Bantuan SPSS
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.
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.
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.