Data: Tabel 1.

Temuan Hasil Ekskavasi Situs Gua Here Sorot Entapa

Sisa
Kedalaman (cm) Kerang(grm) Kepiting Urchin Tulang Arang Biji Gerabah Batu(artefak) Oker Karang Kaca
Tumbuhan
10 500 18.2 2.7 9.3 5 0 0 900 19.4 0 100 1.3
20 800 133 3.5 110 108.2 0.9 0 650 95.3 0.1 100 1
30 800 211 4.1 83.2 1 0 1.1 100 323.7 1.7 50 0
40 800 60.6 3.4 60.6 15.3 0 0 18.9 464 22.5 101.1 0
50 250 101.2 1.7 28.1 12 0 1.9 3.8 32.2 20.1 46.2 0
60 360 29.4 0.5 50.8 7.5 0.9 0 0 89.2 54.1 52.1 0
70 550 14.2 4.6 43.1 35.7 0 1 0.35 10.3 138.3 147 0
80 250 7.8 1.3 38.4 2.7 0 1.1 0 166.1 114.6 97.5 0
90 300 1.7 1 23.4 1.1 0 0.9 0 76.5 28.8 94.9 0
100 700 4.6 1.1 20.3 0 0 0 0 157.9 14.1 102.2 0
110 500 5.8 15.9 44.4 0 0 0 0 123.3 19.5 95.6 0
120 750 11.6 1 41.6 1.5 0 0 0 62.1 15.2 45.5 0
130 1400 10 0 55.5 0 0 3.7 0 87.5 8.6 52.3 0
140 5100 15.6 4.4 162.2 1 0 0 0 66.6 .7 209.1 0
150 7350 42.3 2.2 156.7 0 0 0 0 80 8 35.5 0
160 8100 32.1 14.4 120.6 0 0 0 0 311.9 8.4 233.4 0
(Sumber: Suniarti Yuni, 2016)
Analisis:

Dari data tersebut kemudian diinput ke dalam tabel spss, dan dilakukan
analisis faktor sesuai prosedur dengan memasukkan seluruh variabel yang ada,
dan hasil analisis diperoleh sebagai berikut:

Hasil Analisis 1

Berikut adalah variabel awal dalam analisis 1 menunjukkan 13 variabel.

KMO adalah indek perbandingan jarak antara koefisien dengan koefisien korelasi
parsialnya. Jika jumlah kuadrat koefisen korelasi parsial di antara seluruh
pasangan variabel bernilai kecil jika dibandingkan dengan jumlah kuadrat
koefisien korelasi, maka akan menghasilkan nilai KMO mendekati 1. Nilai KMO
dianggap mencukupi jika lebih dari 0,5. Dari hasil analisis 1 ternyata angka KMO
MSA = 0,469 yang artinya masih dibawah 0,5 dan signifikansi kurang dari 0,05
sehingga perlu dilakukan analisis tahap kedua agar variabel dapat dianalisis lebih
lanjut.
Hasil Analisis 2
 Hasil analisis 2 ternyata angka KMO MSA sudah diatas 0,5 sehingga bisa dianalisis lebih lanjut dengan dilakukan analis Anti
Image Matrices. Nilai MSA pada tabel di atas ditunjukkan pada baris Anti Image Correlation dengan tanda “a”. Dari hasil tabel
Anti Image Corellation diatas, ternyata variabel Oker ternyata memiliki nilai MSA(Measures of Sampling Adequacy) dibawah 0,5
dan nilainya paling kecil sehingga variabel tersebut harus dikeluarkan atau direduksi. Hasil reduksi tersebut akan tampak pada hasil
analisis 3.

Hasil Analisis 3
 Dari hasil analisis ini, maka tampak masih adanya nilai MSA yang
dibawah 0,5 pada beberapa variabel. Dalam tahap ini maka variabel terseebut
akan direduksi mulai dari yang terkecil hingga hasil semua nilai MSA per variabel
tidak ada yang dibawah 0,5. Dalam tahap ini peneliti melakukan reduksi data
sebanyak 7 variabel dari jumlah variabel total 13. Variabel yang direduksi tersebut
antara lain; Kepiting; Urchan; Tulang; Arang; Biji; Batu(artefak); Oker. Hasil
setelah reduksi data dapat dilihat pada hasil analisis akhir.

Hasil Analisis Akhir

Dari hasil tersebut angka KMO sudah diatas 0,5 dan angka MSA pada anti
image juga sudah diatas 0,5 yang artinya data dapat dianalisis lebih lanjut dengan
membuat pemfaktoran. Sebelum melakukan factoring maka kita lihat dulu data
communalities. Communalities pada dasarnya adalah jumlah varian (bisa dalam
persentase) suatu variabel mula-mula yang bisa dijelaskan oleh faktor yang ada.
 Dalam tabel tersebut variabel gerabah menunjukkan angka 0,918 yang artinya adalah sekitar 91,8% varian variabel dalam
gerabah bisa dijelaskan oleh faktor yang terbentuk. Begitu juga dengan variabel lainnya, dengan ketentuan bahwa semakin besar
communalities sebuah variabel, berarti semakin erat hubungannya dengan faktor yang terbentuk. Setelah mengetahui hal tersebut
maka factoring dapat dilakukan dan dihasilkan demikian;
Ada 6 variabel (Component) yang dimasukkan dalam analisis faktor, yaitu; Kedalaman, Kerang, Sisa tumbuhan, Gerabah, Karang,
dan Kaca. Dengan masing-masing variabel mempunyai varian 1, sehingga total varian adalah 6X1 = 6. Dari tabel di atas, terlihat
bahwa hanya dua faktor yang terbentuk, karena dengan dua faktor saja angka eigenvalues sudah diatas 1, yaitu 1,795. Pada dasarnya
eigenvalues menunjukkan kepentingan masing-masing faktor dalam menghitung varian 6 variabel yang dianalisis. Kedua faktor yang
dibentuk dalam tabel diatas dapat menunjukkan dan menjelaskan sekitar 75.539% dari enam variabel yang ada. Hal ini ditunjukkan
oleh gambar Scree Plot yang berupa grafik yang menunjukkan bahwa dua faktor adalah paling bagus untuk meringkas dan
mengelompokkan enam variabel tersebut.
 Setelah mengetahui dua faktor yang paling bagus untuk pengelompokkan
maka berikutnya adalah melihat Tabel Component Matrix yang menunjukkan
distribusi enam variabel dalam dua faktor yang terbentuk. Angka yang ada pada
tabel adalah faktor loadings, yang menunjukkan besar korelasi antara suatu
variabel dengan faktor 1, dan faktor 2. Penentuan variabel akan masuk ke faktor
mana dilakukan dengan membandingkan besar korelasi pada setiap beras.
Korelasi antara suatu variabel dengan salah satu faktor dapat dilihat dari faktor
loading yang ada pada tabel. Jika nilainya lebih dari 0,5, maka korelasi antara
suatu variabel dengan salah satu faktor dikatakan kuat.
 Dari tabel diatas dilihat bahwa kerang memiliki nilai yang hampir sama,
sehingga perbedaannya belum terlihat seperti variabel yang lain. Oleh karena itu,
maka perlu dilakukan rotasi, agar pengelompokkan dalam faktor dapat benar-
benar meyakinkan. Berikut adalah hasil tabel setelah dilakukan rotasi. Tabel
dibawah melihatkan bahwa nilai faktor loadings yang awalnya kecil semakin
diperkecil, sedangkan yang besar semakin besar.
Dari tabel tersebut maka dapat dilihat pengelompokkan yang terjadi dalam enam
variabel tersebut adalah sebagai berikut:

Faktor 1: Gerabah; Kaca; Kedalaman; Kerang

Faktor 2: Karang; Sisa Tumbuhan

Kuatnya hubungan antar variabel dalam faktor 1 dan faktor 2 ditunjukkan oleh
angka diagonal dalam tabel dibawah ini.

Dalam tabel tersebut dapat dikatakan bahwa antar variabel dalam kedua faktor
tersebut sangatlah berhubungan erat dan pengelempokkan yang dilakukan sudah
tepat.

Kesimpulan dan Rekomendasi:

Kesimpulan dalam analisis faktor untuk menjawab rumusan masalah yang
berupa bagaimana pola perilaku konsumsi kerang komunitas situs Gua Here Sorot
Entapa adalah bahwa dari data sample yang diambil (data temuan hingga
kedalaman spit ke-16 atau kedalaman 160cm) ternyata variabel temuan yang
mempunyai pengaruh dominan dan saling berhubungan ada 6 variabel. Variabel
tersebut antara lain (Gerabah, Kaca, Kedalaman, Kerang, Karang, Sisa
Tumbuhan). Dalam hal ini, analisis faktor hanya dapat mereduksi data, sehingga
pada analisis tingkat lanjut untuk melihat bagaimana pola perilaku konsumsi yang
terjadi perlu dilakukan analisis lanjutan(analisis regresi linear,dll). Analisis
lanjutan tersebut pada prosedurnya dilakukan hanya dengan memasukkan variabel
dari data hasil pemfaktoran (factoring) yang telah dilakukan, dan hasil
pemfaktoran adalah sebagai berikut;
Faktor 1: Gerabah; Kaca; Kedalaman; Kerang
Faktor 2: Karang; Sisa Tumbuhan
-1,30957 hingga 0,007287 = Rendah
0,007287 hingga 1,316857 = Sedang
1,316857-2,641 = Tinggi

Dari hasil factoring tersebut, maka secara arkeologis dapat disimpulkan

dengan mengasumsikan nomor 2-17 yang menunjukkan masing-masing
kedalaman galian dapat dikaitkan dengan hasil analisis faktor. Hasil analisis faktor
1 (Residu Biotik) karena berisi gerabah, kerang yang merupakan hasil sisa
kegiatan manusia, sedangkan faktor 2 (Residu Abiotik) dikarenakan berisi karang dan
sisa tumbuhan yang bukan merupakan hasil kegiatan manusia(alami). Dalam
kepentingan analisis data, maka dapat dikatakan bahwa pada kedalaman 10cm,
variabel gerabah;kaca;kerang merupakan variabel dominan ditemukan sehingga lebih
penting menganalisis ketiga variabel tersebut daripada variabel yang lain. Sehingga
pada dasarnya, analisis faktor ini berguna dalam analisis per spit(kedalaman) dan
penentuan variabel mana yang dianalisis terlebih dahulu(mempunyai informasi yang
lebih penting daripada variabel lain) dalam setiap spit tersebut. Penentuan ini dapat
dilihat dalam pembagian faktor score(rendah-sedang-tinggi).
Rekomendasi peneliti adalah setelah melakukan tahapan tersebut, maka dapat
kita lihat faktor score dari masing-masing faktor yang diperlukan untuk keperluan
analisis lebih lanjut. Pada kesimpulannya dengan hasil akhir faktor score dalam
tabel dibawah ini penelitian akan dapat dilanjutkan dengan analisis lanjutan, misal
analisis regresi linear, analisis diskriminan, dll.