Memberi Bukti Validitas Konstruk dengan Exploratory Factor Analysist (EFA) dengan

Bantuan SPSS

Hasil Interpretasi Output Analisis Faktor Eksploratori dengan bantuan SPSS

1. KMO and Bartlett’s Test of Sphericity

KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling .793
Adequacy.
Bartlett's Test of Approx. Chi-Square 1209.377
Sphericity df 435
Sig. .000
Tabel output KMO and Bartlett’s Test berguna untuk mengetahui kelayakan suatu
variabel, apakah dapat diproses lebih lanjut menggunakan teknik analisis faktor ini atautidak.
Caranya adalah dengan melihat nilai KMO MSA (Kaiser-Meyer-Olkin Measure of Sampling
Adequency), jika nilai KMO MSA > 0,50 Bartlett’s Test of Sphericity (Sig.) < 0,05 maka
teknik analisis faktor dapatdilanjutkan.
Berdasarkan output yang dihasilkan diatas, diketahui bahwa nilai KMO MSA sebesar 93
> 0,50 dan nilai Bartlett’s Test of Sphericity (Sig.) 0,000 < 0,05. hal ini menunjukkan bahwa
adanya korelasi antar variabel dan layak untuk proses lebih lanjut. Stelah persyaratan
terpenuhi, maka analisis faktor dalam penelitian ini dapat dilanjutkan karena sudah memenuhi
persyaratan pertama.

2. Anti-Image Matrices
Anti-image Matrices berguna untuk mengetahui dan menentukan variabel mana saja yang
layak untuk dipakai dalam analisis faktor. Pada tabel Anti-image Matrice di bawah ini,
khusus pada bagian (anti Image Correlation) terlihat angka yang bertanda (a) yang
menandakan besaran MSA sebuah variabel. Persyaratan yang harus terpenuhi dalam analisis
faktor adalah nilai 𝑀𝑆𝐴 > 0,30. Jika ada variabel yang nilai MSA < 0,30 maka dilakukan
proses ulang dari awal dengan mengeluarkan variabel tersebut yang nilai MSA < 0,3.
Karena pada hasil diatas diperoleh untuk nilai MSA setiap butir > 0,30, maka analisis factor dapat dilanjutkan atau dapat dikatan
semua variable/butir soal layak untuk dilakukan analisis faktor.
3. Communalities
4.
Communalities
Initial Extraction
butir_1 1.000 .666
butir_2 1.000 .647
butir_3 1.000 .838
butir_4 1.000 .657
butir_5 1.000 .622
butir_6 1.000 .773
butir_7 1.000 .596
butir_8 1.000 .576
butir_9 1.000 .488
butir_10 1.000 .635
butir_11 1.000 .752
butir_12 1.000 .600
butir_13 1.000 .636
butir_14 1.000 .758
butir_15 1.000 .535
butir_16 1.000 .531
butir_17 1.000 .738
butir_18 1.000 .724
butir_19 1.000 .608
butir_20 1.000 .635
butir_21 1.000 .746
butir_22 1.000 .726
butir_23 1.000 .597
butir_24 1.000 .479
butir_25 1.000 .574
butir_26 1.000 .638
butir_27 1.000 .614
butir_28 1.000 .613
butir_29 1.000 .670
butir_30 1.000 .704
Extraction Method: Principal
Component Analysis.

5.
 Tabel Communalities ini menunjukkan nilai variabel/butir soal yang diteliti, apakah mampu
untuk menjelaskan faktor atau tidak. Variabel/butir soal dianggap mampu menjelaskan
faktor jika nilai Extraction > 0,50. Berdasarkan output diatas, diketahui bahwa butir 1 dapat
menjelaskan faktor sebesar 66,6%, butir 2 dapat menjelaskan faktor sebesar 64,7%, dan
seterusnya. Berdasarkan hasil tersebut dapat disimpulkan bahwa tidak semua variabel dapat
menjelaskan faktor karena ada 2 dari 30 butir soal yang nilai Extraction-nya < 0,50.

6. Total Variance Explained

Total Variance Explained
Extraction Sums of Squared Rotation Sums of Squared
Initial Eigenvalues Loadings Loadings
Compon % of Cumulativ % of Cumulativ % of Cumulativ
ent Total Variance e% Total Variance e% Total Variance e%
1 8.650 28.832 28.832 8.650 28.832 28.832 4.897 16.324 16.324
2 3.003 10.010 38.842 3.003 10.010 38.842 4.172 13.907 30.231
3 2.355 7.850 46.691 2.355 7.850 46.691 3.393 11.311 41.542
4 1.563 5.209 51.901 1.563 5.209 51.901 2.083 6.944 48.486
5 1.415 4.715 56.616 1.415 4.715 56.616 1.734 5.779 54.265
6 1.219 4.064 60.680 1.219 4.064 60.680 1.691 5.637 59.902
7 1.169 3.898 64.578 1.169 3.898 64.578 1.403 4.676 64.578
8 .938 3.128 67.706
9 .902 3.008 70.713
10 .876 2.920 73.633
11 .769 2.562 76.195
12 .761 2.537 78.733
13 .685 2.284 81.017
14 .601 2.002 83.020
15 .590 1.968 84.987
16 .577 1.925 86.912
17 .468 1.560 88.472
18 .460 1.534 90.006
19 .408 1.361 91.366
20 .384 1.282 92.648
21 .346 1.153 93.801
22 .312 1.039 94.840
23 .288 .961 95.801
 24 .258 .859 96.660
25 .243 .811 97.470
26 .205 .682 98.153
27 .186 .619 98.771
28 .149 .496 99.267
29 .113 .377 99.644
30 .107 .356 100.000
Extraction Method: Principal Component Analysis.

Tabel Total Variance Explained menunjukkan nilai masing-masing variable/butir soal yang
dianalisis. Dalam penelitian ini ada 30 butir soal, artinya ada 30 komponen yang dianalisis. Ada
dua macam analisis untuk menjelaskan suatu varian, yaitu Initial Eigenvalues dan Extraction
Sums of Squared Loadings. Berdasarkan tabel Output Total Variance Explained pada bagian
“Initial Eigenvalues”, terbentuk 7 faktor, dimana syarat untuk menjadi sebuah faktor, maka nilai
Eigenvalue harus > 1.

7. Scree Plot

Gambar Scree Plot ini juga dapat menunjukkan jumlah faktor yang terbentuk. Caranya adalah
dengan melihat nilai titik Component yang memiliki nilai Eigenvalue > 1. Dari gambar Scree
Plot di atas ada 7 titik Component yang memiliki nilai Eigenvalue > 1 berarti ada 7 faktor yang
dapat terbentuk.
8. Rotated Component Matrix
Rotated Component Matrixa
Component
1 2 3 4 5 6 7
butir_1 -.002 .761 .228 .124 -.067 .122 -.001
butir_2 .531 .432 -.161 .149 .013 .354 -.067
butir_3 .114 .880 .193 .109 .016 -.011 .008
butir_4 .116 .759 .217 .058 .087 -.060 -.070
butir_5 .497 .478 .007 -.131 .254 .222 .127
butir_6 .359 .714 -.107 -.079 .222 .063 .251
butir_7 .108 .273 .399 .015 .231 -.481 .256
butir_8 .311 -.212 -.132 .346 .415 .165 .312
butir_9 .557 .107 .252 -.055 .187 .152 .205
butir_10 .177 .401 .528 .059 .319 .080 -.229
butir_11 .016 .257 .786 .123 .078 -.007 .215
butir_12 .604 .165 .222 -.102 .116 .232 -.284
butir_13 .563 .309 .348 -.141 .213 .024 -.193
butir_14 -.002 .078 .651 .509 .024 -.211 -.154
butir_15 .258 .005 .093 .066 .612 .278 -.061
butir_16 .223 .575 .211 .076 .088 .246 -.179
butir_17 .812 .173 -.045 .172 .021 -.086 -.099
butir_18 .698 -.070 .178 -.229 .270 -.083 .263
butir_19 .087 .130 .721 .179 .069 .034 .158
butir_20 .346 .211 .517 -.088 -.048 .425 -.115
butir_21 .632 -.171 .475 .100 .043 .281 .011
butir_22 -.033 .331 .139 .248 .710 -.135 -.109
butir_23 .548 .268 .035 .364 .242 .020 -.180
butir_24 .505 .213 .068 .190 .101 .354 -.038
butir_25 .118 .097 .100 .706 .201 .015 .035
butir_26 .758 .117 -.014 .171 -.131 -.001 .052
butir_27 -.028 .048 .285 .703 .033 .094 .158
butir_28 .345 .238 .485 .402 -.126 .149 -.041
butir_29 -.044 .001 .150 .104 -.089 -.015 .792
butir_30 .160 .257 .115 .090 .246 .720 .111
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 9 iterations.
Untuk memastikan suatu variabel masuk ke dalam faktor mana, dapat ditentukan dengan melihat
nilai korelasi terbesar antara variabel dengan faktor (Component) yang terbentuk.

Faktor yang terbentuk

Faktor 1 Faktor 2 Faktor 3 Faktor 4 Faktor 5 Faktor 6 Faktor 7
Butir 2 Butir 1 Butir 10 Butir 25 Butir 8 Butir 7 Butir 29
Butir 5 Butir 3 Butir 11 Butir 27 Butir 15 Butir 30
Butir 9 Butir 4 Butir 14 Butir 22
Butir 12 Butir 6 Butir 19
Butir 13 Butir 16 Butir 20
Butir 15 Butir 28
Butir 17
Butir 18
Butir 21
Butir 23
Butir 24
Butir 26

Faktor yang terbentuk disini merupakan dimensi soal.

Kisi-Kisi dari Soal

 No item No item Jumlah
No. Dimensi Indikator
Positif negatif item
1. Ketekunan a. Kehadiran disekolah 1 2 2
dalam belajar
b. Mengikuti PBM di 3,4 5,6 4
kelas

c. Belajar di luar jam 7 8,9 3

sekolah
2. Ulet dalam a. Sikap terhadap 10,11 12,13 4
menghadapi Kesulitan
kesulitan b. Usaha mengatasi 14 15 2
kesuliatan
3. Minat dan a. Kebiasaan dalam 16 17,18 3
ketajaman mengikuti pelajaran
perhatian dalam b. Semangat dalam 19 20,21 3
belajar mengikuti PBM
4. Berprestasi a. Keinginan untuk 22 23,24 3
dalam belajar berprestasi
b. Kualitas hasil 25 26 2
5. Mandiri dalam a. Penyelesaian tugas 27 28 2
belajar atau PR
b. Menggunakan 29 30 2
kesempatan diluar
jam pelajaran saat di
sekolah
Jumlah 13 17 30

Dimensi 1 Dimensi 2 Dimensi 3 Dimensi 4 Dimensi 5

1, 2, 3, 4, 5, 6, 7, 10, 11, 12, 13, 16, 17, 18, 19, 22, 23, 24, 25, 27, 28, 29, 30
8, 9 14, 15 20, 21 26

Jadi, jika kita bandingakan terlihat beberapa butir soal yang tidak seharusnya bergerombol, tetapi
malah berada di factor yang lain. Hal ini menunjukkan bahwa instrument dikatakan kurang valid
karena banyak butir soal yang tidak menggerombol pada faktor/dimensi yang seharusnya.