LAPORAN PRAKTIKUM

ANALISIS MULTIVARIAT

Laporan ini ditulis bertujuan untuk menyelesaikan tugas mata kuliah Analisis
Multivariat

Dosen Pengampu : Dr. Ir. I Wayan Widia, MSIE.

Oleh :

I Gusti Putu Angga Wira Dananjaya (1411305021)

PROGRAM STUDI TEKNIK PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS UDAYANA
2017
A. Judul

Pengolahan Data Multivariat Dengan Metode Analisis Faktor.

B. Landasan Teori
1. Ananlisis Faktor

Analisis faktor adalah sebuah teknik yang digunakan untuk mencari

faktor-faktor yang mampu menjelaskan hubungan atau korelasi antara berbagai
indikator independen yang diobservasi. Analisis faktor merupakan perluasan dari
analisis komponen utama. Digunakan juga untuk mengidentifikasi sejumlah
faktor yang relatif kecil yang dapat digunakan untuk menjelaskan sejumlah
besar variabel yang saling berhubungan.

Sehingga variabel-variabel dalam satu faktor mempunyai korelasi yang

tinggi, sedangkan korelasi dengan variabel-variabel pada faktor lain relatif
rendah. Tiap-tiap kelompok dari variabel mewakili suatu konstruksi dasar yang
disebut faktor. Untuk meningkatkan daya interpretasi faktor, harus
dilakukan transformasi pada matriks loading. Transformasi dilakukan dengan
merotasi matriks tersebut dengan metode varimax, quartimax, equamax,
quartimin, biquartimin dan covarimin serta oblimin.

Hasil rotasi ini akan mengakibatkan setiap variabel asal mempunyai

korelasi tinggi dengan faktor tertentu saja dan dengan faktor yang lain korelasi
relatif rendah sehingga setiap faktor akan lebih mudah untuk diinterpretasikan.
Untuk mengetahui rotasi mana yang sesuai digunakan 2min yang dihasilkan
dari analisis procrustes.
 Analisis procrustes adalah suatu teknik analisis yang digunakan untuk
membandingkan dua konfigurasi. Dalam hal ini konfigurasi data hasil analisis
factor yang sudah dirotasi dibandingkan dengan data asal. Sebelum kedua data
dibandingkan terlebih dahulu kedua data diproses berdasarkan penetapan dan
penyesuaian posisi. Penetapan dan penyesuaian dengan posisi dilakukan dengan
transformasi yaitu transformasi translasi, rotasi maupun dilasi yang dibuat
sedemikian sehingga diperoleh jarak yang sedekat mungkin. Setelah proses
tersebut dilakukan dapat diketahui sejauh mana konfigurasi data analisis faktor
dapat menggambarkan data asal.

2. Tujuan Analisis Faktor

Tujuan utama analisis faktor adalah untuk menjelaskan struktur hubungan

di antara banyak variabel dalam bentuk faktor atau vaiabel laten atau variabel
bentukan. Faktor yang terbentuk merupakan besaran acak (random quantities)
yang sebelumnya tidak dapat diamati atau diukur atau ditentukan secara
langsung. Selain tujuan utama tersebut, terdapat tujuan lainnya adalah:

a) Untuk mereduksi sejumlah variabel asal yang jumlahnya banyak menjadi

sejumlah variabel baru yang jumlahnya lebih sedikit dari variabel asal, dan
variabel baru tersebut dinamakan faktor atau variabel laten atau konstruk atau
variabel bentukan.
b) Untuk mengidentifikasi adanya hubungan antarvariabel penyusun faktor atau
dimensi dengan faktor yang terbentuk, dengan menggunakan pengujian
koefisien korelasi antar faktor dengan komponen pembentuknya. Analisis
faktor ini disebut analisis faktor konfirmatori.
c) Untuk menguji valisitas dan reliabilitas instrumen dengan analisis faktor
konfirmatori.
d) Validasi data untuk mengetahui apakah hasil analisis faktor tersebut dapat
digeneralisasi ke dalam populasinya, sehingga setelah terbentuk faktor, maka
peneliti sudah mempunyai suatu hipotesis baru berdasarkan hasil analisis
tersebut.
3. Jenis-jenis Analisis Faktor
a) Analisis Faktor Eksploratori (EFA)
Analisis faktor eksploratori atau analisis komponen utama (PCA
= Principle Component Analysis) yaitu suatu teknik analisis faktor di mana
beberapa faktor yang akan terbentuk berupa variabel laten yang belum dapat
ditentukan sebelum analisis dilakukan.
Pada prinsipnya analisis faktor eksploratori di mana terbentuknya
faktor-faktor atau variabel laten baru adalah bersifat acak, yang selanjutnya
dapat diinterprestasi sesuai dengan faktor atau komponen atau konstruk
yang terbentuk. Analisis faktor eksploratori persis sama dengan anlisis
komponen utama (PCA).
Dalam analisis faktor eksploratori di mana peneliti tidak atau belum
mempunyai pengetahuan atau teori atau suatu hipotesis yang menyusun
struktur faktor-faktornya yang akan dibentuk atau yang terbentuk, sehingga
dengan demikian pada analisis faktor eksploratori merupakan teknik untuk
membantu membangun teori baru.
Analisis faktor eksploratori merupakan suatu teknik untuk mereduksi
data dari variabel asal atau variabel awal menjadi variabel baru atau faktor
yang jumlahnya lebih kecil dari pada variabel awal. Proses analisis faktor
eksploratori mencoba untuk menemukan hubungan antarvariabel baru atau
faktor yang terbentuk yang saling independen sesamanya, sehingga bisa
dibuat satu atau beberapa kumpulan variabel laten atau faktor yang lebih
sedikit dari jumlah variabel awal yang bebas atau tidak berkorelasi
sesamanya. Jadi antar faktor yang terbentuk tidak berkorelasi sesamanya.

b) Analisis Faktor Konfirmatori (CFA)

Analisis faktor konfirmatori yaitu suatu teknik analisis faktor di mana
secara apriori berdasarkan teori dan konsep yang sudah diketahui dipahami
atau ditentukan sebelumnya, maka dibuat sejumlah faktor yang akan
dibentuk, serta variabel apa saja yang termasuk ke dalam masing-masing
faktor yang dibentuk dan sudah pasti tujuannya. Pembentukan faktor
konfirmatori (CFA) secara sengaja berdasarkan teori dan konsep, dalam
 upaya untuk mendapatkan variabel baru atau faktor yang mewakili beberapa
item atau sub-variabel, yang merupakan variabel teramati atau observerb
variable.
Pada dasarnya tujuan analisis faktor konfirmatori adalah: pertama
untuk mengidentifikasi adanya hubungan antar variabel dengan melakukan
uji korelasi. Tujuan kedua untuk menguji validitas dan reliabilitas
instrumen. Dalam pengujian terhadap validitas dan reliabilitas instrumen
atau kuesioner untuk mendapatkan data penelitian yang valid dan reliabel
dengan analisis faktor konfirmatori.

C. Bahan dan Alat

Bahan dan alat yang digunakan dalam penulisan tugas Analisis Multivariat
ini adalah software IBM SPSS Statistics 23. Software SPSS adalah sebuah
program komputer yang digunakan untuk membuat analisis statistika. SPSS
dipublikasikan oleh SPSS Inc.

SPSS (Statistical Package for the Social Sciences atau Paket Statistik untuk
Ilmu Sosial) versi pertama dirilis pada tahun 1968, diciptakan oleh Norman Nie,
seorang lulusan Fakultas Ilmu Politik dari Stanford University, yang sekarang
menjadi Profesor Peneliti Fakultas Ilmu Politik di Stanford dan Profesor Emeritus
Ilmu Politik di University of Chicago.

SPSS adalah salah satu program yang paling banyak digunakan untuk
analisis statistika ilmu sosial. SPSS digunakan oleh peneliti pasar, peneliti
kesehatan, perusahaan survei, pemerintah, peneliti pendidikan, organisasi
pemasaran, dan sebagainya. Selain analisis statistika, manajemen data (seleksi
kasus, penajaman file, pembuatan data turunan) dan dokumentasi data (kamus
metadata ikut dimasukkan bersama data) juga merupakan fitur-fitur dari software
dasar SPSS.

Statistik yang termasuk software dasar SPSS

Statistik Deskriptif: Tabulasi Silang, Frekuensi, Deskripsi, Penelusuran,

Statistik Deskripsi Rasio
 Statistik Bivariat: Rata-rata, t-test, ANOVA, Korelasi (bivariat, parsial,
jarak), Nonparametric tests
Prediksi Hasil Numerik: Regresi Linear
Prediksi untuk mengidentivikasi kelompok: Analisis Faktor, Analisis
Cluster (two-step, K-means, hierarkis), Diskriminan.

Berbagai fitur dalam SPSS dapat diakses melalui menu pull-down atau
dapat diprogram dengan bahasa perintah sintaks proprietary 4GL. Pemrograman
perintah sintaks memiliki keuntungan di bidang reproduktivitas serta
pengendalian manipulasi data kompleks dan analisis. Perhubungan menu pull-
down juga menghasilkan sintaks perintah, walaupun pengaturan awalnya harus
diubah terlebih dahulu agar sintaks dapat dilihat oleh user. Program dapat berjalan
secara interaktif, atau tanpa pengendalian menggunakan Fasilitas Kerja Produksi.
Sebagai tambahan, bahasa makro juga dapat digunakan untuk menulis perintah
subrutin dan ekstensi program Python dapat mengakses informasi di dalam kamus
data dan data, kemudian secara dinamis membuat program perintah sintaks.

Ekstensi program Phyton, yang diperkenalkan pada SPSS 14, menggantikan

skrip SAX Basic yang kurang fungsional, walaupun SAX Basic juga masih dapat
digunakan. Ekstensi Phyton menyebabkan SPSS dapat menjalankan statistik mana
pun dalam paket free software R. Sejak versi 14 dan seterusnya, SPSS dapat
diatur secara eksternal melalui Phyton pada program VB.NET menggunakan
plug-ins yang telah disediakan.

SPSS meletakkan batasan-batasan pada struktur file internal, tipe data,

pengolahan data dan pencocokan file, yang memudahkan pemrograman. SPSS
datasets memiliki struktur tabel 2 dimensi dimana bagian baris menunjukkan
kasus-kasus (seperti pribadi atau rumah tangga) dan bagian kolom menampilkan
ukuran-ukuran (seperti umur, jenis kelamin, pendapatan rumah tangga). Hanya 2
tipe data yang digambarkan : numerik dan teks (string).

Seluruh pengolahan data dilakukan berurutan kasus per kasus melalui file.
File dapat dipasangkan satu per satu atau satu-banyak, tapi tidak dapat banyak per
banyak.
User interface grafis memiliki 2 jenis tampilan yang dapat dipilih dengan cara
meng-klik salah satu dari dua tombol di bagian bawah kiri dari window SPSS.

Tampilan Data View menampilkan tampilan spreadsheet dari kasus-kasus

(baris) dan variabel (kolom). Tampilan Variable View menampilkan kamus
metadata di mana setiap baris mewakili sebuah variabel dan menampilkan nama
variabel, label variabel, label nilai, lebar cetakan, tipe pengukuran dan variasi dari
karakteristik-karakteristik lainnya. Sel-sel di kedua tampilan dapat diedit secara
manual, memungkinkan pengaturan struktur file dan pemasukan data tanpa harus
menggunakan sintaks perintah.

Hal ini cukup untuk dataset-dataset kecil. Dataset yang lebih besar, seperti
survei statistik, lebih sering dibuat menggunakan software data entry, atau
dimasukkan selama computer-assisted personal interviewing, dengan pemindaian
dan menggunakan software pengenalan karakter optikal, atau dengan pengambilan
langsung dari kuesioner online. Dataset-dataset ini kemudian dimasukkan ke
dalam SPSS.

SPSS dapat membaca dan menulis data dari file teks ASCII (termasuk file
hierarkis), paket statistik lainnya, spreadsheets dan database. SPSS dapat
membaca dan menulis ke dalam tabel database eksternal relasional melalui ODBC
dan SQL.

Output statistik memiliki format file proprietary (file.spo, men-support tabel

poros) yang mana, sebagai tambahan atas penampil dalam paket, disediakan
pembaca stand-alone.

Output proprietary dapat diubah ke dalam bentuk teks atau Microsoft Word.
Selain itu, output dapat dibaca sebagai data (menggunakan perintah OMS),
sebagai teks, teks dengan pembatasan tabulasi, HTML, XML, dataset SPSS atau
pilihan format image grafis (JPEG, PNG, BMP, dan EMP).

Modul-modul Add-on modules menyediakan kapabiliti tambahan. Modul-

modul yang tersedia, antara lain :
 SPSS Programmability Extension (ditambahkan pada versi 14).
Memungkinkan pemrograman Phyton untuk mengontrol SPSS.
SPSS Validation Data (ditambahkan pada versi 14). Memungkinkan
pemrograman pengecekan logistik dan pelaporan nilai-nilai mencurigakan.
SPSS Regression Models Regresi logistik, regresi ordinal, regresi logistik
multinomial, dan model campuran (multilevel models).
SPSS Advanced Models GLM yang bervariasi dan ukuran-ukuran yang
diulang (dihapuskan dari basis sistem sejak versi 14).
SPSS Classification Trees. Membuat diagram klasifikasi dan keputusan
untuk mengidentifikasi kelompok dan memprediksi perilaku.
SPSS Tables. Memungkinkan kontrol user-defined atas output laporan.
SPSS Exact Tests. Memungkinkan tes statistik atas sample kecil.
SPSS Categories
SPSS Trends
SPSS Conjoint
SPSS Missing Value Analysis. Imputasi simpel berbasis regresi.
SPSS Map
SPSS Complex Samples (ditambahkan pada Versi 12). Diatur untuk
stratifikasi dan pengelompokkan serta pilihan pemilihan sample lainnya.
SPSS Server adalah sebuah versi dari SPSS dengan arsitektur
pengguna/server. SPSS Server memiliki beberapa fitur yang tidak tersedia
pada versi desktop, seperti fungsi penilaian.

Kelebihan SPSS SPSS, piranti lunak khusus untuk melakukan analisis data,
memberikan banyak kelebihan dan kemudahan dibandingkan spreadsheet. SPSS
mampu mengakses data dari berbagai macam format data yang tersedia seperti
Base, Lotus, Access, text file, spreadsheet, bahkan mengakses database melalui
ODBC (Open Data Base Connectivity) sehingga data yang sudah ada, dalam
berbagai macam format, bisa langsung dibaca SPSS untuk dianalisis.

SPSS memberi tampilan data yang lebih informatif, yaitu menampilkan data
sesuai nilainya (menampilkan label data dalam kata-kata) meskipun sebetulnya
kita sedang bekerja menggunakan angka-angka (kode data). Misalnya untuk field
Jenis Kelamin, kode angka yang digunakan adalah 1 untuk pria dan 2 untuk
wanita, maka yang akan muncul di layar adalah label datanya, yaitu pria dan
wanita.

SPSS memberikan informasi lebih akurat dengan memperlakukan missing

data secara tepat, yaitu dengan memberi kode alasan mengapa terjadi missing
data. Misalnya karena pertanyaan tidak relevan dengan kondisi responden,
pertanyaan tidak dijawab, atau karena memang pertanyaannya yang harus
dilompati

SPSS melakukan analisis yang sama untuk kelompok-kelompok

pengamatan yang berbeda secara sekaligus hanya dalam beberapa mouse click
saja.

D. Contoh Data Penelitian

Contoh penelitian yang penulis angkat yaitu Penerapan Analisis Faktor

Dalam Mengetahui Tingkat Kepuasan Konsumen Terhadap Laptop ASUS ROG
GL552VW-DH74, dimana terdapat 10 variabel untuk mengetahui tingkat
kepuasan konsumen yaitu fitur, specification, size, colour, material, design,
battery, speaker, keyboard, dan monitor. Berikut ini adalah data penelitian
analisis komponen utama.

No. X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
1 4 3 2 3 5 4 2 4 4 1
2 3 4 3 5 4 5 3 3 3 3
3 5 3 4 5 3 3 4 4 2 4
4 2 4 3 2 3 2 2 3 3 3
5 1 4 2 3 2 4 2 2 2 2
6 3 5 4 2 4 5 2 4 4 4
7 4 5 5 1 4 5 1 5 3 2
8 3 3 3 3 3 3 2 5 2 2
9 2 3 1 4 2 2 4 3 2 3
10 5 2 3 5 4 3 3 2 4 4
11 3 1 4 3 4 4 2 2 5 4
12 2 4 5 4 4 3 3 4 3 2
13 4 2 3 3 3 4 4 4 2 5
14 2 3 2 2 2 3 5 3 2 3
15 1 4 3 2 2 4 5 3 4 2
16 4 5 4 4 2 4 5 2 4 2
17 5 3 3 2 4 5 3 2 5 2
18 4 3 3 3 4 3 2 4 4 2
19 3 2 3 4 3 3 2 4 2 4
20 4 1 4 4 1 3 3 2 4 4
21 2 3 5 2 4 4 3 3 4 4
22 3 4 5 2 3 4 3 3 3 2
23 4 5 3 1 2 5 4 3 2 1
24 3 4 3 3 4 3 3 2 1 1
25 1 3 2 4 3 2 2 3 3 1
26 3 2 2 4 2 3 2 4 4 3
27 4 4 1 4 2 4 4 4 4 4
28 4 2 1 3 3 2 4 3 4 4
29 5 2 4 2 2 1 3 2 5 2
30 3 4 3 3 2 2 2 2 5 4
31 4 5 3 4 2 3 2 3 5 3
32 5 3 2 4 4 4 2 4 4 3
33 5 2 2 5 5 5 1 2 2 2
34 3 3 4 5 5 3 3 1 2 1
35 2 4 2 3 3 1 2 3 1 2
36 3 1 1 2 2 3 4 4 1 2
37 4 4 3 4 2 4 4 4 3 2
38 4 2 4 4 1 2 4 2 3 3
39 5 4 5 3 3 1 3 4 4 1
40 1 5 3 2 4 1 2 3 3 3
41 2 5 2 1 4 3 2 2 2 4
42 3 4 1 3 5 4 3 2 1 3
43 4 2 3 3 4 5 3 3 4 2
44 4 3 5 4 2 4 2 4 5 1
45 3 4 3 5 2 4 3 3 4 4
46 2 3 3 1 3 3 4 2 2 3
47 1 4 4 3 3 2 4 3 2 3
48 3 2 3 3 4 3 3 4 4 2
49 4 4 5 1 5 4 2 4 4 2
50 4 5 5 3 3 5 2 5 2 3
51 4 2 2 4 4 3 4 5 2 4
52 3 1 3 3 3 4 3 3 1 4
53 3 3 4 2 2 5 2 3 3 2
54 4 4 1 4 1 3 3 4 2 1
55 5 2 3 5 3 2 4 4 4 3
 Keterangan :

Variabel :

X1 : Fitur

X2 : Specification

X3 : Size

X4 : Colour Indikator :

X5 : Material 1 : Sangat Kurang

X6 : Design 2 : Kurang

X7 : Battery 3 : Cukup

X8 : Speaker 4 : Baik

X9 : Keyboard 5 : Sangat Baik

X10 : Monitor

E. Prosedur Kerja

Berikut adalah prosedur kerja analisis kompenen utama dengan

menggunakan software SPSS.

1) Buatlah data minimal 50 sampel dan 10 variabel pada software SPSS.

2) Pada variabel view, cari measure ubah scale menjadi ordinal.
3) Kembali ke data view, pilih menu bar analyze, lalu dimension reduction,
lalu factor.
4) Klik kanan pada kolom kuning dan ubah menjadi display variable names.
5) Masukkan semua data ordinal ke variables dengan mengklik tanda panah.
6) Pilih Descriptives, statistics : centang univariate descriptive dan initial
solution. Corellation matrix : centang coefficient, significant level, inverse,
anti-image, dan KMO and Bartletts test. Lalu continue
 7) Selanjutnya Extraction, method : principal component, analyze :
correlation matrix, display : centang unrotated factor solution dan scree
plo, extract : based on eigenvalue (1). Lalu continue.
8) Rotation, method : pilih varimax, display : centang rotated solution,
loading plot(s). Lalu continue.
9) Scores, centang save as variables, method :pilih regression. Lalu continue.
10) Options, missing values : pilih exclude cases listwise, coefficient display
format : centang sorted by size, suppress small coefficient, lalu continue.
11) Pada tampilan awal factor analysis, klik paste, kemudian blok hasil dari
bawah sampai FAKTOR, lalu klik play (toolbar berbentuk segitiga
hijau).

F. Intepretasi Hasil Pengolahan Data

1) Kaiser-Meyer-Olkin (KMO) dan Barlett Test
Dalam tahap ini, ada dua hal yang perlu dilakukan agar analisis faktor
dapat dilaksanakan, yang pertama yaitu menentukan besaran nilai Barlett Test
of Sphericity, yang digunakan untuk mengetahui apakah ada korelasi yang
signifikan antar variabel. Kedua adalah Keiser-Meyers-Oklin (KMO)
Measure of Sampling Adequacy, yang digunakan untuk mengukur kecukupan
sampel dengan cara membandingkan besarnya koefisien korelasi yang
diamati dengan koefisein korelasi parsialnya. Menurut Wibisono (2003)
kriteria kesesuaian dalam pemakaian analisis faktor adalah sebagai berikut.
Jika harga KMO sebesar 0,9 berarti sangat memuaskan,
Jika harga KMO sebesar 0,8 berarti memuaskan,
Jika harga KMO sebesar 0,7 berarti harga menengah,
Jika harga KMO sebesar 0,6 berarti cukup,
Jika harga KMO sebesar 0,5 berarti kurang memuaskan, dan
Jika harga KMO kurang dari 0,5 tidak dapat diterima.
 Hasil perhitungan menunjukkan besaran nilai Barlett Test of Sphericity
adalah 51,592 pada signifikan 0,232 yang berarti pada penelitian ini ada
korelasi yang kurang signifikan antar variabel dan hasil perhitungan KMO
sebesar 0,527 sehingga kecukupan sampel termasuk kategori kurang
memuaskan.

2) Anti Image Matriks

Bagian Anti Image Correlation, khususnya pada angka orelasi yang
bertanda a (arah diagonal dari kiri atas ke kanan bawah). Angka MSA
(Measure of Sampling Adequay) berkisar dari 0 sampai 1, dengan kriteria
sebagai berikut:
MSA = 1, variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel
lain.
MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut.
MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih
lanjut, atau dikeluarkan dari variabel lainnya.
3) Communalities
Communalities menunjukkan berapa varians yang dapat dijelaskan oleh
faktor yang terbentuk.

4) Total Variance Explained

Dalam analisis faktor terdapat beberapa komponen yang merupakan
variabel. Setiap faktor mewakili variabel yang dianalisis. Kemampuan setiap
faktor mewakili variabel yang dianalisis ditunjukkan oleh besarnya varians
yang dijelaskan, yang disebut dengan eigenvalue. Eigenvalue menunjukkan
kepentingan relatif masing-masing faktor dalam menghitung varians ketiga
variabel yang dianalisis. Susunan eigenvalue selalu diurutkan dari yang
terbesar sampai yang terkecil, dengan kriteria bahwa angka eigenvalue di
bawah 1 tidak digunakan dalam menghitung jumlah faktor yang terbentuk.
5) Componen Matriks
Componen Matriks merupakan tabel yang berisikan factor loading
(nilai korelasi) antara variabel-variabel analisis dengan faktor yang terbentuk.

6) Component Score Coefficient Matriks

Setelah didapatkan faktor yang terbentuk melalui proses reduksi, maka
perlu dicari persamaan sehingga dapat dihitung skor setiap faktor secara
manual. Persamaan yang dibuat mirip dengan regresi linear berganda, hanya
dalam persamaan faktornya tidak terdapat konstanta. Setelah komponen hasil
PCA yang bebas multikolinearitas diperoleh maka komponen-komponen
tersebut diregresikan atau dianalisa pengaruhnya terhadap variabel tak bebas
(Y) dengan menggunakan analisis regresi linear.
G. Kesimpulan Hasil Analisis
1. Kasus penelitian Penerapan Analisis Komponen Utama Dalam Mengetahui
Tingkat Kepuasan Konsumen Terhadap Laptop ASUS ROG GL552VW-
DH74, dimana terdapat 10 variabel untuk mengetahui tingkat kepuasan
konsumen yaitu fitur, specification, size, colour, material, design, battery,
speaker, keyboard, dan monitor.
2. Setelah dilakukannya reduksi dengan menggunakan analisis komponen utama
diperoleh 4 variabel baru yang menentukan tingkat kepuasan konsumen pada
Laptop ASUS ROG GL552VW-DH74.
3. Hasil perhitungan menunjukkan besaran nilai Barlett Test of Sphericity
adalah 51,592 pada signifikan 0,232 yang berarti pada penelitian ini ada
korelasi yang kurang signifikan antar variabel dan hasil perhitungan KMO
sebesar 0,527 sehingga kecukupan sampel termasuk kategori kurang
memuaskan.
 DAFTAR PUSTAKA

http://sbm.binus.ac.id/2015/11/21/analisis-faktor/ (Diakses pada tanggal 1 April

2017)

https://www.statistikian.com/2014/03/analisis-faktor.html (Diakses pada tanggal 1

April 2017)

http://statistikceria.blogspot.co.id/2013/03/teori-analisis-faktor-factor-
analysis.html (Diakses pada tanggal 1 April 2017)