Analisis Faktor

Definisi Analisis Factor

Analisis faktor adalah sebuah teknik yang digunakan untuk mencari
faktor-faktor yang mampu menjelaskan hubungan atau korelasi antara
berbagai
indikator
independen
yang
diobservasi.
Analisis faktor merupakan perluasan dari analisis komponen utama.
Analisis faktor digunakan untuk mengidentifikasi sejumlah faktor yang
relatif kecil yang dapat digunakan untuk menjelaskan sejumlah besar
variabel yang saling berhubungan.
Sehingga variabel-variabel dalam satu faktor mempunyai korelasi yang
tinggi, sedangkan korelasi dengan variabel-variabel pada faktor lain
relatif rendah. Tiap-tiap kelompok dari variabel mewakili suatu
konstruksi dasar yang disebut faktor. Untuk meningkatkan daya
interpretasi faktor, harus dilakukan transformasi pada matriks loading.
Transformasi dilakukan dengan merotasi matriks tersebut dengan
metode varimax, quartimax, equamax, quartimin, biquartimin dan
covarimin serta oblimin.

Framework Analisis Faktor

Hasil rotasi ini akan mengakibatkan setiap variabel asal mempunyai
korelasi tinggi dengan faktor tertentu saja dan dengan faktor yang lain
korelasi relatif rendah sehingga setiap faktor akan lebih mudah untuk
diinterpretasikan. Untuk mengetahui rotasi mana yang sesuai
digunakan
yang dihasilkan dari analisis procrustes.

Analisis procrustes adalah suatu teknik analisis yang digunakan untuk

membandingkan dua konfigurasi. Dalam hal ini konfigurasi data hasil
analisis factor yang sudah dirotasi dibandingkan dengan data asal.
Sebelum kedua data dibandingkan terlebih dahulu kedua data diproses
berdasarkan penetapan dan penyesuaian posisi. Penetapan dan
penyesuaian dengan posisi dilakukan dengan transformasi yaitu
transformasi translasi, rotasi maupun dilasi yang dibuat sedemikian
sehingga diperoleh jarak yang sedekat mungkin. Setelah proses
tersebut dilakukan dapat diketahui sejauh mana konfigurasi data
analisis faktor dapat menggambarkan data asal.

Tujuan Analisis Faktor

Tujuan utama analisis faktor adalah untuk menjelaskan struktur
hubungan di antara banyak variabel dalam bentuk faktor atau vaiabel
laten atau variabel bentukan. Faktor yang terbentuk merupakan
besaran acak (random quantities) yang sebelumnya tidak dapat
diamati atau diukur atau ditentukan secara langsung. Selain tujuan
utama analisis faktor, terdapat tujuan lainnya adalah:

1. Untuk mereduksi sejumlah variabel asal yang jumlahnya banyak

menjadi sejumlah variabel baru yang jumlahnya lebih sedikit dari
variabel asal, dan variabel baru tersebut dinamakan faktor atau
variabel laten atau konstruk atau variabel bentukan.
2. Untuk
mengidentifikasi
adanya
hubungan
antarvariabel
penyusun faktor atau dimensi dengan faktor yang terbentuk,
dengan menggunakan pengujian koefisien korelasi antarfaktor
dengan komponen pembentuknya. Analisis faktor ini disebut
analisis faktor kofirmatori.
3. Untuk menguji valisitas dan reliabilitas instrumen dengan analisis
faktor konfirmatori.
4. Validasi data untuk mengetahui apakah hasil analisis faktor
tersebut dapat digeneralisasi ke dalam populasinya, sehingga
setelah terbentuk faktor, maka peneliti sudah mempunyai suatu
hipotesis baru berdasarkan hasil analisis faktor.

Perbedaan Analisis Komponen Utama (PCA) dan Analisis

Faktor Konfirmatori (CFA)
Analisis faktor pada dasarya dapat dibedakan secara nyata menjadi
dua macam yaitu:

1.

Analisis
Faktor
Eksploratori
Komponen Utama (PCA)

Atau

Analisis

Analisis faktor eksploratori atau analisis komponen utama (PCA =

principle component analysis) yaitu suatu teknik analisis faktor di
mana beberapa faktor yang akan terbentuk berupa variabel laten yang
belum
dapat
ditentukan
sebelum
analisis
dilakukan.
Pada prinsipnya analisis faktor eksploratori di mana terbentuknya
faktor-faktor atau variabel laten baru adalah bersifat acak, yang
selanjutnya dapat diinterprestasi sesuai dengan faktor atau komponen
atau konstruk yang terbentuk. Analisis faktor eksploratori persis sama
dengan anlisis komponen utama (PCA).

Dalam analisis faktor eksploratori di mana peneliti tidak atau belum

mempunyai pengetahuan atau teori atau suatu hipotesis yang
menyusun struktur faktor-faktornya yang akan dibentuk atau yang
terbentuk, sehingga dengan demikian pada analisis faktor eksploratori
merupakan teknik untuk membantu membangun teori baru.
Analisis faktor eksploratori merupakan suatu teknik untuk mereduksi
data dari variabel asal atau variabel awal menjadi variabel baru atau
faktor yang jumlahnya lebih kecil dari pada variabel awal. Proses
analisis faktor eksploratori mencoba untuk menemukan hubungan
antarvariabel baru atau faktor yang terbentuk yang saling independen
sesamanya, sehingga bisa dibuat satu atau beberapa kumpulan
variabel laten atau faktor yang lebih sedikit dari jumlah variabel awal
yang bebas atau tidak berkorelasi sesamanya. Jadi antar faktor yang
terbentuk tidak berkorelasi sesamanya.

2. Analisis Faktor Konfirmatori (CFA)

Analisis faktor konfirmatori yaitu suatu teknik analisis faktor di mana
secara apriori berdasarkan teori dan konsep yang sudah diketahui
dipahami atau ditentukan sebelumnya, maka dibuat sejumlah faktor
yang akan dibentuk, serta variabel apa saja yang termasuk ke dalam
masing-masing faktor yang dibentuk dan sudah pasti tujuannya.
Pembentukan faktor konfirmatori (CFA) secara sengaja berdasarkan
teori dan konsep, dalam upaya untuk mendapatkan variabel baru atau
faktor yang mewakili beberapa item atau sub-variabel, yang
merupakan
variabel
teramati
atau
observerb
variable.
Pada dasarnya tujuan analisis faktor konfirmatori adalah: pertama
untuk mengidentifikasi adanya hubungan antar variabel dengan
melakukan uji korelasi. Tujuan kedua untuk menguji validitas dan

reliabilitas instrumen. Dalam pengujian terhadap validitas dan

reliabilitas instrumen atau kuesioner untuk mendapatkan data
penelitian yang valid dan reliabel dengan analisis faktor konfirmatori.

Proses Analisis Faktor

Secara garis besar, tahapan pada analisis faktor:
1. Merumuskan masalah
2. Menyusun matriks korelasi
3. Ekstraksi factor
4. Merotasi factor
5. Interpretasikan Faktor.
6. Pembuatan factor scores.
7. Pilih variabel surrogate atau tentukan summated scale.
Berikut penjelasan langkah-langkah di atas:

Merumuskan masalah.
Merumuskan masalah meliputi beberapa hal:
1. Tujuan analisis faktor harus diidentifikasi.
2. Variabel yang akan dipergunakan di dalam analisis faktor harus
dispesifikasi berdasarkan penelitian sebelumnya, teori dan
pertimbangan dari peneliti.
3. Pengukuran variabel berdasarkan skala interval atau rasio.
4. Banyaknya elemen sampel (n) harus cukup atau memadai.

Menyusun matriks korelasi.

Di dalam melakukan analisis faktor, keputusan pertama yang harus
diambil oleh peneliti adalah menganalisis apakah data yang ada cukup
memenuhi syarat di dalam analisis faktor. Langkah pertama ini
dilakukan dengan mencari korelasi matriks antara indicator-indikator
yang diobservasi. Ada beberapa ukuran yang bisa digunakan untuk
syarat kecukupan data sebagai rule of thumb yaitu:
1. Korelasi matriks antar indikator: Metode yang pertama adalah
memeriksa korelasi matriks. Tingginya korelasi antara indikator
mengindikasikan bahwa indikator-indikator tersebut dapat
dikelompokkan ke dalam sebuah indikator yang bersifat

homogen sehingga setiap indikator mampu membentuk faktor

umum atau faktor konstruk. Sebaliknya korelasi yang rendah
antara indikator megindikasikan bahwa indikator-indikator
tersebut tidak homogen sehingga tidak mampu membentuk
faktor konstruk.
2. Korelasi parsial: Metode kedua adalah memeriksa korelasi parsial
yaitu mencari korelasi satu indikator dengan indikator lain
dengan mengontrol indikator lain. Korelasi parsial ini disebut
dengan negative anti-image correlations.
3. Kaiser-Meyer Olkin (KMO) : Metode ini paling banyak digunakan
untuk melihat syarat kecukupan data untuk analisis faktor.
Metode KMO ini mengukur kecukupan sampling secara
menyeluruh dan mengukur kecukupan sampling untuk setiap
indikator.

Ekstraksi faktor
Ekstraksi Faktor adalah suatu metode yang digunakan untuk
mereduksi data dari beberapa indikator untuk menghasilkan faktor
yang lebih sedikit yang mampu menjelaskan korelasi antara indikator
yang diobservasi. Ada beberapa metode yang bisa digunakan untuk
melakukan ekstraksi faktor yaitu:
1. Principal Components Analysis: Analisis komponen utama
(principal components analysis) merupakan metode yang paling
sederhana di dalam melakukan ekstraksi faktor. Metode ini
membentuk kombinasi linear dari indikator yang diobservasi.
2. Principal Axis Factoring: Metode ini hampir sama dengan metode
principal components analysis sebelumnya kecuali matriks
korelasi diagonal diganti dengan sebuah estimasi indikator
kebersamaan, namun tidak sama dengan principal components
analysis di mana indikator kebersamaan yang awal selalu diberi
angka 1.
3. Unweighted Least Square: Metode ini adalah prosedur untuk
meminimumkan jumlah perbedaan yang dikuadratkan antara
matriks korelasi yang diobservasi dan yang diproduksi dengan
mengabaikan matriks diagonal dari sejumlah faktor tertentu.
4. Generalized Least Square: Metode ini adalah metode
meminimumkan error sebagaimana metode unweighted least
squares. Namun, korelasi diberi timbangan sebesar keunikan dari
indikator (error). Korelasi dari indikator yang mempunyai error
yang besar diberi timbangan yang lebih kecil dari indikator yang
mempunyai error yang kecil.
5. Maximum Likelihood: Adalah suatu prosedur ekstraksi faktor
yang menghasilkan estimasi parameter yang paling mungkin
untuk mendapatkan matriks korelasi observasi jika sampel
mempunyai distribusi normal multivariat.

Merotasi Faktor
Setelah kita melakukan ekstraksi faktor, langkah selanjutnya adalah
rotasi faktor (rotation). Rotasi faktor ini diperlukan jika metode
ekstraksi faktor belum menghasilkan komponen faktor utama yang
jelas. Tujuan dari rotasi faktor ini agar dapat memperoleh struktur
faktor yang lebih sederhana agar mudah diinterpretasikan. Ada
beberapa metode rotasi faktor yang bisa digunakan yaitu:
1. Varimax Method: Adalah metode rotasi orthogonal untuk
meminimalisasi jumlah indikator yang mempunyai factor loading
tinggi pada tiap faktor.
2. Quartimax
Method:
Merupakan
metode
rotasi
untuk
meminimalisasi
jumlah
faktor
yang
digunakan
untuk
menjelaskan indikator.
3. Equamax Method: Merupakan metode gabungan antara varimax
method yang meminimalkan indikator dan quartimax method
yang meminimalkan faktor.

Interpretasikan Faktor
Setelah diperoleh sejumlah factor yang valid, selanjutnya kita perlu
menginterprestasikan nama-nama factor, mengingat factor merupakan
sebuah konstruk dan sebuah konstruk menjadi berarti kalau dapat
diartikan. Interprestasi factor dapat dilakukan dengan mengetahui
variable-variabel yang membentuknya. Interprestasi dilakukan dengan
judgment. Karena sifatnya subjektif, hasil bisa berbeda jika dilakukan
oleh orang lain.

Pembuatan factor scores

Faktor score yang dibuat, berguna jika akan dilakukan analisis lanjutan,
seperti analisis regresi, analisis diskriminan atau analisis lainnya.

Pilih variabel surrogate atau tentukan summated

scale
1. Variabel surrogate adalah satu variable yang paling dapat
mewakili satu factor. Misak factor 1 terdiri dari variable X1, X2
dan X3. Maka yang paling mewakili factor 1 adalah variable yang
memiliki factor loading terbesar. Apabila factor loading tertinggi
dalam satu factor ada yang hampir sama, missal X1 = 0,905 dan
X2 = 0,904 maka sebaiknya pemilihan surrogate variable
ditentukan berdasarkan teori, yaitu variable mana secara teori
yang paling dapat mewakili factor. Atau cara lain adalah dengan
menggunakan Summated Scale.

2. Summated Scale adalah gabungan dari beberapa variable dalam

satu factor, bisa berupa nilai rata-rata dari semua factor tersebut
atau nilai penjumlahan dari semua variable dalam satu factor.
Tahapan secara grafik dapat anda lihat pada gambar "Framework
Analisis Faktor" di atas!

Faktor Skor
Lihat bahwa muncul variabel baru, yaitu FAC1_1 yang merupakan
faktor skor dari faktor 1, FAC2_1 yang merupakan faktor skor dari
faktor 2 dan FAC3_1 yang merupakan faktor skor dari faktor 3. Dari
nilai tersebut anda dapat melakukan analisis lanjutan, misal analisis
regresi
linear,
analisis
diskriminan
atau
analisis
lainnya.
NB: Normalitas merupakan salah satu asumsi dari analisis faktor
meskipun tidak mutlak. Namun data dalam tutorial ini tidak normal,
karena hanya sebagai media pembelajaran saja. Untuk lebih
lengkapnya tentang uji normalitas, silahkan baca artikel kami tentang
normalitas.

Analisis Faktor dengan SPSS

Dengan analisis faktor, kita akan memperoleh hasil sebagai berikut:
1. Identifikasi dimensi-dimensi atau faktor-faktor mendasar yang
dapat menjelaskan korelasi dari serangkaian variabel.
2. Identifikasi variabel-variabel baru yang lebih kecil untuk
menggantikan variabel yang tidak berkorelasi dari serangkaian

variabel asli (asal) yang berkorelasi dari analisa multivariate

(analisis regresi atau analisis diskriminan).
3. Identifikasi variabel-variabel kecil yang menonjol (dari variabel
yang lebih besar) dari suatu analisis multivariate.
Menindaklanjuti dari apa yang telah kita pelajari sebelumnya dalam
artikel kami, yaitu: Analisis Faktor, maka pada kesempatan ini kami
akan membagikan tutorial melakukan analisis faktor dengan
menggunakan aplikasi SPSS.
Sebagai contoh, kita akan melakukan analisis faktor pada 9 variabel.
Langkahnya adalah sebagai berikut:
1. Pada menu SPSS, klik Analyze, Data Reduction, Factor. Masukkan
semua variabel ke dalam kotak "Variables".

Analisis Faktor
2. Tekan tombol "Descriptives" kemudian centang "Univariate
descriptives", "Initial Solutions", "Coefficients", "Significance Levels",
"Determinant", "KMO and Bartlett`s test of sphericity" dan "Anti
Image". Klik "Continue".

Deskriptiv Analisis Faktor

3. Tekan tombol "Extractions" kemudian pilih "Principal components"
sebagai method, pada "Analyze" pilih "Correlation matrix", pada
"display" pilih "Unrotated factor solution" dan "Scree plot". Pada

extract, pilih Eigenvalue over dan isi dengan angka "1". Klik
"Continue".

Extraction
4. Tekan tombol "Rotation" kemudian centang "Varimax" dan pada
display centang semua, yaitu "Rotated solutions" dan "Loading plot(s)".
Klik "Continue".

Rotation
5. Tekan tombol "Options" kemudian centang "Sorted by Size".

Analisis Faktor Options

Sampai tahap ini anda belumlah selesai melakukan analisis faktor
dengan aplikasi SPSS, sebab dalam analisis ini anda perlu melakukan
berulang-ulang hingga syarat minimal nilai KMO, Bartlett's
Sphericity, MSA dan Communalities terpenuhi.

Interprestasi Analisis Faktor dengan SPSS

Artikel ini tidaklah berdiri sendiri, sebab tergantung pada artikel
sebelumnya, yaitu: asumsi analisis faktor dengan SPSS. Artinya, anda
akan sampai pada tahap ini apabila sudah selesai melakukan berbagai
asumsi pada analisis faktor.
Communalities

Tabel Communalities
Tabel di atas menunjukkan seberapa besar sebuah variabel dapat
menjelaskan faktor. Misal X1 nilainya 0,769, artinya variabel X1 dapat
menjelaskan faktor sebesar 76,9%. Begitu pula dengan variabel
lainnya, di mana semuanya > 50%, oleh karenanya dapat disimpulkan
bahwasanya semua variabel dapat menjelaskan faktor.
Faktor Yang Sekiranya Dapat Terbentuk
Tabel Total Variance Explained di bawah ini berguna untuk
menentukan berapakah faktor yang mungkin dapat dibentuk.

Tabel Eigenvalue
Berdasarkan tabel di atas, lihat kolom "Component" yang menunjukkan
bahwa ada 7 komponen yang dapat mewakili variabel. Perhatikan
kolom "Initial Eigenvalues" yang dengan SPSS kita tentukan nilainya 1
(satu). Varians bisa diterangkan oleh oleh faktor 1 adalah 2,644/7 x
100% = 37,776. Oleh faktor 2 sebesar 1,594/7 x 100% = 22,768.
Sementara oleh faktor 3 sebesar 1,051/7 x 100% = 15,018. Sehingga
total ketiga faktor akan mampu menjelaskan variabel sebesar 37,776%
+ 22,768% + 15,018% = 75,562%. Dengan demikian, karena nilai
Eigenvalues yang ditetapkan 1, maka nilai Total yang akan diambil
adalah yang > 1 yaitu component 1, 2 dan 3.
Factor Loading
Setelah kita mengetahui bahwa faktor maksimal yang bisa terbentuk
adalah 3 faktor, selanjutnya kita melakukan penentuan masing-masing
variabel akan masuk ke dalam faktor mana, apakah faktor 1, 2 atau 3.
Cara menentukan tersebut adalah dengan melihat tabel Component
Matrix seperti di bawah ini:

Tabel Component Matrix

Tabel di atas menunjukkan seberapa besar sebuah variabel berkorelasi

dengan faktor yang akan dibentuk. Misal: X5 berkorelasi sebesar 0,885

dengan faktor 1, -0,388 dengan faktor 2 dan 0,128 dengan faktor 3.
Secara jelasnya dapat anda lihat pada tabel Rotated Component
Matrix di bawah ini untuk menentukan variabel mana akan masuk
faktor yang mana.

Tabel Rotatede Component Matrix

Penentuan variabel masuk faktor mana ditentukan dengan melihat
nilai korelasi terbesar. Pada tabel di atas telah diurutkan dari nilai yang
terbesar ke yang terkecil per faktor. Perhatikan baik-baik di atas:
X5 korelasi terbesar dengan faktor 1 yaitu 0,968, begitu pula X8: 0,956
dan X4: 0,731. Yang paling berkorelasi dengan faktor 2 adalah X9:
0,869, X7: 0,769. Sedangkan X1 sebesar 0,877 lebih berkorelasi
dengan faktor 3, begitu juga dengan X6: 0,666 masuk ke faktor 3.
Maka dapat disimpulkan anggota masing-masing faktor:
Faktor 1: X5, X8, X4
Faktor 2: X9, X7
Faktor 3: X1, X6
Langkah terakhir untuk penentuan faktor adalah melihat tabel
Component Transformation Matrix.

Tabel Transformation Matrix

Tabel di atas menunjukkan bahwa pada component 1 nilai korelasi
0,886 > 0,5, component 2: 0,712 > 0,5 dan component 3: 0,812 > 0,5.
Karena semua component > 0,5 maka ketiga faktor yang terbentuk
dapat dikatakan tepat dalam merangkum ketujuh variable yang ada.
Factor Score
Setelah anda mendapatkan faktor-faktor yang terbentuk, maka
langkah selanjutnya untuk keperluan analisis lebih lanjut, anda dapat
menentukan faktor skor. Caranya adalah dengan mengulangi langkah
analisis faktor tetapi pada saat proses anda tekan tombol "Scores",
kemudian centang "Save as variables" dan pilih method "Regression".

Analisis Faktor
Setelah anda klik "Continue" dan "OK" pada jendela utama, maka lihat
pada dataset anda di "data view".

CONTOH 2

Analisis Faktor
Analisis faktor adalah alat analisis statistik yang dipergunakan untuk mereduksi faktorfaktor yang mempengaruhi suatu variabel menjadi beberapa set indikator saja, tanpa
kehilangan informasi yang berarti. Sebagai ilustrasi, terdapat 50 indikator yang
diidentifikasi mempunyai pengaruh terhadap keputusan pembelian konsumen. Dengan
analisis faktor, ke-50 indikator tersebut akan dikelompokkan menjadi beberapa sub set
indikator yang sejenis. Masing-masing kelompok sub set tersebut kemudian diberi nama
sesuai dengan indikator yang mengelompok. Pengelompokan berdasarkan kedekatan
korelasi antar masing-masing indikator dan penentuan banyaknya sub set berdasarkan
nilai eigen values, yang biasanya diambil di atas 1.
Analisis faktor digunakan untuk penelitian awal di mana faktor-faktor yang
mempengaruhi suatu variabel belum diidentifikasikan secara baik (explanatory research).
Selain itu, analisis faktor juga dapat digunakan untuk menguji validitas suatu rangkaian
kuesioner. Sebagai gambaran, jika suatu indikator tidak mengelompok kepada
variabelnya, tetapi malah mengelompok ke variabel yang lain, berarti indikator tersebut
tidak valid.
Analisis faktor juga digunakan dalam Structural Equation Modelling (SEM) dan sering
disebut dengan Confirmatory Factor Analysis (CFA).
Berikut akan kami sampaikan simulasi analisis faktor yang digunakan untuk
mengelompokkan beberapa indikator menjadi beberapa kelompok tertentu, tanpa
kehilangan informasi yang berarti.
Data yang digunakan adalah hasil kuesioner yang terdiri dari 11 butir pertanyaan (q1
sampai dengan q11). Kita ingin mengelompokkan 11 butir tersebut menjadi beberapa
kelompok, sehingga memudahkan untuk analisis selanjutnya. Dari tabulasi data SPSS,
pilih menu Analyze, sorotkan mouse pada reduction data, dan klik pada Factor seperti
pada contoh berikut:

Jika anda benar maka akan diarahkan ke menu analisis faktor seperti ini. Pindahkan q1
sampai q11 dari box kiri ke kotak variables

Klik pada menu descriptive di bagian kiri bawah, sehingga akan diarahkan ke box menu
sebagai berikut:

Berikan tick mark (centang) seperti gambar, lalu tekan continue, sehingga anda akan
diarahkan kembali ke box analisis faktor. Tekan Extraction di samping Descriptive,
sehingga akan diarahkan ke menu box sebagai berikut

Lalu berikan tanda centang seperti pada gambar, tekan continue, maka akan kembali ke
menu analisis faktor. Tekan rotation di samping extraction, sehingga akan diarahkan ke
menu sebagai berikut:

Berikan tanda centang seperti gambar, lalu tekan continue. Setelah itu tekan OK pada box
menu analisis faktor. Dan akan keluar output yang siap untuk diinterpretasikan.

Yang pertama adalah nilai KMO yaitu sebesar 0,796. Nilai yang diharapkan adalah di
atas 0,5. Nah karena nilainya 0,796 > 0,5 maka analisis faktor dapat digunakan pada data
yang kita punyai. Kalau nilainya di bawah 0,05 kayaknya jangan digunakan deh analisis
faktor karena tidak layak. Output di bawahnya adalah communalities, yang diharapkan
mempunyai nilai di atas 0,4 dan di situ tampak bahwa semua pertanyaan mempunyai nilai
di atas 0,4 (minimal adalah 0,411 untuk q1).

Selanjutnya kita lihat output yang berikut

Dari 11 component (lihat tabel paling kiri) ternyata yang mempunyai nilai initial
eigenvalues di atas 1 hanya ada 2 component. Artinya, bahwa 11 butir pertanyaan
tersebut dapat dikelompokkan menjadi dua kelompok tanpa kehilangan informasi yang
berarti. Component 1 mempunyai nilai 5,630 dan mampu menjelaskan varians sebesar
51,180% dan component 2 mempunyai nilai 1,879 dan mampu menjelaskan varians
sebesar 17,084%. Dengan demikian kedua component tersebut mampu menjelaskan
varians sebesar 68,264% atau kita kehilangan informasi sebesar 31,736% saja.
Kalau kita pengin melihat butir mana yang masuk kelompok 1 dan butir mana yang
masuk kelompok 2 kita lihat output berikut:

Dari component matrik kita bisa melihat bahwa q1 ikut component 1 karena mempunyai
loading factor sebesar 0,617 yang lebih besar dari pada loading factor ke component 2
yaitu sebesar 0,174. Dengan cara yang sama kita bisa mengelompokkan kelompok 1
selainn q1 adalah q2, q3, q5, q6, q7, q8, q9 dan q10. Sedangkan yang masuk component
2 adalah q4 dan q11. he he. Eit lihat yang q 11.loading factor untuk component 1
adalah 0,436 dan untuk component 2 adalah -0,648. Bisa dimengerti kok dianggap masuk
component 2 bukannya component 1. Kita ambil nilai mutlaknya.

Akan tetapi q11 memang component 2 tapi mempunyai nilai negatif sehingga akan
membingungkan interpretasinya. Jadi ya kita lakukan rotasi dan hasilnya sebagai berikut:

Nah kan jadi lebih jelas. Butir q1 sampai q5 masuk component 2 dan butir q5 sampai q
11 masuk component 1. Ntar interpretasi variance explained juga dilihat yang rotation.
Nah, setelah itu anda kaitkan dengan teori yang ada. Butir q1 sampai q5 anda beri nama
sesuai dengan isi dari pertanyaan dan merupakan suatu konstruk yang berbeda dengan
konstruk yang terdiri dari q6 sampai q 11.