Cara Interpretasi Output Analisis Faktor

Cara Interpretasi Output Analisis Faktor Untuk memahami interpretasi dari output analisis faktor, berikut adalah penjelasan detail masing masing tabel :
  1. Tabel ;KMO and Bartlett's test, Pada tabel KMO and Bartlett's test, terlihat angka K-M-O Measure of Sampling Adequacy (MSA) adalah 0,671. Oleh karena angka MSA di atas 0,5, maka kumpulan variable tersebut dapat diproses lebih lanjut. Selanjutnya tiap variable dianalisis untuk mengetahui mana yang dapat diproses lebih lanjutdan mana yang harus dikeluarkan.Kesimpulan yang sama dapat dilihat pula pada angka KMO andBartlett's test (yang ditampakkan dengan angka Chi-Square) sebesar 36,626 dengansignifikansi 0,001.

  2. Tabel Anti Image Matrices, Pada tabel 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. Dari keenam faktor yang dianalisis, menunjukkan criteria angka MSA diatas 0,5. Yang berarti variable masih bisa diprediksi untuk dianalisa lebih lanjut

  3. Pada tabel Communalities Pada tabel Communalities variabel 01 (kualitas), angka 0,321 berarti 32,1 % varians dari variable kualitas bisa dijelaskan oleh faktor yang terbentuk, demikian dengan variabel-variabel yang lainnya. Semua variable dapat dijelaskan oleh faktor yang terbentuk dengan ketentuan semakin besar communalities maka semakin erat hubungan variabel yang bersangkutan dengan faktor yang terbentuk

  4. Tabel Total Variance Explained Pada tabel Total Variance Explained, variabel yang dianalisis ternyata dapat dikelompokkan menjadi 2 faktor, yaitu eigenvalues yang menunjukkan angka lebih besar dari satu. Dengan demikianada 2 faktor yang terbentuk.Penentuan variabel yang masuk masing factor dilakukan dengan memperbandingkan besaran korelasi pada setiap baris. Angka korelasi dibawah 0,5 menunjukkan indikasi korelasi yang lemah sedangkan diatas 0,5 berindikasi kuat korelasinya.

  5. Gambar Scree Plot Pada Gambar Scree Plot, Terlihat bahwa dari satu ke dua faktor (garis dari sumbu Component Number = 1 ke 2), arah garis menurun dengan cukup tajam. Kemudian dari angka 2 ke 3,garis masih menurun, namun dengan slope yang lebih kecil. Juga perhatikan faktor 3 sudah di bawah angka 1 dari sumbu y (Eigenvalues). Hal in imenunjukkan bahwa dua faktor adalah paling bagus untuk 'meringkas' keenam variabel tersebut.

  6. Tabel Component Matrix Pada tabel Component Matrix menunjukkan distribusi keenam variable tersebut pada dua factor yang ada. Sedangkan angka yang ada pada table tersebut adalah factor loadings, atau besa rkorelasi antara suatu variable dengan faktor1atau faktor 2.Seperti pada variable Kualitas, korelasi antara variable Kualitas dengan faktor 2 adalah0,523 (cukup kuat), sedang korelasi variable Kualitas dengan faktor1 adalah  -0,218 (lemah). Dengan demikian dapatdikatakan variable Kualitas dapat dimasukkan sebagaikomponen faktor 2.Pada variable merek, korelasi antara variable merekdengan faktor1 adalah0,813 (cukupkuat), sedang korelasi variable merekdenganfaktor 2 adalah0,299 (lemah). Dengan demikian dapat dikatakan variable merek dapat dimasukkan sebagai komponen faktor l.Pada variable kemasan, korelasi antara variable kemasan dengan faktor1 adalah0,609 (cukupkuat), sedang korelasivariabel kemasan dengan faktor 2 adalah- 0,525. Dengan demikian dapat dikatakan variable kemasan dapat dimasukkan sebagai komponen faktor l. Pada variable harga, korelasi antara variable harga dengan faktor1 adalah0,628 (cukupkuat), sedangkorelasi variable harga dengan faktor 2 adalah0,583 (lemah). Dengan demikian dapat dikatakan variable hargadapatdimasukkan sebagai komponen factor 1.Pada variable ketersediaan barang, korelasia ntara variable ketersediaan barangdengan faktor1 adalah0,750 (cukupkuat), sedang korelasi variable ketersediaan barangdenganfaktor 2 adalah0,200 (lemah). Dengan demikiandapatdikatakanvariabel ketersediaan barang dapat dimasukkan sebagai komponen faktor l.Pada variable acuan, korelasi antara variable acuan dengan faktor1 adalah0,644 (cukupkuat), sedang korelasi variabela cuan denganfaktor 2 adalah  - 0,506 (lemah). Dengan demikian dapatdikatakan variable lacuna dapatdimasukkan sebagai komponen faktor l.

  7. Table rotated matrics Sekalipun dari keenam variable telah terbentuk faktor-faktor, namun perlu dilakukan rotasi untuk memperjelas variabel-variabel mana yang masuk kedalam tiap-tiap faktor. Banyak sekali faktor loading yang berubah setelah mengalami rotasi menjadi lebih kecil atau lebih besar. Pada table factor variabel-variabel yang masuk pada tiap-tiap factor sebagai berikut: Faktor 1 terdiri dari variabel-variabe lmerek, harga dan ketersediaan barang sedangkanFaktor 2 terdiri darivariabel-variabel kemasan dan acuan.

  8. Table Component Transformation Matrix Pada table Component Transformation Matrix dapatdiketahui bahwa diagonal faktor (component) 1 dan 2 jatuh diatas angka 0,5 (0,832 dan 0,554), hal tersebut membuktikan bahwa kedua factor (component) yang terbentuk sudah tepat karena mempunyai korelasi yang tinggi.

  9. Setelah diperoleh dua factor yang merupakan hasil reduksi dari enam variabel, langkah berikut adalah member nama pada kedua faktor tersebut. Untuk kasus diatas, factor pertama yang terdiri dari variable merek, harga dan ketersediaan barang dapat dinamakan dengan faktor internal, sedangkan factor kedua yang terdiri dari kemasan dan acuan dapat dinamakan faktor external

Belajar Menulis Skripsi & Tesis

New Post

Sensasi Belanja Ala Mall

funika