Anda di halaman 1dari 21

LAPORAN PRAKTIKUM

MATAKULIAH ANALISIS MULTIVARIAT TEPL637

Nama : Ni Putu Ely Kusumasari


NIM : 1411305018

PROGRAM STUDI TEKNIK PERTANIAN


FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS UDAYANA
2017
Pengolahan Data Multivariat dengan Metode Analisis
Komponen Utama

1. Landasan Teori
Analisis komponen utama (principal component analysis / PCA) adalah
teknik yang digunakan untuk menyederhanakan suatu data, dengan cara
mentransformasi linier sehingga terbentuk sistem koordinat baru dengan varians
maksimum. PCA dapat digunakan untuk mereduksi dimensi suatu data tanpa
mengurangi karakteristik data tersebut secara signifikan.

Analisis komponen utama merupakan suatu tehnik statistik untuk mengubah


dari sebagian besar variabel asli yang digunakan yang saling berkorelasi satu
dengan yang lainnya menjadi satu set variabel baru yang lebih kecil dan saling
bebas (tidak berkorelasi lagi). Jadi analisis komponen utama berguna
untuk mereduksi data, sehingga lebih mudah untuk menginterpretasikan data-data
tersebut (Johnson & Wichern, 1982). Analisis komponen utama merupakan
analisis antara dari suatu proses penelitian yang besar atau suatu awalan dari
analisis berikutnya, bukan merupakan suatu analisis yang langsung berakhir.

Menurut Johnson dan Dean, Analisis Komponen Utama terkonsentrasi pada


penjelasan struktur variansi dan kovariansi melalui suatu kombinasi linear
variabel-variabel asal, dengan tujuan utama melakukan reduksi data dan membuat
interpretasi. Analisis komponen utama lebih baik digunakan jika variabel-variabel
asal saling berkorelasi (1988: 340).

Banyaknya komponen utama yang terbentuk sama dengan banyaknya


variabel asli. Pereduksian (penyederhanaan) dimensi dilakukan dengan kriteria
persentase keragaman data yang diterangkan oleh beberapa komponen utama
pertama.

Apabila beberapa komponen utama pertama telah menerangkan lebih dari


75% keragaman data asli, maka analisis cukup dilakukan sampai dengan
komponen utama tersebut.
Bila komponen utama diturunkan dari populasi multivariat normal dengan
random vektor X = (X1, X2, , Xp) dan vektor rata-rata = (1, 2, , p) dan
matriks kovarians dengan akar ciri (eigenvalue) yaitu 1 2 p 0
didapat kombinasi linier komponen utama yaitu sebagai berikut.

Maka Var(Yi ) = ei'ei dan Cov(Yi,Yk ) = ei'ei dimana i,k = 1, 2, ... , p.

Syarat untuk membentuk komponen utama yang merupakan kombinasi


linear dari variabel X agar mempunyai varian maksimum adalah dengan memilih
vektor ciri (eigen vector) yaitu

e = (e1, e2, , ep) sedemikian hingga Var(Yi) = ei'ei maksimum dan ei'ei = 1.

Komponen utama pertama adalah kombinasi linear e1'X yang


memaksimumkan Var(e1'X) dengan syarat e1'e1 = 1.
Komponen utama kedua adalah kombinasi linear e2'X yang
memaksimumkan Var(e2'X) dengan syarat e2'e2 = 1.
Komponen utama ke-i adalah kombinasi linear ei'X yang
memaksimumkan Var(ei'X) dengan syarat ei'ek = 1 dan Cov(ei'ek)=0
untuk k < 1.

Antar komponen utama tersebut tidak berkorelasi dan mempunyai variasi


yang sama dengan akar ciri dari . Akar ciri dari matriks ragam
peragam merupakan varian dari komponen utama Y, sehingga matriks ragam
peragam dari Y adalah:

Total keragaman variabel asal akan sama dengan total keragaman yang
diterangkan oleh komponen utama yaitu:
Penyusutan dimensi dari variabel asal dilakukan dengan mengambil
sejumlah kecil komponen yang mampu menerangkan bagian terbesar keragaman
data. Apabila komponen utama yang diambil sebanyak q komponen,
dimana q < p, maka proporsi dari keragaman total yang bisa diterangkan oleh
komponen utama ke-i adalah:

Penurunan komponen utama dari matriks korelasi dilakukan apabila data


sudah terlebih dahulu ditransformasikan ke dalam bentuk baku Z. Transformasi
ini dilakukan terhadap data yang satuan pengamatannya tidak sama. Bila variabel
yang diamati ukurannya pada skala dengan perbedaan yang sangat lebar atau
satuan ukurannya tidak sama, maka variabel tersebut perlu dibakukan
(standardized).

Variabel baku (Z) didapat dari transformasi terhadap variabel asal dalam
matriks berikut:

V1/2 adalah matriks simpangan baku dengan unsur diagonal utama adalah
(ii)1/2 sedangkan unsur lainnya adalah nol. Nilai harapan E(Z) = 0 dan
keragamannya adalah

Dengan demikian komponen utama dari Z dapat ditentukan dari vektor ciri
yang didapat melalui matriks korelasi variabel asal . Untuk mencari akar ciri dan
menentukan vektor pembobotnya sama seperti pada matriks .
Sementara trace matriks korelasi akan sama dengan jumlah p variabel yang
dipakai. Pemilihan komponen utama yang digunakan didasarkan pada nilai akar
cirinya, yaitu komponen utama akan digunakan jika akar cirinya lebih besar dari
satu.

2. Bahan dan Alat


SPSS yang digunakan adalah SPSS 23. SPSS adalah sebuah program
komputer yang digunakan untuk membuat analisis statistika. SPSS merupakan
salah satu program yang paling banyak digunakan untuk analisis statistika ilmu
sosial. SPSS digunakan oleh peneliti pasar, peneliti kesehatan, perusahaan survei,
pemerintah, peneliti pendidikan, organisasi pemasaran, dan sebagainya. Selain
analisis statistika, manajemen data dan dokumentasi data juga merupakan fitur-
fitur dari software dasar SPSS. Statistik yang termasuk software dasar SPSS
sebagai berikut:

Statistik Deskriptif: Tabulasi Silang, Frekuensi, Deskripsi, Penelusuran,


Statistik Deskripsi Rasio
Statistik Bivariat: Rata-rata, t-test, ANOVA, Korelasi (bivariat, parsial,
jarak), Nonparametric tests
Prediksi Hasil Numerik: Regresi Linear
Prediksi untuk mengidentivikasi kelompok: Analisis Faktor, Analisis
Cluster (two-step, K-means, hierarkis), Diskriminan.

SPSS meletakkan batasan-batasan pada struktur file internal, tipe data,


pengolahan data dan pencocokan file, yang memudahkan pemrograman. SPSS
datasets memiliki struktur tabel 2 dimensi dimana bagian baris menunjukkan
kasus-kasus dan bagian kolom menampilkan ukuran-ukuran. Hanya 2 tipe data
yang digambarkan : numerik dan teks.

Seluruh pengolahan data dilakukan berurutan kasus per kasus melalui file.
File dapat dipasangkan satu per satu atau satu-banyak, tapi tidak dapat banyak per
banyak. User interface grafis memiliki 2 jenis tampilan yang dapat dipilih dengan
cara meng-klik salah satu dari dua tombol di bagian bawah kiri dari window
SPSS.

SPSS mampu mengakses data dari berbagai macam format data yang
tersedia seperti Base, Lotus, Access, text file, spreadsheet, bahkan mengakses
database melalui ODBC (Open Data Base Connectivity) sehingga data yang sudah
ada, dalam berbagai macam format, bisa langsung dibaca SPSS untuk dianalisis.
SPSS memberi tampilan data yang lebih informatif, yaitu menampilkan data
sesuai nilainya (menampilkan label data dalam kata-kata) meskipun sebetulnya
kita sedang bekerja menggunakan angka-angka (kode data). Misalnya untuk field
Jenis Kelamin, kode angka yang digunakan adalah 1 untuk pria dan 2 untuk
wanita, maka yang akan muncul di layar adalah label datanya, yaitu pria dan
wanita.

SPSS memberikan informasi lebih akurat dengan memperlakukan missing


data secara tepat, yaitu dengan memberi kode alasan mengapa terjadi missing
data. Misalnya karena pertanyaan tidak relevan dengan kondisi responden,
pertanyaan tidak dijawab, atau karena memang pertanyaannya yang harus
dilompati.

SPSS melakukan analisis yang sama untuk kelompok-kelompok


pengamatan yang berbeda secara sekaligus hanya dalam beberapa mouse click
saja. SPSS mampu merangkum data dalam format tabel multidimensi (crosstabs),
yaitu beberapa field ditabulasikan secara bersamaan.
3. Contoh Kasus Penelitian
Seorang mahasiswa menganalisis tingkat kepuasan tourist terhadap 10
variabel yang membuat mereka ingin berkunjung kembali ke Bali, adapun 10
variabel tersebut : budaya, fasilitas, kuliner, fashion, seni, cendramata,
pemandangan, keamanan, kebersihan, kenyamanan. Pada penelitian ini diambil 50
tourist sebagai responden. setiap variabel diberikan 5 pilihan jawaban :

1. Sangat Tidak Setuju,


2. Tidak Setuju,
3. Cukup,
4. Setuju,
5. Sangat Setuju.
Berikut data hasil responden (nilai rekayasa penyusunan)

Buda Fasil Kuli Fashi Se Cendr Peman Keama Keber Kenya


No
ya itas ner on ni amata dangan nan sihan manan
1 4 4 4 4 4 4 4 4 4 4
2 4 3 4 4 4 3 4 4 4 4
3 4 3 3 4 2 3 4 4 2 2
4 4 4 3 4 2 3 4 4 2 2
5 4 5 5 4 2 4 4 2 2 2
6 5 5 5 5 5 3 5 2 5 5
7 4 4 4 4 3 4 3 2 3 3
8 4 5 5 4 3 4 3 4 3 3
9 4 5 5 5 3 4 4 2 3 3
10 4 5 4 5 4 4 3 2 4 4
11 4 5 4 5 3 4 3 4 3 3
12 4 4 4 5 4 4 5 2 4 4
13 4 4 3 4 4 4 5 4 4 4
14 4 4 3 4 4 4 5 4 3 4
15 4 4 4 4 5 4 5 2 3 4
16 4 4 4 4 5 4 4 2 3 5
17 4 4 5 4 5 4 5 4 1 5
18 4 5 4 4 5 4 4 2 1 5
19 5 5 5 5 5 3 4 2 1 5
20 4 4 4 4 5 3 4 4 5 5
21 4 4 4 4 5 4 4 2 1 2
22 4 4 3 4 5 3 4 3 1 2
23 4 4 3 4 4 3 4 4 1 4
24 5 4 5 5 5 5 5 3 5 2
25 4 4 4 4 5 4 4 4 5 2
26 4 4 4 4 4 4 4 4 5 2
27 4 4 4 4 5 4 4 2 5 2
28 4 4 4 4 5 4 4 1 5 2
29 4 5 2 3 5 4 4 4 5 5
30 4 4 2 3 4 4 4 3 4 2
31 4 3 2 3 5 3 4 4 5 2
32 4 3 2 3 4 3 4 2 4 2
33 5 5 5 3 5 5 3 1 5 5
34 4 3 4 4 4 3 4 4 4 4
35 4 3 4 3 4 3 4 4 4 4
36 4 3 4 3 4 3 3 3 4 4
37 4 4 4 2 4 4 4 4 4 2
38 4 3 4 2 4 3 3 4 4 2
39 5 2 5 5 5 4 3 3 5 5
40 5 5 5 1 5 4 5 5 5 2
41 5 1 5 5 5 5 5 2 5 2
42 4 4 4 1 4 4 1 4 4 2
43 4 4 4 1 1 4 4 2 4 2
44 3 3 4 4 1 4 1 1 4 2
45 3 4 3 1 4 4 4 4 4 4
46 4 4 3 4 2 4 4 1 5 4
47 4 4 4 4 4 5 1 1 5 2
48 4 4 5 4 3 4 1 1 4 4
49 4 4 5 4 3 5 1 1 4 4
50 4 4 4 4 4 5 1 4 5 4

4. Prosedur Kerja
Adapun prosedur kerja dalam menggunakan SPSS sebagai berikut :

1. Input data penelitian pada Data View di SPSS


2. Isi baris pertama pada kolom Name di Variable view dengan P1, baris
kedua P2 dst
3. Ubah kolom Decimals menjadi 0
4. Masukan pada kolom Label : Budaya, Fasilitas, Kuliner, Fashion, Seni,
Cendramata, Pemandangan, Keamanan, Kebersihan, Kenyamanan
5. Ubah kolom Values menjadi : 1. Sangat Tidak Setuju, 2. Tidak Setuju, 3.
Cukup, 4. Setuju, 5. Sangat Setuju.

Berikut adalah tampilan setelah langkah 1-5 sudah dikerjakan


6. Selanjutnya klik menu Analyze => Dimension Reduction => Factor, klik
kanan pada Budaya lalu ubah Display Variable Labels menjadi Display
Variabels Names, maka tampilan akan menjadi sebagai berikut :
7. Klik Descriptives => centang Initial Solution, Coefficients,
Reproduced, Anti-Image, KMO, continue

8. Klik Extraction => ubah Method yang digunakan menjadi Principal


Componen, pilih Correlation Matrix, Based on Eigenvalue, Unrotated
Factor Solution, Scree Plot, continue

9. Klik Rotation => pilih Varimax, Rotated Solution, Loading Plot(s),


continue

10. Klik Scores => pilih Save as Variables, Regression, continue


11. Klik Options => pilih Exclude Cases Listwise, Sorted by Size, Suppress
Small Coefficients, continue

12. Selanjutnya klik Paste => block dari bawah sampai Factor, lalu Play.
Tampilan sebagai berikut :

13. Selanjutnya keluarlah hasil dari perhitungan SPSS


5. Interpretasi
Dari hasil pengolahan data dengan Metode Analisis Komponen Utama pada
Aplikasi SPSS, maka diperoleh data sebagai berikut:
Tabel Correlation Matrix merupakan tabel matriks korelasi yang berisi nilai-
nilai korelasi antara variabel-variabel yang akan dianalisis. Pada bagian
Correlation dapat dilihat besarnya korelasi antarvariabel.

Berdasarkan Bartletts Tes of Sphericity dengan Chi-Square 90,029 (df 45)


dan nilai sig = 0,000 < 0,05 menunjukkan bahwa matriks korelasi bukan
merupakan matriks identitas sehingga dapat dilakukan analisis komponen utama.
Di samping itu, Nilai KMO yang dihasilkan adalah sebesar 0.555, serta p-value
sebesar 0,000 (<0,05), nilai tersebut jatuh dalam kategori lebih dari cukup
layak untuk kepentingan analisis faktor. Oleh karena itu, variabel variabel dapat
dianalisis lebih lanjut (AA Afifi,1990:Dillon dan Goldstein,1984).

Selain pengecekan terhadap KMO and Bartlett test, dilakukan juga


pengecekan Anti Image matrices untuk mengetahui apakah variabel variabel
secara parsial layak untuk dianalisis dan tidak dikeluarkan dalam pengujian.
Berdasarkan tabel di atas, terlihat bahwa dari sepuluh variabel yang akan
dianalisis, terdapat dua variabel yang memiliki nilai MSA < 0,5 yaitu variabel
fasilitas dan variable kebersihan. Karena ada variabel yang nilai MSA nya < 0,5 ,
maka variabel tersebut tidak dapat dianalisis lebih lanjut. Meskipun ada dua
variabel yang nilai MSA nya < 0,5, namun kita tidak harus membuang dua
variabel sekaligus. Pilih salah satu variabel yang memiliki MSA terkecil, yaitu
fasilitas sebesar 0.397 sehingga variabel tersebut dikeluarkan dan dilakukan
pengujian ulang terhadap kesembilan variabel lainnya seperti pada cara di atas.

Setelah variabel Fasilitas dikeluarkan, maka nilai KMO meningkat menjadi


0,578 dan tingkat signifikansi 0,000. Pengurangan variabel yang tidak layak
meningkatkan nilai KMO sehingga cukup beralasan untuk melakukan
pengurangan tersebut Hal ini dapat menunjukkan bahwa kesembilan variabel
tersebut lebih dari cukup layak untuk dilakukan analisis faktor.
Tabel communalities menunjukkan seberapa besar faktor yang nantinya
terbentuk mampu menjelaskan variabel. Untuk itu harus dilihat tabel
Communalities sebagai berikut: (Santoso, 2006: 41)

Hasilnya adalah, faktor mampu menjelaskan variabel Budaya sebesar 0,716


atau 71,60%, Fasilitas diterangkan sebesar 83,70%, Kuliner diterangkan sebesar
58,60%, Fashion diterangkan sebesar 76,00%, Seni diterangkan sebesar 67,70%,
Cendramata diterangkan sebesar 68,90%, Pemandangan diterangkan sebesar
61,40%, Keamanan diterangkan sebesar 63,60%, Kebersihan diterangkan sebesar
71,40%, dan Kenyamanan diterangkan sebesar 42,70%.

Guna menentukan seberapa banyak faktor yang mungkin terbentuk dapat


dilihat pada tabel Total Variance Explained sebagai berikut:(Santoso, 2006: 42-3).

Component berkisar antara 1 hingga 10 yang mewakili jumlah variabel


independen. Perhatikan kolom Initial Eigenvalues dengan SPSS kita tentukan
nilainya 1. Varians bisa diterangkan oleh faktor 1 adalah 2,240/10 x 100% =
22,397. Pada faktor 2 sebesar 1,915/10 x 100% = 19,153. Pada faktor 3 sebesar
1,455/10 x 100% = 14,549. Pada faktor 4 sebesar 1,046/10 x 100% = 10,459.

Total keempat faktor akan mampu menjelaskan variabel sebesar 22,397% +


19,153% + 14,549% + 10,459% = 66,559%. Berdasarkan alasan nilai Eigenvalue
keempat variabel yang lebih dari 1 dan besarnya persentase kumulatif keempat
variabel sebesar 66,559 persen, dapat disimpulkan bahwa keempat faktor sudah
cukup mewakili keragaman variabel variabel asal.

Scree Plot adalah salah satu alternatif yang dapat digunakan untuk
membantu peneliti menentukan berapa banyak faktor terbentuk yang dapat
mewakili keragaman peubah - peubah asal. Bila kurva masih curam, akan ada
petunjuk untuh menambahkan komponen. Bila kurva sudah landai, akan ada
petunjuk untuk menghentikan penambahan komponen, walaupun penilaian
curam/landai bersifat subjektif peneliti.

Dari scree plot di atas, terlihat pada saat satu komponen terbentuk, kurva
masih menunjukkan kecuraman, begitu juga pada saat di titik ke-2, garis kurva
masih tajam, di titik ke-4 garis kurva masih tajam namun sedikit berbeda dari pola
garis sebelumnya. Setelah melewati titik ke-4, garis kurva sudah mulai landai,
semakin ke kanan akan semakin landai. Dari penjelasan di atas, dapat kita tarik
kesimpulan bahwa terdapat empat komponen atau faktor yang terbentuk.
Table component matrix menunjukkan besarnya korelasi tiap variabel dalam
faktor yang terbentuk. Nilai nilai koefisien korelasi antara variabel dengan
faktor - faktor yang terbentuk (loading factor) dapat dilihat pada table Component
Matrix.

Keempaat faktor tersebut menghasilkan matrik loading faktor yang nilai-


nilainya merupakan koefisien korelasi antara variabel dengan faktor-faktor
tersebut. Bila dilihat variabel variabel yang berkorelasi terhadap setiap faktornya,
ternyata loading faktor yang dihasilkan belum mampu memberikan arti
sebagaimana yang diharapkan.

Hal ini terlihat dari variabel Kuliner dimana korelasi variabel ini dengan
faktor 1 sebesar 0,737, sedangkan dengan faktor 2 sebesar -0,199 (tanda negative
hanya menunjukkan arah korelasi), sehingga kita sulit untuk memutuskan apakah
variabel Kuliner dimasukkan ke faktor 1 atau faktor 2.

Tiap faktor belum dapat diinterpretasikan dengan jelas sehingga perlu


dilakukan rotasi dengan metode varimax. Rotasi varimax adalah rotasi orthogonal
yang membuat jumlah varian faktor loading dalam masing-masing faktor akan
menjadi maksimum, dimana nantinya peubah asal hanya akan mempunyai
korelasi yang tinggi dan kuat dengan faktor tertentu saja (korelasinya mendekati
1) dan tentunya memiliki korelasi yang lemah dengan faktor yang lainnya
(korelasinya mendekati 0). Hal yang demikian belum tercapai pada table
component matrix diatas.
Tabel Reproduced Correlation adalah matriks korelasi berdasarkan faktor-
faktor yang diekstrak. Nilai-nilai dalam matriks direproduksi untuk menjadi dekat
dengan nilai-nilai dalam matriks korelasi asli. Ini berarti bahwa matriks residual,
yang berisi perbedaan antara asli dan matriks direproduksi menjadi mendekati nol.
Jika matriks direproduksi sangat mirip dengan matriks korelasi asli, maka faktor-
faktor yang diekstraksi menyumbang banyak varians dalam matriks korelasi asli.
Residual adalah nilai-nilai yang mewakili perbedaan antara korelasi asli
(ditampilkan dalam tabel korelasi pada awal output) dan korelasi direproduksi,
yang ditampilkan di bagian atas tabel ini.
Misal asli antara Seni dan Budaya adalah 0,451 (tabel Correlations Matrix),
dan korelasi direproduksi antara kedua variabel adalah 0.602. Residualnya adalah
-0.150 = 0,451 0.602 (dengan beberapa kesalahan pembulatan)
Setelah dilakukan rotasi faktor dengan metode varimax, diperoleh table
seperti yang tertera di atas yaitu Rotated Component Matrix. Terdapat perbedaan
nilai korelasi variabel dengan setiap faktor sebelum dan sesudah dilakukan rotasi
varimax. Terlihat bahwa loading faktor yang dirotasi telah memberikan arti
sebagaimana yang diharapkan dan setiap faktor sudah dapat diinterpretasikan
dengan jelas. Terlihat pula bahwa setiap variabel hanya berkorelasi kuat dengan
salah satu faktor saja. Dengan demikian, lebih tepat digunakan loading faktor
yang telah dirotasi sebab setiap faktor sudah dapat menjelaskan keragaman
variabel awal dengan tepat dan hasilnya adalah sebagai berikut :

1. Faktor 1, beberapa variabel yang memiliki korelasi yang kuat dengan


faktor 1, yaitu variable Seni, Budaya, dan Pemandangan.
2. Faktor 2, terdapat beberapa variabel yang memiliki korelasi yang kuat
dengan faktor 2 , yaitu variabel Cendramata, Kebersihan, dan Kuliner.
3. Faktor 3, dalam faktor ini tiga variabel yang memiliki korelasi yang kuat
dengan faktor 3, yaitu variable Fashion dan Keamanan.
4. Faktor 4, dalam faktor ini tiga variabel yang memiliki korelasi yang kuat
dengan faktor 4, yaitu Fasilitas
Tabel Component Transformation Matrix berfungsi untuk menunjukkan
apakah faktor faktor yang terbentuk sudah tidak memiliki korelasi lagi satu
sama lain atau orthogonal. Bila dilihat dari table Component Transformation
Matrix, nilai nilai korelasi yang terdapat pada diagonal utama rata-rata berada di
atas 0,5 yaitu 0,538 ; -0,659 ; 0,669. Hal ini menunjukkan bahwa dari keempat
faktor yang terbentuk hanya tiga faktor (faktor 1,2, dan 4) yang sudah tepat karena
memiliki korelasi yang kuat pada diagonal diagonal utamanya, namun pada
faktor tiga memiliki korelasi lemah.

6. Kesimpulan
Setelah 10 variabel dianalisa menggunakan SPSS diketahui bahwa :

1. Nilai KMO yang dihasilkan adalah sebesar 0.555. nilai KMO lebih besar
dari 0.5, sehingga variabel variabel layak dianalisis lebih lanjut (analisis
faktor).
2. Setelah dilakukan uji Anti Image Matrix, diperoleh nilai MSA variabel
Fasilitas dan Kebersihan lebih kecil dari 0,5.
3. Uji Total Variance didapat 4 variabel yang nilainya lebih besar dari 1
4. Terdapat 4 faktor kepuasan tourist yang membuat mereka ingin datang
berkunjung kembali ke Bali, hasilnya adalah sebagai berikut :
Faktor 1, yaitu variable Seni, Budaya, dan Pemandangan.
Faktor 2, yaitu variabel Cendramata, Kebersihan, dan Kuliner.
Faktor 3, yaitu variable Fashion dan Keamanan.
Faktor 4, yaitu Fasilitas

Daftar Pustaka

http://setabasri01.blogspot.co.id/2012/04/analisis-faktor-dengan-spss.html
(diakses pada tanggal 11 Maret 2017)
http://statistikceria.blogspot.co.id/2013/03/tutorial-contoh-kasus-analisis-
faktor.html (diakses pada tanggal 10 Maret 2017)
https://www.academia.edu/7378960/Analisis_Faktor_dengan_SPSS (diakses
pada tanggal 11 Maret 2017)
http://stats.idre.ucla.edu/spss/output/factor-analysis/ (diakses pada tanggal 13
Maret 2017)
http://stats.idre.ucla.edu/spss/output/principal-components-analysis/ (diakses
pada tanggal 13 Maret 2017)