Tugas statistik multivariat

Analisis faktor

Oleh Kelompok IV : Farid Rahman Wigayanti Rauf Nur Hidayat Fatwa Ali P3400212010 P3400212011 P3400212012

Kelas A

FAKULTAS EKONOMI & BISNIS JURUSAN AKUNTANSI PASCASARJANA UNIVERSITAS HASANUDDIN

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 bermacammacam 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. 3. 4.

Mengidentifikasi, melalui faktor rotasi, solusi faktor yang paling masuk akal. Estimasi bentuk dan struktur loading, komunality dan varian unik dari indikator. 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 Bartletts test of sphericity Uji Bartlett,s ini merupakan uji statistik untuk signifikansi menyeluruh dari semua korelasi di dalam matriks korelasi. Dengan kata lain uji bartletts 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.

r2 ij
ij

KMO =

r2 ij + a2 ij
ij ij

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.

r2 ij
i=j

MSA =

r2 ij + a2 ij
I=j

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 variabelvariabel 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 indikator dengan 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:

X6 5.7 5.9 5.6 9.1 5.2 9.6 8.6 9.3 6 6.4 8.5 7 8.5 7.6 6.9 8.1 6.7 8 6.7 8.7 9 9.6 8.2 6.1 8.3 9.4 9.3 5.1 8 5.9 10 5.7 9.9 7.9 6.7 8.2 9.4 6.9 8 9.3 7.4 7.6 10 9.9 8.7 8.4 8.8 7.7 6.6 5.7 5.7 5.5 7.5 6.4 9.1 6.7 6.5 9.9 8.5 9.9 7.6 9.4 9.3 7.1

X7 4 4.1 3.4 4.5 3.8 5.7 3.6 2.4 4.1 3.6 3 3.3 3 3.6 3.4 2.5 3.7 3.3 4 3.2 3.4 4.1 3.6 4.9 3.4 3.8 5.1 5.1 2.5 4.1 4.3 3.8 3.7 3.9 3.6 2.7 2.5 3.4 3.3 3.8 5.1 3.6 4.3 2.8 3.2 3.8 3.9 2.2 3.6 3.8 4 3.7 3.5 3.6 4.5 3.2 4.3 3.7 3.9 3 3.6 3.8 3.5 3.4

X8 6.7 5.5 5.1 3.6 7.1 6.8 7.4 2.6 5.3 6.6 7.2 5.4 5.7 3 8.5 7.2 6.5 6.1 5.2 6.1 5.9 6.2 3.9 3 3.3 4.7 4.6 6.6 4.7 5.7 7.1 6.8 3.7 4.3 5.9 3.7 4.8 5.7 3.8 7.3 4.8 5.2 5.3 7.2 8.4 6.7 3.8 6.3 5.8 3.5 7.9 4.7 3.8 2.7 6.1 3 2.7 7.5 5.3 6.8 7.6 7 6.3 4.9

X9 6 7.2 6.4 6.4 5.2 5.9 5.1 7.2 4.7 6.1 5.8 5.5 6 4 4.3 4.5 5.3 5.7 3.9 4.3 4.6 7.3 6.2 4.8 5.5 5.4 6.8 6.9 7.1 5.9 6.3 7.5 6.1 5.8 4.2 7.4 6.1 4.4 5.8 5.7 7.7 5.8 3.7 6.9 6.1 5 5.1 4.5 4.1 6.7 6.4 5.4 3.5 5.3 5.9 3.7 6.6 4.7 5.5 5 4.6 6.2 7.6 4.1

X10 3.3 3.5 3.7 5.3 3.9 5.4 3.5 2.2 3.5 4 4.1 2.6 2.3 5.1 4.5 2.3 5.3 5.5 3 3.5 3.9 2.9 5.8 5.1 3.1 3.8 5.8 4.4 3.6 5.8 2.9 5.7 4.2 4.4 3.4 2.7 3.2 3.3 3.2 3.7 4.5 5.6 4.2 2.6 2.8 4.5 4.3 2.4 4.9 5.4 2.7 4.3 2.9 3.9 6.3 4.8 6.5 5.6 5 5.4 4.7 4.7 5.5 4

X11 5.5 6.4 5.7 5.3 4.3 8.3 7.3 7.2 5.3 3.9 7.6 4.8 7.6 4.2 6.4 5.1 5.1 4.6 5.4 6.1 6 7.7 4.9 3.9 4.6 6.5 6.6 5.4 7.7 6.4 5.4 5.7 7 6.9 4.7 7.9 7.3 6.4 4.6 6.4 7.2 6.6 5.4 5.8 7.8 4.7 4.7 4.7 4.7 5.7 5.5 5.3 4.1 3.9 5.3 6.3 6.3 7 4.9 5.9 4.6 6.5 7.5 5

X12 5.1 5.5 5.6 7.1 5 7.8 4.7 4.5 5.3 5.3 3.7 4.2 3.7 4.6 4.7 3.8 4.9 4.7 6.8 2.9 4.5 5.5 5 6.4 5.2 4.9 6.3 7.8 3 5.5 4.5 6 6.7 5.8 4.8 3.1 4.6 4.7 4.7 5.5 6.9 5.4 4.5 3.5 3.8 5.9 4.8 3.4 4.8 6 5.1 4.9 4.5 5.3 7.1 4.5 6 6.7 6 4.8 5 4.9 5.9 5.9

X13 6.2 8.4 9.1 8.4 8.4 4.5 3.7 6.2 8 7.1 4.8 9 4.8 7.7 5.2 6.6 9.2 8.7 8.4 5.6 6.8 7.7 9 8.2 9.1 8.5 7.4 5.9 5.2 8.4 3.8 8.2 6.8 4.7 7.2 5.3 6.3 5.2 8.7 7.4 9.6 4.4 3.8 5.4 4.9 6.7 5.8 6.2 7.2 8.2 6.2 6 7.6 7.1 8.4 5 8.7 6.8 6.8 4.9 7.4 8.5 4.6 7.8

X14 6.7 6.2 5.4 5.8 7.1 6.4 6.7 6.4 6.5 6.1 6.9 6.5 5.8 4.9 7.7 6.8 5.7 5.9 6.2 6.1 6.4 6.1 5.2 5.1 4.1 4.9 5.1 7.2 5.1 6.4 6.7 6.6 5.9 5.2 5.7 5.3 6.3 6.4 5.3 6.6 6.4 6.7 6.7 6.2 7.2 5.1 5 6 6.5 5.4 7.5 5.6 5.1 5.2 7.1 5.2 4.7 7.2 5.7 7.3 8.1 7.3 6.6 6.1

X15 5.4 6.3 6.1 6.7 4.6 6.5 6 4.2 3.9 3.7 6.7 5.9 6 7.2 3.3 6.1 4.2 3.8 6 6.5 4.3 4.4 7.1 6.8 1.7 6.2 4.1 5.2 3.9 5.1 3.7 4.8 7.2 3.6 5.3 5 9.2 4.4 4.2 5.9 7.4 6.4 4.5 7 4.5 4.2 7.2 4.7 3.9 5 6.4 2.5 5.2 5.5 5.7 2.5 6.3 4.6 3.6 7.6 6.6 2.4 3.1 3.5

X16 4.2 5.7 5 4.5 3.3 4.3 4.8 6.7 4.7 5.6 5.3 4.3 5.7 4.7 3.7 3 3.5 4.7 2.5 3.1 3.9 5.2 4.7 4.5 4.6 4.1 4.6 4.9 4.3 5.2 5 6.5 4.5 4.1 4 4.5 4.7 3.2 4.9 4.1 5.7 4.6 3.7 5.6 5.4 2.7 4.4 3.3 3.5 4.7 5 4.5 4 4.7 5.4 2.9 4.6 4.1 4.4 3.1 4.5 4.3 5.2 2.6

X17 6.2 5.8 6 6.1 4.9 3 3.4 4.4 5.3 6.6 3.8 5.2 3.8 5.5 2.7 3.5 4.5 6.6 4.3 2.9 3.5 4.6 6.9 4.9 5.8 4.5 4.6 6.3 4.2 5.8 4 7.3 3.4 4.2 3.6 4.3 4.6 2.7 6.6 3.2 6.5 3.9 4 4.9 3.9 5 3.7 3.1 3.6 7.3 6.2 5.9 5.4 6.6 6.1 2.6 5.6 3.4 5.1 4.3 5.8 4.5 4.1 3.1

X18 4.5 4.8 4.5 4.4 3.3 4.3 4 4.5 4 3.9 4.4 3.7 4.4 3.5 3.3 3 3.4 4.2 3.5 2.5 3.5 4.9 4.5 3.2 3.9 4.1 4.3 4.5 4.7 4.8 3.5 5.2 3.9 4.3 2.8 4.9 4.6 3.3 4.2 3.4 5.5 4 3.5 4 4.5 3.6 2.9 2.6 2.8 5.2 4.5 4.3 3.4 3.9 4.4 3.1 4.6 3.9 3.7 3.8 3.9 4.1 4.6 2.7

X6 9.9 8.7 8.6 6.4 7.7 7.5 5 7.7 9.1 5.5 9.1 7.1 9.2 9.3 9.3 8.6 7.4 8.7 7.8 7.9

X7 3 3.2 2.9 3.2 2.6 3.5 3.6 2.6 3.6 5.5 3.7 4.2 3.9 3.5 3.8 4.8 3.4 3.2 4.9 3

X8 7.4 6.4 5.8 6.7 6.7 4.1 1.3 8 5.5 7.7 7 4.1 4.6 5.4 4 5.6 2.6 3.3 5.8 4.4

X9 4.8 4.9 3.9 3.6 6.6 4.5 3 6.7 5.4 7 4.1 2.6 5.3 7.8 4.6 5.3 5 3.2 5.3 5.1

X10 4 2.4 2.9 2.2 1.9 3.5 3.5 3.5 4.2 5.6 4.4 2.1 4.2 4.6 4.7 2.3 4.1 3.1 5.2 5.9

X11 5.9 6.8 5.6 2.9 7.2 4.1 4.2 7.2 6.2 5.7 6.3 3.3 8.4 7.5 6.4 6 4.4 6.1 5.3 4.2

X12 4.8 4.6 4 5 4.3 4.5 4.9 4.3 4.6 8.2 5.4 4.5 4.8 5.9 5.5 5.7 4.8 2.9 7.1 4.8

X13 4.9 6.8 6.3 8.4 5.9 7.6 8.2 5.9 8.3 6.3 7.3 9.9 7.1 4.6 7.4 6.7 7.2 5.6 7.9 9.7

X14 5.9 6.3 6.1 7.3 6.5 4.9 4.3 6.9 6.5 7.4 7.5 5.5 6.2 6.4 5.3 5.8 4.5 5 6 5.7

X15 6.9 5.1 4 6.5 4.1 2.8 7.6 7.7 4.1 4.9 4.6 3.5 6.6 4.9 4.8 3.6 6.4 4.3 5.7 5.8

X16 3.2 4.3 2.7 2 4.7 3.4 2.4 5.1 4.6 5.5 4.4 2 4.4 4.8 3.6 4.9 4.2 3.1 4.3 3.4

X17 4.3 3.7 3 3.7 3.9 5.4 4.8 3.9 4.3 6.7 3 4 2.6 4.1 3.2 3.6 5.6 2.9 4.9 5.4

X18 3.8 4 3 1.6 4.3 3.4 3.1 4.3 3.9 4.9 3.3 2.4 4.2 4.6 3.4 3.6 3.7 2.5 3.9 3.5

Langkah langkah: 1. 2. 3. 4. Dari menu SPSS, klik Analyze > Dimention reduction > Faktor Masukkan semua variabel ke dalam kotak variabel Klik Descriptive, klik KMO Bartletts test of sphericity dan Anti image Klik Initial solution

Hasil Output:
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig. .609 948.983 78 .000

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 Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig. .653 619.273 55 .000

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. 2. 3. Dari menu SPSS, buka file analisis faktor Tekan tombol reset 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 Bartllets test of sphericity, Anti image, lalu tekan continue. 5. 6. 7. 8. Klik Extraction, klik Scree plot, klik continue Klik Rotatio, klik vertimax atau quartimax, lalu tekan continue Klik Scores, klik save as variabel, pilih regression, kemudian tekan continue Klik Ok.

Akan nampak hasil output sebagai berikut :

Communalities X6 - Product Quality X7 - E-Commerce Activities 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 Initial 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 Extraction .768 .777 .893 .881 .576 .787 .859 .641 .892 .766 .914

Extraction Method: Principal Component Analysis.

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.

Total Variance Explained Initial Eigenvalues % of Variance Cumulative % 31.154 31.154 23.190 54.344 15.373 69.717 9.878 79.595 5.540 85.135 5.017 90.152 3.650 93.802 2.245 96.047 1.850 97.898 1.208 99.105 .895 100.000 Extraction Sums of Squared Loadings Total % of Variance Cumulative % 3.427 31.154 31.154 2.551 23.190 54.344 1.691 15.373 69.717 1.087 9.878 79.595 Rotation Sums of Squared Loadings Total % of Variance Cumulative % 2.893 26.298 26.298 2.234 20.305 46.603 1.855 16.868 63.471 1.774 16.124 79.595

Component 1 2 3 4 5 6 7 8 9 10 11

Total 3.427 2.551 1.691 1.087 .609 .552 .402 .247 .204 .133 .098

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 variance 23,190. 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 masingmasing 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.

Gambar screeplot menjelaskan hubungan antara banyaknya faktor yang terbentuk dengan nilai eigenvalue dalam bentuk grafik.
a Rotated Component Matrix

X6 - Product Quality X7 - E-Commerce Activities 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 .002 .057 .018 .926 .139 .591 .133 -.085 .110 .864 .938

Component 2 3 -.013 -.033 .871 -.024 .116 .742 -.064 .900 .226 .055 .107 .177 .047 .939 .048 -.082 .146 .076 -.246 .931 .084 -.005

4 .876 -.117 .101 .091 .015 .642 -.159 -.723 .102 .039 .052

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 5 iterations.

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. 2. Faktor 1 terdiri dari variabel complaint resolution, order & billing, dan delivery speed. Faktor 2 terdiri dari variabel E-commerce activity, advertising, salesforce image, dan competitive pricing. 3. 4. Faktor 3 terdiri dari variabel technical support, warranty & claims. Faktor 4 terdiri dari variabel product quality dan product line.
Component Transformation Matrix Component 1 2 3 4 1 .857 .011 -.376 -.351 2 .322 .758 .321 .467 3 .271 -.312 .867 -.277 4 .296 -.573 -.055 .763

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

Tabel component transformation matrix, menunjukkan hasil rotasi varimax. Variabelvariabel 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.