Dokumen tersebut menjelaskan tentang analisis faktor yang digunakan untuk menganalisis peta persaingan dengan mengidentifikasi faktor-faktor penting yang mempengaruhi persaingan di pasar. Analisis faktor dilakukan untuk mereduksi jumlah variabel menjadi beberapa faktor utama yang mampu menjelaskan keragaman data. Hasil analisis memberikan skor faktor untuk setiap produk guna memetakan posisi relatifnya di peta pers

1. Menggambarkan Peta Persaingan Dengan Analisis Faktor
Suhermin97@yahoo.com
Digitally signed by Suhermin AP
Suhermin AP DN: cn=Suhermin AP, c=ID, o=DOW, ou=MR-
Dept, email=suhermin97@yahoo.com
Date: 2008.10.23 13:33:40 +07'00'
Peta Persaingan / Peta Posisi Pasar
Melihat dan memantau posisi persaingan produk dipasar mutlak
dilakukan secara berkala. Peta posisi merupakan sebuah teknik analisis
kuantitatif persaingan pasar yang dibutuhkan oleh manajemen perusahaan agar
dapat melihat secara grafis, sejauh mana produk perusahaan saat ini diterima
oleh konsumen dan bagaimana dengan produk kompetitor. Salah satu metode
yang dapat dipergunakan untuk melakukan analisis peta posisi adalah melalui
analisis faktor. Melalui analisis faktor akan didapatkan jumlah dimensi yang
mampu menerangkan informasi penting dari sekian banyak atribut produk
(L.Urban, 1980).
Peta posisi dibuat dengan memetakan rata-rata factor score tiap
individu untuk masing-masing obyek penelitian. Sumbu koordinat adalah faktor-
faktor yang terbentuk.
Analisis Faktor
Analisis faktor adalah suatu metode analisis yang bertujuan untuk
mendapatkan sejumlah faktor yang memiliki sifat-sifat yang mampu
menerangkan semaksimal mungkin keragaman yang ada dalam data (Dillon,
1984). Sebelum melakukan pengolahan data dengan analisis faktor, perlu diuji

2. apakah data layak menggunakan metode analisis faktor. Pengujian tersebut
memuat beberapa ketentuan bahwa matrik korelasinya haruslah matrik non
singular atau dikatakan determinannya tidak nol dan matrik korelasinya juga
bukan matrik identitas (Anderson, 1984).
Uji Bartlett dilakukan untuk mengetahui adanya korelasi antar variabel
dengan hipotesa sebagai berikut :
Hipotesa :
H0 : Matriks korelasi adalah matriks identitas (tidak ada korelasi
antar variabel)
H1 : Matriks korelasi bukan matriks identitas (ada korelasi antar
variabel)
Jika p-value lebih kecil dari α yang telah ditetapkan atau nilai Barlett Tes lebih
besar dari χ(α,n-1), dapat dipastikan ada korelasi antar variabel.
KMO (Kaiser-Mayer-Olkin) merupakan suatu indeks yang dipergunakan
untuk membandingkan koefisien korelasi pengamatan dengan koefisien korelasi
parsial. KMO dihitung sebagai berikut :
p p
∑ ∑ rij
2
i =1 j=1
KMO = p p p p
,i ≠ j
∑ ∑
2
rij + ∑ ∑ 2
aij
i =1 j =1 i =1 j=1
(1)
dimana, rij : koefisien korelasi antar variabel i dan j
aij : koefisien korelasi parsial antara variabel i dan j

3. Nilai KMO berkisar antara 0 dan 1. KMO yang kecil mengindikasikan bahwa
penggunaan analisis faktor harus dipertimbangkan lagi, karena korelasi antar
variabel tidak dapat diterangkan oleh variabel yang lain (Anderson, 1984).
Untuk menyelesaikan analisis faktor, diperlukan beberapa tahapan.
Tahapan pertama adalah mencari factor loading dengan menggunakan q
komponen utama pertama yang akan menjadi q faktor. Dalam analisis faktor,
vektor random X yang diamati secara linier bergantung atas sejumlah variabel
random yang tidak teramati yaitu F1, F2,…,Fq dan tambahan p sumber variasi
ε1,ε2,…,εp (Johnson and Wichern, 1992). Dalam notasi matriks dapat ditulis :
(X-μ)(px1) = L(pxq)F(qx1) + ε(px1) (2)
dimana, Fj : common factor ke-j,
lij : loading variable ke-i pada faktor ke-j,
εi : faktor khusus ke-i,
i = 1,2,…,p dan j = 1,2,…,q
dengan asumsi :
(i) F dan ε saling bebas, maka kov(F,ε)=0
(ii) E(F)=0, kov(F)=E(FF’)=I
(iii) E(ε)=0, kov(ε)=E(εε’)= ψ, dimana ψ = matriks diagonal
Jumlah kuadrat dari loading faktor variabel ke-i untuk q common faktor
disebut communalitas dari Xi dengan notasi :
hi2 = l112 + l122 +…+ l1q2 (3)
Selanjutnya varians dari Xi memuat dua komponen yaitu kommunalitas dan
spesifik varians (ψi).

4. σii = hi2 + ψi (4)
Dekomposisi spektral dari matriks kovarian ∑ yang mempunyai
pasangan eigen value-eigen vector (λi,ei) dengan λ1 >λ2 >…>λp >0 dinotasikan :
∑ = λ1e1e1’ + λ2e2e2’+ … + λpepep’ (5)
Persamaaan diatas menunjukkan struktur kovarian untuk model analisis faktor
yang mempunyai jumlah faktor sama dengan jumlah variabel (q = p) dengan
melibatkan seluruh variabel dan varian spesifik ψi = 0 untuk semua i. Matriks
λj e j
loading pada kolom ke-j adalah . Sehingga dapat ditulis :
Σ = L L ′ + 0 = LL ′
pxp pxp pxp pxp (6)
Tidak terlalu bermanfaat jika semua akar ciri (λ) dilibatkan dalam
pembentukan faktor karena beberapa akar ciri itu mempunyai nilai yang sangat
kecil. Untuk itu dipilih model yang tetap bisa menerangkan struktur keragaman
tetapi dengan sedikit faktor. Misal digunakan q faktor dimana q < p maka
persamaan (3.20) dapat ditulis sebagai berikut :
= L L′
∑ = λ1e1e1’ + λ2e2e2 ‘+ … + λqeqeq’ pxq qxp (7)
Jika keragaman faktor spesifik diperhitungkan maka :
∑ = LL’ + ψ (8)
Banyaknya faktor (q) dapat ditentukan dengan melihat total proporsi
keragaman yang dapat dijelaskan dari suatu faktor. Kontribusi dari total sampel
varian, s11 + s22 + … + spp = tr(S), dan common factor yang pertama menjadi
:
)2 )2 )2
l11 + l21 + ... + l p1 = ( λ) e) )′ ( λ) e) ) = λ)
1 1 1 1 1

5. Secara umum proporsi dari total sampel varian terhadap faktor j adalah :
)
λj
s11 + s22 + ... + s pp
, untuk analisis faktor dari S
)
λj
p , untuk analisis faktor dari R
Banyaknya faktor ditentukan jika faktor-faktor yang masuk setidaknya mampu
menjelaskan 60% total sampel varian (Anderson, 1984).
Faktor-faktor yang diperoleh dari analisis komponen utama pada
umumnya masih sulit diinterpretasikan, oleh karena itu pada tahap selanjutnya
dilakukan transformasi pada matriks loading untuk meningkatkan daya
interpretasi faktor. Metode rotasi yang digunakan adalah rotasi tegak lurus
varimax. Hasil rotasi ini akan mengakibatkan setiap variabel akan mempunyai
korelasi yang tinggi pada satu faktor tertentu saja dan tidak dengan faktor lain.
Dengan demikian masing-masing faktor akan lebih mudah untuk
diinterpretasikan.
Untuk tujuan pengklasifikasian, maka tahapan selanjutnya adalah
mencari skor faktor. Skor faktor adalah ukuran individual pada faktor yang
merupakan nilai rata-rata terboboti, dan bobot yang diberikan itu sesuai
dengan besarnya muatan faktor. Skor faktor itu dapat diperoleh melalui
persamaan matriks berikut (Dillon, 1984):
F(nxm) = Z(nxp)R-1(pxp)L(pxm) (9)
dimana, Z : matriks data awal yang distandarkan
R-1 : invers dari matriks korelasi

6. L : matriks loading
F : matriks factor score untuk semua observasi
Pustaka
L. Urban, Glen dan R. Houser, John (1980), Design and Marketing of New
Product, Prentice-Hall, New Jersey Prentice-Hall
Dillon W.R dan Goldstein, Mathew (1984), Multivariate Analysis Method and
Application, John Wiley and Sons, New York
Anderson, Rolph E dan JR, Joseph F. Hair (1984), Multivariate Data Analysis,
Prentice-Hall International. Inc., New Jersey