Asumsi Klasik Uji Autokorelasi Pada Regresi Berganda

Uji autokorleasi (autocorrelation) ini bertujuan untuk menguji model  regresi Ordinary Least Square (OLS) terdapat korelasi (hubungan) antara kesalahan pengganggu pada periode t dengan kesalahan penganggu pada periode sebelumya (t-1). Autokorelasi lebih mudah terjadi pada data bersifat runtut waktu. Sedangkan data cross section sangat jarang terjadi autokorelasi. Autokorelasi yang terjadi dapat bersifat autokorelasi positif maupun negative. Autokorelasi positif terjadi karena variabel yang dianalisis memiliki kecenderungan meningkat. Demikian juga apabila memiliki kecenderungan menurun akan terjadi autokorelasi negatif.

 

Uji Autokorelasi dinyatakan :

Autokorelasi

Beberapa penyebab terjadi autokorelasi :

1. Data mengandung pergerakan naik dan menurun secara musiman. Seperti data Indeks Harga Saham Gabungan (IHSG) dan Gross Domestic Product (GDP).
2. Data tidak bersifat stasioner.
3. Data bersifat runtut waktu karena ada hubungan antara data periode sekarang dengan data periode sebelumnya.

Jika data yang dianalisis mengandung autokorelasi maka model estimasi yang terjadi sebagai berikut :

1. Estimasi model masih linier
2. Estimasi model masih tetap tidak bias
3. Estimasi  model tidak memiliki varian yang minimum (no longer best)

Sehingga model estimasi hanya bersifat Linear Unbiased Estimates (LUE) belum bersifat BLUE.

Ada beberapa cara pengujian untuk mendeteksi adanya autokorelasi :

1.   Uji Durbin Watson (DW test).   Uji ini hanya dapat digunakan untuk autokorelasi tingkat 1 (first order autocorrelation) dan mensyaratkan adanya intercept (konstanta) dalam model regresi serta tidak ada variabel lag diantara variabel  independen.

2.   Uji Lagrange Multiplier (LM). Uji ini lebih layak digunakan untuk sampel lebih dari 100 dan derajat autokorelasi lebih dari 1. Dibandingkan dengan DW test yang hanya digunakan untuk sampel kecil. Uji LM test menghasilkan statistik Breusch-Godfrey (BG Test) sehingga biasa dinamakan uji Breusch-Godfrey. Prosedur pengujian dengan meregres variabel pengganggu (residual) Ut menggunakan autoregressive.

 

Baca juga : 

 

1. Uji Multikolinieritas pada Model Regresi Berganda

2. Uji Park untuk Uji Asumsi Klasik

3. Asumsi Klasik Autokorelasi

4. Uji Asumsi Klasik Heterokedastistas

Referensi :

Ghozali,I. (2013). Aplikasi Analisis Multivariate dengan Program SPSS 21. Universitas Diponegoro. Semarang

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan  Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A. (2008). Using Eviews for Principles of Econometrics 3rd.London New York: John Wiley &  Sons

Gujarati, D. (2011). Econometrics by Example.New York: Palgrave MacMillan

Hill, R.C., Griffiths, W.E and Judge, G.G. (2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley &  Sons

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.LOndon New York: Pearson Eduacation

Winarno. W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews. STIM YKPN. Yogyakarta.

Uji Normal Pada Model Structural Equation Modeling

Dalam model Structural Equation Modeling (SEM) yang menggunakan Maximum Likelihod Estimation (MLE) mengasumsikan bahwa data  berdistribusi normal baik normal univariate dan  juga multivariate.
To assess normality it si often helpful to examine both univariate and multivariate normality indexes. Univariate distributions can be examined for outliers and skewness and kurtosis. Multivariate distributions are examined for normality and multivariate outlier (Ulmann, 2006).

 

 
Uji normalitas ini dapat dilihat pada nilai nilai Critical Ratio (CR) dari skewness dan kurtosisnya. Jika nilai CR antara rentang - 2.58 sampai dengan 2.58 (2.58) pada tingkat singnifikansi 1% (0.01), dapat disimpulkan bahwa bahwa data berdistribusi normal baik univariate maupun multivariat. Hasil uji normalitas dengan AMOS dapat dilihat di bawah ini.

 

Uji Normal Pada Output AMOS

 

Pada hasil output di atas, nilai critical ratio (CR) skewness dan kurtosis dari variabel (indikator) X1,X2, X3, X4, X5, X6, X12, X13 dan X14 menunjukkan hasil tidak ada variabel (indikator) dengan nilai CR kurang (-) 2.58 dan lebih (+) 2.58. Nilai CR dari skewness terkecil pada indikator X3 yaitu -2.331 dan tertinggi pada X2 sebesar -0.149. Demikian juga nilai CR dari kurtosis tertinggi pada indikator X6 sebesar 1.276 dan terendah X4 (-1.365). Karena nilai CR terletak diantara -2.58 dan 2.58 membuktikan bahwa variabel tersebut normal univariate. Sedangkan nilia kurtosis multivariate yang diperoleh sebesar 4.747 dengan nilai CR 2.386. Sehingga dapat disimpulkan bahwa data berdistribusi normal multivariate.

Untuk model dengan Lisrel dapat dilihat pada tabel uji normal di bawah ini.

Uji Normal Pada Output Lisrel

Pada output normalitas dengan Lisrel pengujian dilakukan dengan mengubah nilai menjadi Z standar sehingga diperoleh nilai Z score dan P-value pada skewness dan kurtosisnya. Kriteria data berdistribusi normal jika p-value dari chi-square yang didapat lebih besar dari 0.05 maka data berdistribusi normal. Terlihat bahwa nilai p-value chi-square semua variabel X1, X2, X3, X4, X5, X6, X12, X13 dan X14 memiliki nilai p-value lebih besar dari  0.05 maka dapat disimpulkan bahwa data berdistribusi normal univariate.

Sedangkan uji normal multivariate dapat dilihat pada nilai p-value dari chi-square skewness dan kurtosis. nilai Chi-square yang dihasilkan sebesar 49.058 dan p-value 0.000. Nilai ini memberikan bukti bahwa data tidak berdistribusi normal multivariate karena nilai p-value 0.000 lebih kecil dari 0.05

Baca juga :

1. Evaluasi Asumsi pada Model SEM

2. Model Moderator pada SEM

3. Konseptualisasi dan Transformsi Model SEM

 

Referensi :

Byrne, B.M.(1998).Structural Equation Modeling With Lisrel, Prelis and Simplis: Basic Concepts, Applications and Programing. New Jersey: Lawrence Erlabaum Associates,Inc

Raykov,T and Marcoulides, G.A.(2006).A First Course in Structural Equation Modeling 2nd. New Jersey London: Lawrence Erlbaum Associates

Ulmann,J.B.(2006).Structural Equation Modeling: Reviewing the Basics and Moving Forward.Journal of Personality Assesment, 87 (1), 35 -50.

Vieira,A,L.(2011).Interactive LISREL in Practice Getting Started with a Simplis Approach.  London New York: Springer Science

Uji Chi-Square Pada Model Structural Equation Modeling (SEM)

χ2 adalah uji statistik perbedaan antara observasi dan estimasi model yang dihasilkan. Perbedaan yang dimaksud antara matriks kovarians sampel dan matriks kovarians populasi. Nilai Chi-square yang kecil dan tidak signifikan adalah nilai yang diharapkan supaya hipotesis nol (H0) diterima. Sehingga antara matrik kovarian sampel (observasi) dan kovarians populasi (estimasi model) tidak signifikan berbeda. Pengujian ini dimaskudkan untuk melihat overall fit dari model.

 

 

Untuk menguji overall fit antara matrik kovarians Sampel dan matrik kovarians populasi mengunakan likelihood ratio chi-square statistics. Nilai chi-square yang rendah menghasilkan nilai signfikansi lebih besar dari 0.05 sehingga mengindikasikan bahwa tidak ada perbedaan antara matrik kovarian sampel dan matrik kovarian populasi. Contoh output hasil uji model Kinerja Pelayanan seperti di bawah ini.

Nilai Chi-Square dan Signifikansi

 

Nilai degree of freedom (df) sebesar 126 berasal dari selisih number of distinct sample moments 171 dengan number of distinct parameters to be estimated 45. Nilai chi-square hitung yang diperoleh 151.305 dan probability level 0.062. Nilai Chi-Square tersebut sudah rendah karena lebih kecil dari chi-square tabel 153.2, dengan df 126 pada taraf signifkansi 5%. Demikian juga nilai signifikansi yang dapat dilihat pada Probability level sebesar 0.062. Dengan hasil ini menunjukkan bahwa antara matrik kovarians sampel dan matrik kovarians populasi tidak ada perbedaan yang signifikan.

Nilai Chi-square tabel pada df 126

CMIN/DF

 

Nilai χ2 dapat dibandingkan dengan degrees of freedom (df) untuk mendapatkan nilai χ2-relatif sehingga  nilai χ2-relatif yang tinggi menujukkan adanya perbedaan yang signifikan antara matriks kovarians yang diobservasi dan yang diestimasi. Nilai ini diperoleh dengan cara CMIN (The minimum sample discrepancy function) dibagi dengan degree of freedom (df) . Dalam hal ini CMIN/DF tidak lain adalah statistik chi-square (χ2) dibagi DFnya sehingga disebut χ2-relatif. χ2-relatif kurang dari 2.0 adalah indikasi dari acceptable fit antara model dan data.

Dengan contoh hasil di atas, nilai CMIN/DF dapat dihitung : 151,305/126 = 1,20 nilai ini kurang dari 2.0 maka CMIN/DF terpenuhi.

Nilai FMIN

 

Nilai Ch-Square dapat dihitung dari rumus (N-1)FMIN,dimana N adalah banyaknya jumlah sampel (200). Sehingga nilai Chi-square, (200-1) x 0.760 = 151.24. Perhitungan nilai ini terdapat selisih, lebih rendah dari output Chi-square 151,305.

Baca juga :

1. Tutorial Regresi Berganda dengan AMOS

2. Tutorial Regresi Berganda Dengan Lisrel

3.  Penilaian Estimasi Model SEM

Referensi :

Byrne,B.M. (2010). Structural Equation Modeling with AMOS: Basic Concepts, Applications, and Programming 2nd. New York: Rouledge Taylor & Francis 

Ferdinand, A. (2014). Structural Equation Modeling Dalam Penelitian Manajemen. Semarang : Badan Penerbit Universitas Diponegoro.

Ghozali, I. (2011). Model Persamaan Struktural Konsep dan Aplikasi Dengan Program AMOS 19. Semarang : Badan Penerbit Universitas Diponegoro.

Kline,R.B. (2011). Principles and Practice of Structural Equation Modeling 3rd. New York London: Guilford Press

Loehlin,J.C. (2004). Latent Variable Modeling 4th: an Introduction to factor,path, and structural equation analyisis. New Jersey London: Lawrence Erlbaum Association

Maruyama,G.M. (1997). Basics of Structural Equation Modeling. London New York: Sage Publication

Mulaik,S. (2009). Linear Causal Modeling with Structural Equations. London New York: CRC Press

Muller,R.O. (1996). Basic Principles of Structural Equation Modeling : An Introduction of Lisrel and EQS. New York: Springer

Raykov,T and Marcoulides,G.A. (2006). A First Course in Structural Equation Modeling 2nd. New Jersey London: Lawrence Erlbaum Associates

Schumacker,R.E And Lomax, R.J. (2010). A Beginner's Guide Structural Equation Modeling 3rd. New Jersey London:Lawrence Erlbaum Associates

CARA UJI REGRESI ORDINAL DENGAN SPSS

Contoh kasus : Seorang dosen ingin mengetahui hubungan antara gender dan minat belajar di sebuah universitasnya. Variabel independen terdiri dari gender dan nilai prestasi sedangkan variabel dependen (Y) adalah minat belajar yang diukur dalam 3 tingkatan yaitu rendah, sedang dan tinggi.

 

Langkah-langkah analisis regresi ordinal dengan SPSS :

1. Analyze >> Regression >> Ordinal

2. Masukan variabel Minat belajar ke kotak Dependent, Gender ke kotak Factor(s) dan Nilai prestasi ke Covariate.

Menu Regresi Ordinal

3. Pilih Option. Kita pilih Link logit. Klik Continue.

Ordinal Regression  Option

 4. Pilih Output dan tik kotak Predicted category, Estimated response probabilities dan Test of parallel lines. Klik Continue. 

Ordinal Regression Output

5. Klik OK

Hasil Output seperti di bawah ini.

Model Fitting Information

 Pada Model Fitting Information -2log Likelihood menerangkan bahwa tanpa memasukkan variabel independen (intercept only) nilainya 522.977. Namun dengan memasukkan variabel independen ke model (final) terjadi penurunan nilai menjadi 505.167. Perubahan nilai ini merupakan nilai chi-square yaitu 17,808 dan signifikan pada taraf nyata 5% (sig.0.00).

Goodness of fit

Tabel Goodness of Fit menunjukkan uji kesesuaian model dengan data. Nilai Pearson sebesar 317,892 dengan signifikansi 0,991 (> 0,05) dan Deviance sebesar 350,797 dengan signikansi 0,856 (> 0,05). Hal ini berarti model sesuai dengan data empiris atau model layak digunakan.

Pseudo R-Square

Tabel Pseudo R-Square menunjukkan bahwa seberapa besar variabel bebas (gender dan nilai prestasi) mampu menjelaskan variabel independen (minat belajar). Nilai ini seperti halnya koefesien determinasi pada regresi. Nilai Cox and Snell sebesar 0,044 (4,4%) dan Nagelkerke sebesar 0,052 (5,2%).

 

Parameter Estimates

Tabel Parameter Estimate di atas, perhatikan nilai Wald dan nilai signifikansinya. Variabel nilai prestasi sebesar 6.177 dengan sig. 0,013 (< 0,05) dan variabel gender sebesar 9,163 dengan sig.0,02 (< 0,05). Hal ini menunjukkan faktor nilai prestasi dan gender berpengaruh terhadap minat belajar.

Test of Parallel Lines

Tabel Test of Parallel Lines digunakan untuk menguji asumsi bahwa setiap kategori memiliki parameter yang sama atau hubungan antara variabel independen dengan logit adalah sama untuk semua persamaan logit. Oleh karena nilai signifikansi 0,648 (> 0,05), maka terima H0 bahwa model yang dihasilkan memiliki parameter yang sama sehingga pemilihan link function adalah sesuai. Namun sebaliknya bila asumsi ini tidak terpenuhi, maka pemilihan link function logit tidak tepat.

Baca juga :

1. Regresi Ordinal

2. Regresi Berganda

3. Regresi Logistik

Referensi :

Agresti,A. (2010). Analysis Of Ordinal Categorical Data 2nd. New Jersey: A John Wiley & Sons.Inc Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications. 

Ghozali .I. (2013). Aplikasi Analisis Multivariate dengan Program IBM SPSS 21 Update PLS Regresi. Semarang : Badan Penerbit Universitas Diponegoro 

Hair,J.F,.Black,W.C.,Babin,B.J.,and Anderson,R.E.(2009).Multivariate Data Analysis 7th Edition.Prentice Hall.

O'Conell,A.A. (2006).Logistic Regression Models for Ordinal Response Variables.London: Sage Publications. 

Yamin,S dan Kurniawan,H. (2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Sofware SPSS.Jakarta : Salemba Infotek

Uji mediasi dengan Sobel Test

Sobel test merupakan uji untuk mengetahui apakah hubungan yang melalui sebuah variabel mediasi  secara signifikan mampu sebagai mediator dalam hubungan tersebut. Sebagai contoh  pengaruh A terhadap B melalui M. Dalam hal ini variabel M merupakan mediator hubungan dari A ke B. Untuk menguji seberapa besar peran variabel M memediasi pengaruh A terhadap B digunakan uji Sobel test. Dimana Sobel test mengunakan uji z dengan rumus sebagai berikut :

 

 

Rumus Sobel test

Kali ini diberikan contoh dari hasil uji model regresi dengan SPSS, menggunakan 3 variabel yaitu Insentif sebagai variabel independen, Movitasi sebagai Mediator dan Kinerja sebagai variabel Dependennya. Langkah regresi dilakukan sebanyak 2 kali, regresi pertama dilakukan antara Insentif terhadap Motivasi kemudian yang kedua regresikan antara Motivasi dan Intensif terhadap Kinerja. Hasil regresi sebagai berikut :

Tabel. Koefisien Regresi Insentif terhadap  Motivasi

 

Tabel. Koefisien Regresi Motivasi dan Insentif terhadap Kinerja

 

Dari tabel hasil regresi menunjukkan bahwa nilai koefisien regresi Insentif terhadap Motivasi sebesar 0.296 dengan standar eror 0.056 dan nilai signifikansi 0.010 kemudian untuk Motivasi mendapatkan nilai koefisien 0.369 dengan standar eror 0.068 dan nilai signifikansi 0.000. Sehingga Insentif signifikan berpengaruh langsung terhadap Motivasi demikian juga Motivasi signifikan berpengaruh langsung terhadap Kinerja. Jika digambarkan akan terbentuk model :

Model Mediator

Model di atas merupakan model yang terbentuk dari hasil regresi pertama dan kedua sehingga membentuk model analisis jalur (path analysis) dengan variabel Motivasi sebagai mediatornya. Nilai z dari Sobel test tidak dapat dihasilkan langsung dari hasil regresi tetapi dengan perhitungan secara manual dengan rumus sobel tes. Hasil perhitungan nilai z dari sobel test adalah :

Perhitungan Sobel test

Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar 3.786, karena nilai z yang diperoleh sebesar 3.786 > 1.96 dengan tingkat signifikansi 5% maka membuktikan bahwa Motivasi mampu memediasi hubungan pengaruh Insentif terhadap Kinerja.

Untuk lebih mudahnya menghitung nilai z dari sobel test dapat memanfaatkan online kalkulator di :

www.danielsoper.com

caranya : masukkan nilai koefisien regresi Insentif terhadap Motivasi = 0.296 di kolom A, nilai koefisien regresi Motivasi terhadap Kinerja = 0.369 pada kolom B. Nilai standar error pengaruh Insentif ke Motivasi pada kolom SEA = 0.056 dan nilai standar eror pengaruh Motivasi ke Kinerja pada kolom SEB = 0.068. Kemudian Klik Calculate. Seperti terlihat pada gambar di bawah ini.

Hasil nilai z dari Sobel test online calculator

Hasil perhitungan online calculator dari www.danielsoper.com sebesar 3.78634853 tidak jauh berbeda dengan perhitungan manual sebesar 3.786. Nilai probabilitas one tailed sebesar 0.00007644 dan two tailed 0.00015288.

Baca juga :

1. Analisis Jalur

2. Peranan Mediator dalam PLS

3. Tutorial variabel Mediator

Referensi :

Hayes. A.F. (2018). Introduction to Mediation, Moderation, and Conditional Process Analysis : A Regression Based Approach”. 2nd. New York : The Guilford Press.

Imam Ghozali. (2013). Aplikasi Analisis Multivariate Dengan Program IBM SPSS 21 Update PLS Regresi. Semarang : Badan Penerbit Universitas Diponegoro. 

Jose.P.E. (2013). Doing Statistical Mediation and Moderation. New York : The Guilford Press

MacKinnon,D.P.(2008).Introduction to Statistical Mediation Analysis.New York London: Lawrence Erlbaum Association

Langkah Analisis Faktor Dengan SPSS

 

 

Dalam analisis faktor ini kita menggunakan contoh kasus peningkatan pelayanan sebuah swalayan. Seorang manajer swalayan ingin mengetahui variabel-variabel apa yang dominan dipersepsikan oleh konsumen. Variabel-variabel tersebut kemudian dibuat kuesioner dan disebarkan pada pengunjung swalayan sebanyak 100 orang sebagai sampel. Variabel pertanyaan tersebut meliputi : kenyamanan, lokasi toko, kualitas produk, harga produk, tempat parkir, kebersihan, pelayanan kasir, keberagaman produk dan fasilitas, keindahan interior ruangan. Data dapat didownload SINI

Langkah Analisis Faktor

Langkah-langkah Analisis Faktor dengan SPSS :

1. Dari menu SPSS Klik Analyze >> Dimension Reduction >> Factor
2. Masukkan Semua variabel kuesioner ke dalam kotak variable (s)
3. Klik Descriptive, Klik KMO Bartletts test of Sphericity dan anti Image
4. Klik Initial Solution

Hasil Output sebagai berikut :

Tabel KMO and Bartlet's Test

Pada tabel KMO dan bartlett's test di atas terlihat angka KMO Measure of sampling Adequacy (MSA) adalah 0.568. Karena nilai 0.568 ('> 0.5). Hal ini menunjukkan kecukupan dari sampel. Angka KMO dan Bartlet's test (yang tanpak pada nilai chi-square) sebesar 574,473 dengan nilai signifikansi 0.000. hal ini menunjukkan bahwa adanya korelasi antar variabel dan layak untuk proses lebih lanjut.

Selanjutnya untuk mengetahui variabel mana yang dapat diproses lebih lanjut dan mana yang dikeluarkan dapat dilihat pada tabel Anti-image matrices di bawah ini.

Tabel Anti -image Matrices

Pada tabel Anti-image Matrice di atas, khusus pada bagian (anti Image Correlation) terlihat angka yang bertanda (a) yang menandakan besaran MSA sebuah variabel. Variabel kenyamanan 0.736, lokasi toko 0.659, Kualitas produk 0.569), harga produk 0.569, tempat parkir 0.520, kebersihan 0.652, pelayanan kasir 0.564, keberagaman produk 0.581, fasilitas 0.811 dan keindahan interior 0.517. Nilai MSA masing-masing variabel besarnya > 0.5 maka semua variabel dapat diproses lebih lanjut.

NB. Jika ada variabel yang nilai MSA < 0.5 maka dilakukan proses ulang dari awal dengan mengeluarkan variabel tersebut yang nilai MSA < 0.5.

Langkah analisis selanjutnya : 

1. Dari menu SPSS, buka kembali analisis factor
2. Tekan tombol reset
3. Masukan semua variabel ke dalam kolom variables(s) karena semua variabel lolos uji pertama.
4. Klik tombol Descriptive, Klik Initial solution, KMO and Bartlett's test of Sphericity, anti Image dan Klik Continue.
5. Klik Extraction, Klik screee plot, Klik continue
6. Klik Scores, Kkik save as variable Pilih regression.
7. Klik Continue dan klik OK.

Tabel. Communalities

Tabel Communalities, variabel kenyamanan besarnya 0,551. Hal ini berarti sekitar 55,1% varians dari variabel kenyamanan dapat dijelaskan oleh faktor yang terbentuk. Variabel lokasi toko 0,483 hal ini berarti 48,3% varian dari variabel lokasi toko dapat dijelaskan oleh faktor yang terbentuk. Demikian juga untuk variabel yang lain. Semakin kecil nilai communalities berarti semakin lemah hubungannya dengan faktor yang terbentuk.

Tabel. Total Variance Explained

 Pada tabel Total Variance Explained di atas menunjukkan ada 4 faktor yang terbentuk dari 10 variabel yang di masukkan. Masing-masing faktor eigenvalue > 1. Faktor 1 eigen value sebesar 2,938 dengan variance (29,382%), Faktor 2 eigenvalue sebesar 2,024 dengan variance (20,237%), Faktor 3 eigenvalue sebesar 1,193 dengan (11,933%) dan Faktor 4 eigenvalue sebesar 1,142 dengan variance (11,422%).

Nilai eigenvalue menggambarkan kepentingan relatif masing-masing faktor dalam menghitung varians dari 10 variabel yang di analisis. Bila semua variabel dijumlahkan bernilai 10 (sama dengan banyaknya variabel).

2,938/10 x 100% = 29,38%

2,024/10 x 100% = 20,24%

1,193/10 x 100% = 11,93%

1,142/10 x 100% = 11,42%

Total varians apabila dari 10 variabel diekstrak menjadi 4 faktor adalah :

29,382 % + 20,237% + 11,933 % + 11,422% = 72,974%

Besarnya varians yang mampu dijelaskan oleh faktor baru yang terbentuk adalah 72,974% sedangkan sisanya 27,026% dijelaskan oleh faktor lain yang tidak diteliti.

Grafik Scree Plot

Gambar Screeplot menerangkan hubungan antara banyaknya faktor yang terbentuk dengan nilai eigenvalue dalam bentuk grafik.

Tabel. Rotated Component Matrix

Rotated Component matrix nilai loading faktor dari tiap-tiap variabel. Loading faktor merupakan besarnya korelasi antara faktor yang terbentuk dengan variabel tersebut. Untuk variabel kenyamanan, korelasi antara variabel kenyamanan dengan faktor 1 (0,173), faktor 2 (0,156), faktor 3 (-0,134), faktor 4 (0,692). Hal ini dapat dikatakan bahwa variabel kenyamanan masuk ke dalam Faktor 4, karena korelasinya paling tinggi diantara faktor yang lain. Demikian juga faktor loading untuk variabel yang lain.

Variabel lokasi toko nilai loading faktor dengan faktor 1 (0,265), faktor 2 (0,266), faktor 3 (0,170), faktor 4 (0,560). Maka variabel lokasi toko masuk ke Faktor 4.

Variabel kualitas produk nilai loading faktor dengan faktor 1 (0,161), faktor 2 (0,942), faktor 3 (-0,940), faktor 4 (0,40). Maka variabel kualitas produk masuk Faktor 2.

Variabel harga produk nilai loading faktor dengan faktor 1 (0,952), faktor 2 (0,163), faktor 3 (0,021), faktor 4 (0,081). Maka variabel harga produk masuk Faktor 1.

Variabel tempat parkir nilai loading faktor dengan faktor 1 (-0,088), faktor 2 (-0,110), faktor 3 (0,936), faktor 4 (0,081). Maka variabel tempat parkir masuk ke Faktor 3.

Variabel kebersihan nilai loading faktor dengan faktor 1 (0,233), faktor 2 (0,055), faktor 3 (0,413), faktor 4 (-0,110). Maka variabel kebersihan masuk Faktor 3.

Variabel pelayanan kasir nilai loading faktor dengan faktor 1 (0,166), faktor 2 (0,953), faktor 3 (-0,41), faktor 4 (-0,078). Maka variabel pelayanan kasir masuk ke Faktor 2.

Variabel keberagaman produk nlai loading faktor dengan faktor 1 (0,948), faktor 2 (0,176), faktor 3 (0,035), faktor 4 (0,036). Maka variabel keberagaman produk masuk Faktor 1.

Variabel fasilitas faktor nlai loading dengan faktor 1 (0,210), faktor 2 (0,206), dengan faktor 3 (-0,023) dan faktor 4 (0,643). Maka variabel fasilitas masuk ke Faktor 1.

Variabel keindahan interior nilai loading faktor dengan faktor 1 (0,948), faktor 2 (0,176), faktor 3 (0,035), faktor 4 (0,078). Maka variabel keindahan interior masuk Faktor 1.

Tabel. Component Transformation Matrix

Tabel Component Transformation matrix, menunjukan hasil rotasi varimax. Variabel-variabel sudah terditribusikan ke masing-masing faktor yaitu 4 faktor yang terbentuk.

Setelah dilakukan rotasi dan terbentuk 4 faktor, selanjutnya memberi nama faktor tersebut. Penamaan faktor ini tergantung peneliti dan dapat mewakili variabel-variabelnya.

1. Faktor 1 terdiri dari variabel harga produk, keberagaman produk dan fasilitas. Diberinama Faktor Produk dan Fasilitas.
2. Faktor 2 terdiri dari variabel kualitas produk dan pelayanan kasir. Diberinama Faktor Kualitas dan Pelayanan.
3. Faktor 3 terdiri dari variabel kebersihan dan keindahan interior. Diberinama Faktor Kebersihan.
4. Faktor 4 terdiri dari variabel kenyamanan dan variabel lokasi toko. Diberinama Faktor Akses.

Baca juga :

1. Analisis Faktor

2. Analisis Cluster

3. Analisis Conjoint

Catatan.

Analisis faktor dapat juga digunakan sebagai salah satu analisis untuk menanggulangi masalah multikolinieritas dalam regresi berganda, yaitu dengan mereduksi variabel-variabel independen yang mengalami problem multikolineritas.

 

Referensi :

Field, A. (2009). Discovering Statistics Using SPSS 3rd. London : Sage Publications.

Gudono.(2012).Analisis Data Multivariat.Yogyakarta: BPFE.

Tabanick,B.G and Fidel,L.S.(2007).Using Multivariate Statistics 5th.New York: Pearson Education

Yamin, S dan Kurniawan, H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Sofware SPSS. Jakarta : Salemba Infotek.