Regresi Logistik Ganda dalam SPSS

Tutorial Regresi Logistik Ganda

Uji Regresi Logistik ganda adalah uji regresi yang dilakukan pada penelitian apabila variabel dependen berskala dikotom (nominal dengan 2 kategori). (Untuk lebih jelasnya dengan Tipe Data, Baca Artikel kami berjudul "Pengertian Data")

Tentunya semua variabel independen haruslah berskala data dikotom juga, tetapi apabila skalanya kategorik nominal lebih dari 2 kategori, masih dapat dilakukan uji regresi logistik ganda dengan cara melakukan dummy.

Bahasan tentang dummy akan kita bahas pada artikel berikutnya. Pada bahasan kali ini khusus akan membahas tutorial melakukan uji regresi logistik ganda dengan menggunakan software SPSS For Windows.

Langsung saja, buka Aplikasi SPSS!

Kita buat 6 variabel dengan definisi sebagai berikut:

Variabel Independen:

1. Tekanan Kandung Kemih: Kategori "Ya" dan "Tidak"2. Pruritus: Kategori "Ya" dan "Tidak"3. Kram Kaki: Kategori "Ya" dan "Tidak"4. Gerak Janin: Kategori "Aktif" dan "Pasif"5. Heart Burn: Kategori "Ya" dan "Tidak"

Variabel Dependen: 

1. Gangguan Tidur: Kategori "Ya" dan "Tidak"

Ubah Value pada tab Variable View di SPSS sebagai berikut: Ya/Aktif = 1, Tidak/Pasif = 2. Ubah Measure menjadi "Nominal". Ubah Decimals menjadi "0". Ubah Type menjadi "Numeric"

Langkah berikutnya adalah isi data dengan nilai 1 atau 2. 1 apabila jawaban "Ya" atau "Aktif" dan 2 apabila "Tidak" atau "Pasif". Ebagai contoh gunakanlah 30 responden.

Setelah data terisi, maka kita mulai melakukan tahapan uji regresi logistik ganda yang sesungguhnya.

Ada beberapa metode atau teknik dalam melakukannya, yaitu antara lain: "Enter", "Stepwise", "Forward", "Backward" di mana masing-masing punya maksud yang berbeda. Dalam bahasan ini akan kita lakukan secara "stepwise" dengan proses manual, agar mudah memahami maksudnya.

Langkah Pertama adalah seleksi kandidat.

Seleksi Kandidat

Dalam langkah ini kita akan menyeleksi, variabel independen manakah yang layak masuk model uji multivariat. Di mana yang layak adalah yang memiliki tingkat signifikansi (sig.) atau p value < 0,025 dengan metode "Enter" dalam regresi logistik sederhana. Yaitu dengan melakukan satu persatu regresi sederhana antara masing-masing variabel independen terhadap variabel dependen.

Caranya adalah sebagai berikut:Klik Analyze, Regression, Binary Logistic

Masukkan variabel independen pertama yaitu "tekanan kandung kemih" ke dalam kotak Covariate.Masukkan variabel dependen ke kotak Dependent.

Klik Options, Centang "CI For Exp (B)"

Klik OK

Lihat hasilnya!

Dari hasil di atas, lihat tabel "variables in the equation" dan lihat nilai "sig." . Didapat nilai signifikan <0,25, yang berarti variabel "tekanan kandung kemih" layak masuk model multivariat.

Lakukan dengan cara di atas pada empat variabel independen lainnya. Apabila signifikansi > 0,25 maka variabel independen yang bersangkutan tidak layak masuk model multivariat.

Setelah dilakukan seleksi kandidat, inventarisir variabel mana yang layak masuk model dan urutkan dalam tabel dimulai dari yang nilai signifikansinya terbesar.

Sebelum diurutkan (Semua)

Subvariabel P value

Tekanan Kandung KemihPruritusKram kakiGerak janinHeart burn

0,3770,0410,0450,0880,244

Hasil analisis menunjukkan nilai p value subvariabel tekanan kandung kemih (0,377) dan heart burn (0,244) sehingga tidak masuk ke uji multivariat karena p valuenya > 0,25. Sedangkan pruritus (0,041), kram kaki (0,045), gerak janin (0,088) masuk ke uji multivariate karena p valuenya < 0,25.

Diurutkan (Hanya yang masuk model)

Subvariabel P value

Gerak janinKram kakiPruritus

0,0880,0450,041

Berarti ada 3 variabel yang akan diuji, yaitu: gerak janin, kram kaki dan pruritus.

Langkah berikutnya adalah masukkan ketiga variabel di atas dalam regresi logistik ganda dengan cara:

Analisis Multivariat

klik analyze, regression, binary logistic.Masukkan ketiga variabel independen ke dalam kotak Covariate.Masukkan variabel dependen ke kotak Dependent.Klik Options, centang CI For Exp (B)

Klik OK.

Lihat Hasilnya!

No Subvariabel B Wald Sig. OR CI 95%1 Pruritus 2,035 3,508 0,061 7,651 0,910 - 64,3422 Kram kaki 2,800 4,428 0,035 16,447 1,212 –

223.2423 Gerak janin 3,278 6,268 0,012 26,525 2,038 –

345,305

Subvariabel kram kaki dan gerak janin memiliki p value < 0,05 yaitu kram kaki (0,035) dan gerak janin (0,012). Sedangkan subvariabel pruritus memiliki p value > 0,05 yaitu 0,061.  Langkah berikutnya, subvariabel yang memiliki p value terbesar yaitu pruritus (0,061)  dikeluarkan dari model.

Cek Apakah setelah satu variabel pruritus dikeluarkan, ada perubahan ODDS Ratio (Exp (B)) > 10%?Apabila ada, kembalikan variabel yang dikeluarkan kembali pada model dan ulangi dengan mengeluarkan yang terbesar selain yang dimasukkan kembali. Ulangi Terus hingga hanya tertinggal satu variabel atau tidak ada yang bisa dikeluarkan lagi karena perubahan ODDS Ratio > 10%.Pada SPSS, gunakan cara yang sama dengan cara di atas!

Lihat contoh uraian langkah sebagai berikut!

No Subvariabel B Wald Sig. OR CI 95%1 Kram kaki 2,003 2,951 0,086 7,409 0,754 - 72,8122 Gerak janin 2,852 5,536 0,019 17,319 1,610 –

186,288

Setelah subvariabel pruritus dikeluarkan, perubahan OR dapat dilihat pada tabel berikut:

Subvariabel OR pruritus ada

OR pruritus tidak ada

PerubahanOR (%)

Pruritus 7,651 - -Kram kaki 16,447 7,409 54Gerak janin 26,252 17,319 34

Hasil analisis multivariat menunjukkan bahwa setelah subvariabel pruritus dikeluarkan diperoleh perubahan OR > 10% yaitu pada subvariabel kram kaki (54%) dan subvariabel gerak janin (34%) sehingga subvariabel pruritus dimasukkan kembali ke dalam pemodelan, seperti pada tabel berikut:

No Subvariabel B Wald Sig. OR CI 95%1 Pruritus 2,035 3,508 0,061 7,651 0,910 - 64,3422 Kram kaki 2,800 4,428 0,035 16,447 1,212 –

223.2423 Gerak janin 3,278 6,268 0,012 26,525 2,038 –

345,305

             Langkah selanjutnya adalah pengeluaran subvariabel kram kaki (0,035) karena memiliki p value terbesar kedua setelah pruritus (0,061).

No Subvariabel B Wald Sig. OR CI 95%1 Pruritus 1,179 1,759 0,185 3,252 0,569 - 18,5702 Gerak janin 2,218 0,963 0,021 9,192 1,391 –

60,723

Setelah subvariabel pruritus dikeluarkan, perubahan OR dapat dilihat pada tabel berikut :

Subvariabel OR kram kakiada

OR kram kaki tidak ada

PerubahanOR (%)

Pruritus 7,651 3,252 57,4Kram kaki 16,447 - -Gerak janin 26,252 9,192 65,3

Hasil analisis multivariate menunjukkan bahwa setelah subvariabel kram kaki dikeluarkan diperoleh perubahan OR > 10% yaitu pada subvariabel pruritus (57,4%) dan subvariabel gerak janin (65,3%) sehingga subvariabel kram kaki dimasukkan kembali ke dalam pemodelan, seperti pada tabel berikut:

Model Akhir Multivariat

No Subvariabel B Wald Sig. OR CI 95%1 Pruritus 2,035 3,508 0,061 7,651 0,910 - 64,3422 Kram kaki 2,800 4,428 0,035 16,447 1,212 –

223.2423 Gerak janin 3,278 6,268 0,012 26,525 2,038 –

345,305

Hasil analisis: dapat disimpulkan bahwa dari keseluruhan variabel independen yang diduga mempengaruhi gangguan tidur (insomnia) pada ibu hamil trimester ketiga terdapat satu subvariabel (gerak janin) yang paling berpengaruh terhadap gangguan tidur dengan p value 0,012 < 0,05. Nilai OR terbesar yang diperoleh yaitu 26,252 artinya gerak janin aktif yang dirasakan responden mempunyai peluang 26,252 kali menyebabkan adanya gangguan tidur (insomnia).

Kesimpulan Akhir:

1. Semua variabel yang masuk model atau yang lolos seleksi kandidat, berarti memiliki pengaruh terhadap variabel dependen.

2. Apabila setelah diuji dalam model akhir multivariat, yang tersisa dalam model berarti terbukti sebagai variabel independen yang secara bermakna atau signifikan mempengaruhi variabel dependen. Sedangkan yang tidak masuk model akhir, berarti sebagai variabel perancu atau counfounding yang artinya menjadi variabel yang mempengaruhi hubungan variabel independen dan dependen.

3. Variabel dengan ODDS Ratio terbesar dalam model akhir multivariat, menjadi variabel yang paling dominan mempengaruhi variabel dependen.

Analisis faktor adalah analisis yang bertujuan mencari faktor-faktor utama yang paling mempengaruhi variabel dependen dari serangkaian uji yang dilakukan atas serangkaian variabel independen sebagai faktornya. Misalnya, kita hendak menentukan sejumlah agen sosialisasi politik yang paling besar pengaruhnya atas pembentukan budaya politik siswa.

Khusus untuk Analisis Faktor, sejumlah asumsi berikut harus dipenuhi: (Santoso, 2006: 13)

1. Korelasi antarvariabel Independen. Besar korelasi atau korelasi antar independen variabel harus cukup kuat, misalnya di atas 0,5.

2. Korelasi Parsial. Besar korelasi parsial, korelasi antar dua variabel dengan menganggap tetap variabel yang lain, justru harus kecil. Pada SPSS deteksi terhadap korelasi parsial diberikan lewat pilihan Anti-Image Correlation.

3. Pengujian seluruh matriks korelasi (korelasi antar variabel), yang diukur dengan besaran Bartlett Test of Sphericity atau Measure Sampling Adequacy (MSA). Pengujian ini mengharuskan adanya korelasi yang signifikan di antara paling sedikit beberapa variabel.

4. Pada beberapa kasus, asumsi Normalitas dari variabel-variabel atau faktor yang terjadi sebaiknya dipenuhi.

Uji Asumsi Analisis Faktor

Pada bagian Metode Penelitian telah disebutkan bahwa analisis faktor membutuhkan terpenuhinya serangkaian asumsi. Peneliti akan menguji asumsi analisis faktor satu per satu terlebih dahulu sebelum uji analisis faktor dilakukan.

Korelasi antarvariabel independen, dalam analisis faktor, harus > 0,5 dengan signifikansi < 0,05. Korelasi antarvariabel independen sangat mudah jika dilakukan dengan SPSS. Caranya adalah klik Analyze > Data Reduction > Factor > Masukkan seluruh variabel independen > Klik tombol Descriptives… > Pada kotak dialog Factor Analysis: Descriptives, khususnya pada Correlation Matrix ceklis KMO and Bartlett’s test of sphericity dan Anti-image > Klik Continue > Klik OK.

Hasil uji korelasi antarvariabel independen ada pada output KMO and Bartlett’s Test, sebagai berikut:

Nilai KMO and Bartlett’s Test untuk korelasi antarvariabel yang diinginkan adalah > 0,5. Signifikansi penelitian adalah 0,05. Dari hasil di atas diperoleh nilai KMO sebesar 0,771 yang artinya lebih besar dari 0,5. Sementara itu, signifikansi yang dihasilkan dari Bartlett’s Test of Sphericity sebesar 0,000. (Santoso, 2006: 22)

Dengan hasil di atas, maka dapat dikatakan bahwa variabel dan sampel yang digunakan memungkinkan untuk dilakukan analisis lebih lanjut. Selanjutnya, untuk melihat korelasi antarvariabel independen dapat diperhatikan tabel Anti-Image Matrices. Nilai yang diperhatikan adalah MSA (Measure of Sampling Adequacy). Nilai MSA berkisar antara 0 hingga 1, dengan ketentuan sebagai berikut: (Santoso, 2006: 20)

1. MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel yang lain. 2. MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut. 3. MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut, atau

dikeluarkan dari variabel lainnya.

Hasil pengujian dengan SPSS sebagai berikut:

Perhatikan baris Anti-Image Correlation, di mana nilai MSA ditandai dengan huruf a. Rincian hasilnya sebagai berikut: 

1. Agen_sekolah : 0,788 > 0,5 2. Agen_keluarga : 0,673 > 0,5

3. Agen_teman : 0,741 > 0,5 4. Agen_media : 0,798 > 0,5 5. Agen_agama : 0,835 > 0,5 6. Agen_parpol : 0,784 > 0,5 7. Agen_pamarentah : 0,745 > 0,5

Berdasarkan hasil MSA di atas, maka seluruh variabel independen dapat dianalisis lebih lanjut karena masing-masing nilainya > 0,5.

Untuk normalitas data masing-masing variabel, peneliti persembahkan dalam bentuk grafik Normal P-P Plot, yang peneliti sampaikan dalam lampiran penelitian ini. Hasil uji normalitas yang dikehendaki adalah data masing-masing berdistribusi normal yang mengikuti garis Z. Rata-rata data di tiap variabel cenderung mengikuti garis Z sehingga dapat dikatakan normal.

Pengelompokan Faktor

Langkah selanjutnya adalah, upaya penelitian ini guna menentukan apakah variabel-variabel independen bisa dikelompokkan ke dalam satu atau beberapa faktor. Jadi, ketujuh agen sosialisasi politik dalam variabel independen akan dilihat apakah mereka sesungguhnya bisa disederhanakan ke dalam satu atau beberapa faktor. Sekali lagi, upaya ini lebih mudah menggunakan SPSS.

Cara melakukannya adalah klik Analyze > Data Reduction > Factor… > Pada Factor Analysis masukkan seluruh variabel independen ke kotak Variables > Klik tombol Extraction… > Pada kotak dialog Factor Analysis: Extraction > Pada Method pilih Principal of components > Ceklis Correlation Matrix > Pada Display ceklis Unrotated factor solution dan Scree Plot > Eigenvalues oves biarkan bernilai 1, sehingga variabel yang punya angka Eigenvalues < 1 akan dikeluarkan > Maximum Iterations for Convergence tetap pada angka 25 > Klik Continue > Klik Rotation… > Pada kotak dialog Factor Analysis: Rotation tentukan Method yaitu Varimax > Pada Display ceklis kotak Rotated Solution dan Loading Plot(s) > Maximum Iterations for Convergence tetap pada angka 25 > Continue > OK.

Penjelasan Variabel oleh Faktor

Maksud dari penjelasan variabel oleh faktor adalah seberapa besar faktor yang nantinya terbentuk mampu menjelaskan variabel. Untuk itu harus dilihat tabel Communalities sebagai berikut: (Santoso, 2006: 41)

Hasilnya adalah, faktor mampu menjelaskan variabel agen_sekolah sebesar 0,556 atau 55,60%, agen_keluarga diterangkan sebesar 69,70%, agen_teman diterangkan sebesar 66,70%, agen_media diterangkan sebesar 62,00%, agen_agama diterangkan sebesar 54,50%, agen_parpol sebesar 66,00%, dan agen_pamarentah diterangkan sebesar 68,20%. Karena rata-rata penjelasan di atas 50% maka faktor tetap akan ditentukan.

Faktor yang Mungkin Terbentuk

Guna menentukan seberapa banyak faktor yang mungkin terbentuk dapat dilihat pada tabel Total Variance Explained sebagai berikut: (Santoso, 2006: 42-3)

Component berkisar antara 1 hingga 7 yang mewakili jumlah variabel independen. Perhatikan kolom Initial Eigenvalues yang dengan SPSS kita tentukan nilainya 1. Varians bisa diterangkan oleh oleh faktor 1 adalah 3,230/7 x 100% = 46,142. Sementara oleh faktor 2 sebesar 1,198/7 x 100% = 17,113. Dan, total kedua faktor akan mampu menjelaskan variabel

sebesar 46,142% + 17,113% = 63,255%. Dengan demikian, karena nilai Eigenvalues yang ditetapkan 1, maka nilai Total yang akan diambil adalah yang > 1 yaitu component 1 dan 2.

Factor Loading

Setelah kita mengetahui bahwa faktor maksimal yang bisa terbentuk adalah 2, selanjutnya kita melakukan penentuan masing-masing variabel independen akan masuk ke dalam faktor 1 atau faktor 2. Cara menentukannya adalah dengan melihat tabel Component Matrix sebagai berikut: (Santoso, 2006: 45)

Dapat kita lihat bersama bahwa korelasi antar variabel independen dengan faktor yang hendak terbentuk adalah: 

1. agen_sekolah : Faktor 1 korelasi 0,724; Faktor 2 korelasi - 0,179 2. agen_keluarga : Faktor 1 korelasi 0,535; Faktor 2 korelasi 0,641 3. agen_teman : Faktor 1 korelasi 0,688; Faktor 2 korelasi 0,441 4. agen-media : Faktor 1 korelasi 0,781; Faktor 2 korelasi 0,101 5. agen_agama : Faktor 1 korelasi 0,734; Faktor 2 korelasi 0,080 6. agen_parpol : Faktor 1 korelasi 0,656; Faktor 2 korelasi - 0,479 7. agen_pamarentah : Faktor 1 korelasi 0,606; Faktor 2 korelasi - 0,561

Agar lebih jelas variabel mana masuk ke faktor mana, bisa dilihat tabel Rotated Component Matrix sebagai berikut:

Penentuan input variabel ke faktor tertentu mengikut pada besar korelasi antara variabel dengan faktor, yaitu kepada yang korelasinya besar. Dengan demikian maka faktor dan variabel anggotanya adalah :

Faktor 1: 

1. Agen Sosialisasi Politik Sekolah 2. Agen Partai Politik 3. Agen Pemerintah

Faktor 2: 

1. Agen Keluarga 2. Agen Teman 3. Agen Media 4. Agen Agama

Sebagai langkah akhir dari penentuan faktor, maka dapat dilihat tabel Component Transformation Matrix berikut:

Baik Faktor 1 (component) ataupun Faktor 2 memiliki korelasi sebesar 0,719 yang artinya cukup kuat karena 0,719 > 0,5. Dengan demikian Faktor 1 dan Faktor 2 dapat dikatakan tepat untuk merangkum ke-7 variabel independen.

Faktor yang Terbentuk

Pada analisis sebelumnya telah diperoleh bahwa ada 2 faktor yang terbentuk yaitu : (1) Faktor 1 dan (2) Faktor 2.

Faktor 1 terdiri atas variabel independen: 

1. Agen Sosialisasi Sekolah 2. Agen Sosialisasi Partai Politik 3. Agen Sosialisasi Pemerintah

Faktor 2 terdiri atas variabel independen: 

1. Agen Sosialisasi Keluarga 2. Agen Sosialisasi Teman 3. Agen Sosialisasi Agama 4. Agen Sosialisasi Media

Faktor 1 berisikan variabel-variabel agen sosialisasi politik yang sifatnya “Institutionalized” atau terlembaga berupa organisasi formal yang punya struktur dan fungsi resmi. Faktor 2 berisikan variabel-variabel agen sosialisasi politik yang sifatnya “noninstitutionalized” atau cenderung lebih bersifat hubungan emosional dan tidak resmi. Misalnya, media massa kendatipun siaran atau pemberitaannya bersifat resmi, tetapi cenderung bersifat non formal karena siswa sekolah mampu mengaksesnya tanpa protokol resmi. Bahkan, media massa bisa hadir di dalam lingkungan pribadi dan keluarga siswa.

Dengan demikian, faktor-faktor yang terbentuk dapat dideskripsikan sebagai berikut: 

Faktor 1 disebut sebagai Agen Formal Faktor 2 disebut sebagai Agen Informal

-------------------------------------------Daftar Pustaka

Santoso, Singgih. Seri Solusi Bisnis Berbasis TI: Menggunakan SPSS untuk Statistik Multivariat. Jakarta: Elex Media Komputindo, 2006.

-------------------------------------------

tags:uji faktor analisis faktor spss asumsi uji analisis faktor bartlett tes nilai msa faktor loading pengelompokan variabel melakukan analisis faktor 

Output Analisis Faktor (Faktor Analysis)

Analisis

1. 1. Communalities

Untuk variabel Layout, angka Commununalities-nya adalah 0,308. Hal ini berarti sekitar 30,8% varians dari variabel Layout dapat dijelaskan oleh faktor yang nanti terbentuk. (jika dilihat pada tabel terakhir, yaitu Component Matrix, ada 2 Component, yang berarti ada 2 faktor terbentuk), demikian seterusnya.

1. 2. TOTAL VARIANCE EXPLAINED

Ada 6 variabel yang dimasukkan dalam analisis faktor. Denga masing-masing variabel mempunyai varians 1, maka total varians adalah 6 x 1 = 6. Sekarang, jika keenam variabel tersebut diringkas menjadi satu faktor, maka varians yang dapat dijelaskan oleh satu faktor tersebut adalah

Jika 6 variabel diekstrak menjadi 2 faktor, maka:

Varians faktor pertama adalah 30,48% Varians faktor pertama adalah

Total kedua faktor akan dapat menjelaskan 30,48% + 20,28% = 50,76% dari variabilitas keenam variabel asli tersebut.

Sedangkan eigevalues menunjukkan kepentingan relatif masing-masing faktor dalam menghitung varians keenam variabel yang dianalisis. Perhatikan di sini bahwa:

Jumlah angka eigenvalues untuk keenam variabel adalah sama dengan total varians keenam variabel, atau 1,829 + 1,217 + …+0,613 = 6.

Susunan eigenvalues selalu diurutkan dari yang terbesar sampai terkecil, dengan kriteria bahwa agka eigenvalues di bawah 1 tidak digunakan dalam menghitung jumlah faktor yang terbentuk.

1. 3. SCREE PLOT

Jika tabel kedua menjelaskan dasar jumlah faktor yang didapat dengan perhitungan angka, maka scree plot menampakkan dengan grafik. Terlihat bahwa dari satu ke dua faktor arah garis turun dengan cukup tajam. Kemudian dari angka 2 ke 3, garis masih menurun, namun dengan slope yang lebih kecil. Juga perhatikan faktor 3 sudah di bawah angka 1 dari sumbu Y Eigenvalues). Hal ini menunjukkan bahwa dua faktor adalah paling bagus untuk meringkas keenam variabel tersebut.

1. 4. COMPONENT MATRIX

Setelah diketahui bahwa dua faktor adalah jumlah yang paling optimal, maka table ini menunjukkan distribusi keenam variabel tersebut pada dua faktor yang ada. Sedangkan angka yang ada pada table tersebut adaah faktor loadings, atau besar korelasi antara suatu variabel dengan faktor 1 atau faktor 2.

Sebagai contoh, perhatikan bahwa korelasi antara variabel BERSIH dengan faktor 2 adalah 0,654 (cukup kuat), sedang korelasi antara variabel BERSIH dengan faktor 1 adalah -0,348 (lemah). Dengan demikian dapat dikatakanvariabel BERSIH dapat dimasukkan sebagai komponen faktor 2. Dan seterusnya untuk variabel-variabel lainnya.

Hubungan antara Faktor Loading dan Communalities

Communalities adalah jumlah dari kuadrat masing-masing faktor loading sebuah variabel.

Sebagai contoh untuk variabel BERSIH:

Communalities = (-0,348)2 + (0,654)2 =0,548

Demikian seterusnya untuk variabel lainnya.

Perhatikan bahwa ada variabel yang belum jelas akan dimasukkan dalam faktor 1 atau 2, maka perlu dilakukan proses rotasi, agar semakin jelas perbedaan sebuah variabel akan dimasukkan pada faktor 1 atau faktor 2.

Catatan: Sebagai pedoman agar sebuah variabel dapat secara nyata termasuk dalam sebuah faktor adalah 0,55.

Analisis Hasil Rotasi

Berdasarkan output hasil rotasi diperoleh hasil sebagai berikut:

1. 1. COMMUNALITIES

Proses rotasi tidak mengubah besaran angka Communalities

1. 2. TOTAL VARIANCE EXPLAINED

Dengan adanya proses rotasi, keenam variabel tetap paling baik direduksi menjadi dua faktor saja. Hal ini terlihat pada kolom paling kanan (rotatioan), dimana tetap direkomendasikan dua faktor dengan jumlah varians yang sama.

1. 3. SCREE PLOT

Scree plot juga sama sebelum proses rotasi, yaitu tetap menunjukkan dua faktor adalah jumlah yang tepat untuk mereduksi enam variabel yang ada.

1. 4. COMPONENT MATRIX

Ada dua component matrix, yaitu sebelum dan sesudah rotasi (sebelum rotasi sudah dibahas sebelumnya).

Component matrix hasil dari proses rotasi memperlihatkan distribusi variabel yang lebih jelas dan nyata.

Terlihat bahwa sekarang faktor loading yang dulunya kecil semakin diperkecil dan faktor loading yang besar semakin diperbesar.

Variabel Bersih: Korelasi antara variabel bersih dengan faktor 2 yang sebelum rotasi adalah 0,654 (cukup kuat), dengan rotasi lebih diperkuat menjadi 0,737. Sebaliknya, korelasi variabel bersih dengan faktor 1 yang sebelum rotasi adalah -0,348 (lemah), dengan rotasi diperkecil lagi menjadi 0,07148. Dengan demikian dapat dikatakan variabel BERSIH dapat dimasukkan sebaga komponen faktor 2.

Dengan cara sama, untuk variabel lainnya dan semua variabel sudah sangat nyata untuk dimasukkan pada salah satu faktor.

Berdasarkan hasil analisis faktor di atas, dengan melakukan rotasi diperoleh hasil:

Faktor 1 terdiri atas variabel Harga, Image, dan Promosi Faktor 2 terdiri atas variabel Bersih, Layout, dan Lengkap

1. 5. COMPONENT PLOT IN ROTATED MATRIX

Hasil rotasi faktor juga dapat diperlihatkan dengan grafik, dimana tampak terjadi pengelompokan dua faktor yang nyata.

Sumbu X, Untuk komponen/faktor 1, yang dimulai dengan -1 di paling kiri ke angka +1 di paling kanan. Dari angka rotated matrix (angka korelasi) terlihat bahwa variabel yang termasuk ke faktor 1 akan mendekati angka +1, atau berarti terletak di kanan tengah grafik. Terlihat variabel Harga, Image dan Promosi memang ada di daerah tersebut.

Sumbu Y, Untuk komponen/faktor 2, yang dimulai dengan -1 di paling bawah ke angka +1 di paling atas. Dari angka rotated matrix (angka korelasi) terlihat bahwa variabel yang termasuk ke faktor 2 akan mendekati angka +1, atau berarti terletak di atas tengah grafik. Terlihat variabel Bersih, Layout dan Lengkap memang ada di daerah tersebut.

MENAMAKAN FAKTOR

Setelah didapat dua faktor yang merupakan hasil reduksi dari enam variabel, langkah berikut adalah memberi nama pada kedua faktor tersebut. Tentu saja penamaan faktor ini bergantung pada nama-nama variabel yang menjadi satu kelompok, dengan demikian sebenarnya pemberian nama bersifat subjektif, serta tidak ada ketentuan yang pasti mengenai pemberian nama tersebut.

Untuk kasus di atas, faktor pertama yang terdiri atas variabel Harga, Image, dan Promosi dapat dinamakan dengan FAKTOR EKSTERNAL, sedangkan faktor kedua yang terdiri atas variabel Bersih, Layout, dan Lengkap dapat dinamakan FAKTOR INTERNAL.

DAFTAR PUSTAKA

Darlington, Richard B., Sharon Weinberg, and Herbert Walberg (1973). Canonical variate analysis and related techniques. Review of Educational Research, 453-454.

Gorsuch, Richard L. (1983) Factor Analysis. Hillsdale, NJ: Erlbaum

Morrison, Donald F. (1990) Multivariate Statistical Methods. New York: McGraw-Hill.

Richard B. Darlington.(2009).Factor Anaysis. Online (www.psych.cornell.edu/Darlington/factor.htm)

Rubenstein, Amy S. (1986). An item-level analysis of questionnaire-type measures of intellectual curiosity. Cornell University Ph. D. thesis.