Gambar 3.1 Output Scree Plot SPSS
Seperti pada pembahasan sebelumnya, untuk menentukan banyak faktor yang terbentuk dapat dilihat pada nilai eigenvalue yang lebih dari satu. Pada Gambar
3.1, dapat dilihat bahwa hanya satu variabel yang mempunyai nilai eigenvalue lebih dari satu, jadi ada satu faktor yang terbentuk.
3.4.4 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. Namun, karena faktor yang terbentuk hanya satu, maka rotasi faktor tidak dapat dilakukan.
3.4.5 Pengelompokan Variabel Kedalam Faktor 1
Pada software SPSS metode ekstraksi yang digunakan untuk pembagian variabel adalah principal componen factoring analysis. Pembagian variabel-variabel ke
dalam kelompok faktor tertentu didasarkan pada perbandingan nilai loading faktor secara mutlak, namun karena hanya ada satu faktor terbentuk, pembagian tersebut
tidak terjadi. Pada Tabel 3.10 di bawah ini merupakan output SPSS yang telah melalui proses rotasi varimax dan nilai loading faktor yang dibawah atau sama
dengan 0.4 tidak ditampilkan.
Tabel 3.10 Output SPSS Nilai Loading Faktor dari Faktor 1 Sebelum Rotasi Varimax
Component Matrix
a
Component 1
Skill_Karyawan 0,877
Fasilitas 0,888
Servis 0,897
Produk 0,641
Extraction Method: Principal Component Analysis.
a. 1 components extracted.
Sumber: Data Primer Bobby diolah, 2015 Variabel asal skill karyawan, fasilitas, servis, dan produk dapat
dinyatakan dalam kombinasi linear faktor 1 sebagai tabel komunalitas berikut:
Tabel 3.11 Komunalitas
Communalities
Initial Extraction
Skill_Karyawan 1,000
0,769 Fasilitas
1,000 0,788
Servis 1,000
0,805 Produk
1,000 0,411
Extraction Method: Principal Component Analysis.
Sumber: Data Primer Bobby diolah, 2015 Dari Tabel 3.10, dapat dihitung nilai komunalitas yang hasilnya ditunjukkan pada
Tabel 3.11 sebagai: a. Nilai communality untuk Skill_Karyawan adalah: 0,877
2
= 0,769 yang berarti faktor 1 mampu menjelaskan sebesar 76,9 keragaman data yang dijelaskan
oleh variabel Skill Karyawan. b. Nilai communality untuk Fasilitas adalah: 0,888
2
= 0,788 yang berarti faktor 1 mampu menjelaskan sebesar 78,8 keragaman data yang dijelaskan oleh
variabel Fasilitas.
c. Nilai communality untuk Servis adalah: 0,897
2
= 0,805 yang berarti faktor 1 mampu menjelaskan sebesar 80,5 keragaman data yang dijelaskan oleh
variabel Servis. d. Nilai communality untuk Skill_Karyawan adalah: 0,641
2
= 0,411 yang berarti faktor 1 mampu menjelaskan sebesar 41,1 keragaman data yang dijelaskan
oleh variabel Produk.
3.5 Model Persamaan Faktor yang Mempengaruhi Tingkat Kepuasan Nasabah PT Bank Mandiri Tbk Cabang Cemara Asri
Koefisien masing-masing faktor dengan analisis faktor eksploratori dapat dilihat pada Tabel 3.12
Tabel 3.12 Matriks Koefisien Skor Komponen
Component Score Coefficient Matrix
Component 1
Skill_Karyawan 0,316
Fasilitas 0,320
Servis 0,324
Produk 0,231
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Sumber: Data Primer Bobby diolah, 2015 X
1
= µ
1
+ 0,316 F
1
+ ε
1
X
2
= µ
2
+ 0,320 F
1
+ ε
2
X
3
= µ
3
+ 0,324 F
1
+ ε
3
X
4
= µ
4
+ 0,231 F
1
+ ε
4
Sedangkan model persamaan untuk faktor 1 adalah:
F
1
= 0,316 X
1
+ 0,320 X
2
+ 0,324 X
3
+ 0,231 X
4
3.6 Interpretasi Faktor
