Berdasarkan nilai egenevalue yang bernilai di atas 1 terdapat pada component 1 sampai dengan component 2, maka hal ini menunjukkan hasil
analisis faktor menghasilkan pengelompokkan variable menjadi 2 dua faktor, karena 2 faktor merupakan hasil yang paling bagus untuk
meringkas atau mereduksi kedelapan faktor yang telah dianalisis. Hal ini juga ditunjukkan oleh hasil scree plot yang digambarkan pada gambar
berikut ini :
Gambar 6 : Scree Plot Analisis Faktor
8 7
6 5
4 3
2 1
Component Number
4 3
2 1
Eigenvalue Scree Plot
Sumber : Hasil Analisis Faktor, Lampiran 5 Dari gambar tersebut terlihat bahwa dari component nomer 1 ke
dua garis sumbu X atau component number 1 ke 2 arah garis menurun dengan tajam dari eigenvalue sebesar 3,378 menjadi 1,713 garis sumbu Y
eigenvalue. Sedangkan dari component number dua ke tiga arah garis menurun dari eigenvalue diatas 1 menjadi dibawah 1 yang memberikan
arti bahwa keseluruhan variable yang membentuk faktor secara simultan
mempengaruhi nilai eigenvalue dari disekitar angkat diatas 1 menjadi dibawah 1.
Kemudian component number ke-3 dan seterusnya sudah dibawah angka 1 dari sumbu Y eigenvalue. Hal ini membuktikan bahwa hanya
dua faktor saja yang paling baik untuk meringkas atau mereduksi kedelapan variable yang dianalisis karena hanya pada component number
ke satu sampai dua yang mempunyai nilai eigenvalue lebih besar dari 1, sedangkan untuk component number ke tiga dan seterusnya eigenvalue
yang diperoleh lebih kecil.
4.3.5. Component Matrix
Seperti telah disebutkan sebelumnya bahwa diperoleh hasil yang optimal hanya terdapat pada empat component atau faktor yang terbentuk,
maka langkah atau proses terakhir dalam analisis faktor ini adalah mengidentifikasikan table matriks komponen component matrix seperti
yang ditujukkan dalam table berikut :
Tabel. 13 : Matriks Component
Component Matrix
a
-.646 .487
.447 .649
.838 .212
-.903 -.003
.701 -.417
.739 -.103
-.453 -.512
-.026 .750
X1 X3
X4 X5
X10 X11
X12 X15
1 2
Component
Extraction Method: Principal Component Analysis. 2 components extracted.
a.
Sumber : Hasil Aanalisis Faktor, Lampiran 4 Fungsi dari matriks komponen adalah untuk menguraikan dan
menjelaskan distribusi dari kedelapan varaibel yang diteliti kedalam dua faktor yang terbentuk. Angka-angka yang terdapat dalam table matriks
komponen diatas merupakan angka faktor loadings, yang menunjukkan besarnya korelasi antara masing-masing variable dengan faktor yang akan
terbentuk, sehingga akan diketahui suatu variable ikut mengelompok pada faktor yang sama. Untuk menentukan suatu variable atau atribut masuk
kedalam kelompok faktor yang mana, maka dilakukan dengan membandingkan nilai korelasi variable tersebut terhadap kedua faktor
yang akan terbentuk. Untuk mempermudah dalam analisis hasil faktor loadings dari
masing-masing variable yang diteliti maka dalam table tersebut nilai faktor loading yang dihasilkan telah durutkan dari yang terbesar menuju yng
terkecil untuk masing-masing faktor.
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.
