Factor Analysis


Nama : Gerhana Pertiwi
Kelas : 3 B (070633)




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



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


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 0,511. 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 1,358 , yang untuk derajat kebebasan (degree of freedom, disingkat df) sebesar 6, memiliki signifikasi 0,968 (berarti memiliki tingkat kesalahan sebesar 96,8%) sehingga kita dapat percaya 31,9% bahwa antarvariabel terdapat korelasi.


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).




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





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 1.233 dan mampu menjelaskan varians sebesar 30.822%
Component 2 mempunyai nilai 1,046dan mampu menjelaskan varians sebesar 26157%
Dengan demikian keempat component tersebut mampu menjelaskan varians sebesar 56.979% atau kita kehilangan informasi sebesar 46,01%.