MSA=1, variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel lain MSA0,5, variabel masih bisa diprediksi dan bisa dianalis lebih lanjut
MSA0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut, atau dikeluarkan variabel lainnya.
9. Hasil Anti Image Matrics perlu diperhatikan, khususnya pada angka korelasi yang
bertanda a arah diagonal dari kiri atas ke kanan bawah. Dengan kriteria angka MSA seperti dibahas di atas, maka apabila terlihat MSA variabel tidak memenuhi batas 0,5
maka variabel tersebut dikeluarkan kemudian pengujian diulang lagi. 10.
Melakukan proses inti pada analisis faktor, yakni factoring atau melakukan ekstraksi terhadap sekumpulan variabel yang ada, sehingga terbentuk satu atau lebih faktor.
Banyak metode untuk melakukan proses ekstraksi, namun metode yang digunakan pada penelitian ini adalah metode yang paling populer digunakan yaitu Principal Component
Analysis 11.
Interpretasi atas faktor yang telah terbentuk, khususnya memberi nama atas faktor yang terbentuk tersebut yang dianggap bisa mewakili variabel-variabel anggota faktor tersebut.
Data yang diperoleh sebagai hasil dari kuesioner penelitian Analisis Pembentukan Disonansi Kognitif Cognitive Dissonance Konsumen Pemilik Ponsel Blackberry pada
Mahasiswa Fakultas Hukum Universitas Sumatera Utara, akan diolah dengan mennggunakan bantuan SPSS 15.0 for Windows.
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,
Universitas Sumatera Utara
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 4.11 Hasil Analisis Faktor
KMO and Bartletts Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,862
Bartletts Test of Sphericity
Approx. Chi-Square 1204,264
df 105
Sig. ,000
Sumber: Pengolahan data primer dengan aplikasi SPSS 15.0 for Windows. Berdasarkan pengolahan data pada Tabel 4.11 terlihat bahwa nilai MSA sebesar 0,862
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:
Berdasarkan hasil pengolahan data pada tabel 4.12 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.
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 4.13 di atas terlihat bahwa
Universitas Sumatera Utara
hanya tiga faktor yang 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 1,024. Namun untuk empat faktor, angka eigenvalues sudah di bawah 1, yakni 0,878 sehingga proses factoring harus berhenti pada tiga faktor saja.
Tabel 4.14 Hasil Analisis Faktor
Component Matrixa
Component 1
2 3
Telah salah
,699 -,062
-,246
Putus asa
,880 -,006
,020
Menyesal
,839 -,163
,253
Kecewa
,741 -,470
,309
Takut
,716 -,437
-,065
Hampa
,791 -,403
-,052
Marah 1
,861 ,095
,199
Cemas
,656 ,167
,544
Kesal
,812 ,117
,140
Frustasi
,836 -,052
-,286
Sakit Hati
,723 ,013
-,387
Depresi
,809 ,229
-,347
Marah 2
,742 ,179
-,147
Muak
,446 ,532
,252
Masalah
,619 ,579
-,074 Extraction Method: Principal Component Analysis.
a 3 components extracted
Sumber: Pengolahan data primer dengan aplikasi SPSS 15.0 for Windows.2010 Setelah diketahui bahwa tiga faktor adalah jumlah yang paling optimal, maka Tabel
4.14 menunjukkan distribusi kelimabelas variabel tersebut pada tiga faktor yang terbentuk. Sedangkan angka-angka yang ada pada Tabel tersebut 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 0,839 kuat karena di atas
0,5
Universitas Sumatera Utara
- korelasi antar variabel merasa menyesal dengan faktor 2 adalah- 0,136 sangat lemah
karena di bawah 0,5 -
korelasi antar variabel merasa menyesal dengan faktor 3 adalah 0,253 lemah karena di bawah 0,5
Oleh karena
angka factor loading terbesar ada pada komponen faktor 1, maka
variabel merasa menyesal dapat dimasukkan sebagai komponen faktor 1. Pada Variabel merasa cemas, korelasi antara variabel tersebut dengan faktor 1 adalah 0,656 cukup kuat,
sedang korelasinya dengan faktor 3 juga cukup kuat 0,544, 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:
Tabel 4.15 Hasil Analisis Faktor
Rotated Component Matrixa
Component 1
2 3
Telah Salah
,623 ,377
,151
Putus asa
,543 ,558
,411
Menyesal
,319 ,731
,397
Kecewa
,174 ,900
,157
Takut
,447 ,713
-,021
Hampa
,489 ,742
,045
Marah 1
,409 ,549
,567
Cemas
,025 ,512
,701
Kesal
,425 ,481
,531
Frustrasi
,742 ,438
,200
Sakit Hati
,755 ,285
,144
Depresi
,808 ,208
,361
Marah 2
,607 ,280
,397
Muak
,162 ,019
,720
Masalah
,526 -,036
,667 Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization. a Rotation converged in 11 iterations.
Sumber: Pengolahan data primer dengan aplikasi SPSS 15.0 for Windows.2010
Universitas Sumatera Utara
Berdasarkan hasil pengolahan data pada Tabel 4.15 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 1, karena faktor loading dengan faktor 1 paling besar 0,623.
merasa putus asa 2: variabel ini masuk ke faktor 2, karena faktor loading dengan faktor 2 paling besar 0,558.
merasa menyesal 3: variabel ini masuk ke faktor 2, karena faktor loading dengan faktor 2 paling besar 0,731.
merasa kecewa dengan diri sendiri 4: variabel ini masuk ke faktor 2, karena faktor loading dengan faktor 2 paling besar 0,900.
merasa takut5: variabel ini masuk ke faktor 2, karena faktor loading dengan faktor 2 paling besar 0,713.
merasa hampa 6: variabel ini masuk ke faktor 2, karena faktor loading dengan faktor 2 paling besar 0,742.
merasa marah 7: variabel ini masuk ke faktor 3, karena faktor loading dengan faktor 3 paling besar 0,567.
merasa cemas atau khawatir 8: variabel ini masuk ke faktor 3, karena faktor loading dengan faktor 3 paling besar 0,701.
merasa kesal atau jengkel 9: variabel ini masuk ke faktor 3, karena faktor loading dengan faktor 3 paling besar 0,531.
merasa frustasi 10: variabel ini masuk ke faktor 1, karena faktor loading dengan faktor 1 paling besar 0,742.
merasa sakit hati 11: variabel ini masuk ke faktor 1, karena faktor loading dengan faktor 1 paling besar 0,755.
Universitas Sumatera Utara
merasa depresi 12: variabel ini masuk ke faktor 1, karena faktor loading dengan faktor 1 paling besar 0,808.
merasa marah dengan diri sendiri 13: variabel ini masuk ke faktor 1, karena faktor loading dengan faktor 1 paling besar 0,607.
merasa muak 14: variabel ini masuk ke faktor 3, karena faktor loading dengan faktor 3 paling besar 0,720.
mendapat masalah 15: variabel ini masuk ke faktor 3, karena faktor loading dengan faktor 3 paling besar 0,667.
Dengan demikian, kelimabelas variabel telah direduksi menjadi hanya terdiri atas tiga faktor:
- Faktor 1 terdiri atas variabel membuat sesuatu kesalahan, merasa frustrasi, merasa sakit hati, merasa depresi, marah dengan diri sendiri dapat diberi istilah KEPUTUSAN TEPAT
- Faktor 2 terdiri atas variabel merasa putus asa, menyesal, kecewa, takut, hampa dapat diberi istilah HARAPAN TEPAT
- Faktor 3 terdiri atas variabel merasa marah , kesal atau jengkel, cemas atau khawatir, muak, mendapat masalah dapat diberi istilah PERASAAN TEPAT
Tabel 4.16 Hasil Analisis Faktor
Component Transformation Matrix
Component 1
2 3
1 ,636
,620 ,460
2 ,132
-,675 ,726
3 -,761
,401 ,511
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Sumber: Pengolahan data primer dengan aplikasi SPSS 14.0 for Windows.2010 Berdasarkan hasil pengolahan data pada Tabel 4.16 perhatikan angka-angka yang ada
pada diagonal, antara komponen 1 dengan 1, komponen 2 dengan 2, dan komponen 3 dengan 3. Terlihat hanya Faktor 1 dan 3 yang berada di atas 0,5 berarti mempunyai korelasi yang
Universitas Sumatera Utara
kuat. Sedangkan faktor 2 memiliki nilai di bawah 0,5 berarti memiliki korelasi yang sangat lemah.
2. Variabel Kebijaksanaan Pembelian Wisdom of Purchase
