Untuk menerangkan suatu variable ikut pada kelompok faktor yang mana, dalam kasus ini adalah sebagai berikut untuk variable X
1
yaitu persepsi Variasi Produk, secara singkat dapat diterangkan sebagai berikut :
1. Korelasi antara variabel X
1
dengan faktor 1 adalah sebesar - 0,646 2.
Korelasi antara variable X
1
dengan faktor 2 adalah sebesar + 0,487 Nilai faktor loadings yang terbesar dari variable X
1
berada pada component 1, dimana nilai korelasi antara variable X
1
dengan faktor 1 adalah sebesar -0,646, maka variable X
1
mengenai variasi produk dapat dimasukan ke dalam faktor 1.
Untuk variable X
3
yaitu persepsi sikap karyawan melayani nasabah secara singkat dapat diterangkan sebagai berikut :
1. Korelasi antara variable X
3
dengan faktor 1 adalah sebesar +0,447 2.
Korelasi antara variable X
3
dengan faktor 2 adalah sebesar +0,649 Nilai faktor loadings yang terbesar dari variable X
3
berada pada component 2, dimana nilai korelasi antara variable X
3
dengan faktor 2 adalah sebesar +0,649, maka variable X
3
mengenai sikap karyawan melayani nasabah dapat dimasukan ke dalam faktor 2.
Dengan cara yang sama dapat diperoleh nilai faktor loadings masing-masing variable yang menunjukkan korelasi antara variable yang
bersangkutan dengan faktor yang terbentuk.
4.3.6. Rotated Component Matrix
Proses terakhir dalam analisis faktor adalah mengidentifikasikan rotasi matriks komponen yang dihasilkan oleh analisis faktor. Seperti yang
telah disebutkan sebelumnya bahwa rotasi matriks komponen ini diperlukan karena adanya korelasi yang hampir sama antara variable
dengan salah satu diantara kedua faktor yang terbentuk, sehingga akan terjadi kesulitan pengelompokkan variable ke dalam salah satu dari ke dua
faktor yang terbentuk.
Table. 14 : Rotasi Matriks Komponen
Sumber : Hasil Analisis Faktor, Lampiran 6
Rotated Component Matrix
a
-.790 .175
.137 .776
.674 .541
-.820 -.377
.811 -.088
.715 .213
-.200 -.654
-.335 .672
X1 X3
X4 X5
X10 X11
X12 X15
1 2
Component
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Rotation converged in 3 iterations. a.
Matriks komponen hasil proses rotasi tersebut memperlihatkan distribusi atau pengelompokan variable yang lebih jelas dan nyata. Sebagai
contoh adalah pada variable X
1
yaitu Persepsi Variasi Produk dapat diterangkan sebagai berikut :
1. Korelasi antara variable X
1
dengan faktor 1 adalah – 0,790 2.
Korelasi antara variable X
1
dengan faktor 2 adalah +0,175
Dari proses rotasi nilai faktor loadings dari variable X
1
mengenai variasi produk yang terbesar berada pada komponen 1 faktor 1, dimana
nilai korelasi antara variable X
1
dengan faktor 1 adalah sebesar -0,790 diamana nilai faktor loadings tersebut sangan jauh lebih besar daripada
nilaia korelasi antara variable X
1
dengan faktor yang lain. Oleh karena itu, maka variable X
1
tersebut dimasukkan ke dalam faktor 1. Dengan cara yang sama dapat diperoleh nilai loading faktors
masing –masing variable yang menunjukkan korelasi antara variable yang bersangkutan dengan faktor yang terbentuk.
Dari proses rotasi secara keseluruhan dapat diperoleh hasil secara lengkap sebagai berikut :
1. Variasi Produk X
1
karena faktor loading dengan faktor 1 paling besar sebesar -0,790, maka dimasukkan atau dikelompokan ke dalam
faktor 1. 2.
Sikap Karyawan Dalam Melayani Nasabah X
3
karena faktor loading dengan faktor 2 paling besar sebesar 0,776, maka dimasukkan atau
dikelompokan ke dalam faktor 2. 3.
Kecepatan Pelayanan X
4
karena faktor loading dengan faktor 1 paling besar sebesar 0,674, maka dimasukkan atau dikelompokan ke
dalam faktor 1. 4.
Anjungan Tunai Mandiri X
5
karena faktor loading dengan faktor 1 paling besar sebesar -0,820, maka dimasukkan atau dikelompokan ke
dalam faktor 1.
5. Ruang Tunggu X
10
karena faktor loading dengan faktor 1 paling besar sebesar 0,811, maka dimasukkan atau dikelompokan ke dalam
faktor 1. 6.
Sistem Pembiayaan X
11
karena faktor loading dengan faktor 1 paling besar sebesar 0,715, maka dimasukkan atau dikelompokan ke dalam
faktor 1. 7.
Jumlah Kantor Bank X
12
karena faktor loading dengan faktor 2 paling besar sebesar -0,654, maka dimasukkan atau dikelompokan ke
dalam faktor 2. 8.
Kemasan Produk X
15
karena faktor loading dengan faktor 2 paling besar sebesar 0,672, maka dimasukkan atau dikelompokan ke dalam
faktor 2. Berdasarkan hasil diatas dapat diketahui bahwa :
1. Faktor 1 terdiri dari variable Variasi Produk X
1
, Kecepatan Pelayanan X
4
, Anjungan Tunai Mandiri X
5
, Ruang Tunggu X
10
dan Sistem Pembiayaan X
11
. 2.
Faktor 2 terdiri dari Sikap Karyawan Dalam Melayani Nasabah X
3
, Jumlah Kantor Bank X
12
dan Kemasan Produk X
15
.
