisis .

1. COMMUNITIES

Untuk variabel Labaratorium, angka adalah 0,815. Hal ini berarti sekitar 81,5% varians dari variabel Laboratoirum dapat dijelaskan oleh taktar yang nanti terbentuk (jika dilihat pada tabel terakhir, yaitu component Matrix, ada 3 Component, yang bararti ada 3 faktor terbentuk).

Untuk variabel Lokasi kampus, angka adalah 0,301. Hal ini berarti sekitar 30,1% varians dari variabel lokasi dapat dijelask_n oleh taktor yang terbentuk. Demikian seterusnya untuk variabellainnya, dengan ketentuan bahwa semakin kecil communities sebuah variabel, berarti semakin lemah hubungannya dengan faktor yang terbentuk.

2. TOTAL VARIANCE EXPLAINED

Ada 10 variabel yang dimasukkan dalam analisis taktor. Dengan masing¬masing variabel mempunyai varians 1, maka total varians adalah 10 x 1 = 10. Sekarang, jika kesepuluh variabel tersebut 'diringkas' menjadi satu faktor, maka varians yang dapat dijelaskan oleh satu taktar tersebut adalah (lihat Component = 1) :

2708 / 10 x 100% = 27,08%

Jika 10 variabel diekstrak menjadi 2 taktor, maka :
. Varians taktor pertama adalah 27,08%.
OJ Varians faktor kedua adalah 2401 / 10 x 100% = 24,01%

Total kedua taktor akan dapat menjelaskan 27,08% + 24,01%, atau 51,09% dari variabilitas kesepuluh variabel asli tersebut.

Sedangkan eigenvalues menunjukkan kepentingan relatit masing-masing taktor dalam menghitung varians keenam variabel yang dianalisis. Perhatikan di sini bahwa :
., Jumlah angka eigenvalues untuk keenam variabel adalah sama dengan total varians kesepuluh variabel, atau 2,708 + 2,401 + ... + 0,000 = 10.
e Susunan eigenvalues selalu diurutkan dari yang terbesar sampai terkecil, dengan kriteria bahwa angka eigenvalues di bawah 1 tidak digunakan dalam menghitung jumlah taktar yang terbentuk.

Dari tabel di atas terlihat bahwa hanya tiga taktor yang terbentuk, karena dengan satu faktar, angka eigenvalues di atas 1, dengan dua taktor angka eigenvalues juga masih di atas 1, dengan tiga taktar angka eigenvalues masih di atas 1, namun untuk 4 taktor angka eigenvalues sudah di bawah 1.


3. SCREE PLOT

Jika tabel kedua menjelaskan dasar jumlah faktor yang didapat dengan perhitungan angka, maka Scree plot menampakkan dengan grafik. Terlihat bahwa dari satu ke dua faktor (garis dari sumbu Component Number = 1 ke 2). Kemudian dari angka 2 ke 3, arah garis menurun dengan cukup tajam. Kemudian dari angka 3 ke 4, garis masih menurun, namun dengan slope yang lebih kecil. Juga perhatikan faktor 4 sudah di bawan angka 1 dari sumbu Y (eigenvalues). Hal ini menunjukkan bahwa tiga faktor adalah paling bagus untuk 'meringkas' kesepulub variabel tersebut.

4. COMPONENT MATRIX

Setelah diketahui bahwa tiga faktor adalah jumlah yang paling optimal, maka tabel ini menunjukkan distribusi kesepuluh variabel tersebut pada tiga faktor yang ada. Sedangkan angka yang ada pada tabel tersebut adalah factor loadings, atau besar korelasi antara variabel dengan faktor 1, faktor 2 atau faktor 3.

Seperti pada variabel Laboratorium, korelasi antara variabel Laboratorium dengan faktor 2 adalah 0,563 (CUhllp kuat), sedang korelasi variabel Laboratorium dengan faktor 1 adalah 0,560 (melemah dibanding dengan faktor 2). Sedangkan dengan faktor 3 adalah - 0,429 (Lemah). Dengan demikian dapat dikatakan variabel Laboratorium dapat dimasukkan
sebagai komponen faktor 2.

Pada variabel pelayanan, korelasi antara va..-iabel pelayanan dengan faktor 1 adalah - 0,307 (lema..h), sedang korelasi variabel pelayanan dengan faktor 1 adalah 0,712 (cukup kuat). Sedangkan dengan faktor 3 adalah - 0,254 (lemah). Dengan demikian dapat dikatakan variabel pelayanan dapat dimasuk.1{an sebagai komponen faktor 1.

Hubungan antara faktor loading dan Communalities

Communalities adalah jumlah dari kuadrat masing-masing factor loading sebuah variabel.

Sebagai contoh untuk variabel Laboratorium ;
Communalities = (0,560)2 + (0,563)2 + (- 0,429f= 0,815

(sarna dengan tabel Communities di atas). Demikian seterusnya untuk variabel yang lain.

Perhatikan bahwa dari urutan besar communalities, terlihat variabel Lokasi paling kecil angka communalities-nya, yang berdampak pada tidak adanya perbedaan yang nyata antara kedua faktor loadingnya.

Oleh karena masih ada variabel (lokasi) yang belum jelas akan dimasukkan dalam faktor 1, 2, atau 3 maka perlu dilakukan proses rotasi (rotation), agar semakin jelas perbedaan sebuah variabel akan dimasukkan pada faktor 1, 2 atau 3.

NB : angka pembatas (cut point) agar sebuah variabel dapat secara nyata termasuk sebuah faktor, untuk sekitar 40 data seperti yang digunakan pada kasus ini, adalah 0,55. Terlihat bahwa untuk vfu-iabellokasi, ketiga faktor loadings (-0,012, - 0,221 dall - 0,501) masih di bawah 0,55 sehingga variabel tersebut tidak dapat secara nyata dimasukkan dalam salah satu faktor.

Studi Kasus 2 :

Diberikan data pengamatan terhadap Marketing atau pemasaran produk Rokok dengan rincian variabel adalah sebagai berikut :

1. Produk, Branding dan Packaging
2. Penetapan Harga
3. Saluran Distribusi
4. Pengiklanan
5. Direct Marketing
6. Promosi penjualan
7. Publisitas dan Public Relation
8. Pengembangan produk


Penyelesaian :

1. Menamai Variabel Langkah :

• Buka softyvare SPSS
• Buka file Faktor
• Dari menu utama SPSS, buka menu Analyze, lalu submenu Data Reduction, kemudian pilihan factor.
• Tampak di layar :



Pengisian :
• Variables atau variabel apa saja yang akan diproses. Oleh karena akan diuji semua variabel, masukkan semua variabel. Untuk itu, masukkan semua variabel ke kotak Variables di sebelah kanan.

NB : Langkah praktis untuk memilih semua variabel, pilih variabel teratas, tekan tombol Shift, lalu sambil tetap menekan tombol Shift, pilih variabel terbawah. Otomatis semua variables tersorot dan tinggal klik tanda -.untuk memasukkan seillua variabel tersebut.




• Buka icon Descriptives, hingga tampak pada layar:



• .Untuk menentukan analisa komponen utama, klik extraction, seperti tampak di layar berikut :



• Memilih metode rotasi seperti tampak pada layar :



• Menampilkan matriks skor, seperti layar berikut :



• Mengatur berkenaan dengan missing value, seperti berikut :


.Klik continue, kemudian OK, sehingga keluar output seperti berikut ini:

Factor Analysis

Rotated Component Matrix

Component
- 1 2 3
prod uk, branding, .819 .013 -.264
packaging
penetapan harga .417 .700 -.261
saluran distribusi .774 .194 .070
pengiklanan .459 .795 -.006
direct marketing -.113 .8441 -.032
promosi penjualan .919 .164 I -.071
publisitas dan public -.054 -.059 .870
relation
pengembangan produk -.096 -.089 .865

Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 4 iterations.

Component Transformation Matrix

Component 1 2 3
1 .770 .550 -.322
2 .297 .138 .945
3 -.564 .824 .057

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.


Component Plot in Rotated Space



Component Score Coefficient Matrix
Component
- 1 2 3
prod uk, branding,
371 -182 -093
packaging
penetapan harga 033 337 -078
saluran distribusi 343 -033 132
pengiklanan 057 407 097
direct marketing -234 556 031
promosi penjualan 406 -093 052
publisitas dan public 067 037 553
relation
pengembangan produk 053 027 544
Extraction Method: Principal Component AnalysIs
Rotation Method: Varimax with Kaiser Normalization

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.
Rotation Method: Varimax with Kaiser Normalization.


Output dan Analisa

Berdasarkan perhitungan SPSS, dapat dianalisa sebagai berikut :

Setelah diketahui bahwa tiga faktor adalah jumlah yang paling optimal, maka tabel ini menunjukkan distribusi kedelapan variabel tersebut pada tiga faktor yang ada. Sedangkan angka yang ada pada tabel tersebut adalah factor loadings, atau besar korelasi antara variabel dengan faktor 1, faktor 2 atau faktor 3.

Seperti pada variabel produk, korelasi antara variabel produk dengan faktor 2 adalah - 0,182 (lemah), sedang korelasi variabel produk dengan faktor 1 adalah 0,371 (sedikit kuat dibanding dengan faktor 2). Sedangkan dengan faktor 3 adalah - 0,093 (Lemah). Dengan demikian dapat dikatakan variabel produk dapat dimasukkan sebagai komponen faktor 1.

Pada variabel pengembangan produk, korelasi antara variabel pengembangan
produk dengan faktor 1 adalah 0,053 (cukup lemah), sedang korelasi variabel pengembangan produk dengan faktor 2 adalah 0,027 (lebih melemah daripada fak-tor 1). Sedangkan dengan faktor 3 adalah - 0,544 (cukup kuat). Dengan demikian dapat dikatakan variabel pengernbangan produk dapat dimasukkan sebagai komponen faktor 3. Begitu juga seterusnya dengan variable lainnya.




Literatur:
SPSS Versi 12.00 dalam “RISET PEMASARAN” SRI RAHAYU