ANALISIS FAKTOR YANG MEMPENGARUHI MAHASISWA MEMILIH TEMPAT

KOST

Disusun untuk memenuhi tugas mata kuliah Statistika Multivariat

Dosen Pengampu: Putriaji Hendikawati

Disusun oleh :
KELOMPOK 5
NOVI YULIYANTI

(4112313022)

FARAH AGHNAITA

(4112313016)

DIWA SAPUTRA

(4112313037)

SUJIK ANITA

(4112314003)

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI SEMARANG
2015

BAB 1
PENDAHULUAN
1.1 Latar Belakang Masalah
Di Indonesia, banyak ditemukan pelajar yang setelah lulus dari SMA atau sederajat
melanjutkan sekolah di luar kota, bahkan luar provinsi atau juga luar pulau. Pilihan untuk
melanjutkan studi di luar daerah berdasarkan beberapa alasan. Antara lain karena
fakultas/jurusan yang diinginkan sesuai dengan minat dan bakat tidak terdapat di daerah
asal. Oleh karena itu, meninggalkan daerah atau kota kelahiran dan menetap di kota
tempat universitas yang diinginkan berada harus menjadi pilihan. Salah satunya adalah di
kota Semarang, Universitas Negeri Semarang.
Sebagai pendatang baru yang mencoba beradaptasi dengan lingkungan tempat tinggal
baru, tentunya para pendatang perlu mengeluarkan biaya-biaya untuk keperluan seharihari seperti sandang, pangan, dan papan. Semua keperluan hidup tersebut tentunya
memerlukan biaya yang tidak sedikit, sehingga tidak mengherankan jika pendatang
mensiasati pengeluarannya agar mampu menekan biaya hidupnya.
Untuk alasan efidiensi ekonomi, beberapa masyarakat pendatang khususya mahasiswa
lebih memilih untuk menyewa kamar kos-kosan yang harganya lebih murah jika
dibandingkan hotel ataupun apatermen. Mengingat mahasiswa pendatang notabene
belummemperoleh penghasilan sendiri.
In de kos atau bahasa populernya ngekos merupakan salah satu pilihan tempat tinggal
bagi mahasiswa rantau. Menurut Kamus Besar Bahasa Indonesia (2009), kost adalah
menumpang tinggal dan makan (dengan membayar); memondok, dengan membayar tiap
tahun atau tiap bulannya. Setiap mahasiswa memiliki preferensi yang berbeda dalam hal
memilih rumah kost. Banyaknya hal yang menjadi pertimbangan dalam memilih kost
misalnya ada yang memilih karena harganya, luas kamar, jarak kost ke kampus,
keamanan, kebersihan, uang saku yang dimiliki, fasilitas kost ataupun karena lokasi yang
stategis seperti deket tempat makan, warnet, fotokopy, dan lain-lain.

Berdasarkan latar belakang diatas, maka penulis tertarik untuk melakukan penelitian
dengan judul : Analisis Faktor yang Mempengaruhi Mahasiswa Universitas Negeri
Semarang memilih tempat kost (Studi Kasus Mahasisa Universitas Negeri Semrang,
Fakultas Matematika dan Ilmu Pengetahuan Alam).
1.2 Rumusan Masalah
a. Faktor apa saja yang mempengaruhi mahasiswa dalam memilih tempat kost?
b. Ada berapa kelompok faktor yang mempengaruhi mahasiswa dalam memilih tempat
kost?
1.3 Tujuan Penelitian
a. Mengetahui faktor-faktor yang mempengaruhi mahasiswa dalam memilih tempat kost.
b. Mengetahui jumlah kelompok faktor yang mempengaruhi mahasiswa dalam memilih
tempat kost.
1.4 Manfaat Penelitian
a. Bagi mahasiswa, hasil penelitian ini diharapkan dapat memberikan gambaran serta
informasi mengenai faktor-faktor yang mempengaruhi preferensi dalam memilih
tempat kost. Sehingga mahasiswa tidak kliru dan sesuai keinginan dalam memilih
tempat kos.
b. Bagi pemilik kost, memberikan informasi yang dapat dijadikan salah satu acuan dan
bahan untuk menentukan kebijakan yang akan diambil pemilik kost dalam hal
menarik perhatian mahasiswa yang akan bertempat tinggal di kost tersebut.
c. Bagi pembaca, hasil penelitian ini dapat menambah wawasan, informasi dan
mengembangkan pengetahuan terkait masalah preferensi dalam memilih tempat kost
dan faktor-faktor apa saja yang mempengaruhinya serta dapat dijadikan referensi
bagi pihak-pihak terkait dalam penelitian selanjutnya pada bidang sejenis.
1.5 Ruang Lingkup Penelitian
Dalam penelitian ruang lingkup yang ditentukan adalah mahasiswa Universitas Negeri
Semarang Fakultas Matematika dan Ilmu Pengetahuan Alam.

BAB II
LANDASAN TEORI
1.1 Statistika Multivariat
Metode Statistika Multivariat

adalah

teknik-teknik

analisis

statistik

yang

memperlakukan sekelompok variabel kriteria yang saling berkorelasi sebagai satu

sistem, dengan memperhitungkan korelasi antar variabel-variabel itu. Analisis
demikian disebut Analisis Statistik Multivariat ( Suryanto, 1988 : 1).
1.2 Analisis Multivariat
Analisis statistik multivariat merupakan metode dalam melakukan penelitian terhadap
lebih dari dua variable secara bersamaan. Dengan menggunakan teknik analisis ini
maka kita dapat menganalisis pengaruh beberapa variable terhadap variabel lainnya
dalam waktu yang bersamaan. Berdasarkan hubungan antar variabel, analisis
multivariat dapat dibedakan menjadi dependence techniques dan interdependence
techniques. Dalam dependence techniques, terdapat dua jenis variabel, yaitu variabel
terikat

dan

variabel

bebas.

Dependence

techniques

ini

digunakan

untuk

menyelesaikan permasalahan-permasalahan mengenai hubungan antara dua kelompok

variabel tersebut. Sedangkan dalam interdependence techniques, kedudukan setiap
variabel

sama,

tidak

ada

variabel

terikat

dan variabel

bebas.

Biasanya

interdependence techniques ini digunakan untuk melihat saling keterkaitan hubungan

antar semua variabel tanpa memperhatikan bentuk variabel yang dilibatkan (Bilson
Simamora, 2005).

Gambar Klasifikasi Metode Dependensi dan Interdependensi Analisis Multivariat

1.3 Analisis Faktor
Analisis faktor merupakan salah satu metode statistik multivariat yang mencoba
menerangkan hubungan antara sejumlah variabel- variabel yang saling independen
antara satu dengan yang lain sehingga bisa dibuat satu atau lebih kumpulan peubah
yang lebih sedikit dari jumlah variabel awal. Analisis faktor digunakan untuk
mereduksi data dan menginterpretasikannya sebagai suatu variabel baru yang berupa
variabel bentukan. Analisis faktor juga digunakan untuk mengetahui faktor -faktor
dominan dalam menjelaskan suatu masalah. Di dalam analisis varian, regresi berganda
dan diskriminan, satu variabel disebut sebagai variabel tak bebas ( dependent
variable ) atau kriterion dan variabel lainnya sebagai variabel bebas atau prediktor. Di
dalam analisis faktor disebut teknik interdependensi (interdependence technique) di
mana seluruh set hubungan yang independen diteliti (Supranto, 2010). Di dalam

analisis faktor, variabel tidak dikelompokkan menjadi variabel bebas dan tidak bebas,
sebaliknnya penggantinya seluruh set hubungan interdependen antar variabel diteliti.
Analisis faktor dapat pula dipandang sebagai perluasan dari analisis komponen utama.
Keduanya merupakan teknik analisis yang menjelaskan struktur hubungan diantara
banyak variabel dalam sistem konkret.
Tujuan dari analisis faktor adalah untuk menggambarkan hubungan-hubungan
kovarian antara beberapa variabel yang mendasari tetapi tidak teramati, kuantitas
random yang disebut faktor (Johnson and Wichern, 2007).
Menurut Kachigan (1986), aplikasi penggunaan analisis faktor bertujuan untuk:
a. Identifikasi Faktor yang Mendasari
Salah satu peng gunaan yang paling penting dari analisis faktor adalah untuk
mengidentifikasi faktor yang mendasari dari sekumpulan besar variabel. Dengan
mengelompokkan sejumlah besar variabel ke dalam jumlah yang lebih kecil dari
kumpulan yang homogen dan membuat variabel baru yang disebut faktor yang
mewakili sekumpulan variabel tersebut dalam bentuk yang lebih sederhana, maka
akan lebih mudah untuk diinterpretasikan.
b. Penyaringan Variabel (Screening of variables)
Penggunaan penting dari analisis faktor selanjutnya adala h penyaringan variabel
untuk disertakan dalam penelitian statistik selanjutnya, seperti analisis regresi
atau analisis diskriminan.
c. Meringkas Data ( Summary of Data)
Penerapan analisis faktor selanjutnya adalah untuk mengekstrak sedikit atau
banyak faktor sesuai yang diinginkan dari satu set variabel.

d. Memilih Variabel (Sampling of Variables )

Penggunaan teknik analisis faktor selanjutnya adalah untuk memilih sekelompok
kecil perwakilan variabel yang representatif, walaupun sebagian besar variabel
berkorelasi, hal ini bertujuan untuk memecah berbagai masalah praktis.

e. Pengelompokkan Objek (Clustering of Objects)

Selain mengidentifikasi kesamaan antara variabel, analisis faktor dapat digunakan
untuk mengelompokkan objek.. Dalam prosedur ini, sering di sebut analisis
faktor sebagai inverse, sebuah sampel individu diukur pada sejumlah variabel
acak, dan dikelompokkan ke dalam kelompok yang homogen berdasarkan antarkorelasinya.
1.4 Model Analisis Faktor
Secara matematis, analisis faktor agak mirip dengan regresi linear berganda,
yaitu bahwa setiap variabel dinyatakan sebagai suatu kombinasi linear dari faktor
yang mendasari (underlying factors). Jumlah ( amount ) varian yang disumbangkan
oleh suatu variabel dengan variabel lainnya yang tercakup dalam analisis disebut
communality. Kovariasi antara variabel yang diuraikan, dinyatakan dalam suatu
common factors yang sedikit jumlahnya ditambah dengan faktor yang unik untuk
setiap variabel. Faktor -faktor ini tidak secara jelas terlihat ( not overly observed ).
Kalau va riabel-variabel dibakukan (standardized), model analisis faktor dapat ditulis
sebagai berikut :
Model analisis faktor adalah sebagai berikut :
X 1 1=l 11 F 1 +l 12 F2 ++ l 1m F m+ 1
X p p=l p 1 F 1 +l p 2 F 2+ +l pm F m + p
Atau dapat ditulis dalam notasi matrik sebagai berikut:
X p . l=(p . l) + L( p .m ) F (m . l) + p . l

[ ] [ ] [ ][ ][ ]
X1
1
l 11 l12 l13 l 1 m
X2
2
l 21 l 22 l 22 l 2 m
X 3 = 3 + l31 l 32 l 33 l 3 m

XP
P l p 1 l p 2 l p 3 l pm
(p.l)

(p.l)

Keterangan:
i = rata-rata variabel i
i

= faktor spesifik ke i

F1
F2
F3

Fm

1
2
3

(p.m)

(m.l) (p.l)

Fj

= common faktor ke j

l ij = loading dari variabel ke i pada faktor ke-j

m

= banyak faktor

Faktor yang unik tidak berkorelasi dengan sesama faktor yang unik dan
juga tidak berkorelasi dengan common factor. Common factor sendiri
bisa dinyatakan sebagai kombinasi linear dari variabel-variabel yang
terlihat/terobservasi (the observed variables) hasil penelitian lapangan.

BAB III
PEMBAHASAN
ANALISIS DATA
Karena data yang diperoleh dengan masing-masing variabel berbedabeda / bervariasi, maka data perlu untuk ditransformasikan agar semua
data pada masing-masing variabel memiliki besaran yang sama / tidak
jauh berbeda antara nilai yang satu dengan nilai yang lainnya. Cara yang
dilakukan untuk metransformasikan data tersebut ialah standarisasi data
dengan z_score, berikut standarisasi dengan bantuan SPSS :
1) Klik Analyze-Descriptive Statistics-Descriptive maka akan muncul
kotak dialog Descriptives.
2) Masukkan variabel Biaya Sewa Kos, Luas Kamar, Jarak Kos ke
Kampus, Keamanan Kos, Kebersihan Kos, Uang Saku, Fasilitas,
Lokasi Kos ke kotak Variable(s): dan centang Save standardized
values as variables lalu OK.

Gambar 1.1 Kotak Dialog Descriptives

3) Akan muncul variabel-variabel baru dengan imbuhan kata z di

depan masing-masing nama setiap variabel.

Gambar 1.2 Variabel Baru

Dengan adanya z_score yang merupakan standarisasi nilai dari masingmasing variabel berdasar nilai rata-rata dan standar deviasinya, maka
sekarang semua nilai variabel yang ada tidak jauh berbeda dengan nilai
pada variabel lainnya. Jadi, proses pengujian dapat dilanjutkan pada tahap
berikutnya.
Tahap Pertama : Menilai Variabel yang Layak

Pada tahap pertama ini akan dinilai mana saja variabel yang
dianggap layak (appropriateness) untuk dimasukkan dalam analisis
selanjutnya. Pengujian ini dilakukan dengan memasukkan semua variabel
yang ada, kemudian pada variabel-variabel tersebut dikenakan sejumlah
pengujian.
Logika

pengujian

ialah

jika

sebuah

variabel

mempunyai

kecenderungan mengelompok dan membentuk sebuah faktor, maka

variabel tersebut akan mempunyai korelasi yang cukup tinggi dengan
variabel lain. Sebaliknya, variabel dengan korelasi yang lemah dengan
variabel lain cenderung tidak akan mengelompok dalam faktor tertentu.
Berikut pengujian analisis faktor pada tahap pertama :
1) Klik Analyze-Dimesion Reduction-Factor akan muncul kotak dialog
Factor

Analysis.

Masukkan

variabel-variabel

yang

sudah

distadarisasi (z_score) ke dalam kotak Variables:

Gambar 2.1 Kotak Dialog Factor Analysis

2) Klik Descriptives akan muncul kotak dialog baru bernama Factor

Analysis: Descriptives, pada bagian Correlation Matrix centang KMO
and Bartletts test of sphericity dan Anti-image lalu Continue

Gambar 2.2 Kotak Dialog Factor Analysis: Descriptives

3) Klik OK dan akan keluar hasil analisis tersebut.

Pada uji KMO and Bartletts test of sphericity dan Anti-image
merupakan uji yang digunakan untuk uji awal apakah data yang ada
dapat diurai menjadi sejumlah faktor.

KMO and Bartletts Test

Hipotesis :
H 0=sampel ( variabel ) belum memadaiuntuk dianalisis lebihlanjut
H 1=sampel ( variabel ) sudah memadai untuk dianalisis lebih lanjut
Kriteria :
Jika nilai Sig .>0,05 maka

H0

diterima

Jika nilai Sig .<0,05 maka

H0

ditolak

Analisis Tabel :
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Bartlett's Test of Sphericity

Approx. Chi-Square
Df
Sig.

.699
117.036
28
.000

Dari tabel di atas, yaitu tabel KMO and Bartletts Test diperoleh nilai
Sig .=0,000 . Jadi, dari hasil tersebut maka nilai Sig .=0,000< 0,05 yang
H0
H1
artinya
ditolak dan
diterima. Dapat disimpulkan bahwa sampel
(variabel) sudah memadai untuk dianalisis lebih lanjut pada analisis faktor.

Anti-image
Nilai MSA (Measure of Sampling Adequancy) merupakan uji yang digunakan
untuk menganalisis setiap variabel pada tabel Anti-image apakah layak atau tidak
untuk masuk dalam analisis faktor. Angka MSA berkisar antara 0 sampai 1 dengan
kriteria :
MSA=1 ; variabel dapat diprediksi tanpa kesalahan olehvariabel lain
MSA> 0,5 ; variabel masih bisadiprediksi dan dianalisis lebihlanjut

MSA< 0,5 ; variabel tidak bisa diprediksi sertatidak bisa dianalisis lebih
lanjut atau dikeluarkan dari variabel lainnya

Anti-image Matrices
Zscore:
Biaya
Sewa Kos
Anti-image
Covariance

Zscore:
Jarak Kos
ke Kampus

Zscore:
Keamanan
Kos

Zscore:
Kebersihan
Kos

Zscore:
Uang
Saku

Zscore:
Fasilita
s

Zscore:
Lokasi
Kos

Zscore: Biaya
Sewa Kos

.836

.005

-.087

.036

-.197

-.228

.002

.073

Zscore: Luas
Kamar

.005

.689

-.151

-.163

-.122

-.141

-.087

-.025

-.087

-.151

.918

-.001

.124

.040

-.022

.127

.036

-.163

-.001

.599

-.105

-.032

-.163

-.121

-.197

-.122

.124

-.105

.658

-5.329E5

-.166

.031

-.228

-.141

.040

-.032

-5.329E-5

.833

.164

-.118

Zscore:
Fasilitas

.002

-.087

-.022

-.163

-.166

.164

.546

-.200

Zscore: Lokasi
Kos

.073

-.025

.127

-.121

.031

-.118

-.200

.715

Zscore: Biaya
Sewa Kos

.502a

.006

-.100

.051

-.265

-.274

.002

.094

Zscore: Luas
Kamar

.006

.763a

-.190

-.253

-.181

-.186

-.141

-.035

-.100

-.190

.371a

-.001

.159

.045

-.031

.157

.051

-.253

-.001

.795a

-.168

-.045

-.284

-.185

-.265

-.181

.159

-.168

.732a

-7.199E5

-.278

.045

-.274

-.186

.045

-.045

-7.199E-5

.421a

.243

-.153

Zscore: Jarak
Kos ke
Kampus
Zscore:
Keamanan
Kos
Zscore:
Kebersihan
Kos
Zscore: Uang
Saku

Anti-image
Correlation

Zscore:
Luas
Kamar

Zscore: Jarak
Kos ke
Kampus
Zscore:
Keamanan
Kos
Zscore:
Kebersihan
Kos
Zscore: Uang
Saku

Zscore:
Fasilitas
Zscore: Lokasi
Kos

.002

-.141

-.031

-.284

-.278

.243

.714a

-.319

.094

-.035

.157

-.185

.045

-.153

-.319

.722a

a. Measures of Sampling Adequacy(MSA)

Pada tabel di atas, pada bagian kotak Anti-image Correlation

khususnya nilai korelasi yang bertanda a yang merupakan nilai dari
MSA dengan arah diagonal yang dimulai dari kiri atas ke kanan
bawah. Diperoleh nilai MSA untuk Biaya Sewa Kos, Luas Kamar,
Keamanan Kos, Kebersihan Kos, Fasilitas, dan Lokasi Kos memiliki
nilai MSA lebih dari 0,5 dimana nilai-nilai tersebut berturur-turut
0,502; 0,763; 0,795; 0,732; 0,714; 0,722. Yang artinya variabel
masih dapat diprediksi dan dianalisis lebih lanjut sedangkan untuk
variabel Jarak Kos ke Kampus dan Uang Saku nilai MSA < 0,5
dimana berturut-turut MSA bernilai 0,371 dan 0,421 yang artinya
variabel tidak dapat diprediksi dan variabel harus dikeluarkan dan
pengujian diulang lagi. Karena ada dua variabel yang memiliki nilai
MSA di bawah 0,5 maka yang dikeluarkan ialah variabel dengan
MSA terkecil, yaitu variabel Jarak Kos ke Kampus.
4) Dilakukan pengujian ulang dengan langkah-langkah sama dari
langkah nomor 1 sampai nomor 3. Akan tetapi, variabel Jarak Kos ke
Kampus tidak ikut di masukkan ke dalam kotak Variables:
5) Klik Analyze-Dimesion Reduction-Factor akan muncul kotak dialog
Factor

Analysis.

Masukkan

variabel-variabel

distadarisasi (z_score) ke dalam kotak Variables:

yang

sudah

Gambar 2.3 Kotak Dialog Factor Analysis Pengujian Ulang Pertama

6) Klik Descriptives akan muncul kotak dialog baru bernama Factor

Analysis: Descriptives, pada bagian Correlation Matrix centang KMO
and Bartletts test of sphericity dan Anti-image lalu Continue

Gambar 2.4 Kotak Dialog Factor Analysis: Descriptives Pengujian Ulang Pertama

7) Klik OK dan akan keluar hasil analisis tersebut.

Pada uji KMO and Bartletts test of sphericity dan Anti-image
merupakan uji yang digunakan untuk uji awal apakah data yang ada
dapat diurai menjadi sejumlah faktor.

KMO and Bartletts Test

Hipotesis :
H 0=sampel ( variabel ) belum memadaiuntuk dianalisis lebihlan jut
H 1=sampel ( variabel ) sudah memadai untuk dianalisis lebih lanjut
Kriteria :
Jika nilai Sig .>0,05 maka

H0

diterima

Jika nilai Sig .<0,05 maka

H0

ditolak

Analisis Tabel :
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Bartlett's Test of Sphericity

Approx. Chi-Square
Df
Sig.

.722
111.092
21
.000

Dari tabel di atas, yaitu tabel KMO and Bartletts Test diperoleh nilai
Sig .=0,000 . Jadi, dari hasil tersebut maka nilai Sig .=0,000< 0,05 yang
H0
H1
artinya
ditolak dan
diterima. Dapat disimpulkan bahwa sampel
(variabel) sudah memadai untuk dianalisis lebih lanjut pada analisis faktor.

Anti-image
Nilai MSA (Measure of Sampling Adequancy) merupakan uji yang digunakan
untuk menganalisis setiap variabel pada tabel Anti-image apakah layak atau tidak
untuk masuk dalam analisis faktor. Angka MSA berkisar antara 0 sampai 1 dengan
kriteria :
MSA=1 ; variabel dapat diprediksi tanp a kesalahan oleh variabel lain
MSA> 0,5 ; variabel masih bisadiprediksi dan dianalisis lebihlanjut
MSA< 0,5 ; variabel tidak bisa diprediksi sertatidak bisa dianalisis lebih

lanjut atau dikeluarkan dari variabel lainnya

Anti-image Matrices

Anti-image

Zscore: Biaya

Covariance

Sewa Kos

Zscore: Biaya

Zscore: Luas

Zscore:

Zscore:

Zscore:

Zscore:

Zscore:

Sewa Kos

Kamar

Keamanan Kos

Kebersihan Kos

Uang Saku

Fasilitas

Lokasi Kos

.844

-.010

.036

-.192

-.227

-.001

.088

-.010

.715

-.169

-.108

-.140

-.094

-.004

.036

-.169

.599

-.108

-.032

-.163

-.124

-.192

-.108

-.108

.675

-.006

-.168

.015

Zscore: Uang Saku

-.227

-.140

-.032

-.006

.834

.165

-.127

Zscore: Fasilitas

-.001

-.094

-.163

-.168

.165

.546

-.202

.088

-.004

-.124

.015

-.127

-.202

.733

.515a

-.013

.051

-.254

-.271

-.001

.112

-.013

.802a

-.258

-.155

-.181

-.150

-.006

.051

-.258

.792a

-.170

-.045

-.285

-.187

-.254

-.155

-.170

.765a

-.007

-.277

.021

Zscore: Luas
Kamar
Zscore: Keamanan
Kos
Zscore:
Kebersihan Kos

Zscore: Lokasi Kos

Anti-image

Zscore: Biaya

Correlation

Sewa Kos
Zscore: Luas
Kamar
Zscore: Keamanan
Kos
Zscore:
Kebersihan Kos

Zscore: Uang Saku

Zscore: Fasilitas
Zscore: Lokasi Kos

-.271

-.181

-.045

-.007

.422a

.245

-.163

-.319
.735a

-.001

-.150

-.285

-.277

.245

.713

.112

-.006

-.187

.021

-.163

-.319

a. Measures of Sampling Adequacy(MSA)

Pada tabel di atas, pada bagian kotak Anti-image Correlation

khususnya nilai korelasi yang bertanda a yang merupakan nilai dari
MSA dengan arah diagonal yang dimulai dari kiri atas ke kanan
bawah. Diperoleh nilai MSA untuk Biaya Sewa Kos, Luas Kamar,
Keamanan Kos, Kebersihan Kos, Fasilitas, dan Lokasi Kos memiliki
nilai MSA lebih dari 0,5 dimana nilai-nilai tersebut berturur-turut
0,515; 0,802; 0,792; 0,765; 0,713; 0,735. Yang artinya variabel
masih dapat diprediksi dan dianalisis lebih lanjut sedangkan untuk
variabel Uang Saku nilai MSA < 0,5 dimana MSA bernilai 0,422 yang
artinya

variabel

tidak

dapat

diprediksi

dan

variabel

harus

dikeluarkan dan dilakukan pengujian diulang lagi.

8) Dilakukan pengujian ulang untuk kedua kalinya dengan langkahlangkah sama dari langkah nomor 1 sampai nomor 3. Akan tetapi,
variabel Uang Saku tidak ikut di masukkan ke dalam kotak
Variables:
9) Klik Analyze-Dimesion Reduction-Factor akan muncul kotak dialog
Factor

Analysis.

Masukkan

variabel-variabel

distadarisasi (z_score) ke dalam kotak Variables:

yang

sudah

Gambar 2.5 Kotak Dialog Factor Analysis Pengujian Ulang Kedua

10)

Klik Descriptives akan muncul kotak dialog baru bernama

Factor Analysis: Descriptives, pada bagian Correlation Matrix

centang KMO and Bartletts test of sphericity dan Anti-image lalu
Continue

Gambar 2.6 Kotak Dialog Factor Analysis: Descriptives Pengujian Ulang Kedua

11)

Klik OK dan akan keluar hasil analisis tersebut.

Pada uji KMO and Bartletts test of sphericity dan Anti-image

merupakan uji yang digunakan untuk uji awal apakah data yang ada
dapat diurai menjadi sejumlah faktor.

KMO and Bartletts Test

Hipotesis :
H 0=sampel ( variabel ) belum memadaiuntuk dianalisis lebihlanjut
H 1=sampel ( variabel ) sudah memadai untuk dianalisis lebih lanjut
Kriteria :
Jika nilai Sig .>0,05 maka

H0

diterima

Jika nilai Sig .<0,05 maka

H0

ditolak

Analisis Tabel :
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Bartlett's Test of Sphericity

Approx. Chi-Square
Df
Sig.

.769
97.798
15
.000

Dari tabel di atas, yaitu tabel KMO and Bartletts Test diperoleh nilai
Sig .=0,000 . Jadi, dari hasil tersebut maka nilai Sig .=0,000< 0,05 yang
H0
H1
artinya
ditolak dan
diterima. Dapat disimpulkan bahwa sampel
(variabel) sudah memadai untuk dianalisis lebih lanjut pada analisis faktor.

Anti-image
Nilai MSA (Measure of Sampling Adequancy) merupakan uji yang digunakan
untuk menganalisis setiap variabel pada tabel Anti-image apakah layak atau tidak
untuk masuk dalam analisis faktor. Angka MSA berkisar antara 0 sampai 1 dengan
kriteria :
MSA=1 ; variabel dapat diprediksi tanpa kesalahan olehvariabel lain
MSA> 0,5 ; variabel masih bisadiprediksi dan dianalisis lebihlanjut
MSA< 0,5 ; variabel tidak bisa diprediksi sertati dak bisa dianalisis lebih

lanjut atau dikeluarkan dari variabel lainnya

Anti-image Matrices

Anti-image

Zscore: Biaya Sewa

Covariance

Kos

Zscore: Biaya

Zscore: Luas

Sewa Kos

Kamar

Zscore:

Zscore:

Keamanan Kos Kebersihan Kos

Zscore:

Zscore:

Fasilitas

Lokasi Kos

.911

-.054

.030

-.209

.051

.059

-.054

.740

-.181

-.113

-.072

-.027

.030

-.181

.601

-.109

-.167

-.133

-.209

-.113

-.109

.675

-.177

.014

Zscore: Fasilitas

.051

-.072

-.167

-.177

.581

-.193

Zscore: Lokasi Kos

.059

-.027

-.133

.014

-.193

.753

.491a

-.066

.040

-.266

.070

.071

-.066

.827a

-.271

-.159

-.111

-.036

.040

-.271

.786a

-.170

-.282

-.197

-.266

-.159

-.170

.753a

-.283

.020

Zscore: Fasilitas

.070

-.111

-.282

-.283

.762a

-.291

Zscore: Lokasi Kos

.071

-.036

-.197

.020

-.291

.785a

Zscore: Luas Kamar

Zscore: Keamanan
Kos
Zscore: Kebersihan
Kos

Anti-image

Zscore: Biaya Sewa

Correlation

Kos
Zscore: Luas Kamar
Zscore: Keamanan
Kos
Zscore: Kebersihan
Kos

a. Measures of Sampling Adequacy(MSA)

12)

Pada tabel di atas, pada bagian kotak Anti-image Correlation

khususnya nilai korelasi yang bertanda a yang merupakan nilai dari

MSA dengan arah diagonal yang dimulai dari kiri atas ke kanan
bawah. Diperoleh nilai MSA untuk Luas Kamar, Keamanan Kos,
Kebersihan Kos, Fasilitas, dan Lokasi Kos memiliki nilai MSA lebih
dari 0,5 dimana nilai-nilai tersebut berturur-turut 0,827; 0,786;
0,753; 0,762; 0,785. Yang artinya variabel masih dapat diprediksi
dan dianalisis lebih lanjut sedangkan untuk variabel Biaya Sewa Kos
nilai MSA < 0,5 dimana MSA bernilai 0,491 yang artinya variabel
tidak dapat diprediksi dan variabel harus dikeluarkan dan dilakukan
pengujian diulang lagi.
13)
Dilakukan pengujian ulang untuk ketiga kalinya dengan
langkah-langkah sama dari langkah nomor 1 sampai nomor 3. Akan
tetapi, variabel Biaya Sewa Kos tidak ikut di masukkan ke dalam
kotak Variables:
14)
Klik Analyze-Dimesion Reduction-Factor akan muncul kotak
dialog Factor Analysis. Masukkan variabel-variabel yang sudah
distadarisasi (z_score) ke dalam kotak Variables:

Gambar 2.7 Kotak Dialog Factor Analysis Pengujian Ulang Ketiga

15)

Klik Descriptives akan muncul kotak dialog baru bernama

Factor Analysis: Descriptives, pada bagian Correlation Matrix

centang KMO and Bartletts test of sphericity dan Anti-image lalu
Continue

Gambar 2.8 Kotak Dialog Factor Analysis: Descriptives Pengujian Ulang Ketiga

16)

Klik OK dan akan keluar hasil analisis tersebut.

Pada uji KMO and Bartletts test of sphericity dan Anti-image

merupakan uji yang digunakan untuk uji awal apakah data yang ada
dapat diurai menjadi sejumlah faktor.

KMO and Bartletts Test

Hipotesis :
H 0=sampel ( variabel ) belum memadaiuntuk dianalisis lebihlanjut
H 1=sampel ( variabel ) sudah memadai untuk dianalisis lebih lanjut
Kriteria :
Jika nilai Sig .>0,05 maka

H0

diterima

Jika nilai Sig .<0,05 maka

H0

ditolak

Analisis Tabel :
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Bartlett's Test of Sphericity

Approx. Chi-Square
Df
Sig.

.788
91.094
10
.000

Dari tabel di atas, yaitu tabel KMO and Bartletts Test diperoleh nilai
Sig .=0,000 . Jadi, dari hasil tersebut maka nilai Sig .=0,000< 0,05 yang
H0
H1
artinya
ditolak dan
diterima. Dapat disimpulkan bahwa sampel
(variabel) sudah memadai untuk dianalisis lebih lanjut pada analisis faktor.

Anti-image
Nilai MSA (Measure of Sampling Adequancy) merupakan uji yang digunakan
untuk menganalisis setiap variabel pada tabel Anti-image apakah layak atau tidak
untuk masuk dalam analisis faktor. Angka MSA berkisar antara 0 sampai 1 dengan
kriteria :
MSA=1 ; variabel dapat diprediksi tanpa kesalahan olehvariabel lain
MSA> 0,5 ; variabel masih bisadiprediksi dan dianalisis lebihlanjut

MSA< 0,5 ; variabel tidak bisa diprediksi sertatidak bisa dianalisis lebih
lanjut atau dikeluarkan dari variabel lainnya

Anti-image Matrices

Anti-image

Zscore: Luas Kamar

Covariance

Zscore: Luas

Zscore:

Zscore:

Zscore:

Zscore:

Kamar

Keamanan Kos

Kebersihan Kos

Fasilitas

Lokasi Kos

.743

-.180

-.135

-.070

-.024

Zscore: Keamanan Kos

-.180

.602

-.110

-.170

-.135

Zscore: Kebersihan Kos

-.135

-.110

.727

-.179

.030

Zscore: Fasilitas

-.070

-.170

-.179

.584

-.198

Zscore: Lokasi Kos

-.024

-.135

.030

-.198

.757

-.269

-.184

-.106

-.032

Anti-image

Zscore: Luas Kamar

.821

Correlation

Zscore: Keamanan Kos

-.269

.787a

-.166

-.286

-.201

Zscore: Kebersihan Kos

-.184

-.166

.802a

-.275

.040

Zscore: Fasilitas

-.106

-.286

-.275

.765a

-.298

Zscore: Lokasi Kos

-.032

-.201

.040

-.298

.783a

a. Measures of Sampling Adequacy(MSA)

17)

Pada tabel di atas, pada bagian kotak Anti-image Correlation

khususnya nilai korelasi yang bertanda a yang merupakan nilai dari

MSA dengan arah diagonal yang dimulai dari kiri atas ke kanan
bawah. Diperoleh nilai MSA untuk Luas Kamar, Keamanan Kos,
Kebersihan Kos, Fasilitas, dan Lokasi Kos memiliki nilai MSA lebih
dari 0,5 dimana nilai-nilai tersebut berturur-turut 0,821; 0,787;
0,802; 0,765; 0,783. Yang artinya variabel masih dapat diprediksi
dan dianalisis lebih lanjut dan tidak ada lagi MSA yang bernilai di
bawah 0,5 maka uji dapat dilanjutkan pada tahap selanjutnya.
Tahap Kedua : Proses Factoring dan Rotasi

Pada tahap ini dilakukan penyaringan terhadap sejumlah variabel

hingga didapat variabel-variabel yang memenuhi syarat untuk dianalisis.
Selanjutnya dilakukan proses inti analisis faktor, yakni melakukan
ekstraksi terhadap sekumpulan variabel yang ada sehingga terbentuk
satu atau lebih faktor.
1) Klik Analyze-Dimesion Reduction-Factor akan muncul kotak dialog
Factor

Analysis.

distadarisasi

Masukkan

(z_score)

ke

variabel-variabel

dalam

kotak

yang

Variables:

sudah

dan

telah

memenuhi syarat pada proses tahap pertama analisis faktor, yaitu

variabel Luas Kamar, Keamanan Kos, Kebersihan Kos, Fasilitas dan
Lokasi Kos.

Gambar 3.1 Kotak Dialog Factor Analysis (Factoring dan Rotasi)

2) Lalu klik Extraction akan muncul kotak dialog baru Factor

Analysis:

Extraction.

components,

Pada

digunakan

bagian

untuk

Method:

pembuatan

pilih
faktor

Principal
(ekstraksi

variabel). Pada bagian Analyze pilih Correlation matrix. Pada bagian

Display centang semua pilihan Unrotated factor solution dan Scree
plot, Unrotated factor solution digunakan untuk menunjukkan hasil
factoring sebelum dilakuka proses rotasi sedangkan Scree plot
digunakan untuk grafik yang menunjukkan dampak

factoring

terhadap angkan eigenvalues. Pada bagian eigenvalues tetap pada

angka 1 yag artinya jika terhadap angka eigenvalues kurang dari 1

maka akan dikeluarkan. Lalu Klik Continue.

Gambar 3.2 Kotak Dialog Factor Analysis: Extraction

3) Klik kotak Rotation maka akan muncul kotak dialog baru Factor
Analysis: Rotation. Pada bagian Method pilih dan klik Varimax. Pada
bagian Display centang Rotated solution dan Loading plot(s).
Rotated solution merupakan tampilan faktor setelah dilakukan
rotasi, yag dibandingkan dengan proses tanpa rotasi (Principal
component yang belum dirotasi) sedangkan Loading plot digunakan
untuk menyajikan korelasi antara variabel tertentu dengan faktor
yang terbentuk. Lalu klik Coontinue.

Gambar 3.3 Kotak Dialog Factor Analysis: Rotation

4) Lalu terakhir klik OK dan akan muncul hasil output dari analisis pada
tahap kedua ini.
Warnings
Only one component was extracted. Component plots cannot be produced.

Dari pernyataan menyatakan bahwa proses factoring hanya menghasilkan satu faktor
saja. Dengan demikian, otomatis tidak diperlukan proses rotasi lagi, karena proses
rotasi digunakan untuk memperjelas variabel masuk pada faktor yang mana, artinya
harus ada lebih dari satu faktor.
Communalities
Initial

Extraction

Zscore: Luas Kamar

1.000

.454

Zscore: Keamanan Kos

1.000

.634

Zscore: Kebersihan Kos

1.000

.462

Zscore: Fasilitas

1.000

.642

Zscore: Lokasi Kos

1.000

.395

Extraction Method: Principal Component Analysis.

Dari tabel di atas, yakni tabel Communalities semua variabel

memiliki angka Communalities di atas 0,55 kecuali untuk variabel
Luas Kamar, Kebersihan Kos serta Lokasi Kos. Namun demikian,
karena hanya ada satu faktor maka angka tersebut tetap dipakai.

Total Variance Explained

Initial Eigenvalues
Component

Total

% of Variance

Extraction Sums of Squared Loadings

Cumulative %

2.587

51.741

51.741

.824

16.484

68.224

.651

13.020

81.245

.498

9.963

91.208

.440

8.792

100.000

Total

% of Variance

2.587

51.741

Cumulative %
51.741

Extraction Method: Principal Component Analysis.

Ada 5 variabel (Component) yang dimasukkan dalam analisis

faktor, yaitu variabel Zscore: Luas Kamar, Zscore: Keamanan Kos,
Zscore: Kebersihan Kos, Zscore:Fasilitas, Zscore: Lokasi Kos. Dengan
masing-masing variabel memiliki varians 1, maka total varians
adalah 5 x 1 = 5. Jika pada kolom Total semua nilai dijumlahkan
maka 2,587+0,824+0,651+0,498+0,440=5.
Karena pada Component 1 angka eigenvalues diatas 1
(2,587), akan tetapi pada Component 2 angka eigenvalues berada
di bawah angka 1 (0,824) maka proses factoring bisa dihentikan.

Component Matrixa
Component
1
Zscore: Luas Kamar

.674

Zscore: Keamanan Kos

.796

Zscore: Kebersihan Kos

.680

Zscore: Fasilitas

.801

Zscore: Lokasi Kos

.628

Extraction Method: Principal Component

Analysis.
a. 1 components extracted.

Diperoleh dari tabel di atas (Component Matrix), semua angka

factor loadings berada di atas angka pembatas (cut off point) yang
adalah 0,55. Dengan demikian, sebuah faktor yang terbentuk sudah
bisa mewakili semua variabel yang ada.

Rotated
Componen
t Matrixa

a. Only one
component
was
extracted.
The
solution
cannot be
rotated.

Dari pernyataan tersebut memiliki arti bahwa untuk rotasi faktor,

tidak muncul hasil rotasi disebabkan oleh proses minimal diperlukan
dua faktor.
Dari analisis pada tahap kedua ini, dapat disimpulkan,

Dari lima (5) vaiabel yang diteliti, dengan proses factoring bisa

direduksi menjadi hanya satu faktor,

Faktor yang terbentuk terdiri dari Zscore: Luas Kamar, Zscore:
Keamanan Kos, Zscore: Kebersihan Kos, Zscore:Fasilitas, Zscore:
Lokasi Kos.

Hal ini berarti alasan mahasiswa memilih tempat kos berkaitan dengan
Luas Kamar yang ada. Keamanan kos yang ada di sekitar tempat tersebut,
kebersihan kos yang menjadi penunjang kenyaman mahasiswa serta
fasilitas dan lokasi kos yang mudah dijangkau. Jadi, dapat disimpulkan
faktor tersebut kami namakan KENYAMANAN.
Tahap Ketiga : Validasi Faktor
Validasi analisis faktor dimaksudkan untuk mengetahui apakah hasil
analisis faktor tersebut bisa digeneralisasikan pada populasi.
1) Akan dipecah (split) menjadi dua bagian, karena data berjumlah 80
maka akan dibagian menjadi dua bagian sama besar, yakni Bagian I

untuk kasus nomor 1 sampai 40 dan Bagian II untuk kasus nomor 41

sampai 80.
2) Klik Data-Select Cases akan muncul kotak dialog Select Cases.

Gambar 4.1.1 Kotak Dialog Select Cases Bagian I

3) Pada bagian Select pilih Based on time or case range lalu klik
Range akan muncul kotak dilaog baru Select Cases: Range. Pada
kolom First Case isi angka 1 dan pada kolom Last Case isi dengan
angka 40. Artinya kita hanya akan mengaktifkan data hanya pada
data nomor 1 sampai nomor 40. Lalu klik Continue dan OK.

Gambar 4.1.2 Kotak Dialog Select Cases: Range Bagian I

4) Akan dianaslisis variabel dari nomor 1 sampai 40, klik AnalyzeDimension Reduction-Factor. Muncul kotak dialog Factor Analysis.

Masukkan variabel Zscore: Luas Kamar, Zscore: Keamanan Kos,

Zscore: Kebersihan Kos, Zscore:Fasilitas, Zscore: Lokasi Kos ke kotak
Variables:

Gambar 4.1.3 Kotak Dialog Factor Analysis uji Validasi Bagian I

5) Lalu klik Extraction, muncul kotak dialog baru Extraction dengan

kriteria pengisian :
Method pilih Principal Component,
Analyze tetap pada pilihan Correlation Matrix,
Display centang Unrotated factor solution dan Scree plot,
Eigenvalues over tetap pada angka 1,
Maximum iterations for convergence tetap pada angka 25.
Lalu klik Continue.

Gambar 4.1.4 Kotak Dialog Factor Analysis: Extraction uji Validasi Bagian I

6) Klik Rotation muncul kotak dialog Rotation dengan kriteria

pengisian :
Method pilih Varimax,
Display centang Rotated solution dan Loading Plot(s),
Maximum iterations for convergence
Lalu klik Continue

Gambar 4.1.5 Kotak Dialog Factor Analysis: Rotation uji Validasi Bagian I

7) Pilih dan klik OK maka akan muncul output dari hasil analisis untuk
nomor 1 sampai nnomor 40.
Component Matrixa

Component
1
Zscore: Luas Kamar

.677

Zscore: Keamanan Kos

.803

Zscore: Kebersihan Kos

.724

Zscore: Fasilitas

.680

Zscore: Lokasi Kos

.598

Extraction Method: Principal Component

Analysis.
a. 1 components extracted.

Dari tabel di atas terlihat semua angka factor loading berada di atas
angka 0,55 yang artinya terbentuk sebuah faktor yang merupakan
reduksi (pengurangan) dari lima variabel awal.
8) Klik Data-Select Cases akan muncul kotak dialog Select Cases.

Gambar 4.2.1 Kotak Dialog Select Cases Bagian II

9) Pada bagian Select pilih Based on time or case range lalu klik
Range akan muncul kotak dilaog baru Select Cases: Range. Pada
kolom First Case isi angka 41 dan pada kolom Last Case isi dengan

angka 80. Artinya kita hanya akan mengaktifkan data hanya pada
data nomor 41 sampai nomor 80. Lalu klik Continue dan OK.

Gambar 4.2.2 Kotak Dialog Select Cases: Range Bagian II

10)

Akan dianaslisis variabel dari nomor 41 sampai 80, klik

Analyze-Dimension Reduction-Factor. Muncul kotak dialog Factor

Analysis. Masukkan variabel Zscore: Luas Kamar, Zscore: Keamanan
Kos, Zscore: Kebersihan Kos, Zscore:Fasilitas, Zscore: Lokasi Kos ke
kotak Variables:

Gambar 4.2.3 Kotak Dialog Factor Analysis uji Validasi Bagian II

11)

Lalu klik Extraction, muncul kotak dialog baru Extraction

dengan kriteria pengisian :

Method pilih Principal Component,
Analyze tetap pada pilihan Correlation Matrix,
Display centang Unrotated factor solution dan Scree plot,
Eigenvalues over tetap pada angka 1,
Maximum iterations for convergence tetap pada angka 25.
Lalu klik Continue.

Gambar 4.2.4 Kotak Dialog Factor Analysis: Extraction uji Validasi Bagian II

12)

Klik Rotation muncul kotak dialog Rotation dengan kriteria

pengisian :
Method pilih Varimax,
Display centang Rotated solution dan Loading Plot(s),
Maximum iterations for convergence
Lalu klik Continue

Gambar 4.2.5 Kotak Dialog Factor Analysis: Rotation uji Validasi

13)

Pilih dan klik OK maka akan muncul output dari hasil analisis

untuk nomor 41 sampai nnomor 80.

Component Matrixa

Component
1
Zscore: Luas Kamar

.670

Zscore: Keamanan Kos

.819

Zscore: Kebersihan Kos

.665

Zscore: Fasilitas

.883

Zscore: Lokasi Kos

.671

Extraction Method: Principal Component

Analysis.
a. 1 components extracted.

Dari tabel di atas terlihat semua angka factor loading berada di atas
angka 0,55 yang artinya terbentuk sebuah faktor yang merupakan
reduksi (pengurangan) dari lima variabel awal.
Jadi, dapat diambil kesimpulan dari tabel :
Faktor Mula-Mula
Component Matrixa
Component
1
Zscore: Luas Kamar

.674

Zscore: Keamanan Kos

.796

Zscore: Kebersihan Kos

.680

Zscore: Fasilitas

.801

Zscore: Lokasi Kos

.628

Extraction Method: Principal Component

Analysis.
a. 1 components extracted.

Faktor Split (pemisah) dari nomor 1 sampai nomor 40

Component Matrixa
Component
1
Zscore: Luas Kamar

.677

Zscore: Keamanan Kos

.803

Zscore: Kebersihan Kos

.724

Zscore: Fasilitas

.680

Zscore: Lokasi Kos

.598

Extraction Method: Principal Component

Analysis.

a. 1 components extracted.

Faktor Split (pemisah) dari nomor 41 sampai nomor 80

Component Matrixa
Component
1
Zscore: Luas Kamar

.670

Zscore: Keamanan Kos

.819

Zscore: Kebersihan Kos

.665

Zscore: Fasilitas

.883

Zscore: Lokasi Kos

.671

Extraction Method: Principal Component

Analysis.
a. 1 components extracted.

Jika ketiga tabel tersebut, khususnya pada bagian Component

Matrix dibandingkan, terlihat semua tetap mengacu pada hasil satu faktor
walaupun

angka

factor

loading

berbeda-beda.

Dengan

kata

lain,

pemisahan kasus menjadi dua bagian tidak mengubah jumlah faktor yang
dihasilkan.
Hal ini berarti faktor yang terbentuk mula-mula adalah stabil dan
faktor tersebut bisa digeneralisasi untuk populasi yang ada atau pemilihan
kos-kosan bagi mahasiswa memang ditentukan oleh faktor KENYAMANAN.
Tahap Keempat : Membuat Factor Scores
Setelah

faktor

terbetuk

dan

telah

dilakukan

validasi,

yang

menyatakan bahwa satu atau lebih faktor yang terbentuk memang stabil
dan bisa untuk mengeneralisasi populasinya, maka pada faktor tersebut
bisa dilakukan pembuatan factor scores.
Factor scores merupakan upaya untuk membuat satu atau beberapa
variabel yang lebih sedikit dan berfungsi untuk menggantikan variabel asli
yang sudah ada. Pembuatan factor scores akan berguna jika akan
dilakukan analisis lanjutan. Jadi, proses pembuatan factor scores hanyalah
sebuah optional (pilihan) dan tidak harus dilakukan. Akan tetapi, pada
kasus ini akan dibuat factor scoresnya.

1) Klik Analyze-Dimension Reduction-Factor. Muncul kotak dialog

Factor Analysis. Masukkan variabel Zscore: Luas Kamar, Zscore:
Keamanan Kos, Zscore: Kebersihan Kos, Zscore:Fasilitas, Zscore:
Lokasi Kos ke kotak Variables:

Gambar 5.1 Kotak Dialog Factor Analysis (Factor Scores)

2) Lalu klik Extraction, muncul kotak dialog baru Extraction dengan

kriteria pengisian :
Method pilih Principal Component,
Analyze tetap pada pilihan Correlation Matrix,
Display centang Unrotated factor solution dan Scree plot,
Eigenvalues over tetap pada angka 1,
Maximum iterations for convergence tetap pada angka 25.
Lalu klik Continue.

Gambar 5.2 Kotak Dialog Factor Analysis: Extraction (Factor Scores)

3) Klik Rotation muncul kotak dialog Rotation dengan kriteria

pengisian :
Method pilih Varimax,
Display centang Rotated solution dan Loading Plot(s),
Maximum iterations for convergence
Lalu klik Continue

Gambar 5.3 Kotak Dialog Factor Analysis: Rotation (Factor Scores)

4) Klik Scores muncul kotak dialog Factor Analysis: Factor Scores.

Centang Save as variables pada bagian Method pilih Regression dan
klik Continue

Gambar 5.4 Kotak Dialog Factor Analysis: Factor Scores (Factor Scores)

5) Dan terakhir klik OK. Akan muncul variabel baru bernama FAC1_1
yang merupakan gabungan (composite) dari variabel asal yang
terkait, yakni variabel Luas, Aman, Bersih, Fasilitas dan Lokasi.
Untuk kegunaan analisis lanjutan, seperti regresi atau diskriminan, nama
FAC1_1 dapat diganti pada menu editor di SPSS. Pada keterangan label
untuk FAC1_1, ada keterangan REGR factor score 1 for analysis 1 yang
artinya faktor tersebut dapat digunakan untuk analisis regresi.

Gambar 5.5 Analisis Regresi

Persamaan regresinya :
Y =a+b 1. KENYAMANAN

dimana :
Y =variabel dependen

a dan b=sebuah konstanta