Untitled-3 LAPORAN PRAKTIKUM ANALISIS MULTIVARIAT PRAKTIKUM II

ANALISIS FAKTOR

ASISTEN 1 : Lukman Nul Hakim ASISTEN 2 : Rifqi Ramadhan P

Oleh :

Nama : Achmad Bara H NIM : 0710953024

LABORATORIUM STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS BRAWIJAYA 2012

BAB I TINJAUAN PUSTAKA

Analisis faktor adalah suatu analisis data untuk mengetahui faktor-faktor yang dominan dalam menjelaskan suatu masalah. Analisis Faktor dapat dipandang sebagai perluasan analisis komponen utama yang pada dasarnya bertujuan untuk mendapatkan sejumlah kecil faktor yang memiliki sifatsifat: 1. Mampu menerangkan semaksimal mungkin keragaman data, 2. Faktor-faktor tersebut saling bebas, dan 3. Tiap-tiap faktor dapat diinterpretasikan (Anonymous, 1998). 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 (Alim, 2008). Tujuan utama dari anlisis faktor adalah untuk menggambarkan peragam di antara p peubah ganda yang sebenarnya dapat dibagi dalam beberapa sifat yang mendasar namun tidak terobservasi kuantitasnya ini disebut faktor. Analisis faktor pada prinsipnya digunakan untuk mereduksi data, yaitu proses untuk meringkas sejumlah variabel menjadi sedikit dan menamakannya sebagai faktor. Jadi, dapat saja dari 10 atribut tersebut dapat diringkas menjadi 3 faktor utama saja.(Santoso dan Tjiptono, 2001) Proses analisis faktor mencoba menemukan hubungan (interrelationship) antar sejumlah variabel-variabel yang saling independen satu dengan yang lain sehingga bisa dibuat satu atau beberapa kumpulan variabel yang lebih sedikit dari jumlah variabel awal. (Santoso, 2002)

Analisis faktor merupakan salah satu dari analisis ketergantungan antar peubah. Prinsip dasar analisis faktor adalah mengekstraksi sejumlah faktor bersama (common factors) dari gugusan peubah asal X1,X2,...,Xp sehingga: . Banyaknya faktor lebih sedikit dibandingkan dengan banyaknya peubah asal. . Sebagian besar informasi (ragam) peubah asal X, tersimpan dalam sejumlah faktor.

Faktor merupakan peubah baru, yang bersifat unobservable variable atau peubah laten/konstruks, sedangkan peubah asal X merupakan peubah yang dapat diukur atau dapat diamati, sehingga peubah X sering disebut sebagai observable variable. Di dalam analisis faktor, peubah-peubah dikelompokan berdasarkan korelasinya. Peubah yang berkorelasi tinggi akan berada dalam kelompok tertentu membentuk suatu faktor, sedangkan dengan peubah dalam kelompok (faktor) lain mempunyai korelasi yang relatif kecil. Adapun kegunaan analisis faktor: 1. Mengekstraks unobservable variable dan observable variable. 2. Mempermudah interpretasi hasil analisis, sehingga didapatkan informasi yang realistik dan sangat berguna. 3. Pengelompokkan dan pemetaan objek berdasarkan karakteristik yang terkandung di dalam faktor. 4. Dengan diperolehnya skor faktor, maka analisis faktor merupakan langkah awal dari berbagai metode analisis data yang lain, misal analisis diskriminan, analisis regresi, MANOVA, dll. Analisis faktor memiliki banyak kemiripan dengan analisis komponen utama. Terutama bilamana proses komputasi dalam analisis faktor didekati dengan solusi analisis komponen utama, sehingga indikator dan kriteria pemilihan faktor yang bermakna (signifikan) dan interpretasi faktor dapat dilakukan dengan cara yang sama dengan analisis komponen utama. Misal terdapat peubah X1,X2,...,Xp yang menyebar normal ganda dengan vektor nilai tengah dan matriks peragam S, maka dapat dibuat model : : Dalam bentuk catatan matriks dituliskan sebagai berikut: X=cF+ Dimana X adalah peubah asal, F adalah faktor bersama, dan c adalah bobot (loading) faktor dan adalah galat(error). Faktor yang eigen value-nya lebih besar dari satu, misalnya adalah F1 dan F2, sehingga diputuskan hanya ada dua faktor yang bermakna. Untuk dapat melakukan interpretasi terhadap F1 dan F2, perhatikan besar dari faktor-faktor tersebut dari masing-masing peubah. Sementara untuk eigen value-nya lebih kecil dari satu diabaikan.

Metode pendugaan pembobot (loading) dalam analisis faktor, antara lain adalah metode kemungkinan maksimum dan solusi principal component analysis(AKU). Data input untuk AKU dapat berupa matriks peragam (S) ataupun matriks korelasi(R). Matriks peragam digunakan bilamana unit satuan dan skala data dari seluruh peubah yang dianalisis adalah sama dan bilamana tidak sama digunakan R . Dari R dan S diperoleh .j (eigen value) yang berpadanan, di dalam AKU aj merupakan pembobot atau loading (skor komponen). Pembobot atau loading factor adalah: v (Anonymous, 2005). Sebelum masuk pada proses analisis faktor, terdapat asumsiasumsi dasar yang harus dipenuhi. Asumsi-asumsi yang harus dipenuhi untuk menilai tepat atau tidaknya menggunakan analisis faktor tersebut adalah : a. Asumsi korelasi yang meliputi Besar korelasi antar variable independent harus cukup kuat atau di atas 0,3. Besar korelasi parsial yaitu korelasi antar dua variabel dengan menganggap tetap variabel lain, justru harus kecil atau mendekati nol. Uji hipotesis bahwa matriks korelasi adalah bukan matriks identitas, dengan menggunakan Barlett s Test of Sphericity. Nilai signifikasi yang diperoleh Barlett s Test of Sphericity harus lebih kecil dari 0,05 (sig < 0.05) b. Asumsi ukuran kecukupan sampling yang diuji dengan KaiserMeyer-Olkin (KMO) dan Measure of Sampling Adequency (MSA). KMO merupakan indeks untuk membandingkan besarnya koefisien korelasi amatan dengan koefisien parsial, yang berarti bahwa besar koefisien korelasi keseluruhan variabel pada matriks korelasi harus signifikan di antara paling sedikit beberapa variabel. Angka KMO disyaratkan harus lebih dari 0.5.

Keterangan : = koefisien korelasi antara varibel i dan variabel j = koefisien korelasi parsial antara varibel i dan variabel j

Harga KMO ini merupakan indeks untuk membandingkan besarnya koefisien korelasi dengan besarnya koefisien korelasi parsial, skala nilai ini antara lain : KMO = 0,9 = Menyatakan sangat memuaskan 0,8 = KMO < 0,9 = Menyatakan sangat baik 0,7 = KMO < 0,8 = Menyatakan baik 0,6 = KMO < 0,7 = Menyatakan cukup memuaskan 0,5 = KMO < 0,6 = Menyatakan jelek KMO = 0,5 = Menyatakan ditolak Sedangkan MSA merupakan indeks untuk mengukur kecukupan sampling untuk setiap variabel individual.

Angka MSA diinterpretasikan dengan kriteria : a. MSA = 1,0 = variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel lain. b. MSA > 0,5 = variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut. c. MSA = 0,5 = variabel tidak bisa diprediksi dan tida bisa dianalisis lebih lanjut atau harus dikeluarkan.

Pemilihan Metode Ekstraksi dan Penentuan Jumlah Faktor Ekstraksi faktor bertujuan untuk menghasilkan sejumlah faktor dari data yang ada. Terdapat dua pendekatan dalam mengekstraksi faktor, metode Analisis Utama (Principal Component Analysis) dan metode Analisis Faktor Umum (Common Factor Analysis). Dalam pemilihannya, perlu diketahui lebih dahulu tipe-tipe variansi data. Total varians (total variance) terdiridari tiga bagian, yaitu variansi umum (common variance), variansi unik atau spesifik (specific variance), dan variansi error (error vaiance). Variansi umum adalah variansi variabel yang dibagi dengan semua variabel yang ada. Variansi spesifik adalah variansi yang dimiliki oleh variabel yang bersifat reliabel secara spesifik dan tidak berhubungan dengan variabel lain. Sedangkan variansi error adalah variansi yang berhubungan dengan ketidakreliabel, yang terjadi dari proses pengumpulan data, error pengukuran dan kesalahan acak. Dalam menentukan jumlah faktor yang diinginkan sebagai hasil ekstrak, terdapat beberapa kriteria, yaitu : a. Kriteria Latent Root (Latent Root Criterion) Hanya faktor-faktor yang memiliki latent root (eigenvalue) minimum 1yang akan dipertahankan. Ini dapat berarti bahwa sebuah

faktor dapat dianggap sebagai faktor, bila paling sedikit dapat menjelaskan variansi satu variabel atau setiap variabel menyumbangkan nilai satu pada total eigenvalue. maka, hanya faktor dengan eigenvalue > 1 yang dianggap signifikan. b. Kriteria (Apriori Criterion) Jumlah faktor ditentukan sendiri oleh peneliti karena peneliti sudah mempunyai pengalaman sebelumnya tentang beberapa jumlah faktor. Metode ini digunakan untuk menguji suatu teori yang sudah ada. c. Kriteria presentase variansi (Percentage of Varience Criterion) Presentase kumulatif total variansi tertentu diekstraksi dari factorfaktor terpilih secara berurutan. Tujuannya untuk memastikan signifikansi faktor-faktor terpilih. Dengan memastikannya terlebih dahulu diketahui dengan pasti bahwa faktor-faktor tersebut dapat menjelaskan paling sedikit sejumlah variansi. d. Kriteria Scree Test ( Scree Test Criterion) Meskipun semau faktor mengandung paling sedikit beberapa variansi unik, tetapi pada dasarnya proporsi variansi unik dua factor (dan sesudahnya) lebih besar dari faktor sebelumnya. Tujuannya untuk mengidentifikasi jumlah maksimal faktor yang dapat diekstrak sebelum sejumlah variansi unik mulai mendominasi struktur variansi umum. Pada kurva latent root terhadap jumlah faktor, titik dimana kurva mulai bergerak lurus merupakan indikasi jumlah faktor maksimum yang dapat diekstrak. e. Kriteria Responden (Heterogenity of Respondent) Jika sampel heterogen pada paling sedikit satu bagian dari set variabel, maka faktor pertama akan menjelaskan variabel-variabel tersebut secara lebih homogen terhadap keseluruhan sampel.

Pemilihan Metode Rotasi dan Interpretasi Matrik Faktor Jika faktor loading suatu variabel sama-sama cukup tinggi pada beberapa faktor maka sulit untuk memutuskan ke faktor mana variabel tersebut harus dimasukkan, sedangkan sasaran analisis faktor adalah agar setiap variabel hanya masuk ke satu faktor saja. Untuk itu setelah ekstraksi, faktor-faktor yang terbentuk perlu dirotasi. Tujuan rotasi adalah untuk mengekstrimkan faktor loading variabel. Rotasi dilakukan dengan memutar sumbu faktor, dari titik pusatnya menuju titik yang ingin dituju. Beberapa metode rotasi, yaitu : a. Orthogonal Rotation, dilakukan dengan cara merotasikan sumbu faktor yang kedudukannya saling tegak lurus satu dengan lainnya, sehingga setiap faktor saling bebas terhadap faktor lainnya karena

sumbunya saling tegak lurus. Rotasi Orthogonal masih dapat dibedakan menjadi : 1) Quartimax, dengan merotasi faktor awal hasil ekstraksi sehingga diperoleh hasil rotasi dimana setiap variabel mempunyai faktor loading yang tinggi di satu faktor dan sekecil mungkin pada faktor lain. 2) Varimax (paling sering digunakan karena sering terbukti lebih baik dalam menunjukkan perbedaan antar faktor ), dengan merotasi faktor awal hasil ekstraksi sehingga diperoleh hasil rotasi dimana dalam suatu kolom, nilai yang ada sebanyak mungkin mendekati nol. Ini berarti, di dalam setaip faktor tercakup sesedikit mungkin variabel. 3) Equimax, mengkombinasi metode Quartimax dan Varimax. b. Oblique Rotation, dilakukan dengan merotasikan sumbu faktor yang kedudukannya saling membentuk sudut, dengan besar sudut rotasi tertentu. Dalam hal ini, korelasi antara faktor masih diperhitungkan karena sumbu faktor tidak saling tegak lurus satu dengan yang lainnya. Rotasi Oblique masih dapat dibedakan menjadi : 1) Oblimax, merotasi faktor sehingga sejumlah faktor loading yang tinggi dan rendah meningkat, dengan menurunkan faktor-faktor loading yang berada dipertengahan. 2) Quartimin, meminimumkan jumlah produk pada struktur loading. 3) Covarimin, seperti varimax pada rotasi orthogonal, yaitu dengan merotasi faktor awal hasil ekstraksi sehingga diperoleh nilai yang ada dalam suatu kolom sebanyak mungkin mendekati nol. 4) Oblimin, mengkombinasi metode Quartimin dan Covarimin Interpretasi matrik faktor dilakukan dengan mengelompokkan variabelvariabel ke dalam faktor-faktor hasil. Dasar untuk memutuskan apakah suatu variabel dimasukkan pada faktor 1, faktor 2, atau faktor lainnya adalah faktor loadingnya. Sebelum dikelompokkan faktor loading harus memenuhi kriteria signifikansi praktis dan signifikansi statistik. Kriteria signifikansi praktis adalah faktor loading lebih besar dari 0.5, karena semakin besar faktor loading semakin m udah menginterpretasikan faktor tersebut. Kriteria signifikansi statistik dapat dilihat pada tabel 2.1, dibawah ini:

Tabel Identifikasi Signifikansi faktor Loading

Langkah-langkah interpretasi matriks faktor, yaitu : a. Memeriksa faktor loading terbesar untuk setiap variabel. b. Mengidentifikasi faktor loading terbesar untuk setiap variabel. c. Menggabungkan variabel ke dalam faktor. Apabila variabel dengan faktor loading terbesar terjadi pada faktor 1, maka variabel tersebut digabungkan ke dalam faktor 1. d. Menghapus variabel apabila : Faktor loading variabel signifikansi pada beberapa faktor. Nilai komunalitas variabel lebih kecil dari 0.5. e. Memberikan nama atau label pada faktor terbentuk yang mencerminkan arti gabungan dari variabel-variabel penyusunnya.

Output Hasil Faktor sebagai Data mentah Analisis Multivariant lainnya Hasil analisis faktor seringkali ditindak lanjuti pada analisis multivariant lainnya, seperti regresi dan diskriminan. Yang akan digunakan pada analisis lanjutan adalah faktor hasil ekstraksi yang bukan hanya jumlahnya lebih sedikit dari variabel awal, tetapi sekaligus dapat berfungsi sebagai variabel baru pada analisis lanjutan tersebut. Oleh karena itu, sebelumnya faktor harus diberi nilai terlebih dahulu. Terdapat tiga metode dalam menentukan nilai setiap faktor, yaitu : a. Menggunakan satu variabel awal yang memeliki faktor loading terbesar (disebut suggorate variable) untuk mewakili setiap faktor dalam analisis lanjutan. b. Menggunakan factor scores, untuk membuat satu atau beberapa variabel yang lebih sedikit dan berfungsi untuk menggantikan variabel asli yang sudah ada.

c. Menggunakan summated scales, dimana nilai setiap faktor adalah rata-rata nilai semua variabel yang tergabung dalam faktor tersebut (Santoso, 2002).

BAB II METODE

2.1 Sumber Data Data Mengenai Produksi Bobot Gabah Kering, Kadar Pupuk Organik, Kadar N2 Dalam Tanah, Diameter Bulir Beras, Diameter Bulir Beras, dan Besar Subsidi untuk Pupuk di Daerah Kelir Kabupaten Mora.

2.2 Tahapan Analisis Tahapan analisis yang dilakukan untuk mendapatkan analisis faktor adalah sebagai berikut : 1. Analyze . Data Reduction . Factor

2. Descriptive . Initial Solution, Determinant, KMO and Bartlett Test

3. Extraction . Analyze : Covariance Matrix Extract : Based on Eigen Value

4. Rotation . Varimax

BAB III

HASIL DAN PEMBAHASAN

3.1 Data dan Kasus 3.1.1 Permasalahan Mengenai Faktor Harga Saham EPS NPM PER ROI ROE 512,28 0,23 6,05 23,67 38,77 182,86 0,11 9,57 9,87 18,52 150,94 0,11 11,1 8,77 17,56 41 0,04 24,39 2,56 5,88 68

0,14 19,26 8,5 23,3 322 0,18 1,79 9,48 80,85 305 0,21 0,49 8,85 400,74 -284 -0,24 -1,06 -7,75 -132,75 -297 -0,15 -4,8 -10,46 -31,04 640 0,25 1,64 15,39 299,13 1030

0,45 0,24 29,68 -23,69 -367 -0,3 -1,91 12,76 33,49 1,24 0,01 84,68 0,19 1,49 4,6 0,05 39,13 1,51 2,62 14,77 0,13 12,19 4,78 8,21 20,92 0,17 27,49 6,72 13,09 -7,05

-0,17 -39,01 -2,85 -2,93 -11,57 -0,26 -23,77 -5,17 -5,3 4,08 0,05 19,61 1,71 1,78 6,28 0,13 35,83 2,85 3,02 3,68 0,01 16,3 1,36 2,44 -4,2 -0,02 -15,48 -1,64 -2,79 -11

0,04 -9,09 4,51 7,26 19 0,06 13,16 7,56 11,87

3.1.2 Permasalahan Mengenai Nilai 5 Mata Pelajaran 20 Siswa

X1 X2 X3 X4 X5 1 8.0 8.0 7.0 7.0 7.0 2 5.0 6.0 7.0 8.0

7.0 3 6.0 6.0 8.0 8.0 8.0 4 8.0 7.0 7.0 7.0 8.0 5 5.0 5.0 7.0 7.0 6.0 6 6.0 6.0 7.0 7.0 8.0 7 5.0 6.0 8.0 8.0

7.0

8 8.0 8.0 6.0 6.0 6.0 9 8.0 8.0 8.0 7.0 8.0 10 7.0 7.0 8.0 8.0 9.0 11 8.0 8.0 7.0 7.0 6.0 12 6.0 6.0 8.0 8.0 8.0

13 6.0 6.0 7.0 7.0 6.0 14 6.0 5.0 8.0 8.0 8.0 15 6.0 6.0 7.0 6.0 6.0 16 7.0 7.0 8.0 8.0 8.0 17 6.0 5.0 7.0 6.0 7.0

18 5.0 6.0 7.0 7.0 7.0 19 7.0 7.0 8.0 8.0 8.0 20 9.0 8.0 7.0 7.0 7.0

3.2 Output SPSS 3.2.1 Permasalahan Mengenai Faktor-Faktor Yang Mempengaruhi Harga Saham Factor Analysis

KMO and Bartlett's Testa Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .652

Bartlett's Test of Sphericity Approx. Chi-Square 60.032 df 10 Sig. .000 a. Based on correlations

Communalities

Raw Rescaled

Initial Extraction Initial Extraction EPS 8.992E4 8.969E4 1.000 .997 NPM .027 .020 1.000 .751 PER 569.899 1.096 1.000 .002 ROI 82.287 52.840 1.000 .642 ROE 1.109E4

2369.711 1.000 .214 Extraction Method: Principal Component Analysis.

Total Variance Explained

Component Initial Eigenvaluesa Extraction Sums of Squared Loadings

Total % of Variance Cumulative % Total % of Variance Cumulative % Raw 1 9.211E4 90.609 90.609 9.211E4 90.609 90.609 2 8.949E3 8.804 99.413

3 567.495 .558

99.971

4 28.978 .029 100.000

5 .005 4.835E-6 100.000

Rescaled 1 9.211E4 90.609 90.609 2.606 52.129 52.129 2 8.949E3 8.804 99.413

3 567.495 .558 99.971

4 28.978 .029 100.000

5 .005 4.835E-6 100.000

Extraction Method: Principal Component Analysis.

a. When analyzing a covariance matrix, the initial eigenvalues are the same acro ss the raw and rescaled solution.

Component Matrixa

Raw Rescaled

Component Component

1 1 EPS 299.475 .999 NPM .141 .867 PER -1.047 -.044 ROI 7.269 .801 ROE 48.680 .462 Extraction Method: Principal Component Analysis. a. 1 components extracted.

Interpretasi : Communalities di sini menjelaskan jumlah ragam peubah asal yang dapat dijelaskan oleh faktor yang terbentuk (dilihat dari output tabel Component Matrix , ternyata terbentuk hanya 1 faktor). Terlihat bahwa untuk EPS, nilai Extractionnya adalah 0.997. Artinya, 99.7% keragaman dari EPS dapat dijelaskan oleh faktor yang terbentuk. Untuk NPM, nilai extractionnya 0.751. Artinya, 75.1% keragaman NPM dapat dijelaskan oleh factor yang terbentuk. Keragaman yang dapat dijelaskan dari PER oleh faktor yang terbentuk adalah sebesar 0.002% , ROI sebesar 64.2%, dan untuk ROE sebesar 21.4%. Angka communalities disini merupakan sebuah peubah asal yang cukup besar (>0.7), berarti factor yang terbentuk benar-benar mewakili peubah asal Dari tabel Total Variance Explained terlihat bahwa dari kemungkinan terbanyak 5 faktor yang terbentuk (5 adalah banyaknya peubah asal), ternyata hanya 1 faktor yang memiliki nilai eigen value >

1 dengan persentase kumulatif keempat faktor adalah 90.609%. Sehingga, faktor yang terbentuk adalah F1. Hasil pembentukan analisis faktor dengan loading adalah: EPS = 0.999F1 NPM = 0.867F1 PER = 0.044F1

ROI = 0.801F1 ROE = 0.462F1 Pada F1, loading EPS, NPM dan ROI cukup besar, sedangkan loading untuk PER dan ROE cukup kecil. Sehingga F1 bisa diinterpretasikan sebagai faktor mikro yang mempengaruhi besarnya harga saham. Karena tidak terjadi tumpang tindih (overlap) faktor-faktor yang ada sebagai komponen penyusun peubah asal dan hanya dapat dibentuk 1 faktr maka analisis rtasi tidak dapat dilakukan.

3.2.2 Permasalahan Mengenai Nilai 5 Mata Pelajaran 20 Siswa Factor Analysis

KMO and Bartlett's Testa Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .551 Bartlett's Test of Sphericity Approx. Chi-Square 57.359 df 10 Sig. .000 a. Based on correlations

Communalities

Raw Rescaled

Initial Extraction Initial Extraction x1 1.516 1.456 1.000 .961 x2 1.103 .995 1.000 .903 x3 .345 .272 1.000 .788 x4 .513 .383 1.000 .747

x5 .829 .734 1.000 .886 Extraction Method: Principal Component Analysis.

Total Variance Explained

Component Initial Eigenvaluesa Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings

Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % Raw 1 2.496 57.970 57.970 2.496 57.970 57.970 1.365 31.711 31.711 2

1.345 31.241 89.211 1.345 31.241 89.211 2.475 57.499 89.211 3 .280 6.508 95.718

4 .113 2.626 98.345

.071 1.655 100.000

Rescaled 1 2.496 57.970 57.970 1.984 39.689 39.689 2.370 47.394 47.394 2 1.345 31.241 89.211 2.300 45.996 85.684 1.915 38.290 85.684

3 .280 6.508 95.718

4 .113 2.626 98.345

5 .071 1.655 100.000

Extraction Method: Principal Component Analysis.

Total Variance Explained

Component Initial Eigenvaluesa Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings

Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %

Raw 1 2.496 57.970 57.970 2.496 57.970 57.970 1.365

31.711 31.711

2 1.345 31.241 89.211 1.345 31.241 89.211 2.475 57.499 89.211

3 .280 6.508 95.718

4 .113 2.626 98.345

5 .071 1.655 100.000

Rescaled 1 2.496 57.970 57.970 1.984 39.689 39.689 2.370 47.394 47.394

1.345 31.241 89.211 2.300 45.996 85.684 1.915 38.290 85.684

3 .280 6.508 95.718

4 .113 2.626 98.345

5 .071 1.655 100.000

Component Matrixa

Raw Rescaled

Component Component

1 2 1 2 x1 1.203 .096 .977 .078 x2 .995 .067 .948 .064 x3 -.139 .502 -.237 .856 x4 -.196

.587 -.274 .820 x5 .004 .857 .004 .941 Extraction Method: Principal Component Analysis. a. 2 components extracted.

Rotated Component Matrixa

Raw Rescaled

Component Component

1 2 1 2 x1 -.065 1.205 -.053

.979 x2 -.066 .995 -.063 .948 x3 .516 -.071 .880 -.121 x4 .608 -.117 .849 -.163 x5 .849 .118 .932 .129 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 3 iterations.

Component Transformation Matrix Component 1 2 1 -.133 .991 2 .991 .133 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.

Interpretasi : - Communalities pada dasarnya adalah jumlah varians (bisa dalam persentase) dari suatu peubah asal yang bias dijelaskan oleh factor yang ada. Untuk peubah X1 (Matematika), angka 0.961 atau 96.1% berarti sekitar 96.1% ragam dari peubah X1 bisa dijelaskan oleh factor yang terbentuk (jika dilihat pada Component Matrix, ada 2 komponen / factor yang bermakna). Angka communalities disini sebuah peubah asal cukup besar (>0.7), berarti factor yang terbentuk benar-benar mwakili peubah asal. - Dari Tabel Total Variance Explained. Dari kemungkinan terbanyak 5 faktor yang terbentuk (5 adalah banyaknya peubah asal), hanya terdapat 2 faktor yang memiliki nilai eigen value > 1, dan persentase kumulatif kedua factor tersebut adalah cukup besar yaitu 89.211%. Sehingga factor yang terbentuk ada 2, dinamakan F1 dan F2. - Hasil pembentukan analisis factor dengan loading sebagai berikut : X1 = 0.977F1 + 0.078F2 X2 = 0.948F1 + 0.064F2 X3 = -0.237F1 + 0.856F2 X4 = -0.274F1 + 0.820F2

X5 = 0.004F1 + 0.941F2

Apabila diperhatikan besarnya loading dari factor-faktor tersebut pada masing-masing variable. Pada F1, loading X1 dan X2 sangat kecil, sedangkan loading X3, X4, dan X5 cukup kecil, sedangkan pada F2, loading X1 dan X2 sangat kecil, sewdangkan loading X3, X4, dan X5 cukup besar (mendekati 1). Sehinga F1 dapat kita interpretasikan sebagai factor kemampuan logika (matematika dan fisika), sedangkan F2 dapat kita interpretasikan sebagai factor kemampuan menghafal (geografi, PPKn dan Sejarah). Karena pelaksanaan interprets terhadap factor sebgai variable baru atau unobserveable variable tidak sulit untuk dilakukan, karena tidak terjadi tupang tundih (overlap) factorfaktor yang ada sebagai komponen penyusun peubah asal X, maka hasil dari rotasi factor diabaikan.

BAB IV KESIMPULAN DAN SARAN

4.1 Kesimpulan Berdasarkan hasil praktikum mengenai analisis faktor dapat diambil kesimpulan bahwa pada permasalahan faktor yang mempengaruhi harga saham hanya dapat membentuk 1 faktor yakni faktor mikro EPS yang dapat menggambarkan keragaman respon yang sebenarnya sebesar 90.609%. Sedangkan untuk permasalahan nilai siswa dapat dibentuk 2 faktor kemampuan logika dan menghafal. Persentase kumulatif kedua faktor tersebut adalah cukup besar yaitu 89.211%.

4.2 Saran Sebaiknya asisten lebih perlahan dalam menjelaskan materi sehingga praktikan bias lebih paham dalam melakukan praktikum dan memehami interpretasi hasil output software.

DAFTAR PUSTAKA

Anonymous. 1998. Analisis Faktor dan Diskriminan. http://daps.bps.go.id/file_artikel/98/Analisis_Faktor%20&%20Diskriminan.pdf. Tan ggal akses 2 mei 2012.

Anonymous. 2005. http://www.gunadarma.ac.id/library/articles/postgraduate/informationsystem/Sistem%20Informasi%20Bisnis/Artikel_92206055.pdf. Tanggal akses 2 mei 20121.

Alim, N.H. 2008. ANALISIS FAKTOR YANG MEMPENGARUHI KONSUMEN MEMBELI OBAT DI APOTIK (Studi Kasus di Apotik SEHAT ). http://etd.eprints.ums.ac.id/1725/2/D600030064.pdf Tanggal akses 2 mei 2012.

Santoso, Singgih dan Tjiptono, Fandy. 2002. Riset Pemasaran: Konsep Aplikasi dengan SPSS. Elex Media Komputindo: Jakarta.