ANALISIS DATA

ANALISIS FAKTOR

Dosen Pengampu:

Farida Suharleni, S.Si, M.Si

Ria Dhea Layla N.K, S.Si, M.Si

Disusun Oleh:

Kamalia Rizki R (13610082)

Alvi Nur Z. M (13610091)
Nila Istighfarin (13610103)

JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2017
 DAFTAR ISI

HALAMAN JUDUL
DAFTAR ISI..........................................................................................................ii
BAB I PENDAHULUAN.......................................................................................1
1.1 Latar Belakang...............................................................................................1
1.2 Rumusan Masalah..........................................................................................1
1.3 Tujuan Penelitian...........................................................................................1
BAB II KAJIAN PUSTAKA.................................................................................2
2.1 Analisis Faktor...............................................................................................2
2.2 Uji KMO........................................................................................................6
2.3 Uji Bartlet.......................................................................................................7
2.4 Merumuskan Masalah Analisis Faktor..........................................................8
2.5 Proses Analisis Faktor....................................................................................8
2.6 Asumsi pada Analisis Faktor.........................................................................8
2.7 Data Analisis Faktor.......................................................................................9
BAB III METODE PENELITIAN.....................................................................11
3.1 Langkah-langkah Pengujian.........................................................................11
BAB IV PEMBAHASAN.....................................................................................15
4.1 Interpretasi Hasil Output..............................................................................15
DAFTAR PUSTAKA...........................................................................................25

ii
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Analisis faktor berbeda konsep dengan analisis varian, regresi berganda,

dan analisis diskriminan mengapa? Prosedur di dalam melakukan analisis faktor
yang meliputi perumusan masalah (problem formulation), pembentukan matriks
korelasi, seleksi metode yang tepat, menentukan banyaknya faktor, notasi, dan
interpretasi faktor, perbedaan antara principal component factor analysis dan
common factor analysis methods. Analisis faktor merupakan nama umum yang
menunjukkan suatu kelas prosedur, utamanya dipergunakan untuk mereduksi data
atau meringkas dari variabel yang banyak diubah menjadi sedikit variabel
(Supranto, 2004:113).
Berdasarkan latar belakang di atas, maka analisis faktor ini perlu untuk
dipelajari dan dikaji baik secara teoritis maupun secara praktik agar penulis
maupun pembaca lebih memahami analisis diskriminan tersebut.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas maka rumusan masalah yang diambil

dalam penelitian ini adalah:
1. Apa yang dimaksud analisis faktor?
2. Bagaimana langkah-langkah analisis faktor?
3. Bagaimana interpretasi hasil analisis faktor?

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah di atas, maka tujuan penelitian ini adalah:

1. Mengetahui lebih dalam analisis faktor.
2. Mengetahui langkah-langkah analisis faktor.
3. Mengetahui interpretasi dari hasil analisis faktor.

1
 BAB II

KAJIAN PUSTAKA

2.1 Analisis Faktor

Analisis faktor merupakan suatu kelas prosedur yang dipergunakan untuk

mereduksi dan meringkas data. Setiap variabel dinyatakan sebagai kombinasi

linear dari faktor yang mendasari. Demikian halnya, faktor-faktor itu sendiri dapat

dinyatakan sebagai kombinasi linear dari variabel yang terobservasi. Faktor-faktor

diekstraksi (extracted) sedemikian rupa sehingga faktor yang pertama

menyumbang terbesar terhadap seluruh varian dari seluruh variabel asli, faktor

kedua menyumbang terbesar yang kedua, faktor ketiga menyumbang terbesar

ketiga, dan begitu seterusnya sehingga proses pencarian faktor dihentikan setelah

sumbangan terhadap seluruh varian variabel dari faktor yang sudah berhasil

diekstrasi sudah mencapai 60% atau lebih. Sebagai tambaan, dimungkinkan untuk

mengekstraksi faktor sehingga faktor tidak berkorelasi sesamanya seperti di dalam

principal component analysis.

Di dalam memformulasikan atau merumuskan masalah analisis faktor,

variabel yang digunakan untuk menganalisis faktor harus di spesifikasikan

berdasarkan hasil penelitian. Variabel-variabel ini harus diukur dengan

menggunakan skala interval dan rasio sebagai data metriks. Analisis faktor

didasarkan pada suatu matrix korelasi antar variabel asli. Ketepatan atau

kecocokan matrix korelasi untuk analisis faktor dapat diuji secara statistik

(statistically tested).

2
 3

Analisis faktor adalah analisis statistika yang bertujuan untuk mereduksi

dimensi data dengan cara menyatakan variabel asal sebagai kombinasi linear

sejumlah faktor, sedemikian hingga sejumlah faktor tersebut mampu menjelaskan

sebesar mungkin keragaman data yang dijelaskan oleh variabel asal.

Model analisis faktor adalah :

X1 = c11 F1 + c12 F2 + c13 F3 + ... + c1m Fm + 

X2 = c21 F1 + c22 F2 + c23 F3 + ... + c2m Fm + 

X3 = c31 F1 + c32 F2 + c33 F3 + ... + c3m Fm + 

...

Xp = cp1 F1 + cp2 F2 + cp3 F3 + ... + cpm Fm + p

atau

[ X1 ¿ ] [ X 2 ¿ ] [ X3 ¿] [. ..¿ ] ¿ ¿¿
¿
(p x 1) (p x m) (m x1)

dan

X1, X2,..., Xp adalah variabel asal

F1, F2,..., Fm adalah faktor bersama (common factor)

cij adalah bobot (loading) dari variabel asal ke-i pada faktor ke-j
 4

Hubungan antara varians variabel asal dengan, varians faktor dan varians

error adalah sebagai berikut :

var(Xi)= varians yang dijelaskan oleh faktor untuk variabel asal ke-i +

var(error)

= communality + specific variance

2
= h i + ψi

2 2 2 2
= (c i1 + ci 2 +c i3 + .. .+c im )+ψ i

Besarnya bobot cij dapat diduga dengan menggunakan metode komponen

utama ataupun kemungkinan maksimum (maximum likelihood). Metode

komponen utama terbagi menjadi dua metode yaitu non-iteratif dan iteratif. Nilai

dugaan cij yang diperoleh dengan metode non-iteratif adalah :

a ji √ λ j
c ij=
sx c ij=a ji √ λ j
i atau untuk variabel asal yang dibakukan

dan

c uj adalah bobot (loading) dari variabel asal ke-i pada faktor ke-j

a ji adalah koefisien variabel asal ke-i untuk komponen utama ke-j

λ j adalah eigen value untuk komponen utama ke-j

sx
i adalah simpangan baku (standard of deviation) variabel asal ke-j
 5

Algoritma untuk metode komponen utama iteratif adalah sebagai berikut :

1. Mulai
2
2. Tentukan nilai awal communality untuk seluruh variabel asal ( hi ,

2
i=1,...,p), 0≤hi ≤1
2 2
3. Ganti nilai diagonal matriks korelasi dengan nilai hi ( r ii=hi )

4. Tentukan nilai eigen-value dan eigen-vector dari matriks korelasi

5. Tentukan nilai bobot (loading)

c ij=a ji √ λ j
2 2 2 2 2
6. Temtukan nilai communality hi =( ci 1 +c i2 + c i3 +. ..+ cim )

7. Jika nilai communality pada dua iterasi terakhir dianggap sama maka

pergi ke 9

8. Pergi ke 3

9. Selesai

Untuk kepentingan intepretasi, seringkali diperlukan untuk memberi nama

masing-masing faktor sesuai dengan besar harga mutlak bobot

c uj . Diharapkan

setiap variabel asal hanya dominan di salah satu faktor saja (Nilai harga mutlak

bobot variabel asal mendekati 1 di salah satu faktor dan mendekati o untuk faktor

lainnya). Harapan ini kadang-kadang tidak dapat dipenuhi, untuk mengatasi hal

ini diperlukan rotasi dari matriks bobot C. Beberapa macam teknik rotasi yang

tersedia di program paket statistika adalah : varimax, quartimax, equamax,

parsimax (MINITAB). Formula untuk masing-masing rotasi i ni adalah :

 6

2 2

[ { ( ) (∑ ) }]
m p p
1 cij γ c ij
max ∑ ∑ −
p j=1 i=1 hi p i=1 hi

 Rotasi
0 Quartimax
1 Varimax
m/2 Equamax
p( m−1) Parsimax
p+m−2
Matriks bobot hasil rotasi (C*) dapat dinyatakan sebagai C*=CT, T adalah

matriks transformasi.

Besarnya skor faktor dapat dinyatakan sebagai :

F=C ' S−1 ( X j− X̄ ) , j=1,...,n

2.2 Uji KMO

Uji KMO bertujuan untuk mengetahui apakah semua data yang telah terambil

telah cukup untuk difaktorkan. Hipotesis dari KMO adalah sebagai berikut :

Hipotesis

Ho : Jumlah data cukup untuk difaktorkan

H1 : Jumlah data tidak cukup untuk difaktorkan

Statistik uji :

p p
∑ ∑ r 2ij
i=1 j=1
p p p p
2
∑∑ r ij +∑ ∑ a2ij
KMO = i=1 j =1 i=1 j=1

(4)
 7

i = 1, 2, 3, ..., p dan j = 1, 2, ..., p

rij = Koefisien korelasi antara variabel i dan j

aij = Koefisien korelasi parsial antara variabel i dan j

Apabila nilai KMO lebih besar dari 0,5 maka terima Ho sehingga dapat

disimpulkan jumlah data telah cukup difaktorkan.

2.3 Uji Bartlet

Uji Bartlett bertujuan untuk mengetahui apakah terdapat hubungan antar

variabel dalam kasus multivariat. Jika variabel X1, X2,…,Xp independent (bersifat
saling bebas), maka matriks korelasi antar variabel sama dengan matriks
identitas. Sehingga untuk menguji kebebasan antar variabel ini, uji Bartlett
menyatakan hipotesis sebagai berikut:
H0 : ρ = I
H1 : ρ ≠ I
Statistik Uji :
p
1
rk = ∑r
p−1 i=1 ik , k = 1, 2,...,p

2
r= ∑∑ r
p( p−1 ) i<k ik

(5)

( p−1 )2 [ 1−(1−r )2 ]
γ^ =
p−( p−2)(1−r )2

Dengan :
rk = rata-rata elemen diagonal pada kolom atau baris ke k dari matrik R
(matrik korelasi)
r = rata-rata keseluruhan dari elemen diagonal
Daerah penolakan :
tolak H0 jika
p
( n−1)
T=
( 1−r ) 2 [ i <k
2

k =1 ]
∑ ∑ ( r ik −r ) − γ^ ∑ ( r k −r )2 > χ 2 ¿

(6)
 8

Maka variabel-variabel saling berkorelasi hal ini berarti terdapat hubungan antar

variabel. Jika H0 ditolak maka analisis multivariat layak untuk digunakan terutama

metode analisis komponen utama dan analisis faktor.

2.4 Merumuskan Masalah Analisis Faktor

Merumuskan masalah dalam analisis faktor meliputi beberapa hal:

1. Tujuan analisis faktor harus diidentifikasi.

2. Variabel yang akan digunakan di dalam analisis faktor harus dispesifikasi

berdasarkan penelitian sebelumnya, teori dan pertimbangan dari peneliti.

3. Pengukuran variabel berdasarkan skala interval atau rasio.

4. Banyaknya elemen sampel (n) harus cukup atau memadai, sebagai

petunjuk kasar kalau k banyaknya jenis variabel (atribut) maka n = 4 atau

5 kali k. Artinya kalau variabel 5, banyaknya responen minimal 20 atau 25

orang sebagai sampel acak.

2.5 Proses Analisis Faktor

Proses analisis faktor adalah sebagai berikut:

1. Merumuskan masalah.

2. Membentuk matrix korelasi.

3. Menentukan metode analisis faktor.

4. Melakukan rotasi.

5. Menginterpretasi faktor.
 9

2.6 Asumsi pada Analisis Faktor

Asumsi-asumsi yang harus dipenuhi dalam analisis faktor adalah sebagai

berikut:

1. Variabel independen harus berdistribusi Normal Multivariate.

2. Matrik kovarian dari semua variabel harus sama.

3. Tidak ada korelasi antar variabel independen.

4. Tidak ada outlier.

Gudono (2011) menyatakan bahwa untuk melakukan analisis faktor ada dua

asumsi yang harus dipenuhi yaitu:

1. Error term e i mimiliki sifat yaitu independen satu dengan yang lainnya,

E ( e i )=0 dan Var ( e i )=σ 2 .

2. Faktor-faktor yang tidak dapat diobservasi secara langsung ( F i )

tersebut memiliki sifat-sifat sebagai berikut: independen satu dengan

yang lainnya dan juga independen terhadap error term ( e i ). Selain itu

E ( F i )=0 dan Var ( Fi ) =1.

Apabila semua asumsi tersebut dipenuhi maka data layak untuk dianalisis

menggunakan analisis faktor ini.

2.7 Data Analisis Faktor

Berikut ini adalah data yang dipakai peneliti untuk dianalisis dengan

menggunakan analisis faktor dimana data ini merupakan hasil survei hipotesis

sebuah stasiun elevisi terhadap program acara dari 40 responden.

 10

Respo Berit musi Kome Kui sinetro olg agam krimin kuline
n a film k di s n a a al r
1 2 3 2 3 2 2 2 2 1 2
2 3 2 3 2 3 2 2 3 1 1
3 2 2 3 3 3 1 2 1 2 3
4 2 2 2 2 2 2 1 2 3 1
5 2 3 2 2 1 3 1 2 2 1
6 2 2 3 3 1 2 2 2 2 2
7 2 2 1 2 2 3 2 3 1 2
8 3 3 2 2 2 2 2 1 2 2
9 2 2 3 3 3 2 2 2 3 1
10 2 2 3 3 3 1 3 1 3 2
11 2 2 1 2 2 2 2 1 2 3
12 2 3 2 2 2 3 3 2 2 2
13 2 2 3 3 3 1 2 2 3 2
14 2 3 2 2 2 3 1 2 2 1
15 2 2 3 3 1 2 2 1 3 2
16 2 2 1 1 2 3 2 3 1 2
17 2 2 3 3 3 1 2 1 2 1
18 2 3 2 2 2 2 2 1 2 2
19 2 2 3 3 3 2 2 2 3 1
20 3 3 2 2 2 2 2 3 1 2
21 2 2 2 2 1 2 1 2 2 1
22 2 2 2 2 1 2 1 2 2 1
23 2 2 3 3 3 2 2 2 2 1
24 3 2 1 3 2 3 2 3 1 2
25 3 2 1 1 1 3 2 2 3 2
26 2 2 2 2 2 2 2 2 1 2
27 2 2 3 3 3 2 2 2 2 2
28 3 2 1 1 2 3 2 3 1 2
29 2 2 2 2 1 3 1 2 2 1
30 2 2 3 3 1 2 2 2 2 2
31 2 2 2 2 2 2 1 2 3 1
32 2 2 3 3 3 1 3 1 3 2
33 2 2 1 1 2 2 2 1 2 2
34 2 3 2 2 2 3 3 2 2 2
35 2 2 3 3 3 2 2 3 1 3
36 2 2 3 3 3 1 2 2 3 2
37 2 3 2 2 2 3 1 2 2 1
38 2 2 3 3 1 2 2 1 3 2
39 2 2 1 2 1 3 2 2 3 2
40 3 2 2 2 2 2 2 2 1 2

Sumber: Widarjono, Agus. 2010. Analisis Statistika Multivariat Terapan.

Yogyakarta: Unit penerbit dan percetakan Sekolah Tinggi Ilmu Manajemen
YKPN.
 BAB III

METODE PENELITIAN

3.1 Langkah-langkah Pengujian

 Uji Asumsi Distribusi Normal Multivariate dengan Minitab

 Aktifkan perintah Enable Commands

 Kemudian tulis perintah pada kolom session

 Klik enter maka akan keluar hasil out put

11
 12

 Langkah-langkah analisis faktor menggunakan SPSS

 Masukkan data pada SPSS kemudian pilih menu Analyze pilih Dimension

Reduction pilih Factor

 Kemudian akan muncul Factor Analysis masukkan indikator berita, film,

musik, komedi kuis, sinetron, olahraga, agama, criminal dan kuliner.

 13

 Kemudian pilih descriptive pilih initial solution pilih KMO and Barlett’s

test of sperichity dan Anti Image akan muncul sebagai berikut:

 Klik Continue kemudian ok

 Setelah semua indikator mempunyai MSA ≥ 0,50 sehingga tidak ada lagi

indikator yang perlu dikeluarkan dalam analisis faktor dalam hal ini

indikator yang dikeluarkan ialah indikator film dan kuliner.

 Langkah-langkah selanjutnya klik Extraction pilih principle component

pilih correlation matrix pilih unrotated factor solution dan scree plot. Pilih

Based on Eigenvalue.
 14

 Klik Rotation pilih varimax atau quartimax pilih Rotated solution lalu

continue dan OK.

 BAB IV

PEMBAHASAN

4.1 Interpretasi Hasil Output

Salah satu asumsi dari analisis faktor adalah variabel independen (bebas/

penjelas) harus berdistribusi normal multivariate. Oleh karena itu peneliti

menguji dengan menggunakan Minitab dan hasil outputnya adalah sebagai

berikut:

Scatterplot of q vs dd

hipotesis:
Ho: data mengikuti sebaran distribusi
normalmultivariate
H1: data tidak mengikuti sebaran distribusi
normalmultivariate

tolak H0 jika daerah dibawah Chisquare <50%

hasil pengujian:

Data Display

t 65.0000

kesimpulan:
gagal tolak H0,
artinya data mengikuti sebaran distribusi
normalmultivariate

15
 16

Plot data tersebut cenderung membentuk garis lurus seperti kurva linier

maka dari hasil output di atas sudah jelas data mengikuti sebaran distribusi normal

multivariate sehingga data layak dianalisis.

Selanjutnya melalui prosedur pengolahan data dengan menggunakan

analisis faktor didapatlah hasil output sebagai berikut:

Output 1

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling
.574
Adequacy.
Bartlett's Test Approx. Chi-Square 156.730
of Sphericity
Df 45
Sig. .000

Hipotesis:

H0: data layak dianalisis

H1: data tidak layak dianalisis

 17

Statistik Uji: 0,574 > 0,5 dan 0.000 < 0.05

Daerah kritis: terima H0 Jika KMO MSA > 0,5 atau P value < alfa

Keputusan: terima H0

Interpretasi: Berdasarkan keputusan tersebut maka disimpulkan bahwa data

memenuhi persyaratan analisis faktor sehingga data layak dianalisis.

Anti-image Matrices
berit musi sinetro agam krimin kuline
  a film k komedi kuis n olga a al r
Anti- berita -.04 -.12
.713 .029 .093 .066 .081 -.133 .090 .039
image 8 4
Covarianc film -.08 -.00
-.048 .711 -.069 .018 -.174 .207 .177 .041
e 5 7
musik -.06 -.05
.029 .238 -.178 .012 .104 -.042 -.030 .125
9 6
komedi -.00 -.00
.093 .018 -.178 .321 .008 -.028 -.017 -.086
5 8
kuis -.08 -.20
.066 .012 -.005 .486 .176 -.152 .032 .108
5 6
sinetro -.17 -.08
.081 .104 .008 .176 .238 -.171 -.028 .089
n 4 5
olga -.00 -.20
-.124 -.056 -.008 -.085 .493 .074 -.060 -.286
7 6
agama -.15
-.133 .207 -.042 -.028 -.171 .074 .371 .206 .024
2
krimina -.06
.090 .177 -.030 -.017 .032 -.028 .206 .504 .150
l 0
kuliner -.28
.039 .041 .125 -.086 .108 .089 .024 .150 .483
6
Anti- berita -.06 -.21
.695a .071 .193 .112 .196 -.259 .150 .066
image 8 0
Correlatio film . -.14 -.01
n -.068 -.169 .038 -.422 .404 .296 .069
319a 4 2
musik -.16 -.16
.071 .661a -.646 .035 .438 -.141 -.086 .368
9 3
komedi -.01 -.02
.193 .038 -.646 .740a .030 -.080 -.041 -.218
2 1
kuis -.14 . -.42
.112 .035 -.012 .517 -.359 .064 .223
4 545a 1
sinetro -.42 -.24
.196 .438 .030 .517 .594a -.575 -.081 .263
n 2 8
olga -.01 -.42 .
-.210 -.163 -.021 -.248 .174 -.121 -.587
2 1 479a
agama -.35
-.259 .404 -.141 -.080 -.575 .174 .473a .477 .057
9
krimina -.12
.150 .296 -.086 -.041 .064 -.081 .477 .648a .303
l 1
kuliner -.58
.066 .069 .368 -.218 .223 .263 .057 .303 .368a
7
a. Measures of Sampling Adequacy(MSA)
Anti-Image Metrice menyediakan informasi bahwa indikator apa saja yang layak

untuk dimasukkan atau dikeluarkan dalam analisis faktor. Prosedurnya jika nilai
 18

MSA ≥ 0,5 maka indikator tersebut layak untuk digunakan dalam analisis faktor.

Sebaliknya jika nilai MSA ≤ 0,5 maka indikator tersebut tidak layak untuk

digunakan dalam analisis faktor. Pada data tersebut indikator film = 0,319 ≤ 0,5

dan indikator kuliner = 0,368 ≤ 0,5 maka indikator film dan kuliner harus

dikeluarkan karena memiliki nilai MSA paling kecil.

Output 2

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling
.676
Adequacy.
Bartlett's Approx. Chi-Square 121.928
Test of
Df 28
Sphericit
y Sig. .000
Setelah mengeluarkan indikator film dan kuliner.

Hipotesis:

H0: data layak dianalisis

H1: data tidak layak dianalisis

Statistik Uji: 0,676 > 0,5 dan 0.000 < 0.05

Daerah kritis: terima H0 Jika KMO MSA > 0,5 atau P value < alfa

Keputusan: terima H0

Interpretasi: Berdasarkan keputusan tersebut maka disimpulkan bahwa data

memenuhi persyaratan analisis faktor sehingga data layak dianalisis.

Anti-image Matrices

  Berita musik komedi kuis sinetron olga agama kriminal

Anti-image berita .720 .016 .108 .055 .083 -.155 -.145 .109
Covarianc musik
e .016 .287 -.195 -.035 .100 .037 -.036 -.072
komedi .108 -.195 .338 .020 .044 -.096 -.039 .005
kuis .055 -.035 .020 .526 .194 -.231 -.169 .026
sinetro
.083 .100 .044 .194 .323 -.057 -.199 -.022
n
olga -.155 .037 -.096 -.231 -.057 .753 .152 .045
agama -.145 -.036 -.039 -.169 -.199 .152 .444 .217
kriminal .109 -.072 .005 .026 -.022 .045 .217 .605
Anti-image berita .701a .036 .218 .089 .172 -.210 -.257 .165
 19

Correlation
musik .036 .741a -.627 -.089 .328 .080 -.101 -.173
komedi .218 -.627 .738a .048 .132 -.191 -.100 .012
kuis .089 -.089 .048 .607 a
.471 -.367 -.350 .046
sinetro
.172 .328 .132 .471 .697a -.116 -.526 -.050
n
olga -.210 .080 -.191 -.367 -.116 .516 a
.264 .066
agama -.257 -.101 -.100 -.350 -.526 .264 .541a
.419
kriminal .165 -.173 .012 .046 -.050 .066 .419 .762a
a. Measures of Sampling Adequacy(MSA)
Anti-Image Metrice menyediakan informasi bahwa indikator apa saja yang layak

untuk dimasukkan atau dikeluarkan dalam analisis faktor. Prosedurnya jika nilai

MSA ≥ 0,5 maka indikator tersebut layak untuk digunakan dalam analisis faktor.

Dalam tabel tersebut semua indikator memiliki nilai MSA ≥ 0,5 sehingga

indikator berita, musik, komedi, kuis, sinetron, olahraga, agama, dan kriminalitas

layak untuk dianalisis faktor.

Output 3

Communalities

  Initial Extraction
berita 1.000 .496
musik 1.000 .735
komedi 1.000 .677
Kuis 1.000 .691
sinetron 1.000 .728
Olga 1.000 .366
agama 1.000 .600
kriminal 1.000 .656
Extraction Method: Principal
Component Analysis.
Pada output diatas pada kolom extraction menunjukkan seberapa besar faktor

yang terbentuk dapat menjelaskan varian suatu indikator.

Indikator berita: 0,496 artinya sebesar 49,6% varian indikator berita dapat

dijelaskan oleh faktor yang terbentuk.

Indikator musik: 0,735 artinya sebesar 73,5% varian indikator musik dapat

dijelaskan oleh faktor yang terbentuk.

 20

Indikator komedi: 0,677 artinya sebesar 67,7% varian indikator komedi dapat

dijelaskan oleh faktor yang terbentuk.

Indikator kuis: 0,691 artinya sebesar 69,1% varian indikator kuis dapat dijelaskan

oleh faktor yang terbentuk.

Indikator sinetron: 0,728 artinya sebesar 72,8% varian indikator sinetron dapat

dijelaskan oleh faktor yang terbentuk.

Indikator olahraga: 0,366 artinya sebesar 36,6% varian indikator olahraga dapat

dijelaskan oleh faktor yang terbentuk.

Indikator agama: 0,600 artinya sebesar 60% varian indikator agama apat

dijelaskan oleh faktor yang terbentuk.

Indikator kriminal: 0,656 artinya sebesar 65,6% varian indikator kriminal apat

dijelaskan oleh faktor yang terbentuk.

Output 4

Total Variance Explained

Extraction Sums of Squared
Initial Eigenvalues Loadings
% of % of
Compone Varianc Cumulativ Varianc Cumulativ
nt Total e e% Total e e%
1 3.356 41.949 41.949 3.356 41.949 41.949
2 1.594 19.931 61.880 1.594 19.931 61.880
3 .972 12.152 74.032      
4 .670 8.378 82.410      
5 .563 7.043 89.453      
6 .469 5.868 95.321      
7 .196 2.445 97.766      
8 .179 2.234 100.000      
Extraction Method: Principal Component Analysis.
Pada output ini menjelaskan tentang besarnya varian yang dapat dijelaskan oleh

faktor yang terbentk.

Jika total eigen value ≥ 1 maka faktor tersebut dapat menjelaskan indikator

dengan baik sehingga perlu disertakan dalam pembentukan indikator.

 21

Jika total eigen value < 1 maka faktor tersebut tidak dapat menjelaskan indikator

dengan baik sehingga tidak diikutkan dalam pembentukan indikator.

Berdasarkan nilai total eigen value ≥ 1 maka akan dibentuk 2 faktor saja.

Pada kolom extraction sums of squares loadings kita bisa mengetahui seberapa

besar faktor yang terbentuk tersebut menjelaskan varian indikator yang ada. Jika

dari 8 indikator tersebut dijadikan satu faktor maka faktor tersebut mampu

menjelaskan varian indikator sebesar 41,949%. Jika dari 8 indikator tersebut

dijadikan dua faktor maka kedua faktor tersebut mampu menjelaskan varian

indikator sebesar 61,880% dimana 41,949% dari faktor yang pertama dan

19,931% dari faktor yang kedua. Karena kita mempunyai dua faktor maka dua

faktor tersebut mampu menjelaskan 61,880% total varian dari 8 indikator yang

ada. Angka ini cukup besar karena mampu menjelaskan lebih dari 50% varian dari

8 indikator yang ada.

Output 5

Pada output 5 merupakan visualisasi dari hasil initial eigen value data. Output ini

juga bisa digunakan untuk menentukan jumlah faktor yang terbentuk. Caranya

dengan mengambil sejumlah garis yang mempunyai kemiringan atau slope

 22

hamper sama. Pada scree plot terdapat 7 garis yang menghubungkan 8 titik. Dua

garis yang pertama mempunyai kemiringan yang hamper sama sehingga kita bisa

mengatakan bahwa ada 2 faktor yang terbentuk.

Output 6

Component Matrixa

Component
  1 2
berita -.466 .528
musik .847 .132
komedi .809 .151
Kuis .538 .634
sinetron -.14
-.841
7
Olga .346 .497
Agama -.587 .506
Criminal -.59
.554
1
Extraction Method: Principal Component Analysis.
a. 2 components extracted.

Interpretasi: pada output 6 menyediakan informasi indikator mana yang masuk

pada faktor pertama atau faktor kedua. Pada analisis total variance explained dan

scree plot didapatkan 2 faktor dari 8 indikator sehingga pada component matrix

terdapat dua komponen. Angka yang ada merupakan besarnya factor loading yang

menunjukkan korelasi antara suatu indikator dengan faktor yang terbentuk.

Indikator berita korelasi indikator berita dengan faktor yang pertama adalah

-0,466 dan dengan faktor yang kedua adalah 0,528. Dari nilai-nilai korelasi

tersebut masih banyak factor loading yang nilainya hampir sama antara faktor

pertama dan kedua sehingga kita akan kesulitan menentukan suatu indikator

masuk difaktor pertama atau kedua.

 23

Output 7

Rotated Component Matrixa

Component
  1 2
Berita -.016 .704
Music -.44
.733
5
komedi -.40
.716
6
Kuis .820 .137
sinetron -.737 .430
Olga .585 .156
agama -.122 .765
kriminal -.80
.041
9
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.a
a. Rotation converged in 3 iterations.

Component Transformation Matrix

Component 1 2
1 . -.64
764 5
2 . .
645 764
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.

Rotated Component Matrixa

Component
  1 2
berita -.029 .704
musik -.43
.741
2
komedi -.39
.723
3
kuis .817 .153
sinetron -.745 .417
olga .582 .167
agama -.136 .763
kriminal .057 -.80
 24

8
Extraction Method: Principal Component Analysis.
Rotation Method: Quartimax with Kaiser Normalization.a
a. Rotation converged in 3 iterations.
Component Transformation Matrix

Component 1 2
1 -.63
.776
1
2
.631 .776

Extraction Method: Principal Component Analysis.

Rotation Method: Quartimax with Kaiser Normalization.

Dari hasil rotasi baik varimax dan quartimax ini dapat disimpulkan bahwa dari 8

indikator dapat direduksi menjadi dua faktor saja yaitu:

1. Faktor pertama meliputi indikator musik, komedi, kuis, sinetron dan

olahraga.

2. Faktor kedua memiliki indikator berita, agama dan criminal.

Setelah kita mereduksi 8 indikator menjadi hanya 2 faktor, langkah

selanjutnya kita bisa memberi nama atau identitas atau label masing-masing faktor

sesuai dengan karakteristik masing-masing indikator yang membentuk faktor.

Faktor pertama terdiri dari indikator musik, komedi, kuis, sinetron dan olahraga

bisa kita beri nama misalnya faktor HIBURAN. Sedangkan faktor kedua yang

terdiri dari berita, agama dan criminal bisa kita beri nama misalnya faktor NON

HIBURAN. Sehingga hasil survei hipotasis sebuah stasiun televise terhadap

program acara baik berita, film, musik, komedi, kuis, sinetron, olahraga, agama,

kriminal dan kuliner dari 40 responden disimpulkan setelah mengeluarkan

indikator film dan kuliner terdapat 2 faktor yang mempengaruhi antara tidak
 25

menarik, sedang dan sangat menariknya seseorang dalam melihat program acara

sebuah stasiun televisi yaitu faktor hiburan dan non hiburan.

 DAFTAR PUSTAKA

Gudono. 2011. Analisis Data Multivariat. Yogyakarta: Penerbit BPFE.

Supranto, J. 2004. Analisis Multivariat Arti dan Interpretasi. Jakarta: Penerbit PT

RINEKA CIPTA.

Widarjono, Agus. 2010. Analisis Statistika Multivariat Terapan. Yogyakarta: Unit

penerbit dan percetakan Sekolah Tinggi Ilmu Manajemen YKPN.

26