statistik analisis varian: ANALISIS FAKTOR_Wiwin Windayati

ANALISIS FAKTOR

Tabel 1. Descriptive Statistics

Table ini merupakan gambaran tantang data yang diinput, terdiri atas mean / rata-rata, standar deviasi, dan jumlah data yang dianalisis pada tiap-tiap variable.

Tabel 2. Correlation Matrix

Multikolinearitas adalah korelasi antar variable. Korelasi antarvariabel yang sama (misalnya ALASAN dan ALASAN), yang nilainya 1,000 tidak perlu diperhatikan. Karena variabel-variabel tersebut dikorelasikan dengan ‘dirinya sendiri’. Yang perlu diperhatikan adalah korelasi antarvariabel yang berbeda.

Tabel 3. KMO and Bartlett's Test

Kesimpulan tentang layak-tidaknya analisis factor dilakukan baru sah secara statistic dengan menggunakan uji Kaiser-Meyer-Olkin (KMO) measure of adequancy dan Barlett Test.
KMO uji yang nilainya berkisar antara 0 sampai 1 ini, mempertanyakan kelayakan (appropriateness) analisis factor. Apabila nilai indeks tinggi (berkisar antara 0,5 sampai 1,0) analisis factor layak dilakukan.
Dari di atas terlihat bahwa nilai KMO secara keseluruhan adalah 0,599. Jadi, analisis factor layak dilakukan.
Barlett Test ini merupakan test statistic untuk menguji apakah betul variable-variabel yang dilibatkan berkolerasi. Hipothesis nol (H0) adalah tidak ada korelasi antar variable, sedangkan hipothesis alternative (Ha) adalah terdapat korelasi antarvariabel. Nilai Barlett Test didekati dengan nilai chi-square. Pada table terlihat bahwa nilai chi-square adalah 9,336 , yang untuk derajat kebebasan (degree of freedom, disingkat df) sebesar 10, memiliki signifikasi 0,498 (berarti memiliki tingkat kesalahan sebesar 49,8%) sehingga kita dapat percaya 31,9% bahwa antarvariabel terdapat korelasi.

Tabel 4. Anti-image Matrices

Angka-angka dalam matriks ini menyatakan korelasi parsial antarvariabel, yaitu korelasi yang tidak dipengaruhi oleh variable lain. Seperti telah dijelaskan, metode principal component analysis menggunakan total variance, yang terdiri dari common variance, specific variance, dan eror variance, namun mengusahakan specific dan eror variance terkecil. Dari table 5 terlihat bahwa anti-image covariance dan anti-image correlation pada umumnya kecil. Hal ini berdampak pada nilai KMO setiap variable yang tinggi (diatas 0,500).

Table 5 (communalities) menunjukan beberapa varians yang dapat dijelaskan oleh factor yang diekstrak. Cara memperolehnya adalah korelasi pangkat dua. Setiap variable berkorelasi dengan factor-faktor yang diekstrak. Kalau korelasi tersebut dipangkat dua, diperolehlah communalities.

Tabel 6. Total Variance Explained

Dari 5 component (lihat tabel paling kiri) ternyata yang mempunyai nilai initial eigenvalues di atas 1 ada 2 component. Artinya, bahwa 5 butir pertanyaan tersebut dapat dikelompokkan menjadi 2 kelompok tanpa kehilangan informasi yang berarti.
Component 1 mempunyai nilai 1,707 dan mampu menjelaskan varians sebesar 34,135%
Component 2 mempunyai nilai 1,059 dan mampu menjelaskan varians sebesar 21,188%
Dengan demikian keempat component tersebut mampu menjelaskan varians sebesar 55,323% atau kita kehilangan informasi sebesar 44,677%.

Tabel 7 Scree plot

Scree plot merupakan cara mendeskripsikan eigenvalue secara visual. Pada sisi vertikal dimasukan eigenvalue, sedangkan sumbu horizontal mewakili seluruh faktor. Lalu ditariklah garis yang menghubungkan titik-titik yang mewakili eigenvalue.

Tabel 8. Component Matrix(a)

Tabel ini menunjukan korelasi setiap variable dengan setiap factor (disebut juga component) yang diekstrak. Antara variable 1 (X1) dengan factor 1 nilai korelasi adalah 0,537, sedangkan dengan factor 2, nilai korelasi adalah 0,340. Pangkat-duakanlah kedua nilai korelasi itu, lalu jumlahkan, hasilnya adalah 0,593. Dengan cara demikianlah seluruh communalities diperoleh.
Lihat pada table Component Matrix, kita ambil contoh antara variable 1 (MAKANANNYA TIDAK ENAK) dengan factor 1 (component 1) adalah 0,771, dengan factor 2 adalah 0,109. masing-masing nilai tersebut dipangkat duakan, lalu kemudian dijumlahkan, maka akan dihasilkan nilai communialities sebesar 0,58.
Dari component matrik kita bisa melihat bahwa MAKANANNYA TIDAK ENAK ikut component 1 karena mempunyai loading factor sebesar 0,771 yang lebih besar dari pada loading factor ke component 2 Dengan cara yang sama kita bisa mengelompokkan :
Component 1 : Makanannya tidak enak.
Component 2 : Alasan.

Table 9. Rotated Component Matrix(a)

Melalui component matriks, jelas bagi kita Makanannya tidak enak adalah anggota factor 1 karena variable tersebut memiliki korelasi yang tinggi dengan factor 1, sedangkan dengan factor 2, korelasinya rendah

Table 10. Component Score Coefficient Matrix