Misalkan kita akan mereduksi variabel kepuasan konsumen yang terdiri dari:
X1
(delivery speed), X2(prive level), X3(price flexibelity), X4
(manufacture image),X5(overall services),X6(salesforce imaje) dan
X7(product quality)
Analyze > dimentional reduction > Analsis factor
Pada variabel: masukkan semua variabel
Pada descriptive: centangs emuanya
Pada rotation: pilih varimax
Berikut hasilnya:
KMO and Bartlett's Test
|
||
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
|
,446
|
|
Bartlett's Test of Sphericity
|
Approx. Chi-Square
|
567,541
|
df
|
21
|
|
Sig.
|
,000
|
Anti-image Matrices
|
||||||||
X1
|
X2
|
X3
|
X4
|
X5
|
X6
|
X7
|
||
Anti-image Covariance
|
X1
|
,028
|
,028
|
,002
|
,015
|
-,025
|
-,006
|
-,002
|
X2
|
,028
|
,032
|
,022
|
,014
|
-,026
|
-,005
|
-,020
|
|
X3
|
,002
|
,022
|
,608
|
,044
|
-,011
|
-,040
|
,086
|
|
X4
|
,015
|
,014
|
,044
|
,347
|
-,015
|
-,275
|
-,018
|
|
X5
|
-,025
|
-,026
|
-,011
|
-,015
|
,023
|
,005
|
,010
|
|
X6
|
-,006
|
-,005
|
-,040
|
-,275
|
,005
|
,371
|
-,044
|
|
X7
|
-,002
|
-,020
|
,086
|
-,018
|
,010
|
-,044
|
,623
|
|
Anti-image Correlation
|
X1
|
,344a
|
,957
|
,018
|
,149
|
-,978
|
-,060
|
-,016
|
X2
|
,957
|
,330a
|
,155
|
,134
|
-,975
|
-,045
|
-,141
|
|
X3
|
,018
|
,155
|
,913a
|
,095
|
-,091
|
-,085
|
,140
|
|
X4
|
,149
|
,134
|
,095
|
,558a
|
-,173
|
-,766
|
-,039
|
|
X5
|
-,978
|
-,975
|
-,091
|
-,173
|
,288a
|
,052
|
,088
|
|
X6
|
-,060
|
-,045
|
-,085
|
-,766
|
,052
|
,552a
|
-,092
|
|
X7
|
-,016
|
-,141
|
,140
|
-,039
|
,088
|
-,092
|
,927a
|
|
a. Measures of Sampling Adequacy(MSA)
|
Terlihat bahwa nilai KMO < 0.5 sehingga kurang bagus jika dilanjut ke analisis faktor.Selanjutnya kita
Nelihat anti image correlation dan terlihat bahwa nilai terkecil adanya pada varaibel x5 yang hanya sebesar 0,288
Sehingga kita ulang lagi analisis faktor dengan mengeluar variabel x5
Berikut hasilnya:
KMO and Bartlett's Test
|
||
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
|
,665
|
|
Bartlett's Test of Sphericity
|
Approx. Chi-Square
|
205,965
|
df
|
15
|
|
Sig.
|
,000
|
Nilai KMO sudah > 0.5 dan uji barlett signifikan sehingga dapat dilanjutkan dengan analisis faktor
Total Variance Explained
|
|||||||||
Component
|
Initial Eigenvalues
|
Extraction Sums of Squared Loadings
|
Rotation Sums of Squared Loadings
|
||||||
Total
|
% of Variance
|
Cumulative %
|
Total
|
% of Variance
|
Cumulative %
|
Total
|
% of Variance
|
Cumulative %
|
|
1
|
2,513
|
41,892
|
41,892
|
2,513
|
41,892
|
41,892
|
2,370
|
39,497
|
39,497
|
2
|
1,740
|
28,992
|
70,883
|
1,740
|
28,992
|
70,883
|
1,883
|
31,386
|
70,883
|
3
|
,597
|
9,958
|
80,842
|
||||||
4
|
,530
|
8,826
|
89,668
|
||||||
5
|
,416
|
6,929
|
96,596
|
||||||
6
|
,204
|
3,404
|
100,000
|
||||||
Extraction Method: Principal Component Analysis.
|
Dari
6 variabel yang dianlisis ternyata ekstrasi komputer menajdi 2 faktor
(nilai eigent >1 menjadi faktor). Faktor 1 mampu menjelaskan 41,89
persen sedangkan variabel 2 mampu menjelaskan 28,99 persen sehingga
totdal kedua vaktor mampu menjelaskan 70,88 persen variasi.
Component Matrixa
|
||
Component
|
||
1
|
2
|
|
X1
|
-,627
|
,514
|
X2
|
,759
|
-,068
|
X3
|
-,730
|
,337
|
X4
|
,494
|
,798
|
X6
|
,425
|
,832
|
X7
|
,767
|
-,168
|
Extraction Method: Principal Component Analysis.
|
||
a. 2 components extracted.
|
Component Matrixa
|
||
Component
|
||
1
|
2
|
|
X1
|
-,627
|
,514
|
X2
|
,759
|
-,068
|
X3
|
-,730
|
,337
|
X4
|
,494
|
,798
|
X6
|
,425
|
,832
|
X7
|
,767
|
-,168
|
Extraction Method: Principal Component Analysis.
|
||
a. 2 components extracted.
|
Dengan
melihat komponen matrix dan varimax rotated component matriks jelas
bahwa yang mengelompok pada faktor 1 adalah x1, x2, x3 dan x7 semuanya
dengan loading faktor di tas 0.5 Sedangkan yang mengelompok pada faktor 2
adalah x4 dan x4 dengan loading faktor di atas 0.9. Dengan melihat
faktor-faktor yang masuk ke faktor 1 maka faktor 1 diberi nama strategi.
Dengan melihat faktor-faktor yang masuk ke faktor 1 maka faktor 1
diberi nama image
0 komentar:
Posting Komentar