KMO and Bartletts Test
.762 417.964
105 .000
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Approx. Chi-Square df
Sig. Bartletts Test of
Sphericity
1. Variabel Emosional
Emotional
Data dari variabel Emosional Emotional yang terdiri atas 15 faktor yaitu telah membuat sesuatu yang salah 1, merasa putus asa 2, merasa menyesal 3,
merasa kecewa dengan diri sendir 4, merasa takut5, merasa hampa 6, merasa marah 7, merasa cemas atau khawatir 8, merasa kesal atau jengkel 9, merasa
frustasi 10, merasa sakit hati 11, merasa depresi 12, merasa marah dengan diri sendiri 13, merasa muak 14, mendapat masalah 15, dimasukkan ke
dalam data view pada SPSS 14.0 for Windows Evaluation Version yang kemudian akan diproses sebagaimana diuraikan di atas, maka hasilnya dapat dilihat pada
Tabel di bawah ini:
Tabel 4.5 Hasil Analisis Faktor
Sumber: Pengolahan data primer dengan aplikasi SPSS 14.0 for Windows
Evaluation Version, 2008 Berdasarkan pengolahan data pada Tabel 4.5 terlihat bahwa nilai MSA
sebesar 0,762 adalah lebih besar dari 0.5 MSA0,5 maka variabel masih bisa diprediksi dan dianalisis lebih lanjut. Untuk angka signifikan sebesar 0.000 adalah
lebih kecil dari 0.05 angka sig.0.05 maka Ho ditolak sehingga variabel sudah memadai untuk dianalisis lebih lanjut. Hasil pengolahan data selanjutnya dapat
dilihat pada Tabel berikut ini:
Universitas Sumatera Utara
Universitas Sumatera Utara
Total Variance Explained
6.304 42.028
42.028 6.304
42.028 42.028
1.952 13.014
55.042 1.952
13.014 55.042
1.339 8.923
63.966 1.339
8.923 63.966
.928 6.188
70.154 .835
5.570 75.723
.745 4.968
80.692 .645
4.300 84.992
.522 3.482
88.474 .497
3.314 91.788
.363 2.423
94.211 .288
1.919 96.130
.200 1.334
97.464 .169
1.128 98.592
.116 .775
99.367 .095
.633 100.000
Component 1
2 3
4 5
6 7
8 9
10 11
12 13
14 15
Total of Variance Cumulative
Total of Variance Cumulative
Initial Eigenvalues Extraction Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
Berdasarkan hasil pengolahan data pada tabel 4.6 terlihat bahwa angka MSA untuk kelimabelas faktor adalah diatas 0.5, maka semua faktor dinyatakan
dapat dianalis lebih lanjut, tidak ada yang perlu dikeluarkan sehingga tidak perlu dilakukan pengujian ulang.
Tabel 4.7 Hasil Analisis Faktor
Sumber: Pengolahan data primer dengan aplikasi SPSS 14.0 for Windows Evaluation Version, 2008
Ada 15 variabel faktor yang dimasukkan dalam analisis faktor, yakni telah membuat sesuatu yang salah 1, merasa putus asa 2, merasa menyesal 3,
merasa kecewa dengan diri sendir 4, merasa takut5, merasa hampa 6, merasa marah 7, merasa cemas atau khawatir 8, merasa kesal atau jengkel 9, merasa
frustasi 10, merasa sakit hati 11, merasa depresi 12, merasa marah dengan diri sendiri 13, merasa muak 14, mendapat masalah 15, maka total varians
adalah 15 x 1 = 15. Dari Tabel 4.7 di atas terlihat bahwa hanya tiga faktor yang
Universitas Sumatera Utara
Component Matrix
a
.554 .569
.072 .624
.312 .613
.627 .333
.390 .733
.352 -.170
.708 -.040
-.303 .742
-.340 -.003
.727 -.148
-.288 .515
.548 -.137
.667 .436
-.145 .592
-.331 .403
.688 -.432
.308 .605
-.273 -.258
.761 -.243
-.304 .574
-.482 .250
.539 -.077
-.290 merasa telah membuat
sesuatu yang salah merasa putus asa
merasa menyesal merasa kecewa
dengan diri sendiri merasa takut
merasa hampa merasa marah
merasa cemas atau khawatir
merasa kesal atau jengkel
merasa frustasi merasa sakit hati
merasa depresi merasa marah dengan
diri sendiri merasa muak
mendapat masalah 1
2 3
Component
Extraction Method: Principal Component Analysis. 3 components extracted.
a.
terbentuk, karena dengan satu faktor, angka eigenvalues di atas 1, dengan dua faktor angka eigenvalues masih di atas 1. Dengan tiga faktor, angka eigenvalues
juga masih di atas 1, yakni 1,339. Namun untuk empat faktor, angka eigenvalues sudah di bawah 1, yakni 0,928 sehingga proses factoring harus berhenti pada tiga
faktor saja.
Tabel 4.8 Hasil Analisis Faktor
Sumber: Pengolahan data primer dengan aplikasi SPSS 14.0 for Windows
Evaluation Version, 2008 Setelah diketahui bahwa tiga faktor adalah jumlah yang paling optimal,
maka Tabel 4.8 menunjukkan distribusi kelimabelas variabel tersebut pada tiga faktor yang terbentuk. Sedangkan angka-angka yang ada pada Tabel tersebut
Universitas Sumatera Utara
adalah factor loadings, yang menunjukkan besar korelasi antara suatu variabel dengan faktor 1, faktor 2, atau faktor 3. Proses penentuan variabel mana yang
akan masuk ke faktor yang mana, dilakukan dengan melakukan perbandingan besar korelasi pada setiap baris. Seperti pada variabel merasa menyesal:
- korelasi antar variabel merasa menyesal dengan faktor 1 adalah 0,627 kuat karena di atas 0,5
- korelasi antar variabel merasa menyesal dengan faktor 2 adalah 0,333 lemah karena di bawah 0,5
- korelasi antar variabel merasa menyesal dengan faktor 3 adalah 0,390 lemah karena di bawah 0,5
Oleh karena
angka factor loading terbesar ada pada komponen faktor 3,
maka variabel merasa menyesal dapat dimasukkan sebagai komponen faktor 3. Pada Variabel merasa telah membuat sesuatu yang salah, korelasi antara variabel
tersebut dengan faktor 1 adalah 0,554 cukup kuat, sedang korelasinya dengan faktor 2 juga cukup kuat 0,569, maka sulit menentukan akan dimasukkan ke
faktor mana variabel tersebut. Oleh karena itu, perlu dilakukan proses rotasi rotation. Hasilnya dapat dilihat pada Tabel berikut ini:
Universitas Sumatera Utara
Rotated Component Matrix
a
.173 .769
.045 -.139
.714 .578
.039 .700
.409 .472
.661 .108
.671 .326
.182 .565
.156 .539
.695 .304
.298 .297
.690 -.132
.383 .701
.051 .178
.131 .753
.298 .090
.822 .645
.056 .305
.749 .164
.358 .345
-.020 .701
.689 .201
.034 merasa telah membuat
sesuatu yg salah merasa putus asa
merasa menyesal merasa kecewa dgn diri
sendiri merasa takut
merasa hampa merasa marah
merasa cemas atau khawatir
merasa kesal atau jengkel
merasa frustasi merasa sakit hati
merasa depresi merasa marah dgn diri
sendiri merasa muak
mendapat masalah 1
2 3
Component
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Rotation converged in 10 iterations. a.
Tabel 4.9 Hasil Analisis Faktor
Sumber: Pengolahan data primer dengan aplikasi SPSS 14.0 for Windows Evaluation Version, 2008
Berdasarkan hasil pengolahan data pada Tabel 4.8 terlihat bahwa sekarang faktor loadings yang dulunya kecil semakin diperkecil, dan faktor loading yang
besar semakin diperbesar. Variabel telah membuat sesuatu yang salah 1: variabel ini masuk ke faktor 2,
karena faktor loading dengan faktor 2 paling besar 0,769. merasa putus asa 2: variabel ini masuk ke faktor 2, karena faktor loading dengan
faktor 2 paling besar 0,714.
Universitas Sumatera Utara
merasa menyesal 3: variabel ini masuk ke faktor 2, karena faktor loading dengan faktor 2 paling besar 0,700.
merasa kecewa dengan diri sendiri 4: variabel ini masuk ke faktor 2, karena faktor loading dengan faktor 2 paling besar 0,661.
merasa takut5: variabel ini masuk ke faktor 1, karena faktor loading dengan faktor 1 paling besar 0,671.
merasa hampa 6: variabel ini masuk ke faktor 1, karena faktor loading dengan faktor 1 paling besar 0,565.
merasa marah 7: variabel ini masuk ke faktor 1, karena faktor loading dengan faktor 1 paling besar 0,695.
merasa cemas atau khawatir 8: variabel ini masuk ke faktor 2, karena faktor loading dengan faktor 2 paling besar 0,690.
merasa kesal atau jengkel 9: variabel ini masuk ke faktor 2, karena faktor loading dengan faktor 2 paling besar 0,701.
merasa frustasi 10: variabel ini masuk ke faktor 3, karena faktor loading dengan faktor 3 paling besar 0,753.
merasa sakit hati 11: variabel ini masuk ke faktor 3, karena faktor loading dengan faktor 3 paling besar 0,822.
merasa depresi 12: variabel ini masuk ke faktor 1, karena faktor loading dengan faktor 1 paling besar 0,645.
merasa marah dengan diri sendiri 13: variabel ini masuk ke faktor 1, karena faktor loading dengan faktor 1 paling besar 0,749.
Universitas Sumatera Utara
Component Transformation Matrix
.639 .567
.519 -.231
.786 -.574
-.733 .247
.634 Component
1 2
3 1
2 3
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
merasa muak 14: variabel ini masuk ke faktor 3, karena faktor loading dengan faktor 3 paling besar 0,701.
mendapat masalah 15: variabel ini masuk ke faktor 1, karena faktor loading dengan faktor 1 paling besar 0,689.
Dengan demikian, kelimabelas variabel telah direduksi menjadi hanya terdiri atas tiga faktor:
- Faktor 1 terdiri atas variabel merasa takut, merasa hampa, merasa marah, merasa depresi, merasa marah dengan diri sendiri, dan variabel mendapat
masalah, dapat diberi istilah KEPUTUSAN TEPAT - Faktor 2 terdiri atas variabel merasa telah membuat sesuatu yang salah,
merasa putus asa, merasa menyesal, merasa kecewa dengan diri sendiri, merasa cemas atau khawatir, dan variabel merasa kesal atau jengkel, dapat
diberi istilah HARAPAN TEPAT - Faktor 3 terdiri atas variabel merasa frustasi, merasa sakit hati, dan variabel
merasa muak, dapat diberi istilah PERASAAN TEPAT
Tabel 4.10 Hasil Analisis Faktor
Sumber: Pengolahan data primer dengan aplikasi SPSS 14.0 for Windows Evaluation Version, 2008
Berdasarkan hasil pengolahan data pada Tabel 4.9 perhatikan angka-angka yang ada pada diagonal, antara komponen 1 dengan 1, komponen 2 dengan 2, dan
Universitas Sumatera Utara
KMO and Bartletts Test
.652 110.891
6 .000
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Approx. Chi-Square df
Sig. Bartletts Test of
Sphericity
komponen 3 dengan 3. Terlihat ketiga angka berada di atas 0.50,639, 0,786, 0,634. Hal ini membuktikan bahwa ketiga faktor komponen yang terbentuk
sudah tepat, karena mempunyai korelasi yang tinggi.
2. Variabel Kebijakan Pembelian Wisdom of Purchase