1

Analisis Faktor Pada Data Faktor-Faktor

Penyebab Perceraian Tahun 2010 di Jawa
Timur
Aliffia Permata (1311100026)
(1)
dan Clara Agustin (1311100106)
(2)

(1)(2)
Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember Surabaya (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
e-mail :
(1)
aliffiapermata@gmail.com;
(2)
claraagustinstephani@yahoo.com
AbstrakPerceraian adalah putusnya suatu
hubungan suami istri yang dikarenakan sudah tidak ada
kecocokan satu sama lain. Menurut data Pengadilan
Tinggi Agama Surabaya, perceraian dari tahun ke tahun
mengalami peningkatan. Pada permasalahan ini perlu
dilakukan analisis pada data faktor-faktor yang
mempengaruhi perceraian dengan menggunakan
metode analisis faktor. Berdasarkan analisis
menggunakan uji KMO dan Bartlett, didapatkan
kesimpulan bahwa analisis faktor dapat dilakukan pada
data perceraian. Selain itu dari hasil analisis faktor
dengan rotasi VARIMAX disimpulkan variabel yang
masuk pada faktor kelalaian dalam rumah tangga
(faktor satu) adalah variabel X
1
,X
2
,X
7
. Sedangkan
variabel X
4
,X
6
masuk pada faktor tindakan fisik (faktor
2). Sisanya, masuk pada faktor pernikahan di bawah
umur (faktor 3), yaitu variabel X
3
dan terkena hukuman
(faktor 4), yaitu variabel X
5.

Kata kunciUji KMO dan Bartlett, Ekstraksi Komponen
Utama, Scree Plot, Komponen Matrix.
I. PENDAHULUAN
Perceraian adalah putusnya suatu hubungan suami istri
yang dikarenakan sudah tidak ada kecocokan satu sama lain.
Putusnya perkawinan oleh suami istri atau atas kesepakatan
kedua-duanya apabila hubungan mereka tidak lagi
memungkinkan tercapainya tujuan perkawinan. Menurut
data Pengadilan Tinggi Agama Surabaya, perceraian dari
tahun ke tahun mengalami peningkatan. Hal ini dapat dilihat
dari data perceraian, dari tahun 2007 sampai 2010. Pada
tahun 2007, jumlah perceraian di Jawa Timur 47.356
perkara dan pada tahun 2008 meningkat menjadi 56.378
perkara. Menginjak tahun 2009. Perceraian mengalami
peningkatan menjadi 62.720 perkara, sedangkan pada tahun
2010 menjadi 67.923 (Hidayati, 2012).
Usaha pihak Pengadilan Tinggi Agama untuk
mengantisipasi terjadinya perceraian tersebut adalah dengan
melakukan suatu penyuluhan, berupa penyuluhan hukum.
Tujuan penyuluhan ini untuk memperkenalkan UU
perkawinan dan UU Peradilan agama guna memberikan
informasi hukum agar dapat diketahui, dipahami, dihayati
dan selanjutnya dapat diwujudkan dalam pola berfikir dan
bertingkah laku masyarakat. Diharapkan, hal ini dapat
memberikan solusi dari masalah perkawinan dan
menyempitkan kasus perceraian yang terjadi melalui
program mediasi Karena itu, perlu dilihat komponen atau
faktor yang mempengaruhi angka perceraian di provinsi
Jawa Timur. Dalam makalah ini telah diperoleh data faktor-
faktor yang mempengaruhi perceraian di Jawa Timur yaitu
moral, kewajiban yang ditinggalkan secara paksa,
perkawinan di bawah umur, penganiayaan, dihukum, cacat
biologis, dan perselisihan yang terjadi secara terus menerus
(Hidayati, 2012).
Pada permasalahan ini, analisis multivariat yang
digunakan adalah analisis faktor. Hal ini bertujuan untuk
mengetahui variabel mana saja yang diduga memiliki
keterkaitan satu sama lain sehingga keterkaitan tersebut
dapat dijelaskan dan dipetakan atau dikelompokkan pada
faktor yang tepat. Namun, asumsi kecukupan data untuk
faktorisasi dan asumsi terdapat korelasi antar variabel
terlebih dahulu diuji menggunakan uji KMO dan Bartletts
test.
II. TINJAUAN PUSTAKA
A. Perceraian
Menurut Peraturan Pemerintah Nomor 9 tahun1975,
terdapat 6 alasan yang dijadikan dasar perceraian, yaitu
salah satu pihak berbuat zina, meninggalkan pihak lain,
mendapat hukuman lebih dari 5 tahun, ada kasus
penganiayaan, salah satu pihak menderita cacat, terus terjadi
perselisihan dan pertengkaran. Jika tidak terdapat alasan
yang telah disebutkan dalam pasal 39 ayat (2) UU
Perkawinan No 1 tahun 1974 atau PP No. 9 tahun 1975,
maka tidak dapat dilakukan perceraian. Bahkan walaupun
alasan tersebut terpenuhi, akan tetapi masih mungkin antara
suami istri untuk hidup rukun kembali, maka perceraian
tidak dapat dilakukan (Hidayati, 2012).
B. Uji Normal Multivariat
Multivariat merupakan tipe data yang diperoleh dari
hasil pengukuran lebih dari satu variabel karakteristik.
Multivariat adalah suatu analisa statistik yang digunakan
untuk mengolah data secara serentak dengan
memperhitungkan korelasi antar variabelnya.
Sebelum melakukan analisis data multivariat, asumsi
distribusi normal multivariat harus terpenuhi terlebih
dahulu. Peneliti menggunaan toleransi kesalahan atau
sebesar 0.05. Statistik uji normal multivariat adalah sebagai
berikut :

(1)
Keterangan :
j = 1, 2, 3, ..., n (n adalah banyaknya data)

= pengamatan ke-j
2

= invers matriks varian kovarian S

Tolak H
0
jika proporsi

tidak bernilai
sekitar 50% yang artinya data tidak berdistribusi normal
multivariat (Johnson, 2007).
C. Uji Kaiser Meyer Olkin
Kesimpulan tentang layak tidaknya analisis faktor yang
dilakukan secara statistik dapat diukur menggunakan uji
Kaiser Meyer Olkin (KMO). Uji digunakan untuk
mengetahui apakah semua data yang terambil telah cukup
untuk difaktorkan. Nilai KMO berkisar antara 0 sampai 1.
Apabila nilai indeks tinggi (berkisar antara 0,5 sampai 1,0)
maka analisis faktor layak dilakukan (Morrison, 2005).
Hipotesis dari KMO adalah sebagai berikut.
H
0
: Jumlah data cukup untuk difaktorkan
H
1
: Jumlah data tidak cukup untuk difaktorkan
Statistik uji KMO diberikan oleh rumusan berikut.
KMO=

= = = =
= =
+
p
1 i
p
1 i
p
1 j
2
ij
p
1 j
2
ij
p
1 i
p
1 j
2
ij
a r
r

(2)
dimana
i = 1, 2, 3, ..., p
j = 1, 2, ..., p
r
ij
= Koefisien korelasi antara variabel i dan j
a
ij
= Koefisien korelasi parsial antara variabel i dan j
Apabila nilai KMO lebih besar dari 0,5 maka gagal tolak
H
0
sehingga dapat disimpulkan jumlah data telah cukup
untuk difaktorkan.
D. Uji Bartlett
Uji Bartlett bertujuan untuk mengetahui apakah variabel-
variabel karakteristik kualitas dari proses yang dikontrol
saling berhubungan atau berkorelasi. Dari uji ini dapat
diketahui besarnya nilai korelasi antar variabel.
Rumusan hipotesis adalah sebagai berikut.
H
0
: r1 (variabel kualitas tidak berkorelasi)
H
1
: r=1 (variabel kualitas berkorelasi)
Statistik uji diberikan oleh.
(

=

= <
p
k
k
k i
ik
r r r r
r
n
T
1
2
2
2
) ( ) (
) 1 (
) 1 (

(3)
dimana

=
=

=
p
i
ik
k p k r
p
r
1
,..., 2 , 1 ,
1
1

(4)

<

=
k i
ik
r
p p
r
) 1 (
2

(5)
| |
2
2 2
) 1 )( 2 (
) 1 ( 1 ) 1 (

r p p
r p


=

(6)
Keterangan :

= rata-rata elemen diagonal pada kolom atau baris ke k

dari matrik R (matrik korelasi)
= rata-rata keseluruhan dari elemen diagonal
Tolak H
0
bilaT>
2
(/2); (p+1)(p-2)
Bila H
0
ditolak maka variabel-variabel saling berkorelasi
sehingga metode analisis faktor dapat digunakan (Morrison,
2005).
E. Analisis Faktor
Analisis faktor adalah analisis statistika yang bertujuan
untuk mereduksi dimensi data dengan cara menyatakan
variabel asal sebagai kombinasi linear sejumlah faktor,
sedemikian hingga sejumlah faktor tersebut mampu
menjelaskan sebesar mungkin keragaman data yang
dijelaskan oleh variabel asal (Sharma, 1996).
Model analisis faktor adalah sebagai berikut.
X- = LF + (7)
dimana
X- =vektor observasi (X) dikurangi vektor mean ()
berukuran px1
L = matriks loading berukuran p x m
F = vektor faktor utama berukuran m x 1
= vektor error berukuran p x 1
Asumsi yang harus dipenuhi sebelum menggunakan
analisis faktor adalah sebagai berikut :
1. Besar korelasi antar independen variabel harus cukup
kuat yaitu >0.5 yang dikenal dengan nilai MSA
(Measure of Sampling Adequracy) pada matriks korelasi
Anti Image. Variabel dengan nilai MSA >0.5 layak
dimasukkan dalam analisis faktor. Artinya, variabel
tersebut bisa diprediksi dan bisa dianalisis lebih lanjut.
2. Jika sebuah variabel berkorelasi lemah dengan variabel
lainnya maka variabel tersebut dikeluarkan dari analisis
faktor. Pada analisis faktor untuk menentukan jumlah
faktor baru menggunakan nilai eigen () > 1 berdasarkan
proporsi keragaman > 70%.
III. METODOLOGI PENELITIAN
A. Sumber Data
Data yang digunakan dalam penulisan laporan ini
merupakan data sekunder yang berasal dari Tugas Akhir
yang disusun oleh Luthfi Kurnia Hidayati Mahasiswa Lintas
Jalur Statistika ITS angkatan 2009 dengan judul
Pengelompokkan Kabupaten/Kota di Jawa Timur
Berdasarkan Faktor-Faktor Penyebab Perceraian Tahun
2010 sebanyak 37 data.
B. Variabel Penelitian
Variabel penelitian yang digunakan adalah sebagai
berikut.
Tabel 1 Variabel Penelitian
Variabel Keterangan
X
1
Moral
X
2
Meninggalkan Kewajiban
X
3
Pernikahan di Bawah Umur
X
4
Penganiayaan
X
5
Dihukum
X
6
Cacat Biologis
X
7
Sering Berselisih
C. Metode Analisa Data
Metode analisis yang digunakan dalam penelitian adalah
sebagai berikut.
1. Melakukan uji Kaiser Meyer Olkin dan uji Bartlett.
2. Melakukan analisis faktor pada data perceraian.
IV. HASIL DAN PEMBAHASAN
A. Uji Normal Multivariat
Uji normal multivariat digunakan untuk menguji suatu
data telah berdistribusi normal. Normal multivariat
merupakan asumsi dalam pengolahan data multivariat yang
harus dipenuhi sebelum melakukan analisis
selanjutnya.Dilihat dari nilai

didapatkan nilai

3

adalah sebesar 6,345811. Dari n sejumlah 37 data,
didapatkan proporsi nilai

yang lebih kecil dari 6,345811

adalah sebesar 0,65. Secara kasar tidak mendekati countor
50% sehingga tolak H
0
. Yang artinya data tidak dapat
dikatakan berdistribusi normal multivariat tetapi dalam
penelitian ini diasumsikan data telah memiliki distribusi
normal multivariat.
B. Uji Kaiser Meyer Olkin (KMO) dan Uji Bartlett
Hasil uji Kaiser Meyer Olkin (KMO) dan uji Bartlett
adalah sebagai berikut.
Tabel 2 Hasil Pengujian KMO dan Bartlett
Kaiser Mayer Olkin 0,540
Bartlett's
Test
Chi-Square 50,813
df 21
P-value 0
Berdasarkan Tabel 2 diketahui bahwa nilai KMO sebesar
0,540. Karena nilai KMO > 0,5 maka dapat disimpulkan
bahwa jumlah data yang terbagi dalam ketujuh variabel
tersebut telah cukup bagus dan dapat dilanjutkan analisis
faktor. Sementara pada uji Bartlett, dengan DF=21 diperoleh
nilai Chi-Square sebesar 50,813 dan p-value sebesar nol.
Bila p-value dibandingkan dengan sebesar 0,05 maka
tolak H
0
yang artinya terdapat korelasi antara ketujuh
variabel dependen yang signifikan.
C. Analisis Faktor
Eigen value yang dihasilkan oleh setiap komponen
beserta persentase variansinya ditampilkan oleh Tabel 3
berikut ini.
Tabel 3 Eigen Value dan Persentase Variansi
Komponen
Initial Eigen Values
Total % of Variance Cumulative %
1 2,355 33,644 33,644
2 1,221 17,443 51,087
3 1,092 15,606 66,693
4 1,053 15,408 81,741
5 0,554 7,913 89,654
6 0,485 6,926 96,579
7 0,239 3,421 100,000
Pada Tabel 3 terlihat bahwa empat komponen awal
memiliki eigen value yang bernilai lebih dari satu dengan
total varian kumulatif sebesar 81,741%. Artinya, keempat
komponen tersebut mampu menjelaskan 81,741% dari total
keragaman seluruh komponen. Nilai kumulatif tersebut
diperoleh dari jumlahan varian keempat komponen dimana
komponen 1 sebesar 33,644%, komponen 2 sebesar
17,443%, 15,606% untuk komponen 3, serta 15,048 untuk
komponen keempat.
Secara visual, penggambaran eigen value setiap
komponen diberikan oleh scree plot sebagai berikut.

Gambar 1 Scree Plot
Pada scree plot, setiap titik mewakili nilai eigen masing-
masing komponen utama. Berdasarkan tekukan pada scree
plot, jumlah komponen utama yang terambil sama dengan
jumlah titik ketika titik-titik selanjutnya memiliki nilai eigen
yang relatif kecil dan sama. Pada Gambar 1 terlihat bahwa
setelah titik komponen keempat, secara berkala nilai eigen
semakin kecil dan hampir sama.
Berdasarkan empat komponen utama yang terpilih, hasil
estimasi factor loadings (l
ij
) dan komunalitas (h
ij
) adalah:
Tabel 4 Estimasi Factor Loading dan Komunalitas
Variabel
Estimasi Factor Loading
(l
ij
)
Komunalitas
(h
ij
)
F1 F2 F3 F4
X
1
0,749 0,382 -0,063 0,068 0,715
X
2
0,841 -0,276 -0,239 -0,136 0,860
X
3
0,148 0,526 0,362 -0,676 0,886
X
4
0,659 0,107 0,525 0,047 0,723
X
5
-0,052 0,735 -0,075 0,627 0,942
X
6
0,405 -0,414 0,556 0,422 0,822
X
7
0,681 0,005 -0,557 -0,008 0,774
% of
Variance 33,64 17,43 15,60 15,04

Cumulative
% 33,64 51,08 66,69 81,74

Pada analisis faktor, matriks komunalitas menyatakan
proporsi keragaman yang dapat dijelaskan oleh keempat
factor loading terhadap setiap variabel asal. Pada Tabel 4,
terlihat bahwa nilai komunalitas tertinggi berada pada
variabel X
5
, yaitu sebesar 0,942. Artinya, keempat factor
loading mampu menjelaskan 94,2% keragaman variabel X
5
.
Sementara itu, secara keseluruhan keempat faktor yang
terbentuk mampu menjelaskan keragaman seluruh
komponen sebesar 81,74%.
Nilai factor loading pada setiap variabel akan
menentukan apakah variabel tersebut akan masuk pada
faktor pertama, kedua, ketiga atau keempat. Idealnya, nilai
yang mendekati satu yang akan diambil. Bila keempat factor
loading tersebut memiliki nilai dalam harga mutlak yang
hampir sama maka perlu dilakukan metode rotasi untuk
mentransformasi setiap nilai sehingga interpretasi faktorisasi
lebih mudah dilakukan. Pada Tabel 4, terlihat bahwa
terdapat beberapa variabel yang factor loadingnya memiliki
nilai yang hampir sama, yaitu variabel X
3
, X
4,
X
5
, danX
6
,
dan X
7
sehingga perlu dilakukan rotasi faktor menggunakan
metode varimax.
Hasil rotasi faktor dengan menggunakan metode varimax
adalah sebagai berikut.
Tabel 5 Hasil Rotasi Faktor Metode Varimax
Variabel Estimasi Factor Loading Komunalitas
4

(l
ij
) (h
ij
)
F1 F2 F3 F4
X
1
0,665 0,262 0,295 0,342 0,715
X
2
0,841 0,266 0,002 0,286 0,860
X
3
0,017 0,036 0,940 0,039 0,886
X
4
0,271 0,712 0,367 0,083 0,723
X
5
0,034 0,033 0,039 0,969 0,942
X
6
0,09 0,873 0,227 0,085 0,822
X
7
0,872 0,073 0,084 0,030 0,774
% of
Variance 33,64 17,43 15,60 15,04

Cumulative
% 33,64 51,08 66,69 81,74

Berdasarkan rotasi faktor pada Tabel 5 dapat
disimpulkan bahwa variabel yang masuk pada faktor
kelalaian dalam rumah tangga (faktor satu) adalah variabel
X
1
,X
2
,X
7
.Sedangkan variabel X
4
,X
6
masuk pada faktor
tindakan fisik (faktor 2). Sisanya, masuk pada faktor
pernikahan di bawah umur (faktor 3), yaitu variabel X
3
dan
terkena hukuman (faktor 4), yaitu variabel X
5
. Juga dapat
dilihat bahwa hasil rotasi faktor ini tidak akan mengubah
nilai komunalitas maupun persentase total keragaman yang
dapat dijelaskan oleh keempat faktor.
V. KESIMPULAN DAN SARAN
A. Kesimpulan
Berdasarkan hasil analisis dan pembahasan maka
kesimpulan yang dapat diambil adalah sebagai berikut.
1. Pada uji KMO didapatkan nilai sebesar 0,540 sehingga
jumlah data yang terbagi dalam ketujuh variabel tersebut
telah cukup untuk difaktorkan. Sementara pada uji
Bartlett didapatkan nilai chi-square dengan DF = 21
sebesar 50,813 dan p-values sebesar nol sehingga
terdapat korelasi antara ketujuh variabel yang
signifikan.
2. Dari hasil analisis faktor didapatkan bahwa variabel
yang masuk pada faktor kelalaian dalam rumah tangga
(faktor satu) adalah variabel X
1
,X
2
,X
7
.Sedangkan
variabel X
4
,X
6
masuk pada faktor tindakan fisik (faktor
2). Sisanya, masuk pada faktor pernikahan di bawah
umur (faktor 3), yaitu variabel X
3
dan terkena hukuman
(faktor 4), yaitu variabel X
5
.
B. Saran
Saran untuk penelitian selanjutnya adalah sebaiknya
lebih teliti dan lebih memahami saat menganalisis agar hasil
yang diperoleh lebih akurat. Selain itu, lebih teliti dalam
memasukkan data ke dalam software.
DAFTAR PUSTAKA
[1] Hidayati, Luthfi Kurnia. (2009). Pengelompokkan Kabupaten/Kota di
Jawa Timur Berdasarkan Faktor-Faktor Penyebab Perceraian Tahun
2010. Surabaya: Jurusan Statistika, Institut Teknologi Sepuluh
Nopember.
[2] Morisson, D. (2005). Multivariate Statistical Methods (Second
Edition). USA : The Wharton School University Of Pennsylvania..
[3] Johnson, Richard A., Wichern, Dean W. (2007).Applied Multivariate
Statistical Analysis (6
th
ed.). USA:Pearson Prentice Hall.
[4] Sharma, S. (1996). Applied Multivariat Techniques. New York : John
Wiley & Sons, Inc.










LAMPIRAN
Lampiran 1 : Data Perceraian di Pengadilan Agama Surabaya
No Pengadilan Agama X1 X2 X3 X4 X5 X6 X7
1 Bangil 103 326 14 50 18 23 1013
2 Bangkalan 102 265 5 11 8 6 495
3 Banyuwangi 390 2282 5 68 7 15 1923
4 Bawean 28 212 5 21 5 8 199
5 Blitar 579 1295 5 7 5 5 1284
6 Bojonegoro 276 1334 5 32 6 34 794
7 Bondowoso 323 714 5 58 6 23 538
8 Gresik 134 815 5 18 5 24 449
9 Jember 387 1919 9 31 9 39 1870
10 Jombang 241 1095 5 29 11 9 940
11 Kangean 62 276 5 7 6 6 171
12 Kediri (kab) 439 1753 5 5 5 5 831
13 Kediri (kota) 43 270 5 5 5 5 316
14 Kraksaan 186 246 5 5 16 5 1271
15 Lamongan 179 1373 5 34 8 17 648
16 Lumajang 333 1123 5 28 7 11 1267
17 Madiun (kab) 110 742 5 5 5 23 384
18 Madiun (kota) 11 183 5 7 5 11 155
19 Magetan 319 18 5 8 48 5 599
20 Malang (kab) 47 1386 5 6 7 5 3063
21 Malang (kota) 73 726 6 12 5 10 1083
22 Mojokerto 256 963 16 43 6 5 758
23 Nganjuk 55 1018 5 23 6 8 598
24 Ngawi 59 1044 8 10 5 12 438
25 Pacitan 55 477 5 12 8 6 303
26 Pamekasan 62 323 5 6 5 25 416
27 Pasuruan 152 496 5 5 5 6 665
28 Ponorogo 53 779 5 12 6 5 670
29 Probolinggo 56 203 5 13 6 5 278
30 Sampang 47 149 5 10 5 9 313
31 Sidoarjo 331 897 24 57 6 8 835
32 Situbondo 271 509 5 18 6 9 1039
33 Sumenep 102 550 43 10 5 6 563
34 Surabaya 186 1176 6 5 5 5 1919
35 Trenggalek 69 798 5 6 7 24 714
36 Tuban 432 942 33 22 10 8 955
37 Tulungagung 33 1632 8 6 5 5 685




Lampiran 2 : Hasil Sofware R Uji Normal Multivariat






























































> multinorm.test(data)
$distance
[,1]
[1,] 10.615707
[2,] 1.496011
[3,] 13.668550
[4,] 2.855940
[5,] 14.153398
[6,] 6.708788
[7,] 9.011018
[8,] 2.662528
[9,] 13.494764
[10,] 1.490323
[11,] 1.974390
[12,] 10.982679
[13,] 2.039106
[14,] 4.930047
[15,] 3.727895
[16,] 2.047768
[17,] 3.823270
[18,] 2.293949
[19,] 30.896583
[20,] 21.121870
[21,] 1.298057
[22,] 4.166990
[23,] 3.082260
[24,] 3.100202
[25,] 1.621816
[26,] 5.317967
[27,] 1.658282
[28,] 1.703726
[29,] 2.237597
[30,] 2.210372
[31,] 8.826838
[32,] 3.826412
[33,] 20.441762
[34,] 5.354660
[35,] 3.889606
[36,] 11.646872
[37,] 11.621996

$chisquared
[1] 6.345811

$proportion
[1] 0.6486486


Lampiran 3 : Output SPSS
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .540
Bartlett's Test of Sphericity
Approx. Chi-Square 50.813
df 21
Sig. .000

Communalities
Initial Extraction
x1 1.000 .715
x2 1.000 .860
x3 1.000 .886
x4 1.000 .723
x5 1.000 .942
x6 1.000 .822
x7 1.000 .774
Extraction Method: Principal
Component Analysis.

Total Variance Explained
Component Initial Eigenvalues Extraction Sums of Squared
Loadings
Rotation Sums of Squared
Loadings
Total % of
Variance
Cumulative
%
Total % of
Variance
Cumulative
%
Total % of
Variance
Cumulative
%
1 2,355 33,644 33,644 2,355 33,644 33,644 1,986 28,372 28,372
2 1,221 17,443 51,087 1,221 17,443 51,087 1,417 20,245 48,617
3 1,092 15,606 66,693 1,092 15,606 66,693 1,165 16,638 65,255
4 1,053 15,048 81,741 1,053 15,048 81,741 1,154 16,486 81,741
5 0,554 7,913 89,654

6 0,485 6,926 96,579

7 0,239 3,421 100,000

Extraction Method: Principal Component Analysis.

Component Matrix
a

Component
1 2 3 4
x1
0,749 0,382 -0,063 0,068
x2
0,841 -0,276 -0,239 -0,136
x3
0,148 0,526 0,362 -0,676
x4
0,659 0,107 0,525 0,047
x5
-0,052 0,735 -0,075 0,627
x6
0,405 -0,414 0,556 0,422
x7
0,681 0,005 -0,557 -0,008


Extraction Method: Principal Component
Analysis.
a. 4 components extracted.

Rotated Component Matrix
a

Component
1 2 3 4
x1
0,665 0,262 0,295 0,342
x2
0,841 0,266 0,002 0,286
x3
0,017 0,036 0,940 0,039
x4
0,271 0,712 0,367 0,083
x5
0,034 0,033 0,039 0,969
x6
0,09 0,873 0,227 0,085
x7
0,872 0,073 0,084 0,030
Extraction Method: Principal Component
Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
a. Rotation converged in 5 iterations.