BAB 2 LANDASAN TEORI

BAB 2

LANDASAN TEORI

2.1 Analisis Faktor Analisis faktor merupakan salah satu metode statistik multivariat yang mencoba menerangkan hubungan antara sejumlah variabel-variabel yang saling independen antara satu dengan yang lain sehingga bisa dibuat satu atau lebih kumpulan peubah yang lebih sedikit dari jumlah variabel awal. Analisis faktor digunakan untuk mereduksi data dan menginterpretasikannya sebagai suatu variabel baru yang berupa variabel bentukan. Analisis faktor juga digunakan untuk mengetahui faktor-faktor dominan dalam menjelaskan suatu masalah. Di dalam analisis varian, regresi berganda dan diskriminan, satu variabel disebut sebagai variabel tak bebas (dependent variable) atau kriterion dan variabel lainnya sebagai variabel bebas atau prediktor. Di dalam analisis faktor disebut teknik interdependensi (interdependence technique) di mana seluruh set hubungan yang independen diteliti (Supranto, 2010). Di dalam analisis faktor, variabel tidak dikelompokkan menjadi variabel bebas dan tidak bebas, sebaliknnya penggantinya seluruh set hubungan interdependen antar variabel diteliti. Analisis faktor dapat pula dipandang sebagai perluasan dari analisis komponen utama. Keduanya merupakan teknik analisis yang menjelaskan struktur hubungan diantara banyak variabel dalam sistem konkret. Tujuan dari analisis faktor adalah untuk menggambarkan hubungan – hubungan kovarian antara beberapa variabel yang mendasari tetapi tidak teramati, kuantitas random yang disebut faktor (Johnson and Wichern, 2007).

Menurut Kachigan (1986), aplikasi penggunaan analisis faktor bertujuan untuk : a. Identifikasi Faktor yang Mendasari Salah satu penggunaan yang paling penting dari analisis faktor adalah untuk mengidentifikasi faktor yang mendasari dari sekumpulan besar variabel. Dengan mengelompokkan sejumlah besar variabel ke dalam jumlah yang lebih kecil dari kumpulan yang homogen dan membuat variabel baru yang disebut faktor yang mewakili sekumpulan variabel tersebut dalam bentuk yang lebih sederhana, maka akan lebih mudah untuk diinterpretasikan. b. Penyaringan Variabel (Screening of variables) Penggunaan penting dari analisis faktor selanjutnya adalah penyaringan variabel untuk disertakan dalam penelitian statistik selanjutnya, seperti analisis regresi atau analisis diskriminan. c. Meringkas Data (Summary of Data) Penerapan analisis faktor selanjutnya adalah untuk mengekstrak sedikit atau banyak faktor sesuai yang diinginkan dari satu set variabel. d. Memilih Variabel (Sampling of Variables) Penggunaan teknik analisis faktor selanjutnya adalah untuk memilih sekelompok kecil perwakilan variabel yang representatif, walaupun sebagian besar variabel berkorelasi, hal ini bertujuan untuk memecah berbagai masalah praktis. e. Pengelompokkan Objek (Clustering of Objects) Selain mengidentifikasi kesamaan antara variabel, analisis faktor dapat digunakan untuk mengelompokkan objek.. Dalam prosedur ini, sering disebut analisis faktor sebagai inverse, sebuah sampel individu diukur pada sejumlah variabel acak, dan dikelompokkan ke dalam kelompok yang homogen berdasarkan antar-korelasinya.

2.1.1 Model Analisis Faktor Secara matematis, analisis faktor agak mirip dengan regresi linear berganda, yaitu bahwa setiap variabel dinyatakan sebagai suatu kombinasi linear dari faktor yang mendasari (underlying factors). Jumlah (amount) varian yang disumbangkan oleh

suatu variabel dengan variabel lainnya yang tercakup dalam analisis disebut communality. Kovariasi antara variabel yang diuraikan, dinyatakan dalam suatu common factors yang sedikit jumlahnya ditambah dengan faktor yang unik untuk setiap variabel. Faktor-faktor ini tidak secara jelas terlihat (not overly observed). Kalau variabel-variabel dibakukan (standardized), model analisis faktor dapat ditulis sebagai berikut : Model analisis faktor adalah sebagai berikut :

X 1 − µ1 =  11 F1 +  12 F2 + .... +  1m Fm + ε 1 (2.1)

X p − µ p =  p1 F1 +  p 2 F2 + .... +  pm Fm + ε p

Atau dapat ditulis dalam notasi matrik sebagai berikut : X pxl = μ ( pxl ) + L( pxm ) F( mxl ) + ε pxl

 X1   µ1    11       X 2   µ 2    21  X 3  =  µ 3  +   31      ...  ...   ...  X   µ    p1  p  p 

 12  22  32

 13  23  33

... ... ...

...  p2

...  p3

... ...

(p x 1) (p x 1)

(p x m)

 1m  F1  ε 1     2 m  F2  ε 2     3m  F3  + ε 3      ...  ...  ...   pm  Fm  ε p 

(2.2)

(2.3)

(m x1) (p x 1)

dengan

µ i = rata-rata variabel i

ε i = faktor spesifik ke – i F j = common faktor ke- j  i j = loading dari variabel ke – i pada faktor ke-j

m = banyak faktor

Faktor yang unik tidak berkorelasi dengan sesama faktor yang unik dan juga tidak berkorelasi dengan common factor. Common factor sendiri bisa dinyatakan sebagai kombinasi linear dari variabel-variabel yang terlihat/terobservasi (the observed variables) hasil penelitian lapangan.

𝐹𝐹𝑖𝑖 = 𝑊𝑊𝑖𝑖1 𝑋𝑋1 + 𝑊𝑊𝑖𝑖2 𝑋𝑋2 + 𝑊𝑊𝑖𝑖3 𝑋𝑋3 + ⋯ + 𝑊𝑊𝑖𝑖𝑖𝑖 𝑋𝑋𝑘𝑘 ,

(2.4)

i = 1, 2, 3, ..., p dan k = 1, 2, 3,..., p dengan: 𝐹𝐹𝑖𝑖

= Perkiraan faktor ke-i (didasarkan pada nilai variabel X dengan

𝑊𝑊𝑖𝑖

= bobot atau koefisien nilai faktor ke-i

k

koefisiennya Wi

= banyaknya variabel

Dimungkinkan untuk memilih timbangan (weight) atau koefisien nilai faktor (factor score coefficient) sehingga faktor yang pertama menjelaskan sebagian besar porsi seluruh varian atau menyerap sebagian besar varian seluruh variabel. Kemudian set timbangan kedua dapat dipilih, sehingga faktor yang kedua menyerap sebagian besar sisa varian, setelah diambil faktor pertama, dengan syarat bahwa faktor yang kedua tidak berkorelasi (orthogonal) dengan faktor pertama. Prinsip yang sama dapat dipergunakan untuk memilih faktor selanjutnya, sebagai

faktor

tambahan,

yaitu

faktor

ketiga.

Jadi,

faktor

bisa

diperkirakan/diestimasi sehingga nilai faktor yang satu tidak berkorelasi dengan faktor lainnya. Faktor yang diperoleh merupakan variabel baru yang tidak berkorelasi antara satu faktor dengan faktor lainnya, artinya tidak terjadi multi collinearity. Banyaknya faktor lebih sedikit dari banyaknya variabel asli yang dianalisis faktor, sebab analisis faktor memang mereduksi jumlah variabel yang banyak menjadi variabel baru yang jumlahnya lebih sedikit. Bagian dari varian variabel ke–i dari m common faktor disebut komunalitas ke – i yang merupakan jumlah kuadrat dari loading variabel ke – i pada m common faktor (Johnson &Wichern, 2002), dengan rumus :

hi2 =  2i 1 +  2i 2 + .... +  2i m .

(2.5)

Hubungan antara varians variabel asal dengan, varians faktor dan varians error adalah sebagai berikut : var(Xi) = varians yang dijelaskan oleh faktor untuk variabel asal ke-i + var(error) = communality + specific variance = hi2 + ψ i

= ( 2i1 +  2i 2 +  2i 3 + ... +  2im ) + ψ i . Besarnya bobot  ij dapat diduga dengan menggunakan metode komponen utama ataupun kemungkinan maksimum (maximum likelihood). Metode komponen utama terbagi menjadi dua metode yaitu non-iteratif dan iteratif. Nilai dugaan cij yang diperoleh dengan metode non-iteratif adalah :

 ij =

a ji λ j s xi

atau  ij = a ji λ j untuk variabel asal yang dibakukan

dan  ij adalah bobot (loading) dari variabel asal ke-i pada faktor ke-j a ji adalah koefisien variabel asal ke-i untuk komponen utama ke-j

λ j adalah eigen value untuk komponen utama ke-j s xi adalah simpangan baku (standard of deviation) variabel asal ke-j.

Untuk kepentingan intepretasi, seringkali diperlukan untuk memberi nama masing-masing faktor sesuai dengan besar harga mutlak bobot  uj . Diharapkan setiap variabel asal hanya dominan di salah satu faktor saja (Nilai harga mutlak bobot variabel asal mendekati 1 di salah satu faktor dan mendekati 0 untuk faktor lainnya). Harapan ini kadang-kadang tidak dapat dipenuhi, untuk mengatasi hal ini diperlukan rotasi dari matriks bobot L. Beberapa macam teknik rotasi yang tersedia di program paket statistika adalah : varimax, quartimax, equamax, parsimax. Batas nilai quartimax = 0, batas nilai varimax = m/2, nilai parsimax =

= 1, nilai equamax

p (m − 1) p+m−2.

2.1.2 Statistik yang Relevan dengan Analisis Faktor Statistik penting yang berkaitan dengan analisis faktor adalah : a. Bartlett’s of sphericity yaitu suatu uji statistik yang dipergunakan untuk menguji hipotesis bahwa variabel tidak saling berkorelasi (uncorrelated) dalam populasi. Dengan kata lain, matriks korelasi populasi merupakan matriks identitas (identity matrix), setiap variabel berkorelasi dengan dirinya sendiri

secara sempurna dengan (r = 1) akan tetapi sama sekali tidak berkorelasi dengan lainnya (r = 0). Uji Bartlett bertujuan untuk mengetahui apakah terdapat hubungan antar variabel dalam kasus multivariat. Jika variabel X1, X2, …, Xp independent (bersifat saling bebas), maka matriks korelasi antar variabel sama dengan matriks identitas. Sehingga untuk menguji kebebasan antar variabel ini, uji Bartlett menyatakan hipotesis sebagai berikut: H0 : ρ = I H1 : ρ ≠ I Statistik Uji : 1 p rk = ∑ rik p − 1 i =1 , k = 1, 2,...,p r=

2 ∑∑ rik p ( p − 1) i < k

γˆ =

( p − 1) 2 1 − (1 − r ) 2 p − ( p − 2)(1 − r ) 2

[

(2.6)

]

dengan :

r k = rata-rata elemen diagonal pada kolom atau baris ke k dari matrik R (matrik korelasi)

r = rata-rata keseluruhan dari elemen diagonal Daerah penolakan : tolak H0 jika

T=

p 2 (n − 1)  2 2 ˆ − − r r r ( ) ( γ k − r )  > χ ( p +1) ( p − 2 ) / 2;α ∑∑ ∑ ik  2 (1 − r )  i < k k =1 

(2.7)

maka variabel-variabel saling berkorelasi hal ini berarti terdapat hubungan antar variabel. Jika H0 ditolak maka analisis multivariat layak untuk digunakan terutama metode analisis komponen utama dan analisis faktor. b. Correlation matrix adalah matrik segitiga bagian bawah menunjukkan korelasi sederhana r, antara semua pasangan variabel yang tercakup dalam analisis. Nilai atau angka pada diagonal utama yang semuanya sama yaitu 1 diabaikan.

Tabel 2.1. Matrik korelasi Untuk Jumlah Variabel n = 3 X1 1 r21 r31

X1 X2 X3

X2 r12 1 r32

X3 r13 r23 1

Tabel 2.2. Matriks Korelasi Untuk Jumlah Variabel n = 4 X1 X2 X3 X4

X1 1 r21 r31 r41

X2 r12 1 r32 r42

X3 r13 r23 1 r43

X4 r14 r24 r34 1

c. Communality adalah jumlah varian yang disumbangkan oleh suatu variabel dengan seluruh variabel lainnya dalam analisis. Bisa juga disebut proporsi atau bagian varian yang dijelaskan oleh common factor atau besarnya sumbangan suatu faktor terhadap varian seluruh variabel. d. Eigenvalue merupakan jumlah varian yang dijelaskan oleh setiap faktor dari matriks identitas. Persamaan nilai eigen dan vektor eigen adalah : 𝐀𝐀𝐀𝐀 = λ𝐱𝐱 (Silaban, 1984 : 279) Dimana : A

= Matriks yang akan kita cari nilai eigen dan vektor eigennya

x

= Vektor eigen dalam bentuk matriks

𝜆𝜆

= Nilai eigen dalam bentuk skalar

Untuk mencari nilai eigen (nilai ) dari sebuah matriks A yang beruukuran n x n maka kita lakukan langkah berikut: 𝐀𝐀𝐀𝐀 = λ𝐱𝐱. Agar kedua sisi berbentuk

vektor, maka sisi kanan dikali dengan matriks identitas I, sehingga : 𝐀𝐀𝐀𝐀 = 𝜆𝜆𝐈𝐈𝐈𝐈

𝐀𝐀𝐀𝐀 − λ𝐈𝐈𝐈𝐈 = 0

𝐱𝐱(𝐀𝐀 − λ𝐈𝐈) = 0 sehingga det (𝐀𝐀 − λ𝐈𝐈) = 0

e. Factor loadings adalah korelasi sederhana antara variabel dengan faktor. f. Faktor loading plot adalah suatu plot dari variabel asli dengan menggunakan faktor loadings sebagai koordinat.

g. Factor matrix yang memuat semua faktor loading dari semua variabel pada semua factor extracted. h. Factor score merupakan skor komposit yang diestimasi untuk setiap responden pada faktor turunan (derived factors). i. Kaiser-Meyer-Olkin (KMO) Measure Of Sampling Adequacy (MSA), merupakan suatu indeks yang dipergunakan untuk meneliti ketepatan analisis faktor. Nilai yang tinggi antara 0,5 – 1,0 berarti analisis faktor tepat, kalau kurang dari 0,5 analisis faktor dikatakan tidak tepat. Uji KMO bertujuan untuk mengetahui apakah semua data yang telah terambil telah cukup untuk difaktorkan. Hipotesis dari KMO adalah sebagai berikut :

Hipotesis H0 : Jumlah data cukup untuk difaktorkan H1 : Jumlah data tidak cukup untuk difaktorkan Statistik uji : p

p

∑∑ r KMO =

i =1 j =1

p

p

∑∑r i =1 j =1

2 ij

2 ij

p

(2.8)

p

+ ∑∑ a i =1 j =1

2 ij

i = 1, 2, 3, ..., p dan j = 1, 2, ..., p rij = Koefisien korelasi antara variabel i dan j aij = Koefisien korelasi parsial antara variabel i dan j Apabila nilai KMO lebih besar dari 0,5 maka terima Ho sehingga dapat disimpulkan jumlah data telah cukup difaktorkan. j. Percentage of variance merupakan persentase varian total yang disumbangkan oleh setiap faktor. k. Residuals merupakan perbedaan antara korelasi yang terobservasi berdasarkan input correlation matrix dan korelasi hasil reproduksi yang diperkirakan dari matrix faktor. l. Scree Plot merupakan plot dari eigen value sebagai sumbu tegak (vertical) dan banyaknya faktor sebagai sumbu datar, untuk menentukan banyaknya faktor yang bisa ditarik (factor extraction).

2.1.3 Pelaksanaan Analisis Faktor Langkah-langkah yang diperlukan dalam analisis faktor adalah : ah Dalam Analsis Faktor 2.1.3.1 Identifikasi Data Tahap awal dari pelaksanaan analisis faktor adalah dengan mengidentifikasi data terlebih dahulu. Hal ini bertujuan untuk menentukan data apa sajakah yang akan dianalisis menggunakan metode analisis faktor. Dengan adanya indentifikasi data ini akan memperjelas data manakah yang bisa digunakan untuk dianalisis dengan menggunakan analisis faktor tersebut. 2.1.3.2 Pengambilan Data Setelah melakukan identifikasi data, dan menentukan data apa yang akan di analisis, maka tahap selanjutnya akan dilakukan pengambilan data. Dalam Penelitian ini, data yang digunakan adalah data primer dari Kuisioner Responden dalam hal ini adalah nasabah yang bertransaksi di Bank Mandiri Cemara Asri.

2.1.3.3 Bentuk Matriks Korelasi Proses analisis didasarkan pada suatu matriks korelasi agar variabel pendalaman yang berguna bisa diperoleh dari penelitian matriks ini. Agar analisis faktor bisa tepat dipergunakan, variabel – variabel yang akan dianalisis harus berkorelasi. Di dalam praktiknya memang demikian halnya. Apabila koefisien korelasi antarvariabel terlalu kecil, hubungan lemah, analisis faktor tidak tepat. Selain variabel asli berkorelasi dengan sesama variabel lainnya, diharapkan juga berkorelasi dengan faktor sebagai variabel baru yang disaring dari variabel – variabel asli. Banyaknya faktor lebih sedikit daripada banyaknya variabel. Statistik formal tersedia untuk menguji ketepatan model faktor. Bartlett’s test of sphericity bisa dipergunakan untuk menguji hipotesis bahwa variabel tak berkorelasi di dalam populasi. Dengan perkataan lain, matriks korelasi populasi merupakan matriks identity, dimana pada diagonala pokok, angkanya satu, diluar diagonal pokok angkanya nol. Uji statistik untuk sphericity didasarkan pada suatu transformasi khi kuadrat dari determinan matriks korelasi. Nilai yang besar untuk uji statistik, berarti hipotesis nol harus ditolak. Kalau hipotesis nol diterima, ketepatan analisis faktor harus dipertanyakan.

Statistik lainnya yang berguna adalah KMO (Kaiser-Meyer-Olkin) mengukur kecukupan sampling (sampling adequacy). Indeks ini membandingkan besarnya koefisien korelasi terobservasi dengan besarnya koefisien korelasi parsial. Nilai KMO yang kecil menunjukkan bahwa korelasi antar-pasangan variabel tidak bisa diterangkan oleh variabel lainnya dan analisis faktor mungkin tidak tepat. Formula untuk menghitung dapat dilihat pada persamaan (2.8).

2.1.3.4 Menentukan Metode Analisis Faktor Segera setelah ditetapkan bahwa analisis faktor merupakan teknik yang tepat untuk menganalisis data yang sudah dikumpulkan, kemudian ditentukan atau dipilih metode yang tepat untuk analisis faktor. Sebetulnya ada dua cara atau metode yang bisa dipergunakan dalam analisis faktor, khususnya untuk menghitung timbangan atau koefisien skor faktor, yaitu principal components analysis dan common factor analysis. Di dalam principal components analysis, jumlah varian dalam data dipertimbangkan. Diagonal matriks korelasi terdiri dari angka satu dan full variance dibawa kedalam matriks faktor. Principal components analysis direkomendasikan kalau hal yang pokok ialah menentukan bahwa banyaknya faktor harus minimum dengan memperhitungkan varian maksimum dalam data untuk dipergunakan di dalam analisis multivariate lebih lanjut. Faktor – faktor tersebut dinamakan principal components. Di dalam common factor analysis, faktor diestimasi hanya didasarkan pada common variance, communalities dimasukkan di dalam matriks korelasi. Metode

ini

dianggap

tepat

kalau

tujuan

utamanya

ialah

mengenali/mengidentifikasi dimensi yang mendasari dan common variance yang menarik perhatian. Metode ini juga dikenal sebagai principal axis factoring.

2.1.3.5 Penentuan Banyaknya Faktor Sebetulnya bisa diperoleh faktor sebanyak variabel yang ada, lalu tidak ada gunanya melakukan analisis faktor. Maksud melakukan analisis faktor ialah mencari variabel baru yang disebut faktor yang saling tidak berkorelasi, bebas satu sama lainnya, lebih sedikit jumlahnya daripada variabel asli, akan tetapi bisa

menyerap sebagian besar informasi yang terkandung dalam variabel asli atau yang bisa memberikan sumbangan terhadap varian seluruh variabel. Beberapa prosedur bisa disarankan, yaitu penentuan secara apriori, eigenvalues, scree plot, percentage of variance accounted for, split-half reliability, dan significance test.

a. Penentuan Apriori Kadang – kadang karena pengalaman sebelumnya, peneliti sudah tahu berapa banyaknya faktor sebenarnya, dengan menyebutkan suatu angka, misalnya 3 atau 4 faktor yang harus disarikan dari variabel atau data asli. Upaya untuk menyarikan (to extract) berhenti, setelah banyaknya faktor yang diharapkan sudah didapat, misalnya cukup 4 faktor saja. Kebanyakan program komputer memungkinkan peneliti untuk menentukan banyaknya faktor yang diinginkan. b. Penentuan Berdasarkan Eigenvalues Di dalam pendekatan ini, hanya faktor dengan eigenvalues lebih besar dari 1 (satu) yang dipertahankan, kalau lebih kecil dari satu, faktornya tidak diikutsertakan dalam model. Suatu eigenvalues menunjukkan besarnya sumbangan dari faktor terhadap varian seluruh variabel asli. Hanya faktor dengan varian lebih besar dari satu, yang dimasukkan dalam model. Faktor dengan varian lebih kecil dari satu tidak lebih baik dari asli, sebab variabel asli telah dibakukan (standardized) yang berarti rata – ratanya nol dan variannya satu. Apabila banyaknya variabel asli kurang dari 20, pendekatan ini akan menghasilkan sejumlah faktor yang konservatif. c. Penentuan Berdasarkan Scree Plot Scree plot merupakan sutu plot dari eigenvalue sebagai fungsi banyaknya faktor, dalam upaya untuk ekstraksi. Bentuk scree plot dipergunakan untuk menentukan banyanknya faktor. Scree plot seperti garis yang patah-patah. Bukti hasil eksperimen menunjukkan bahwa titik pada tempat di mana the scree mulai terjadi, menunjukkan banyaknya faktor yang benar. Tepatnya pada saat scree mulai merata. Kenyataan menunjukkan bahwa penentuan banyaknya faktor dengan scree plot akan mencapai satu atau lebih banyak daripada penentuan eigenvalues.

d. Penentuan Didasarkan pada Persentase Varian Di dalam pendekatan ini, banyaknya faktor yang diekstraksi oleh faktor mencapai suatu level tertentu yang memuaskan. Sebetulnya berapa besarnya kumulatif persentase varian sehingga dicapai suatu level yang memuaskan? Hal

ini

sangat

tergantung

pada

masalahnya.

Akan

tetapi,

sebagai

pedoman/petunjuk yang disarankan adalah bahwa ekstraksi faktor dihentikan kalau kumulatif persentase varian sudah mencapai paling sedikit 60% atau 75% dari seluruh varian variabel asli. e. Penentuan Berdasarkan Split-Half Reliability Sampel dibagi menjadi dua, analisis faktor dilakukan pada masing – masing bagian sampel tersebut. Hanya faktor dengan faktor loading yang sesuai pada kedua sub-sampel yang dipertahankan, maksudnya faktor-faktor yang dipertahankan memang mempunyai faktor loading yang tinggi pada masingmasing bagian sampel. f. Penentuan Berdasarkan Uji Signifikan Dimungkinkan untuk menentukan signifikansi statistik untuk eigenvalues yang terpisah dan pertahankan faktor-faktor yang memang berdasarkan uji statistik eigenvalue-nya signifikan pada α = 5% atau 1%. Penentuan banyaknya faktor dengan cara ini ada kelemahannya, khususnya dengan ukuran sampel yang besar, katakan diatas 200 responden, banyak faktor yang menunjukkan hasil yang signifikan, walaupun dari pandangan praktis, banyak faktor mempunyai sumbangan terhadap seluruh varian hanya kecil.

2.1.3.6 Rotasi Faktor Rotasi faktor bertujuan untuk menyederhanakan struktur faktor, sehingga mudah untuk diinterpretasikan. Rotasi faktor digunakan jika metode ekstraksi faktor belum menghasilkan komponen faktor utama yang jelas. Ada dua metode rotasi yang berbeda yaitu orthogonal and oblique rotation. Rotasi disebut: orthogonal rotation kalau sumbu dipertahankan tegak lurus sesamanya (bersudut 90 derajat). Metode rotasi yang banyak dipergunakan ialah varimax procedure. Prosedur ini merupakan metode orthogonal yang berusaha meminimumkan banyaknya variabel dengan muatan tinggi (high

loading) pada satu faktor,dengan demikian memudahkan pembuatan interpretasi mengenai faktor. Rotasi orthogonal menghasilkan faktor – faktor yang tidak berkorelasi satu sama lain (uncorrelated each other). Sebaliknya rotasi dikatakan: oblique rotation kalau sumbu tidak dipertahankan harus tegak lurus sesamanya ( bersudut 90 derajat) dan faktor – faktor tidak berkorelasi. Oblique rotation harus dipergunakan kalau faktor dalam populasi berkorelasi sangat kuat.

2.1.3.7 Interpretasi Faktor Interpretasi dipermudah dengan mengenali/mengidentifikasi variabel yang muatannya (loading) besar pada faktor yang sama. Faktor tersebut kemudian bisa diinterpretasikan, dinyatakan dalam variabel yang mempunyai high loading padanya. Manfaat lainnya di dalam membantu untuk membuat interpretasi ialah melalui plot variabel, dengan menggunakan factor loading sebagai koordinat. Variabel pada ujung atau akhir suatu sumbu ialah variabel yang mempunyai high loading hanya pada faktor tertentu. Sedangkan variabel yang dekat dengan titik asal (perpotongan sumbu mempunyai muatan rendah low loading). Variabel yang tidak dekat dengan sumbu salah satu faktor berarti berkorelasi dengan kedua faktor tersebut. Kalau suatu faktor tidak bisa dengan jelas didefenisikan dinyatakan dalam variabel aslinya, seharusnya diberi label sebagai faktor tidak terdefenisikan atau faktor umum (undefined or a general factor). Variabel-variabel yang berkorelasi kuat (nilai factor loading yang besar) dengan faktor tertentu akan memberikan inspirasi nama faktor yang bersangkutan.

Langkah-langkah analisis faktor jika digambarkan dengan flow chart adalah sebagai berikut: Identifikasi Data

Pengumpulan Data

Bentuk Matriks Korelasi

Menentukan Metode Analisis Faktor

Penentuan Banyaknya Faktor

Lakukan Rotasi

Gambar 2.1. Langkah Interpretasi Faktor –Langk Gambar 2.1 Langkah-langkah Analisis Faktor

2.1.3.8 Tinjauan Non Statistik 1. Skill karyawan Skill merupakan suatu upaya untuk melaksanakan tugas dan tanggung jawab yang diberikan perusahaan kepada seorang karyawan dengan baik dan maksimal. Skill ini bersifat individu karena masing-masing karyawan memiliki tingkat kemampuan yang berbeda. 2. Fasilitas Fasilitas adalah segala sesuatu yang dapat memudahkan dan melancarkan pelaksanaan suatu usaha. Segala sesuatu yang dapat memudahkan dan melancarkan suatu usaha tersebut biasanya berupa benda-benda atau uang. 3. Servis Service adalah setiap kegiatan yang diperuntukkan atau ditujukan untuk memberikan kepuasan melalui pelayanan yang diberikan seseorang secara memuaskan. 4. Produk Produk merupakan bagian yang dapat dipasarkan baik itu berupa barang atau jasa yang dapat memberikan manfaat bagi penggunanya.