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
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 15,091 , yang untuk derajat kebebasan (degree of freedom, disingkat df) sebesar 3, memiliki signifikasi 0,002 (berarti memiliki tingkat kesalahan sebesar 2%) sehingga kita dapat percaya 98% bahwa antarvariabel terdapat korelasi
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 0,573. Jadi, analisis factor layak dilakukan
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).
Tabel 5. Communalities
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 3 butir pertanyaan tersebut dapat dikelompokkan menjadi 2 kelompok tanpa kehilangan informasi yang berarti.
Component 1 mempunyai nilai 1,659 dan mampu menjelaskan varians sebesar 55,305%
Component 2 mempunyai nilai 0,992 dan mampu menjelaskan varians sebesar 33,078%
Dengan demikian keempat component tersebut mampu menjelaskan varians sebesar 55,305% atau kita kehilangan informasi sebesar 44,695%.
Tabel 7 Scree plot
Tabel ini menunjukan korelasi setiap variable dengan setiap factor (disebut juga component) yang diekstrak. Lihat pada table Component Matrix, kita ambil contoh antara variable 1 dengan factor 1 (component 1) adalah -0.908.
Table 9. Component Score Coefficient Matrix
Table 10. Component Score Covariance Matrix
Tidak ada komentar:
Posting Komentar