1.

Buatlah data fiktif sebanyak 50 siswa dari atributatribut:

a. Hasil belajar kewirausahaan ddimensi afektif dengan 30 butir instrumen (skala model Likert),
b. Efikasi diri (skor responden berkisar antara 40 dan 100),
c. kegemaran olahraga (skor responden berkisar antara 70 dan 100),
d. religiusitas (skor responden berkisar antara 65 dan 100),
e. jarak sekolah dengan rumah (skor responden berkisar antara 1 dan 15),
f. dan penghasilan orang tua (skor responden berkisar antara 2 dan 10)

2. Seleksi butir instrumen yang dipakai untuk mengukur hasil belajar kewirausahaan dimensi afektif
dimana diharapkan jumlah faktor yang terbentuk sebanyak 5 dengan menggunakan metode analisis
faktor
a. Tabel Output Pertama “KMO and Bartlett's Test”
Tabel output KMO and Bartlett's Test berguna untuk mengetahui kelayakan suatu
variabel, apakah dapat diperoses lebih lanjut menggunakan teknik analisis factor atau
tidak. Caranya dengan melihat nilai KMO MSA (Kaiser-Meyer-Olkin Measure of
Sampling Adequacy)
Jika nilai KMO MSA lebih besar dari 0.50 maka teknik analisis factor dapat dilanjutkan

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .667

Bartlett's Test of Sphericity Approx. Chi-Square 316.936

df 153

Sig. .000

Berdasarkan output di atas diketahui nilai KMO MSA sebesar 0. 667 dan niai Bartlett's
Test of Sphericity (Sig.) 0.000 < 0.05 dengan demikian dapat dinytakan bahwa analisis
factor dalam penelitian ini dapat dilanjutkan karena telah memenuhi persyaratan.
 b. Output Kedua “Anti-image Matrices”
Anti-image Matrices berguna untuk mengetahui dan menentukan variabel mana saja yang layak pakai dalam analisis factor.
pada baris Anti-image Correlation, terdapat kode huruf (a) yang artinya tanda untuk messure of Sampling Adequacy (MSA)
Persyaratan yang harus dipenuhi dalam analisis factor adalah nilai MSA > 0.50 dengan catatan bahwa jika ada variabel yang
memiliki nilai MSA < 0.50 maka akan dilakukan proses analisis ulang hanya untuk varibel yang memiliki nilai MSA > 0.50.
Dari 30 soal yang dianalisis untuk uji faktorial didapatkan bawa ada 12 soal yang memiliki nilai MSA kecil > 0.50. sehingga
soal tersebut tidak dianalisis (Nomor 4, 6, 7, 13, 14, 15, 16, 17, 19, 21, 23, dan 26). Dengan demikian bahwa terdapat 18 soal
yang dianalisis lanjutan dan hasilnya dipaparkan pada tabel berikut.

Anti-image Matrices
Soal_ Soal_ Soal_ Soal_ Soal_ Soal_ Soal_ Soal_ Soal_ Soal_ Soal_ Soal_ Soal_ Soal_
soal_1 soal_2 soal_3 soal_5 10 11 12 18 20 22 24 25 27 28 29 30 8 9
Anti-image soal_1 .606 -.111 -.070 -.052 .056 -.001 .154 -.047 -.059 .052 .051 -.031 -.073 .065 .047 -.181 .075 -.017
Covariance soal_2 -.111 .494 -.034 -.162 -.004 .052 -.060 .001 -.038 -.116 -.106 .084 .082 -.046 -.031 -.032 -.028 .133
soal_3 -.070 -.034 .453 -.006 -.122 -.024 -.036 .078 .119 .041 .033 -.014 -.187 -.043 .010 -.002 -.086 .003
soal_5 -.052 -.162 -.006 .519 -.057 -.008 -.007 .112 .022 .007 -.080 .032 -.036 -.109 -.073 .124 .019 -.034
Soal_10 .056 -.004 -.122 -.057 .387 .027 .083 -.066 -.132 -.098 -.120 -.007 .113 -.154 -.090 -.010 .104 .099
Soal_11 -.001 .052 -.024 -.008 .027 .499 -.005 -.025 -.106 .012 .057 -.135 -.043 -.127 -.093 .028 -.101 -.141
Soal_12 .154 -.060 -.036 -.007 .083 -.005 .398 -.071 .039 -.064 -.027 -.043 -.070 .018 -.016 -.158 .089 .045
Soal_18 -.047 .001 .078 .112 -.066 -.025 -.071 .570 -.118 -.061 -.045 .060 -.097 -.018 .002 .059 .052 -.098
Soal_20 -.059 -.038 .119 .022 -.132 -.106 .039 -.118 .409 .015 .135 -.101 -.074 .003 -.027 -.062 -.078 -.013
Soal_22 .052 -.116 .041 .007 -.098 .012 -.064 -.061 .015 .460 .101 -.128 -.098 .063 .057 -.106 -.148 -.027
Soal_24 .051 -.106 .033 -.080 -.120 .057 -.027 -.045 .135 .101 .412 -.038 -.130 .025 -.089 -.014 -.151 -.165
Soal_25 -.031 .084 -.014 .032 -.007 -.135 -.043 .060 -.101 -.128 -.038 .549 .064 -.120 -.044 .085 -.024 -.044
Soal_27 -.073 .082 -.187 -.036 .113 -.043 -.070 -.097 -.074 -.098 -.130 .064 .272 .012 -.025 .020 .024 .099
Soal_28 .065 -.046 -.043 -.109 -.154 -.127 .018 -.018 .003 .063 .025 -.120 .012 .490 .113 -.045 .024 .069
 Soal_29 .047 -.031 .010 -.073 -.090 -.093 -.016 .002 -.027 .057 -.089 -.044 -.025 .113 .582 -.131 .131 .004
Soal_30 -.181 -.032 -.002 .124 -.010 .028 -.158 .059 -.062 -.106 -.014 .085 .020 -.045 -.131 .340 -.006 -.103
Soal_8 .075 -.028 -.086 .019 .104 -.101 .089 .052 -.078 -.148 -.151 -.024 .024 .024 .131 -.006 .731 .004
Soal_9 -.017 .133 .003 -.034 .099 -.141 .045 -.098 -.013 -.027 -.165 -.044 .099 .069 .004 -.103 .004 .628
a
Anti-image soal_1 .593 -.204 -.134 -.093 .115 -.002 .313 -.081 -.119 .098 .101 -.054 -.179 .119 .080 -.398 .112 -.028
Correlation soal_2 -.204 .704a
-.071 -.320 -.009 .105 -.135 .003 -.084 -.243 -.236 .161 .223 -.094 -.058 -.078 -.046 .239
soal_3 -.134 -.071 .671a
-.012 -.291 -.051 -.086 .154 .276 .090 .076 -.028 -.532 -.092 .020 -.005 -.150 .006
soal_5 -.093 -.320 -.012 .688a -.127 -.015 -.015 .207 .047 .014 -.174 .060 -.095 -.216 -.133 .294 .031 -.059
Soal_10 .115 -.009 -.291 -.127 .554a .062 .211 -.140 -.331 -.231 -.300 -.014 .349 -.353 -.189 -.029 .196 .200
Soal_11 -.002 .105 -.051 -.015 .062 .734a -.010 -.046 -.235 .026 .125 -.259 -.117 -.256 -.172 .069 -.167 -.251
a
Soal_12 .313 -.135 -.086 -.015 .211 -.010 .748 -.148 .096 -.150 -.067 -.091 -.212 .041 -.033 -.430 .165 .089
a
Soal_18 -.081 .003 .154 .207 -.140 -.046 -.148 .759 -.244 -.119 -.092 .108 -.247 -.034 .003 .134 .080 -.164
a
Soal_20 -.119 -.084 .276 .047 -.331 -.235 .096 -.244 .667 .034 .330 -.213 -.223 .008 -.056 -.167 -.143 -.026
a
Soal_22 .098 -.243 .090 .014 -.231 .026 -.150 -.119 .034 .721 .233 -.255 -.276 .132 .110 -.267 -.255 -.051
a
Soal_24 .101 -.236 .076 -.174 -.300 .125 -.067 -.092 .330 .233 .598 -.080 -.390 .056 -.181 -.036 -.275 -.325
a
Soal_25 -.054 .161 -.028 .060 -.014 -.259 -.091 .108 -.213 -.255 -.080 .693 .167 -.232 -.077 .197 -.037 -.075
a
Soal_27 -.179 .223 -.532 -.095 .349 -.117 -.212 -.247 -.223 -.276 -.390 .167 .640 .033 -.062 .066 .054 .240
a
Soal_28 .119 -.094 -.092 -.216 -.353 -.256 .041 -.034 .008 .132 .056 -.232 .033 .676 .211 -.111 .041 .124
a
Soal_29 .080 -.058 .020 -.133 -.189 -.172 -.033 .003 -.056 .110 -.181 -.077 -.062 .211 .755 -.294 .200 .006
a
Soal_30 -.398 -.078 -.005 .294 -.029 .069 -.430 .134 -.167 -.267 -.036 .197 .066 -.111 -.294 .683 -.013 -.223
a
Soal_8 .112 -.046 -.150 .031 .196 -.167 .165 .080 -.143 -.255 -.275 -.037 .054 .041 .200 -.013 .529 .006
Soal_9 -.028 .239 .006 -.059 .200 -.251 .089 -.164 -.026 -.051 -.325 -.075 .240 .124 .006 -.223 .006 .503a
a. Measures of Sampling Adequacy(MSA)

Berdasarkan data pada tabel Anti-image Matrices. Diketahui nilai MSA dari masing-masing soal yang dianalisis yaitu soal
nomor_1 = 0.593; soal nomor_2 = 0.704; soal nomor_3 = 0.671; soal nomor_5 = 0.688; soal nomor_10 = 0.554; soal
nomor_11 = 0.734; soal nomor_12 = 0.748; soal nomor_18 = 0.759; soal nomor_20 = 0.667; soal nomor_22 = 0.721; soal
nomor_24 = 0.598; soal nomor_25 = 0.693; soal nomor
 _28 = 0.676; soal nomor_29 = 0. 755; soal nomor_30 = 0.683; soal nomor_8 = 0.529; dan
soal nomor_9 = 0.503, secara keselurungan nilai MSA > 0.50 maka dengan demikian
dapat dinyatakan bahwa 18 soal tersebut layak untuk dilakukan analisis factor.

c. Output Ke Tiga “Communalities”

Data tabel Communalities ini menjunjukkan nilai bariabel yang diteliti apakah mampu
untuk menjelaskan factor atau tidak. Variabel yang dianggap mampu menjelaskan factor
jika Extraction > 0.50.

Communalities

Initial Extraction

soal_1 1.000 .375

soal_2 1.000 .609
soal_3 1.000 .608
soal_5 1.000 .673
Soal_10 1.000 .730
Soal_11 1.000 .668
Soal_12 1.000 .605
Soal_18 1.000 .462
Soal_20 1.000 .740
Soal_22 1.000 .609
Soal_24 1.000 .781
Soal_25 1.000 .625
Soal_27 1.000 .724
Soal_28 1.000 .691
Soal_29 1.000 .669
Soal_30 1.000 .710
Soal_8 1.000 .641
Soal_9 1.000 .721

Extraction Method: Principal

Component Analysis.

Berdasarkan output di atas, diketahui nilai Extraction dari 18 soal yang dianalisis terdapat
17 soal yang memiliki nilai Extraction > 0.50 artinya butir soal tersebut dapat dipakai
untuk menjelaskan factor. Sedangkan satu butir soal yaitu Nomor 1 nilai Extraction 0.375
< 0.50 dengan demikian bahwa butir soal tersebut tidak dapat dapat dipakai untuk
menjelaskan factor.
d. Output Ke Empat “Total Variance Explained”
Tabel Total Variance Explained menjukkan nilai masing-masing variabel yang dianalisis. Dalam penelitian ini ada 18 (delapan
belas) butir soal yang dianalisis. Ada dua macam analisis untuk menjelaskan suatu varian, yaitu Initial Eigenvalues dan
Extraction Sums of Squared Loadings.
Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings

% of % of
Component Total % of Variance Cumulative % Total Variance Cumulative % Total Variance Cumulative %

1 4.093 22.739 22.739 4.093 22.739 22.739 3.456 19.201 19.201

2 2.641 14.672 37.411 2.641 14.672 37.411 2.686 14.921 34.121
3 2.419 13.441 50.851 2.419 13.441 50.851 2.587 14.375 48.496
4 1.338 7.433 58.284 1.338 7.433 58.284 1.520 8.443 56.940
5 1.151 6.394 64.678 1.151 6.394 64.678 1.393 7.738 64.678
6 .953 5.297 69.974
7 .933 5.185 75.160
8 .762 4.233 79.393
9 .612 3.401 82.794
10 .566 3.144 85.938
11 .497 2.764 88.701
12 .433 2.407 91.108
13 .357 1.982 93.090
14 .334 1.857 94.947
15 .309 1.714 96.662
16 .267 1.486 98.147
17 .193 1.071 99.218
18 .141 .782 100.000
Extraction Method: Principal Component Analysis.
 Pada varian nilai Initial Eigenvalues menunjukan factor yang terbentuk. Apabila semua
factor dujumlahkan menunjukkan jumlah variabel (yaitu 4.093 + 2.641 + 2.419 + 1.338
+ 1.151 + 0.953 + 0.933 + 0.762 + 0.612 + 0.566 + 0.497 + 0.433 + 0.357 + 0.334 +
0.309 + 0.267 + 0.193 + 0.141 = 18) sedangkan pada bagian Rotation Sums of Squared
Loadings menunjukan jumlah variasi atau banyaknya factor yang dapat terbentuk,
dimana pada tabel output di atas ada 5 (lima) variasi faktor, yaitu 4.093 ; 2.641; 2.419;
1.338 dan 1.151.
Penjelasan lain kotak warna hijau berdasarkan tabel “Initial Eigenvalue” maka ada 5
(Lima) faktor yang dapat terbentuk dari 18 butir soal yang dianalisis. Dimana syarat
untuk menjadi sebuah faktor, maka nilai Eigenvalues harus > 1. Nilai Eigenvalue
component 1 sebesar 4.093 atau > 1 maka menjadi factor 1 dan mampu mejelaskan 22.739

% variance; nilai Eigenvalue component 2 sebesar 2.641 atau > 1 maka menjadi factor 2
dan mampu menjelaskan 14.672 % variance; nilai Eigenvalue component 3 sebesar 2.419

atau > 1 maka menjadi factor 3 dan mampu menjelaskan 13.441 % variance; nilai
Eigenvalue component 4 sebesar 1.338 atau > 1 maka menjadi factor 4 dan mampu
menjelaskan 7.433 % variance; nilai Eigenvalue component 5 sebesar 1.151 atau > 1 maka
menjadi factor 5 dan mampu menjelaskan 6.394 % variance. Jika faktor 1 dan faktor 2
dijumlahkan maka mampu menjelaskan 64.678 % variance.
Catatan dalam tabel Total Variance Explained bahwa nilai total compenent 7 – 18 < 1
maka tidak menjadi sebuah factor.

e. Output Ke Lima “Cree Plot”

Gambar scree Plot menunjukkan jumlah factor yang terbentuk dengan cara melihat nilai
Eigenvalue > 1.
 Berdasarkan gambar scree Plot pada grafik di atas dapat dilihat bahwa ada 5 titik
component yang memiliki nilai Eigenvalue > 1. Maka dapat diartikan bahwa dari 18
(delapan belas) butir soal yang dianalisis diperoleh 5 faktor yang dapat terbentuk.

f. Output Ke Enam “Component Matrixa”

Component matrix ini menunjukan nilai korelasi antara masing-masing variabel dengan
factor yang terbentuk.
 Component Matrixa

Component

1 2 3 4 5

soal_1 .451 -.071 -.202 -.303 -.184

soal_2 .490 -.310 .461 -.205 -.132
soal_3 .554 -.309 .271 .296 -.213
soal_5 .177 -.195 .754 .105 .154
Soal_10 .277 .363 .678 -.244 .051
Soal_11 .320 .705 -.036 .248 .079
Soal_12 .670 -.310 -.246 -.008 -.015
Soal_18 .557 .237 -.290 -.098 .041
Soal_20 .396 .701 -.102 -.251 -.136
Soal_22 .682 .137 -.165 .019 -.313
Soal_24 .521 -.372 .291 .331 .422
Soal_25 .140 .748 .120 .179 .005
Soal_27 .736 -.295 -.143 .236 -.137
Soal_28 .108 .474 .666 -.009 -.111
Soal_29 .585 -.013 .118 -.254 .498
Soal_30 .709 -.061 -.339 -.296 .022
Soal_8 .199 .150 -.066 .707 -.273
Soal_9 .152 .285 -.430 .246 .609

Extraction Method: Principal Component Analysis.

a. 5 components extracted.

Bedasarkan tabel component matrix di atas dapat dilihat bahwa pada variabel hasil belajar,
yakni nilai korelasi variabel ini dengan factor 1 sebesar 0.768 dan korelasi factor 2 adalah
sebesar 0.556.

g. Output Ke tujuh “Rotated Component Matrixa”

Untuk memastikan suatu variabel masuk dalam kelompok factor yang mana, maka dapat
ditentukan dengan melihat nilai korelasi terbesar antara variabel dengan factor
(Component) yang terbentuk.
 Rotated Component Matrixa

Component

1 2 3 4 5

soal_1 .591 -.006 -.035 -.123 -.093

soal_2 .337 .012 .576 -.393 -.093
soal_3 .334 -.051 .528 -.209 .415
soal_5 -.201 .116 .760 -.202 -.024
Soal_10 -.011 .635 .452 -.229 -.262
Soal_11 .133 .685 -.062 .343 .244
Soal_12 .693 -.207 .232 .096 .136
Soal_18 .585 .245 -.042 .239 .020
Soal_20 .413 .709 -.239 .050 -.086
Soal_22 .680 .246 .031 -.074 .281
Soal_24 .173 -.151 .786 .287 .169
Soal_25 -.050 .744 -.086 .183 .168
Soal_27 .657 -.143 .328 .039 .404
Soal_28 -.197 .694 .310 -.274 -.013
Soal_29 .425 .143 .488 .326 -.352
Soal_30 .822 .002 .056 .135 -.117
Soal_8 .021 .151 .014 .084 .781
Soal_9 .088 .094 -.075 .836 .030

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 16 iterations.

Hasil interpretasi data pada tabel Rotated Component Matrixa di atas:

1. Butir Soal Nomor 1. Nilai korelasi paling tinggi butir soal ini terletak pada component
faktor 1 = 0.591 (masuk kelompok faktor 1)
2. Butir Soal Nomor 2. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 3 = 0.576 (masuk kelompok faktor 3)

3. Butir Soal Nomor 3. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 3 = 0.528 (masuk kelompok faktor 3)

4. Butir Soal Nomor 5. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 3 = 0.760 (masuk kelompok faktor 3)

5. Butir Soal Nomor 10. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 2 = 0.635 (masuk kelompok faktor 2)

6. Butir Soal Nomor 11. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 2 = 0.685 (masuk kelompok faktor 2)

7. Butir Soal Nomor 12. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 1 = 0.693 (masuk kelompok faktor 1)

8. Butir Soal Nomor 18. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 1 = 0.585 (masuk kelompok faktor 1)

9. Butir Soal Nomor 20. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 2 = 0.709 (masuk kelompok faktor 2)

10. Butir Soal Nomor 22. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 1 = 0.680 (masuk kelompok faktor 1)

11. Butir Soal Nomor 24. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 3 = 0.786 (masuk kelompok faktor 3)

12. Butir Soal Nomor 25. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 2 = 0.744 (masuk kelompok faktor 2)

13. Butir Soal Nomor 27. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 1 = 0.657 (masuk kelompok faktor 1)

14. Butir Soal Nomor 28. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 2 = 0.694 (masuk kelompok faktor 2)

15. Butir Soal Nomor 29. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 3 = 0.488 (masuk kelompok faktor 3)

16. Butir Soal Nomor 30. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 1 = 0.822 (masuk kelompok faktor 1)

17. Butir Soal Nomor 8. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 5 = 0.781 (masuk kelompok faktor 5)

18. Butir Soal Nomor 9. Nilai korelasi paling tinggi butir soal ini terletak pada Component

factor 4 = 0.836 (masuk kelompok faktor 4)