LABORATORIUM STATISTIK DAN OPTIMASI INSDUSTRI

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
JAWA TIMUR

LAPORAN RESMI
MODUL VIII
ANALISIS FAKTOR

I. Pendahuluan
A. Latar Belakang
Analisa faktor adalah suatu metode untuk menganalisis sejumlah observasi,
dipandang dari sisi interkorelasinya untuk mendapatkan apakah variasi-variasi
yang nampak dalam observasi itu mungkin berdasarkan atas sejumlah kategori
dasar yang jumlahnya lebih sedikit dari yang nampak (Fruchter, 1954). Sementara
itu Kerlinger (1990) mengungkapkan bahwa faktor adalah gagasan atau konsep
suatu hipotesis yang sungguh-sungguh ada yang mendasari suatu tes, skala, item
dan pengukuran-pengukuran dalam banyak hal.
Analisis faktor sering kali dilakukan tidak saja merupakan analisis akhir dari
suatu pekerjaan analisis statistika atau pengolahan data, tetapi dapat merupakan
tahapan atau langkah awal bahkan langkah antara dalam kebanyakan analisis
statistika yang bersifat lebih besar atau lebih kompleks. Sebagai misalnya dalam
analisis regresi faktor (faktor regresion), maka analisis faktor akan merupakan
tahap antara suatu analisis statistika dari data awal untuk membentuk variabel
baru yang akan menuju ke analisis regresi. Oleh karena itu, analisis faktor
digunakan sebagai input dalam membangun analisis regresi yang lebih lanjut,
demikian pula dalam analisis gerombol atau cluster analysis di mana faktor atau
variabel baru yang terbentuk dipergunakan sebagai input untuk melakukan
analisis pengelompokan terhadap suatu set data.
Dalam analisis faktor ini menggunakan studi kasus peningkatan pelayanan
sebuah pasar tradisional yang dimana dalam variabelnya mencakup kenyamanan,
kebersihan, tempat parkir, lokasi, fasilitas, pelayanan, keamanan, kelengkapan,
keindahan. Teknik analisis faktor bagitu penting karena ada banyak faktor yang
mempengaruhi penilaian konsumen dalam menentukan suatu pelayanan.

I
VIII
B. Rumusan Masalah
Rumusan masalah yang digunakan dalam praktikum dan penyusunan
laporan ini adalah:
“Bagaimana menentukan, mengelompokkan dan mereduksi data
berdasarkan karakteristik diantara objek-objek tersebut?”
C. Tujuan Praktikum
Adapun tujuan dari praktikum dan penyusunan laporan ini adalah:
1. Mengelompokkan objek-objek berdasarkan kesamaan karakteristik diantara
objek-objek tertentu.
2. Dapat memahami setiap karakter dan kegunaan metode analisis faktor.
3. Menguji apakah ada perbedaan signifikan antara kategori atau kelompok yang
dikaitkan dengan variabel bebas.
4. Mengetahui langkah-langkah melakukan analisis faktor
D. Batasan Masalah
Batasan masalah yang digunakan dalam praktikum dan penyusunan laporan
ini adalah:
1. Data yang dianalisis adalah variabel lokasi, kelengkapan, safety,
kenyamanan, pelayanan, kebisingan, promosi, image, kebersihan, keamanan
parkir, toilet, harga, layout, dan pencahayaan ruangan.
2. Dalam menyelesaikan data tersebut dengan program SPSS .
3. Analisis yang digunakan adalah metode analisis faktor.
E. Asumsi-asumsi
Asumsi-asumsi yang digunakan dalam praktikum dan penyusun laporan ini
adalah:
1. Semua data yang ada merupakan data yang siap untuk diolah analisa faktor.
2. Software ini mampu membuat hasil yang representatif karena telah tersebar
diseluruh dunia dan telah diuji kevalidannya yaitu dengan mengukurnya
secara manual.
3. Syarat-syarat yang harus dipenuhi suatu data agar dapat diselesaikan
menggunakan analisis faktor sudah ada.

VIII
F. Manfaat Praktikum
Adapun manfaat dari praktikum adalah:
1. Agar praktikan dapat mengelompokkan setiap objek dalam dalam dua atau
lebih kelompok berdasarkan pada kriteria tertentu.
2. Agar praktikan dapat memahami setiap karakter dan kegunaan metode analisis
faktor.
3. Agar praktikan dapat menguji apakah ada perbedaan signifikan antara kategori
atau kelompok yang dikaitkan dengan variabel bebas.
4. Praktikan mampu menggunakan software SPSS sebagai alat bantu
menghitung nilai statistic dan menginterpretasikan output dari model
analisis faktor.

II. Tinjauan Pustaka

A. Pengertian Analisis Faktor
Analisis faktor merupakan studi tentang keterhubungan antar sekumpulan
variabel dalam usaha menemukan sekumpulan variabel baru. Variabel baru
merupakan persekutuan dari bebrapa variabel asli, sehingga banyak variabel
dalam kumpulan variabel baru yang tercipta lebih sedikit dibandingkan dengan
banyak variabel asli. Jadi istilah analisis faktor merupakan teknik analisis yang
digunakan untuk membedakan beberapa jenis varian, sedangkan istilah faktor
dimaksudkan sebagai varian persekutuan.
Analisis faktor digunakan dalam dua konteks. Pertama, analisis faktor
untuk kepentingan eksplorasi, yaitu penggunaan analisis faktor hanya untuk
menemukan variabel persekutuan. Dalam konteks ini, peneliti tidak memiliki
cukup teori yang mendukung hipotesisnya. Pada konteks kedua, analisis faktor
digunakan untuk kepentingan konfirmasi, yaitu untuk mendukung atau menolak
hipotesis yang disusun peneliti tentang variabel persekutuan. Tentunya dalam
konteks ini, peneliti memiliki teori yang kuat untuk mendukung hipotesisnya
tentang variabel persekutuan.
Untuk kepentingan analisis butir instrumen, analisi faktor digunakan untuk
menguji, apakah butir-butir instrumen yang disusun sudah mengukur indikator
yang ditetakan. Variabel analisis faktor untuk kepentingan analisis butir adalah

I
VIII
butir itu sendiri. Sementara itu, faktor yang terbentuk merupakan indikator yang
diukur dengan butir-butir yang telah disusun. Dalam hal ini, bisa terjadi butir-butir
instrumen dari beberapa indikator yang berbeda mengukur hal yang sama,
sehingga indikator-indikator itu perlu digabungkan. Hal lain yang bisa terjadi
adalah satu butir yang disusun untk mengukur satu indikator ternyata lebih cocok
untuk mengukur indikator yang lain.
Asumsi statistik seperti normalitas, linieritas, dan homokedastisitas
dipersyaratkan sebagai asumsi tambahan dalam analisi faktor. Uji asumsi yang
lebih penting adalah uji matriks korelasi keseluruhan dengan Bartlett test of
sphericity dan uji interkorelasi antar variabel yang disebut measure of sampling
adequacy (MSA). Analisis faktor tediri dari bebrapa langkah yaitu : 1) memilih
variabel yang layak, 2) menentukan faktor, dan 3) melakukan rotasi.
Analisis Faktor adalah prosedur untuk menggandakan informasi dengan cara
mengubah sekelompok variabel atau lebih yang menganalisis pembentukan group
dari data yang sama tanpa membuang informasi yang lama. Analisis faktor juga
dapat didefinisikan sebagai berikut :
 Analisis faktor tergolong dalam teknik untuk mereduksi data.
 Analisis faktor merupakan teknik mereduksi data dengan prosedur
menyederhanakan sejumlah variable yang mempunyai hubungan menjadi
kelompok variabel yang lebih kecil (faktor) dengan kandungan kelengkapan
informasi yang sama dengan data aslinya (tanpa mengurangi informasi yang
terdapat dalam variabel).
1. Macam-Macam Analisis Faktor
Pada analisis faktor (faktor analysis) dapat dibagi dua macam yaitu analisis
komponen utama atau Eksploratori (principal component analysis = PCA) dan
analisis faktor konfirmatori (faktor analysis = FA). Kedua analisis di atas
bertujuan menerangkan struktur ragam-peragam melalui kombinasi linear dari
variabel-variabel pembentuknya. Sehingga dapat dikatakan bahwa faktor atau
komponen adalah variabel bentukan bukan variabel asli. Secara umum analisis
faktor atau analisis komponen utama bertujuan untuk mereduksi data dan
menginterpretasikannya sebagai suatu variabel baru yang berupa variabel
bentukan.

VIII
 Pada dasarnya analisis faktor atau analisis komponen utama mendekatkan
data pada suatu pengelompokan atau pembentukan suatu variabel baru yang
berdasarkan adanya keeratan hubungan antardemensi pembentuk faktor atau
adanya konfirmatori sebagai variabel baru atau faktor.
Analisis Faktor Eksploratori Atau Analisis Komponen Utama (PCA)
Analisis faktor eksploratori atau analisis komponen utama (PCA =
principle component analysis) yaitu suatu teknik analisis faktor di mana beberapa
faktor yang akan terbentuk berupa variabel laten yang belum dapat ditentukan
sebelum analisis dilakukan. Pada prinsipnya analisis faktor eksploratori di mana
terbentuknya faktor-faktor atau variabel laten baru adalah bersifat acak, yang
selanjutnya dapat diinterprestasi sesuai dengan faktor atau komponen atau
konstruk yang terbentuk. Analisis faktor eksploratori persis sama dengan anlisis
komponen utama (PCA).
Dalam analisis faktor eksploratori di mana peneliti tidak atau belum
mempunyai pengetahuan atau teori atau suatu hipotesis yang menyusun struktur
faktor-faktornya yang akan dibentuk atau yang terbentuk, sehingga dengan
demikian pada analisis faktor eksploratori merupakan teknik untuk membantu
membangun teori baru. Analisis faktor eksploratori merupakan suatu teknik untuk
mereduksi data dari variabel asal atau variabel awal menjadi variabel baru atau
faktor yang jumlahnya lebih kecil dari pada variabel awal. Proses analisis
tersebut mencoba untuk menemukan hubungan antarvariabel baru atau faktor
yang terbentuk yang saling independen sesamanya, sehingga bisa dibuat satu atau
beberapa kumpulan variabel laten atau faktor yang lebih sedikit dari jumlah
variabel awal yang bebas atau tidak berkorelasi sesamanya. Jadi antar faktor yang
terbentuk tidak berkorelasi sesamanya.
Analisis Faktor Konfirmatori (CFA)
Analisis faktor konfirmatori yaitu suatu teknik analisis faktor di mana
secara apriori berdasarkan teori dan konsep yang sudah diketahui dipahami atau
ditentukan sebelumnya, maka dibuat sejumlah faktor yang akan dibentuk, serta
variabel apa saja yang termasuk ke dalam masing-masing faktor yang dibentuk
dan sudah pasti tujuannya. Pembentukan faktor konfirmatori (CFA) secara
sengaja berdasarkan teori dan konsep, dalam upaya untuk mendapatkan variabel

I
VIII
baru atau faktor yang mewakili beberapa item atau sub-variabel, yang merupakan
variabel teramati atau observerb variable.
Pada dasarnya tujuan analisis faktor konfirmatori adalah: pertama untuk
mengidentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi.
Tujuan kedua untuk menguji validitas dan reliabilitas instrumen. Dalam pengujian
terhada p validitas dan reliabilitas instrumen atau kuesioner untuk mendapatkan
data penelitian yang valid dan reliabel dengan analisis faktor konfirmatori.
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 faktors). 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 faktors yang sedikit jumlahnya ditambah dengan
faktor yang unik untuk setiap variabel. Faktor-faktor ini tidak secara jelas terlihat
(not overly observed).
Kalau variabel-variabel dibakukan (standardized), model analisis faktor
dapat ditulis sebagai berikut :

dimana:
μ = rata-rata dari variabel ke-i
εi = faktor spesifik (specific faktors) ke-i.
λi = loading untuk variabel ke-i pada faktor ke-j.
Fj = common faktors ke-j
i = 1, 2, … , p dan j = 1, 2, …, q
2. Tujuan Analisis Faktor
Pada dasarnya tujuan analisis faktor adalah untuk melakukan data
summarization untuk variabel-variabel yang dianalisis, yakni mengidentifikasi
adanya hubungan antar variabel. Analisis faktor juga bertujuan melakukan data
reduction, yakni setelah melakukan korelasi, dilakukan proses membuat sebuah

VIII
variabel set baru yang dinamakan faktor. Selain dua tujuan utama tersebut,
terdapat tujuan lainnya seperti:
a. Untuk mereduksi sejumlah variabel asal yang jumlahnya banyak menjadi
sejumlah variabel baru yang jumlahnya lebih sedikit dari variabel asal, dan
variabel baru tersebut dinamakan faktor atau variabel laten atau konstruk
atau variabel bentukan.
b. Untuk mengidentifikasi adanya hubungan antar variabel penyusun faktor
atau dimensi dengan faktor yang terbentuk, dengan menggunakan pengujian
koefisien korelasi antar faktor dengan komponen pembentuknya. Analisis
faktor ini disebut analisis faktor konfirmatori.
c. Untuk menguji valisitas dan reliabilitas instrumen dengan analisis faktor
konfirmatori.
d. Validasi data untuk mengetahui apakah hasil analisis faktor tersebut dapat
digeneralisasi ke dalam populasinya, sehingga setelah terbentuk faktor,
maka peneliti sudah mempunyai suatu hipotesis baru berdasarkan hasil
analisis tersebut.
3. Fungsi Analisis Faktor
Fungsi dari analisis faktor antara lain:
a. Menentukan himpunan dari dimensi yang tidak mudah diamati dalam
himpunan variabel (R faktor analysis)
b. Mengelompokkan orang-orang (misalnya,responden kuis) ke dalam
kelompok-kelompok yang berbeda di dalam populasi (Q faktor analysis).
c. Mengidentifikasikan variabel-variabel yang digunakan dalam analisis
lanjutan (regresi, korelasi, atau diskriminan)
d. Membentuk himpunan dari variabel (dengan lebih sedikit) untuk
menggantikan (sebagian/ seluruh) himpunan variabel awal.
e. Menganalisis suatu fenomena dengan data yang sangat besar.
f. Menjabarkan/ menguraikan suatu kaitan yang kompleks di antara fenomena
ke dalam fungsi kesatuan-kesatuan atau ke dalam bagian-bagiannya, dan
dapat mengindentifikasikan pengaruh dari luar (independen).
4. Proses Analisis Faktor
Proses Analisis Faktor adalah sebagai berikut:

I
VIII
a. Merumuskan Masalah
Dalam merumuskan masalah beberapa hal yang harus ada adalah meliputi
beberapa hal sebagai berikut:
 Tujuan analisis faktor harus diidentifikasi.
 Variabel yang akan dipergunakan di dalam analisis faktor harus
dispesifikasi berdasarkan penelitian sebelumnya, teori dan pertimbangan
dari peneliti.
 Pengukuran variabel berdasarkan skala interval atau rasio.
 Banyaknya elemen sampel (n) harus cukup atau memadai.
b. Menyusun Matrik Korelasi
Di dalam melakukan analisis faktor, keputusan pertama yang harus diambil
oleh peneliti adalah menganalisis apakah data yang ada cukup memenuhi syarat di
dalam analisis faktor. Langkah pertama ini dilakukan dengan mencari korelasi
matriks antara indicator-indikator yang diobservasi. Ada beberapa ukuran yang
bisa digunakan untuk syarat kecukupan data sebagai rule of thumb yaitu:
 Korelasi matriks antar indikator: Metode yang pertama adalah memeriksa
korelasi matriks. Tingginya korelasi antara indikator mengindikasikan
bahwa indikator-indikator tersebut dapat dikelompokkan ke dalam sebuah
indikator yang bersifat homogen sehingga setiap indikator mampu
membentuk faktor umum atau faktor konstruk. Sebaliknya korelasi yang
rendah antara indikator megindikasikan bahwa indikator-indikator tersebut
tidak homogen sehingga tidak mampu membentuk faktor konstruk.
 Korelasi parsial: Metode kedua adalah memeriksa korelasi parsial yaitu
mencari korelasi satu indikator dengan indikator lain dengan mengontrol
indikator lain. Korelasi parsial ini disebut dengan negative anti-image
correlations.
 Kaiser-Meyer Olkin (KMO) : Metode ini paling banyak digunakan untuk
melihat syarat kecukupan data untuk analisis faktor. Metode KMO ini
mengukur kecukupan sampling secara menyeluruh dan mengukur
kecukupan sampling untuk setiap indikator.
c. Proses faktoring, atau ekstraksi
Setelah sejumlah variabel yang memenuhi syarat diperoleh , maka dilakukan

VIII
proses faktoring, atau ekstraksi yaitu proses menyederhanaan dari banyak variabel
menjadi faktor . Ekstraksi Faktor adalah suatu metode yang digunakan untuk
mereduksi data dari beberapa indikator untuk menghasilkan faktor yang lebih
sedikit yang mampu menjelaskan korelasi antara indikator yang diobservasi. Ada
beberapa metode yang bisa digunakan untuk melakukan ekstraksi faktor yaitu:
 Principal Components Analysis: Analisis komponen utama (principal
components analysis) merupakan metode yang paling sederhana di dalam
melakukan ekstraksi faktor. Metode ini membentuk kombinasi linear dari
indikator yang diobservasi.
 Principal Axis Faktoring: Metode ini hampir sama dengan metode principal
components analysis sebelumnya kecuali matriks korelasi diagonal diganti
dengan sebuah estimasi indikator kebersamaan, namun tidak sama dengan
principal components analysis di mana indikator kebersamaan yang awal
selalu diberi angka 1.
 Unweighted Least Square: Metode ini adalah prosedur untuk
meminimumkan jumlah perbedaan yang dikuadratkan antara matriks
korelasi yang diobservasi dan yang diproduksi dengan mengabaikan matriks
diagonal dari sejumlah faktor tertentu.
 Generalized Least Square: Metode ini adalah metode meminimumkan error
sebagaimana metode unweighted least squares. Namun, korelasi diberi
timbangan sebesar keunikan dari indikator (error). Korelasi dari indikator
yang mempunyai error yang besar diberi timbangan yang lebih kecil dari
indikator yang mempunyai error yang kecil.
 Maximum Likelihood: Adalah suatu prosedur ekstraksi faktor yang
menghasilkan estimasi parameter yang paling mungkin untuk mendapatkan
matriks korelasi observasi jika sampel mempunyai distribusi normal
multivariat.
d. Merotasi Faktor
Faktor yang terbentuk, pada banyak kasus, kurang menggambarkan
perbedaan diantara faktor – faktor yang ada. Untuk itu, jika isi faktor masih
diragukan, dapat dilakukan Faktor Rotation untuk memperjelas apakah faktor
yang terbentuk sudah secara signifikan berbeda dengan faktor lain. Beberapa

I
VIII
metode Rotasi :
 Orthogonal Rotation, yakni memutar sumbu 90°. Perotasian secara
ortogonal dilakukan dengan tetap mempertahankan keortogonalan faktor –
faktor yang berimplikasi pada ada tidaknya perbedaan antara pattern dengan
bobot terstruktur. Hasil perotasian ini tidak akan menyebabkan perubahan
proporsi keragaman peubah yang dijelaskan oleh faktor bersama. Beberapa
rotasi yang termasuk rotasi ortogonal adalah rotasi Varimax ,Quartimax,
Equamax dan Parsimax. Rotasi Varimax merupakan rotasi yang membuat
jumlah varian faktor loading(bobot). Varimax Method dalah metode rotasi
orthogonal untuk meminimalisasi jumlah indikator yang mempunyai faktor
loading tinggi pada tiap faktor. Quartimax Method merupakan metode
rotasi untuk meminimalisasi jumlah faktor yang digunakan untuk
menjelaskan indikator. Equamax Method merupakan metode gabungan
antara varimax method yang meminimalkan indikator dan quartimax method
yang meminimalkan faktor.Faktor loading adalah angka yang menunjukan
besarnya korelasi antara suatu variabel dengan faktor faktor yang terbentuk.
dalam masing-masing faktor akan menjadi maximum dimana nantinya
peubah asal hanya akan mempunyai korelasi yang tinggi dan kuat dengam
faktor tertentu saja (korelasinya mendekati (1) dan tetunya memiliki korelasi
yang lemah dengan faktor yang lainnya( korelasinya mendekati nol)),
 Oblique Rotation, yakni memutar sumbu ke kanan, namun tidak harus 90°.
Pada rotasi non-ortogonal (oblique) diasumsikan bahwa faktor – faktor yang
dihasilkan saling berkorelasi. Beberapa rotasi yang termasuk oblique adalah
rotasi Promax, Procustes, dan Harris-Kaiser.
Dengan demikian urutan dalam proses faktoring adalah:
a) Proses faktoring dengan menggunakan metode Principal Componen dan
Maximum
b) Jika ada keraguan atas hasil yang ada , maka dilakukan proses Rotasi
e. Interprestasikan Faktor
Setelah diperoleh sejumlah faktor yang valid, selanjutnya kita perlu
menginterprestasikan nama-nama faktor, mengingat faktor merupakan sebuah
konstruk dan sebuah konstruk menjadi berarti kalau dapat diartikan. Interprestasi

VIII
faktor dapat dilakukan dengan mengetahui variabel-variabel yang membentuknya.
Interprestasi dilakukan dengan judgment. Karena sifatnya subjektif, hasil bisa
berbeda jika dilakukan oleh orang lain.
f. Pembuatan Faktor Score
Faktor score yang dibuat, berguna jika akan dilakukan analisis lanjutan,
seperti analisis regresi, analisis diskriminan atau analisis lainnya.
g. Menentukan variabel surrogate atau tentukan summated scale
Variabel surrogate adalah satu variable yang paling dapat mewakili satu
faktor. Misak faktor 1 terdiri dari variable X1, X2 dan X3. Maka yang paling
mewakili faktor 1 adalah variable yang memiliki faktor loading terbesar. Apabila
faktor loading tertinggi dalam satu faktor ada yang hampir sama, missal X1 =
0,905 dan X2 = 0,904 maka sebaiknya pemilihan surrogate variable ditentukan
berdasarkan teori, yaitu variable mana secara teori yang paling dapat mewakili
faktor. Atau cara lain adalah dengan menggunakan Summated Scale. Summated
Scale adalah gabungan dari beberapa variable dalam satu faktor bisa berupa nilai
rata-rata dari semua faktor tersebut atau nilai penjumlahan dari semua variable
dalam satu faktor.
Jika nilai-nilai dalam masing-masing variabel sangat bervariasi dalam
satuan, dalam artian ada variabel (data) dengan satuan Ratusan Ribu (misal Gaji),
sampai satuan Jumlah di bawah 10 (misal Jumlah anak). Perbedaan yang sangat
mencolok akan menyebabkan bias(penyimpangan) dalam Analisis Faktor
sehingga data asli harus ditransformasi (standardisasi) sebelum bisa dianalisis.
Pda SPSS proses standardisasi data bisa dilakukan dengan mentransformasi data
ke bentuk z-Score. SPSS : Analyze > Descriptives Statistics > Descriptives… Lalu
masukkan semua variabel ke kotak VARIABLE(S), kemudian aktifkan Save
Standardized values as variables > OK. Variable yang akan dianalisis kemudian
adalah variable yang berawalan huruf z.
B. Hubungan Analisis Faktor Dengan Data Uji Reliabilitas dan Uji
Validitas
Analisis faktor merupakan metode analisis multivariat yang didasarkan pada
korelasi antar variabel. Analisis faktor termasuk salah satu teknik statistika yang
dapat digunakan untuk memberikan deskripsi yang relatif sederhana melalui

I
VIII
reduksi jumlah variabel yang disebut faktor. Analisis faktor dipergunakan untuk
mereduksi data atau meringkas, dari variabel lama yang banyak diubah menjadi
sedikit variabel baru yang disebut faktor, dan masih memuat sebagian besar
informasi yang terkandung dalam variabel asli (Supranto, 2004).
Reliabilitas, atau keandalan, adalah konsistensi dari serangkaian pengukuran
atau serangkaian alat ukur. Hal tersebut bisa berupa pengukuran dari alat ukur
yang sama (tes dengan tes ulang) akan memberikan hasil yang sama, atau untuk
pengukuran yang lebih subjektif, apakah dua orang penilai memberikan skor yang
mirip (reliabilitas antar penilai). Reliabilitas tidak sama dengan validitas. Artinya
pengukuran yang dapat diandalkan akan mengukur secara konsisten, tapi belum
tentu mengukur apa yang seharusnya diukur. Dalam penelitian, reliabilitas adalah
sejauh mana pengukuran dari suatu tes tetap konsisten setelah dilakukan berulang-
ulang terhadap subjek dan dalam kondisi yang sama. Penelitian dianggap dapat
diandalkan bila memberikan hasil yang konsisten untuk pengukuran yang sama.
Tidak bisa diandalkan bila pengukuran yang berulang itu memberikan hasil yang
berbeda-beda.
Tinggi rendahnya reliabilitas, secara empirik ditunjukan oleh suatu angka
yang disebut nilai koefisien reliabilitas. Reliabilitas yang tinggi ditunjukan dengan
nilai rxx mendekati angka 1. Kesepakatan secara umum reliabilitas yang dianggap
sudah cukup memuaskan jika ≥ 0.700. Pengujian reliabilitas instrumen dengan
menggunakan rumus Alpha Cronbach karena instrumen penelitian ini berbentuk
angket dan skala bertingkat.
Jika nilai alpha > 0.7 artinya reliabilitas mencukupi (sufficient reliability)
sementara jika alpha > 0.80 ini mensugestikan seluruh item reliabel dan seluruh
tes secara konsisten memiliki reliabilitas yang kuat. Atau, ada pula yang
memaknakannya sebagai berikut:
Jika alpha > 0.90 maka reliabilitas sempurna. Jika alpha antara 0.70 – 0.90
maka reliabilitas tinggi. Jika alpha 0.50 – 0.70 maka reliabilitas moderat. Jika
alpha < 0.50 maka reliabilitas rendah. Jika alpha rendah, kemungkinan satu atau
beberapa item tidak reliabel.
Suatu tes dapat dikatakan memiliki validitas yang tinggi jika tes tersebut
menjalankan fungsi ukurnya, atau memberikan hasil ukur yang tepat dan akurat

VIII
sesuai dengan maksud dikenakannya tes tersebut. Suatu tes menghasilkan data
yang tidak relevan dengan tujuan diadakannya pengukuran dikatakan sebagai tes
yang memiliki validitas rendah.
Sisi lain dari pengertian validitas adalah aspek kecermatan pengukuran.
Suatu alat ukur yang valid dapat menjalankan fungsi ukurnya dengan tepat, juga
memiliki kecermatan tinggi. Arti kecermatan disini adalah dapat mendeteksi
perbedaan-perbedaan kecil yang ada pada atribut yang diukurnya.
Dalam pengujian validitas terhadap kuesioner, dibedakan menjadi 2, yaitu
validitas faktor dan validitas item. Validitas faktor diukur bila item yang disusun
menggunakan lebih dari satu faktor (antara faktor satu dengan yang lain ada
kesamaan). Pengukuran validitas faktor ini dengan cara mengkorelasikan antara
skor faktor (penjumlahan item dalam satu faktor) dengan skor total faktor (total
keseluruhan faktor).
Validitas item ditunjukkan dengan adanya korelasi atau dukungan terhadap
item total (skor total), perhitungan dilakukan dengan cara mengkorelasikan antara
skor item dengan skor total item. Bila kita menggunakan lebih dari satu faktor
berarti pengujian validitas item dengan cara mengkorelasikan antara skor item
dengan skor faktor, kemudian dilanjutkan mengkorelasikan antara skor item
dengan skor total faktor (penjumlahan dari beberapa faktor).
Dari hasil perhitungan korelasi akan didapat suatu koefisien korelasi yang
digunakan untuk mengukur tingkat validitas suatu item dan untuk menentukan
apakah suatu item layak digunakan atau tidak. Dalam penentuan layak atau
tidaknya suatu item yang akan digunakan, biasanya dilakukan uji signifikansi
koefisien korelasi pada taraf signifikansi 0,05, artinya suatu item dianggap valid
jika berkorelasi signifikan terhadap skor total.
Untuk melakukan uji validitas ini menggunakan program SPSS. Teknik
pengujian yang sering digunakan para peneliti untuk uji validitas adalah
menggunakan korelasi Bivariate Pearson (Produk Momen Pearson). Analisis ini
dengan cara mengkorelasikan masing-masing skor item dengan skor total. Skor
total adalah penjumlahan dari keseluruhan item. Item-item pertanyaan yang
berkorelasi signifikan dengan skor total menunjukkan item-item tersebut mampu
memberikan dukungan dalam mengungkap apa yang ingin diungkap à Valid. Jika

I
VIII
r hitung ≥ r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-item
pertanyaan berkorelasi signifikan terhadap skor total (dinyatakan valid).

III. Pengumpulan Data

A. Identifikasi Variabel
1. Variabel Terikat
Variabel terikat adalah variabel yang perubahannya dipengaruhi oleh
variable lain, dalam hal ini variabel terikatnya adalah nilai kuisioner
2. Variabel Bebas
Variabel bebas adalah variabel yang mempengaruhi variabel terikat. Adapun
variabel yang berpengaruhi dalam hal ini adalah responden
B. Soal Laporan Resmi
Sebuah internet cafe yang bernama “Rubix Esport” melakukan riset pasar
untuk mengetahui apa saja yang mndorong seseorang pengunjung untuk
mengunjungi Rubix Esport” tersebut. Untuk itu kepada setiap responden diberian
daftar kuisioner yang memuat pertanyaan tentang pendapat responden terhadap
atribut-atribut “Rubix Esport””
 Beberapa atribut yang digunakan :
1. Tempat “Rubix Esport”” (Lokasi) 1 = Sangat tidak puas
2. Macam-macam penjualan (Kelengkapan) 2 = Tidak puas
3. Keamanan Pelanggan (kenyamanan) 3 = Biasa
4. Peralatan utaman di “Rubix Esport”” (komputer) 4 = Puas
5. Pelayanan karyawan (Pelayanan) 5 = Sangat Puas
6. Jaringan internet (kecepatan internet)
7. Tenpat parkir (tempat parkir)
8. Citra “Rubix Esport”” di mata responden (Image)
9. Kebersihan Rubix Esport” (Kerbersihan)
10. Kebersihan kamar mandi (Toilet_Room)
11. Macam makanan (makanan
12. Macam Minuman (minuman)
13. Situasi ruangan (suasana)
14. Penerangan (pencahayaan

VIII
 Tabel 8.1 Soal awal

I
VIII
C. Tabel Pengumpulan Data
Tabel 8.2 Pengumpulan data

VIII
I
VIII
IV. Pengolahan Data
A. Print Out analisa ouput
1. KMO and Barlett’s Test

Gambar 8.1 KMO and Barlett’s Test

Analisa :
Parameter :
MSA ≥ 0,5 = maka kumpulan variabel dapat diproses lebih lanjut
MSA < 0,5 = maka kumpulan variabel tidak dapat diproses lebih lanjut
Sig > 0,05 = maka data tersebut belum dapat dianalisis lebih lanjut
Sig ≤ 0,05 = maka data tersebut sudah dapat dianalisis lebih lanjut
Kesimpulan :
• Nilai MSA adalah 0,820 ≥ 0,5 maka kumpulan variabel dapat diproses
lebih lanjut
• Nilai Sig adalah 0,000 ≤ 0,05 maka data tersebut sudah dapat
dianalisis lebih lanjut

VIII
2. Anti-image Matrices

Gambar 8.2 Anti-image Matrices

Analisa :
Variabel yang memiliki nilai MSA > 0,5 adalah lokasi yaitu
0,930;kelengkapan yaitu 0,915 ; kenyamanan yaitu 0,896; komputer yaitu
0,923; pelayanan yaitu 0,837; kecepatan internet yaitu 0,664 ; tempat parkir
yaitu 0,764; image yaitu 0,728; kebersihan yaitu 0,838; toilet yaitu 0,877;
makanan yaitu 0,740; minumanyaitu 0,750; suasana yaitu 0,765;
pencahayaan yaitu 0,723. Karena tidak terdapat variabel dengan nilai MSA
< 0,5 maka tidak dilakukan kembali analisa faktor melalui SPSS.
3. Communalities

Gambar 8.3 Communalities

I
VIII
Analisa :
 Untuk variabel lokasi, nilai extractionnya adalah 0,606 hal ini berarti
sekitar 60,6% varian dari variabel lokasi bisa dijelaskan dari faktor yang
terbentuk dan nilai initialnya menjauhi 1 yang artinya variabel tersebut
memiliki hubungan yang lemah dengan faktor yang terbentuk.
 Untuk variabel kelengkapan, nilai extractionnya adalah 0,821 hal ini
berarti sekitar 82,1% varian dari variabel kelengkapan bisa dijelaskan
dari faktor yang terbentuk dan nilai initialnya mendekati atau sama
dengan 1 yang artinya variabel tersebut memiliki hubungan yang kuat
dengan faktor yang terbentuk.
 Untuk variabel komputer, nilai extractionnya adalah 0,746 hal ini berarti
sekitar 74,6% varian dari variabel kelengkapan bisa dijelaskan dari faktor
yang terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang
artinya variabel tersebut memiliki hubungan yang kuat dengan faktor
yang terbentuk.
 Untuk variabel pelayanan, nilai extractionnya adalah 0,702 hal ini berarti
sekitar 70,2% varian dari variabel kelengkapan bisa dijelaskan dari faktor
yang terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang
artinya variabel tersebut memiliki hubungan yang kuat dengan faktor
yang terbentuk.
 Untuk variabel kecepatan internet, nilai extractionnya adalah 0,623 hal
ini berarti sekitar 62,3% varian dari variabel kelengkapan bisa dijelaskan
dari faktor yang terbentuk dan nilai initialnya mendekati atau sama
dengan 1 yang artinya variabel tersebut memiliki hubungan yang kuat
dengan faktor yang terbentuk.
 Untuk variabel tempat parkir, nilai extractionnya adalah 0,397 hal ini
berarti sekitar 39,7% varian dari variabel kelengkapan bisa dijelaskan
dari faktor yang terbentuk dan nilai initialnya mendekati atau sama
dengan 1 yang artinya variabel tersebut memiliki hubungan yang kuat
dengan faktor yang terbentuk.
 Untuk variabel image, nilai extractionnya adalah 0,704 hal ini berarti
sekitar 70,4% varian dari variabel kelengkapan bisa dijelaskan dari faktor

VIII
 yang terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang
artinya variabel tersebut memiliki hubungan yang kuat dengan faktor
yang terbentuk.
 Untuk variabel kebersihan, nilai extractionnya adalah 0,638 hal ini
berarti sekitar 63,8% varian dari variabel kelengkapan bisa dijelaskan
dari faktor yang terbentuk dan nilai initialnya mendekati atau sama
dengan 1 yang artinya variabel tersebut memiliki hubungan yang kuat
dengan faktor yang terbentuk.
 Untuk variabel toilet, nilai extractionnya adalah 0,843 hal ini berarti
sekitar 84,3% varian dari variabel kelengkapan bisa dijelaskan dari faktor
yang terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang
artinya variabel tersebut memiliki hubungan yang kuat dengan faktor
yang terbentuk.
 Untuk variabel makanan, nilai extractionnya adalah 0,847 hal ini berarti
sekitar 84,7% varian dari variabel kelengkapan bisa dijelaskan dari faktor
yang terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang
artinya variabel tersebut memiliki hubungan yang kuat dengan faktor
yang terbentuk.
 Untuk variabel minuman, nilai extractionnya adalah 0,855 hal ini berarti
sekitar 85,5% varian dari variabel kelengkapan bisa dijelaskan dari faktor
yang terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang
artinya variabel tersebut memiliki hubungan yang kuat dengan faktor
yang terbentuk.
 Untuk variabel suasana, nilai extractionnya adalah 0,713 hal ini berarti
sekitar 71,3% varian dari variabel kelengkapan bisa dijelaskan dari faktor
yang terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang
artinya variabel tersebut memiliki hubungan yang kuat dengan faktor
yang terbentuk.
 Untuk variabel pencahayaan, nilai extractionnya adalah 0,852 hal ini
berarti sekitar 85,2% varian dari variabel kelengkapan bisa dijelaskan
dari faktor yang terbentuk dan nilai initialnya mendekati atau sama

I
VIII
 dengan 1 yang artinya variabel tersebut memiliki hubungan yang kuat
dengan faktor yang terbentuk.
4. Total Variance Explained

Gambar 8.4 Total Variance Explained

Analisa :
Banyaknya faktor yang terlihat dari total nilai > 1 maka dilihat dari tabel ada
3 komponen yang memiliki nilai > 1, jadi 14 variabel yang ada diringkas
menjadi 3 faktor.
5. Component Matrix

Gambar 8.5 Component Matrix

Analisa :
 Lokasi berkorelasi sebesar 0,644 dengan faktor 1.
 Kelengkapan berkorelasi sebesar 0,825 dengan faktor 1.
 Kenyamanan berkolerasi sebesar 0,774 dengan faktor 1.

VIII
  Komputer berkolerasi sebesar 0,806 dengan faktor 1.
 Pelayanan berkolerasi sebesar 0,723 dengan faktor 1.
 Kecepatan internet berkolerasi sebesar 0,584 dengan faktor 3.
 Tempat parkir berkolerasi sebesar 0,610 dengan faktor 1.
 Image berkolerasi sebesar 0,814 dengan faktor 1.
 Kebersihan berkolerasi sebesar 0,768 dengan faktor 1.
 Toilet berolerasi sebesar 0,777 dengan faktor 1.
 Makanan berkolerasi sebesar 0,705 dengan faktor 1.
 Minuman berkolerasi sebesar 0,728 dengan faktor 1.
 Suasana berkolerasi sebesar 0,786 dengan faktor 1.
 Pencahayaan berkolerasi sebesar 0,743 dengan faktor 1.
6. Rotated Component Matrix

Gambar 8.6 Rotated Component Matrix

Analisa :
 Untuk tabel komponen Lokasi termasuk faktor 3 karena memiliki nilai
yang paling besar yaitu 0,683.

I
VIII
  Untuk tabel komponen Kelengkapan termasuk faktor 1 karena memiliki
nilai yang paling besar yaitu 0,817.
 Untuk tabel komponen Komputer termasuk faktor 1 karena memiliki
nilai yang paling besar yaitu 0,839.
 Untuk tabel komponen Pelayanan termasuk faktor 1 karena memiliki
nilai yang paling besar yaitu 0,789.
 Untuk tabel komponen Kecepatan internet termasuk faktor 3 karena
memiliki nilai yang paling besar yaitu 0,752.
 Untuk tabel komponen Tempat parkir termasuk faktor 2 karena memiliki
nilai yang paling besar yaitu 0,475.
 Untuk tabel komponen Image termasuk faktor 1 karena memiliki nilai
yang paling besar yaitu 0,817.
 Untuk tabel komponen Kebersihan termasuk faktor 2 karena memiliki
nilai yang paling besar yaitu 0,586.
 Untuk tabel komponen Toilet termasuk faktor 2 karena memiliki nilai
yang paling besar yaitu 0,843.
 Untuk tabel komponen Makanan termasuk faktor 2 karena memiliki nilai
yang paling besar yaitu 0,833.
 Untuk tabel komponen Minuman termasuk faktor 2 karena memiliki
nilai yang paling besar yaitu 0,881.
 Untuk tabel komponen Suasana termasuk faktor 1 karena memiliki nilai
yang paling besar yaitu 0,716.
 Untuk tabel komponen Pencahayaan termasuk faktor 3 karena memiliki
nilai yang paling besar yaitu 0,827.
7. Component Transformation Matrix

Gambar 8.7 Component Transformation Matrix

VIII
 Analisa :
Dari 14 variabel hasil reduksi didapat 3 faktor. Dari tabel diatas
menunjukkan bahwa pada komponen 1 nilai korelasi 0,669 > 0,5; komponen
2 nilai korelasi 0,802 > 0,5.Komponen 3 nilai korelasi 0,867 Karena tidak
terdapat komponen < 0,5 maka faktor yang terbentuk sudah di katakan tepat
dalam merangkum 14 variabel.

V. Kesimpulan dan Saran

A. Kesimpulan
Adapun kesimpulan dari modul ini
 KMO and Barlett’s Test
Nilai MSA adalah 0,820 ≥ 0,5 maka kumpulan variabel dapat diproses
lebih lanjut.Nilai Sig adalah 0,000 ≤ 0,05 maka data tersebut sudah dapatdianalisis
lebih lanjut.
 Anti-image Matrices
Variabel yang memiliki nilai MSA > 0,5 adalah lokasi yaitu
0,930;kelengkapan yaitu 0,915 ; kenyamanan yaitu 0,896; komputer yaitu 0,923;
pelayanan yaitu 0,837; kecepatan interneti yaitu 0,664 ; tempat parkir yaitu 0,764;
image yaitu 0,728; kebersihan yaitu 0,838; toilet yaitu 0,877; makanan yaitu
0,740; minumanyaitu 0,750; suasana yaitu 0,765; pencahayaan yaitu 0,723.
Karena tidak terdapat variabel dengan nilai MSA < 0,5 maka tidak dilakukan
kembali analisa faktor melalui SPSS.
 Communalities
Untuk variabel lokasi, nilai extractionnya adalah 0,606 hal ini berarti sekitar
60,6% varian dari variabel lokasi bisa dijelaskan dari faktor yang terbentuk dan
nilai initialnya menjauhi 1 yang artinya variabel tersebut memiliki hubungan yang
lemah dengan faktor yang terbentuk.
Untuk variabel kelengkapan, nilai extractionnya adalah 0,821 hal ini berarti
sekitar 82,1% varian dari variabel kelengkapan bisa dijelaskan dari faktor yang
terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang artinya variabel
tersebut memiliki hubungan yang kuat dengan faktor yang terbentuk.

I
VIII
 Untuk variabel komputer, nilai extractionnya adalah 0,746 hal ini berarti
sekitar 74,6% varian dari variabel kelengkapan bisa dijelaskan dari faktor yang
terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang artinya variabel
tersebut memiliki hubungan yang kuat dengan faktor yang terbentuk.
Untuk variabel pelayanan, nilai extractionnya adalah 0,702 hal ini berarti
sekitar 70,2% varian dari variabel kelengkapan bisa dijelaskan dari faktor yang
terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang artinya variabel
tersebut memiliki hubungan yang kuat dengan faktor yang terbentuk.
Untuk variabel kecepatan internet, nilai extractionnya adalah 0,623 hal ini
berarti sekitar 62,3% varian dari variabel kelengkapan bisa dijelaskan dari faktor
yang terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang artinya
variabel tersebut memiliki hubungan yang kuat dengan faktor yang terbentuk.
Untuk variabel tempat parkir, nilai extractionnya adalah 0,397 hal ini berarti
sekitar 39,7% varian dari variabel kelengkapan bisa dijelaskan dari faktor yang
terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang artinya variabel
tersebut memiliki hubungan yang kuat dengan faktor yang terbentuk.
Untuk variabel image, nilai extractionnya adalah 0,704 hal ini berarti sekitar
70,4% varian dari variabel kelengkapan bisa dijelaskan dari faktor yang terbentuk
dan nilai initialnya mendekati atau sama dengan 1 yang artinya variabel tersebut
memiliki hubungan yang kuat dengan faktor yang terbentuk.
Untuk variabel kebersihan, nilai extractionnya adalah 0,638 hal ini berarti
sekitar 63,8% varian dari variabel kelengkapan bisa dijelaskan dari faktor yang
terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang artinya variabel
tersebut memiliki hubungan yang kuat dengan faktor yang terbentuk.
Untuk variabel toilet, nilai extractionnya adalah 0,843 hal ini berarti sekitar
84,3% varian dari variabel kelengkapan bisa dijelaskan dari faktor yang terbentuk
dan nilai initialnya mendekati atau sama dengan 1 yang artinya variabel tersebut
memiliki hubungan yang kuat dengan faktor yang terbentuk.
Untuk variabel makanan, nilai extractionnya adalah 0,847 hal ini berarti
sekitar 84,7% varian dari variabel kelengkapan bisa dijelaskan dari faktor yang
terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang artinya variabel
tersebut memiliki hubungan yang kuat dengan faktor yang terbentuk.

VIII
 Untuk variabel minuman, nilai extractionnya adalah 0,855 hal ini berarti
sekitar 85,5% varian dari variabel kelengkapan bisa dijelaskan dari faktor yang
terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang artinya variabel
tersebut memiliki hubungan yang kuat dengan faktor yang terbentuk.
Untuk variabel suasana, nilai extractionnya adalah 0,713 hal ini berarti
sekitar 71,3% varian dari variabel kelengkapan bisa dijelaskan dari faktor yang
terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang artinya variabel
tersebut memiliki hubungan yang kuat dengan faktor yang terbentuk.
Untuk variabel pencahayaan, nilai extractionnya adalah 0,852 hal ini berarti
sekitar 85,2% varian dari variabel kelengkapan bisa dijelaskan dari faktor yang
terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang artinya variabel
tersebut memiliki hubungan yang kuat dengan faktor yang terbentuk.
 Total Variance Explained
Banyaknya faktor yang terlihat dari total nilai > 1 maka dilihat ada 3
komponen yang memiliki nilai > 1, jadi 14 variabel yang ada diringkas menjadi 3
faktor dari output Total Variance Explained.
 Component Matrix
Seluruh variabel berfaktor 1 dengan korelasi :
1. Lokasi berkorelasi sebesar 0,644.
2. Kelengkapan berkorelasi sebesar 0,825.
3. Kenyamanan berkolerasi sebesar 0,774.
4. Komputer berkolerasi sebesar 0,806.
5. Pelayanan berkolerasi sebesar 0,723.
6. Kecepatan internet berkolerasi sebesar 0,584
7. Tempat parkir berkolerasi sebesar 0,610.
8. Image berkolerasi sebesar 0,814 .
9. Kebersihan berkolerasi sebesar 0,768.
10. Toilet berolerasi sebesar 0,777 .
11. Makanan berkolerasi sebesar 0,705.
12. Minuman berkolerasi sebesar 0,728.
13. Suasana berkolerasi sebesar 0,786.
14. Pencahayaan berkolerasi sebesar 0,743.

I
VIII
 Rotated Component Matrix
Untuk Lokasi, kecepatan internet, dan Pencahayaan termasuk faktor 3
karena memiliki nilai yang paling besar yaitu 0,683, 0,752 dan 0,827.
Untuk tabel komponen Tempat parkir, Kebersihan, Toilet, makanan,
minuman termasuk faktor 2 karena memiliki nilai yang paling besar yaitu 0,475,
0,586, 0,843, dan 0,881.
Untuk tabel komponen Kelengkapan, Komputer, Pelayanan, Image, dan
Suasana termasuk faktor 1 karena memiliki nilai yang paling besar yaitu 0,817,
0,839, 0,789, 0,817, dan 0,716
 Component Transformation Matrix
Dari 14 variabel hasil reduksi didapat 3 faktor. Dari tabel diatas menunjukkan
bahwa pada komponen 1 nilai korelasi 0,669 > 0,5; komponen 2 nilai korelasi 0,802 >
0,5.Komponen 3 nilai korelasi 0,867 Karena tidak terdapat komponen < 0,5 maka
faktor yang terbentuk sudah di katakan tepat dalam merangkum 14 variabel.
B. Saran
Adapun saran dari modul ini
1. Pada praktikum ini pemahaman materi lebih jelas lagi agar praktikan bisa
memahami konsep yang akan di praktikan
2. Pada praktikum ini langkah-langkah dalam praktikan sebaiknya tertata
dengan baik sehingga praktikan lebih cepat mempraktikan modul yang di
sampaikan.
3. Pada praktikum ini para praktikan harus lebih teliti dan mengontrol waktu
yang di kerjakan.
4. Praktikan seharusnya paham terhadap modul ini.
5. Praktikan sebaiknya bertanya jika tidak mengerti pada modul ini.

VIII
 DAFTAR PUSTAKA

Fruchter,B.1954. Introduction to Faktor Analysis. New Tork : D.van Nostrand

Company,Ltd
Hendra Setya Raharja , July 11, 2017 Metode Analisis, Statistika , Panduan
Lengkap Menguasai Metode Analisis Faktor (Faktor Analysis),
https://statmat.id/panduan-menguasai-metode-analisis-faktor/ (diakses
tanggal 1 Mei 2019).
Mastuti Endah, 19 Desember 2011, Analisa Faktor, http://endahmastuti-fpsi.web.
unair.ac.id/artikel_detail-41053-Psikometri-Analisa%20Faktor.html
( diakses tanggal 30 April 2019).
Panter, A.T., Swygert, K.A.. Danistrom, W.G., Tanaka.1997. Faktor Analytic
Approaches to Personality Item-Level Data. Journal of Personality
Assesment. Vol 68 (3), 561-589.
Penjelasan Analisis Faktor – PCA dan CFA, https://www.statistikian.com/2014/03
/analisis-faktor.html/amp ( diakses tanggal 2 Mei 2019).
Santoso, S. 2003. Buku latihan SPSS Statistik Multivariat. Cetakan kedua, Jakarta
PT Gramedia.
Setiawan, R., (2012), Masalah Pendidikan Di Indonesia Dan Solusinya.
http://posit ivego.blogspot.com/2012/11/masalah-pendidikan-diindonesia.
html (diakses tanggal 23 April 2019).
Sitanggang, A.ST., (2010), Analisis Cluster Untuk Mengklasifikasikan Mesin
Produksi Pada Pabrik Kayu PT. HERPANTA MAS ABADI Dalam
Kebutuhan Penggantian Mesin., Skripsi, Fakultas Matematika dan Ilmu
Pengetahuan Alam, Universitas Negeri Medan, Medan.
Wijaya, A., (2010), Analisis Pengelompokan Desa Tertinggal di Kabupaten Kutai
Timur Dengan Pendekatan Metode K-Means dan Centroid Linkage
(Minkowski Distance Measure)

I
VIII