Analisis Faktor Dalam Statistika Lanjutan

i

MAKALAH STATISTIKA LANJUTAN

“Analisis Faktor”

Oleh Kelompok 1:

1. Melvi Khairani (A2C023007) 2. Wina Trisva Kauno (A2C023011) 3. Rafika Zelia Nengsi (A2C023012)

Dosen Pengampu : Dr. Hari Sumardi, M.Si.

PROGRAM STUDI PASCASARJANA PENDIDIKAN MATEMATIKA FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

UNIVERSITAS BENGKULU

2023

ii

KATA PENGANTAR

Puji dan syukur penulis ucapkan ke hadirat Tuhan Yang Maha Esa yang telah melimpahkan karunia-Nya sehingga penulis diberikan kemudahan untuk dapat menyelesaikan tugas makalah Statistika Lanjutan tentang Analisis Faktor. Tidak lupa pula kami mengucapkan terima kasih kepada semua pihak yang telah turut memberikan kontribusi dalam penyususnan tugas makalah ini. Tentunya tidak akan bisa maksimal jika tidak mendapat dukugan dari berbagai pihak.

Penulis menyadari sepenuhnya atas keterbatasan dan segala kekurangan yang penulis miliki. Namun, penulis sangat berharap semoga tugas ini dapat bermanfaat khususnya bagi penyelesaian tugas kuliah Statistika Lanjutan Program Pascasarjana S-2 Pendidikan Matematika Universitas Bengkulu. Kritik dan saran membangun sangat penulis harapkan.

Bengkulu, Oktober 2023

Penyusun

iii DAFTAR ISI

COVER ... i

KATA PENGANTAR ... ii

DAFTAR ISI ... iii

BAB I. PENDAHULUAN A. Latar Belakang ... 1

B. Rumusan Masalah ... 1

C. Tujuan ... 1

BAB II. PEMBAHASAN A. Pengertian Analisis Faktor ... 2

B. Tujuan Analisis Faktor ... 2

C. Proses Analisis Faktor ... 3

D. Contoh Kasus Analisis Faktor ... 7

BAB III. PENUTUP A. Kesimpulan ... 15

B. Saran ... 15 DAFTAR PUSTAKA

1 BAB I PENDAHULUAN A. Latar Belakang

Analisis faktor adalah sebuah metode statistik yang digunakan untuk mengidentifikasi pola-pola dalam data yang mungkin berasal dari faktor-faktor yang lebih mendasar.

Analisis faktor digunakan dalam berbagai disiplin ilmu, termasuk psikologi, ekonomi, ilmu sosial, dan ilmu-ilmu lainnya. Dalam makalah ini, kita akan membahas konsep dasar analisis faktor, langkah-langkah pelaksanaan analisis faktor, dan aplikasi praktisnya.

Konsep Dasar Analisis faktor adalah teknik statistik yang digunakan untuk mereduksi dimensi data. Dalam analisis ini, kita mencoba mengidentifikasi faktor-faktor yang mendasari pola dalam data dengan cara memproyeksikan data dari dimensi yang lebih tinggi ke dimensi yang lebih rendah. Faktor-faktor ini adalah variabel laten yang tidak dapat diobservasi langsung, tetapi dapat diestimasi dari pola data yang diamati. Adapun tujuan analisis faktor adalah untuk mengurangi kompleksitas data dengan mengidentifikasi faktor-faktor yang dapat menjelaskan sebagian besar variasi dalam data.

Dengan demikian, analisis faktor dapat membantu mengungkap struktur yang mendasari data, mengidentifikasi pola yang tersembunyi, dan memahami hubungan antar variabel B. Rumusan Masalah

Adapun rumusan masalah yang akan dibahas pada makalah ini yaitu : 1. Apa itu Analisis Faktor ?

2. Apa tujuan Analisis Faktor ?

3. Bagaimana proses Analisis Faktor ? 4. Bagaimana contoh kasus Analisis Faktor ? C.Tujuan

Tujuan penulisan makalah ini yaitu :

1. Untuk mengetahui Apa itu Analisis Faktor.

2. Untuk mengetahui tujuan Analisis Faktor.

3. Untuk mengetahui bagaimana proses Analisis Faktor.

4. Untuk mengetahui contoh kasus Analisis Faktor.

2 BAB II PEMBAHASAN A. Pengertian Analisis Faktor

Analisis faktor adalah kajian tentang saling ketergantungan antara variabel- variabel, dengan tujuan untuk menemukan himpunan variabel-variabel baru, yang lebih sedikit jumlahnya dari pada variabel semula, dan yang menunjukkan yang mana di antara variabel- variabel semula tersebut yang merupakan faktor-faktor persekutuan (Suryanto, 1988:234).

Dalam analisis faktor, variabel-variabel dalam jumlah besar dikelompokan dalam sejumlah faktor yang mempunyai sifat dan karakteristik yang hampir sama, sehingga lebih mempermudah pengolahan. Pengelompokan dilakukan dengan mengukur korelasi sekumpulan variabel dan selanjutnya menempatkan varibel-variabel yang berkorelasi tinggi dalam satu faktor, dan variabel-variabel lain yang mempunyai korelasi relatif lebih rendah ditempatkan pada faktor yang lain.

Menurut Supranto (2004:114) analisis faktor digunakan dalam situasi:

a. Mengenali atau mengidentifikasi dimensi yang mendasari atau faktor, yang menjelaskan korelasi antara suatu set variabel.

b. Mengenali dan mengidentifikasi suatu set variabel baru yang tidak berkorelasi (independen) yang lebih sedikit jumlahnya untuk menggantikan suatu set asli yang saling berkorelasi di dalam analisis multivariat selanjutnya, misalnya analisis regresi ganda dan analisis diskriminan.

c. Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu set variabel yang lebih banyak jumlahnya untuk dipergunakan di dalam analisis multivariat selanjutnya.

B. Tujuan Analisis Faktor

Tujuan utama analisis faktor adalah untuk menjelaskan, hubungan kovariansi antara banyak peubah dalam bentuk sejumlah besaran acak populasi yang tidak teramati, yang disebut factor. Analisis faktor dapat pula digunakan untuk menguji hipotesis mengenai suatu konstruk (Tiro, 2006).

Pada dasarnya tujuan analisis faktor adalah (Santoso, 2014):

a. Data Summarization, yakni mengidentifikasi adanya hubungan antara variable dengan melakukan uji korelasi. Jika korelasi dilakukan antara variabel (dalam artian SPSS adalah ‘kolom’), analisis tersebut dinamakan R factor Analysis. Namun, jika korelasi dilakukan antara responden atau sampel (dalam pengertian SPSS adalah ‘baris’) analisis disebut Q factor Analysis, yang juga populer disebut Cluster Analysis.

3

b. Data reduction, yakni setelah melakukan korelasi, membuat sebuah variabel set baru yang dinamakan faktor untuk menggantikan sejumlah variabel tertentu.

C. Proses Analisis Faktor

Proses dasar analisis faktor meliputi hal-hal berikut :

1. Menentukan variabel apa saja yang akan dianalisis, variabel-variabel yang dipilih adalah variabel yang relevan dengan penelitian yang dilakukan dan harus didasarkan pada penelitian-penelitian terdahulu, teori dan pendapat peneliti sendiri.

2. Menghitung matriks korelasi dengan metode Bartlett test of spericity serta pengukuran MSA (measure of sampling).

a. Metode Bartlett test of spericity

Dalam analisis faktor, hasil yang diinginkan adalah adanya korelasi diantara satu variabel. Jika korelasi antar variabel kecil, maka kemungkinan besar variabel-variabel tersebut terletak pada faktor yang berbeda.¹⁵ Matriks korelasi, yang di bentuk dari data yang diperoleh hasil penelitian. Korelasi yang relatif tinggi antara variabel X1, X2,...,Xn di harapkan berkorelasi dengan set indikator yang sama. jika nilai Bartlett hitung > Bartlett tabel, atau sign <

Alpha 5% maka menunjukkan bahwa terjadi korelasi yang signifikan diantara variabel yang dianalisis dan proses dapat dilanjutkan. Misalkan Bartlett test of sphericity = X² untuk menguji apakah matriks yang terbentuk adalah matriks korelasi bukan matriks identitas dengan Ho : ρ = Ivxv dan H1 : ρ ≠ Ivxv , dengan rumus : X² = { 1/6 (2v+5) – (n-1)} ln |Mvv|.¹⁶

Dimana :

v = jumlah variabel n = jumlah sampel

|Mvv| = determinan matriks korelasi dengan derajat kebebasan dk = ½ v (v-1).

b. Measure of sampling Adequancy (MSA).

Dalam SPSS menggunakan indeks Kaiser Meyer Olkin, sehingga sering disebut Kaiser Meyyer (KMO) indeks yang digunakan untuk meneliti ketepatan analisis faktor dengan membandingkan koefisien korelasi sampel yang diobservasi dengan koefisien korelasi parsial. Nilai (KMO MSA) sebesar 0.5-1.0 menunjukkan bahwa proses analisis yang dilakukan sudah tepat dan dapat dilanjutkan.¹⁷ Dalam SPSS, ukuran kecukupan sampling untuk tiap variabel ditampilkan dalam tiap diagonal pada anti image correlation matriks. Jika ukuran MSA untuk variabel adalah kecil, maka variabel tersebut perlu

4 dipertimbangkan untuk dieliminasi.

Rumus Uji KMO ; 𝐾𝑀𝑂 = ^{ΣΣ𝑖=𝑗𝑟𝑖𝑗}

2 ΣΣ 𝑖=𝑗𝑟_𝑖𝑗² + ΣΣ𝑖=𝑗 𝑎_𝑖𝑗²

𝑖= 1,2, ... p ; 𝑗 = 1, 2, ..., p Dimana :

𝑟ij= koefisien korelasi sederhana antara variabel i dan j 𝑎ij = koefisien korelasi parsial antara variabel i dan j Kriteria Uji KMO dari matriks antara variabel¹⁸

Untuk 0,9 < KMO ≤ 1,00 data sangat baik, Untuk 0,8< KMO ≤ 0,9 data baik

Untuk 0,7< KMO ≤ 0,8 data baik .

Untuk 0,6< KMO ≤ 0,7 data lebih dari cukup Untuk 0,5< KMO ≤ 0,6 data cukup

KMO ≤ 0,5 data tidak layak 3. Ekstraksi atau proses factoring.

Ekstraksi faktor adalah suatu metode yang digunakan untuk mereduksi data dari beberapa indikator untuk menghasilkan faktor yang lebih sedikit yang mampu menjelaskan korelasi antar indikator yang diobservasi. Metode yang digunakan untuk melakukan ekstraksi faktor adalah principal component analysis, principal axis factoring, unweighted leastquares, generalized least squares, dan maximum likelihood.

a. Principal component analysis

Dipakai apabila kita ingin mengetahui variabel laten dari sejumlah variabel pengamatan. Misalnya, kita memiliki 15 variabel pengamatan. Kemudian kita ingin mengetahui berapakah variabel laten yang mendasari variabel-variabel tersebut? Dalam proses ini, PCA memperhitungkan unique variance dan common variance. Sebelumnya, kita perlu ketahui bahwa ada tiga komponen variance sebuah variabel. Pertama, common variance, yaitu variance suatu variabel yang juga dimiliki variabel-variabel lain (variance in a variable that is shared with all other variables). Kedua, specific variance, yaitu variance yang dimiliki hanya oleh variabel itu. Ketiga, error variance, yaitu varian sebuah varibel yang ditimbulkan oleh kesalahan pengukuran, kesalahan alat ukur ataupun kesalahan pemilihan sampel.

5

Principal component analysis (PCA) menggunakan total varian, yang mencakup ketiga komponen varian itu dalam analisis. Namun, metoda ini berusaha menghasilkan faktor yang memiliki specific variance dan error variance yang paling kecil. Kalau ada beberapa faktor yang dihasilkan dari sejumlah variabel, misalkan tiga faktor dari 10 variabel, maka faktor pertama yang dibentuk adalah yang memiliki common variance terbesar, sekaligus specific dan eror variance terkecil. PCA bertujuan untuk mengetahui jumlah faktor minimal yang dapat diekstrak. Namun, apabila memilih metoda ini, peneliti harus yakin bahwa common variance lebih besar dari specific dan error variance.

b. Principal Axis Factoring

Disebut juga common factor analysis, bertujuan untuk menemukan sesedikit mungkin faktor berdasarkan common variance atau korelasi sejumlah faktor. Common factor analysis mengekstrak faktor hanya berdasarkan common variance. Metoda ini dapat dipakai apabila tujuan utama peneliti adalah untuk mengetahui dimensi-dimensi laten atau konstruk yang mendasari variabel-variabel asli. Memang, dengan metoda ini, jumlah faktor tetap diekstrak, akan tetapi metoda ini lebih kuat dalam mengungkap dimensi-dimensi laten yang melandasi variabel-variabel asli. Sebagai tambahan, metoda ini juga dapat dipakai kalau peneliti tidak mengetahui specific dan error variance, sehingga mau diabaikan saja dalam analisis.

Kalau mau menggunakan common factor analysis, peneliti perlu mengetahui beberapa kelemahan, seperti dikemukakan Hair et al. (2014). Pertama, faktor indeterminancy, yaitu setiap responden dapat memiliki beberapa skor yang berbeda yang dihasilkan dari model yang dihasilkan. Kedua, communalities tidak selalu dapat dicari, kalaupun bisa, hasilnya dapat invalid (lebih besar dari 1). Dengan adanya kelemahan-kelemahan tersebut, pemakaian principal component analysis lebih luas. Sekalipun demikian, pemakaian kedua metoda sering menghasilkan kesimpulan yang sama.

PCA dan PAF adalah dua metoda yang paling banyak digunakan. Metoda- metoda lain tetapi jarang digunakan adalah weighted least square, maximum likelihood, dan alpha factoring. Maximum likelihood adalah prosedur untuk menemukan nilai satu atau lebih parameter dengan harapan likelihood distribution yang diketahui maksimum. Metoda ini bertujuan menemukan factor loading dengan memaksimalkan fungsi unique variances untuk menemukan faktor

6

yang unik pula. Teknik ini memungkinkan peneliti untuk mengukur indeks goodness of fit model, termasuk untuk menguji signifikansi factor loading yang dihasilkan secara statistic, menguji korelasi antar faktor dan juga menghitung confidence interval antar parameter. Teknik ini membutuhkan data berdistribusi normal, kalua tidak, jangan gunakan sama sekali.

Ordinary or Unweighted least squares dimaksudkan untuk meminimalkan residual antara input matriks korelasi dengan matrik korelasi yang dihasilkan faktor-faktor yang dihasilkan. Generalized or Weighted least squares adalah modifikasi atas teknik di atas. Tujuannya juga sama yaitu meminimalkan residual antara input matriks korelasi dengan matrik korelasi yang dihasilkan faktor-faktor yang dihasilkan. Namun, teknik ini memberikan bobot korelasi yang berbeda, di mana korelasi antar variabel yang keunikannya tinggi diberi bobot lebih rendah.

Teknik ini digunakan apabila peneliti ingin kesesuaian (fit) faktor dengan unique variables lebih rendah dibanding dengan common variables. Alpha factoring sesuai untuk teknik analisis faktor yang mengamnggap bahwa yang digunakan merupakan sampel dari populasi variabel yang tentunya jumlahnya lebih banyak.

Teknik ini dimaksudkan untuk memaksimalkan reliabilitas alpha faktor-faktor yang dihasilkan.

4. Menentukan Jumlah Faktor

Penentuan jumlah faktor didasarkan pada besarnya eigen value setiap faktor yang muncul. Eigen value merupakan jumlah varian yang dijelaskan oleh setiap faktor. Maksdunya melakukan analisis faktor untuk mencari variabel baru yang disebut faktor yang saling berkorelasi, bebas atau satu sama lainnya, lebih sedikit jumlahnya daripada variabel asli, akan tetapi bisa menyerap sebagian informasi yang terkandung dalam variabel asli. Faktor-faktor inti yang dipilih adalah faktor yang memiliki eigen value > 1.

5. Rotasi Faktor-faktor

Rotasi faktor dilakukan untuk mempermudah interprestasi dalam menentukan variabel-variabel mana saja yang tercantum dalam suatu faktor karena terkadang ada beberapa variabel yang mempunyai korelasi tinggi dengan lebih dari satu faktor atau jika sebagian faktor loading dari variabel bernilai dibawah terkecil yang telah ditetapkan. Suatu hasil atau output yang penting dalam analisis faktor ialah apa yang disebut matriks faktor pola (factor pattern matrix). Matriks faktor memuat/berisi koefisien yang dipergunakan untuk mengekspresikan variabel yang dibakukan

7 (standardized) dinyatakan dalam faktor.

Hasil dari ekstraksi faktor tidak mempunyai arti jika tidak dirotasi karena rotasi ekstraksi berguna untuk memungkinkan penafsiran dan pengulasan ilmiah.

Analisis faktor mempunya dua rotasi yaitu rotasi orthogonal dan rotasi oblique. Bagian dari rotasi orthogonal adalah varimax, Quartimax, dan equamax.²⁰

6. Interpretasi Hasil

Setelah menghasilkan faktor-faktor, langkah terakhir adalah menginterpretasi hasilnya. Ini melibatkan mengidentifikasi faktor-faktor tersebut, memberi nama pada faktor-faktor tersebut, dan memahami hubungan antara faktor-faktor dan variabel asal.

D. Contoh Kasus Analisis Faktor

Setelah proses seleksi CPNS 2019 usai, sebuah lembaga survey ingin melakukan penelitian yang bertujuan untuk mengetahui pemetaan karakteristik peserta CPNS yang lolos pada tahap akhir. Terdapat beberapa variabel yang akan diukur menggunakan kuisioner dengan ketentuan sebagai berikut:

- X1 = Alasan / Motivasi menjadi CPNS (1 : sangat tidak termotivasi - 5 : sangat termotivasi)

- X2 = Pendidikan Responden (1 : SMA, 2 : S1, 3 : S2 dan di atasnya)

- X3 = Pendidikan Orang Tua (1 : SD, 2 : SMP, 3 : SMA, 4 : S1 dan di atasnya) - X4 = Pekerjaan Orang Tua (1 : Petani, 2 : Swasta, 3 : Niaga, 4: PNS, 5 : lainnya) - X5 = Dukungan Orang Tua (1 : tidak mendukung, 2 : sangat mendukung)

- X6 = Faktor Ketersediaan Formasi (1 : Tidak, 2 : Ya)

8

Data yang telah dikumpulkan kemudian dirangkup menjadi tabel berikut:Responden yang berpartisipasi dalam survey tersebutberjumlah 25 orang. Selesaikan permasalahan tersebut menggunakan Analisis Faktor Eksploratori dengan tingkat kesalahan alpha 5%.

Penyelesaian dengan menggunakan SPSS

Langkah – langkah analisis faktor dengan menggunakan SPSS sebagai berikut : 1. Buka lembar kerja dan masukan data

2. Klik Analyze – Dimension Reduction – Factor

9

3. Masukan semua variabel ke dalam kotak dialog Variables

4. Pada kotak Descriptives ceklis pilihan berikut kemudian klik Continue

5. Pada kotak Extraction ceklis pilihan berikut kemudian klik Continue

10

6. Pada kotak Rotation ceklis pilihan berikut kemudian klik Continue

7. Kemudian klik OK Interpretasi Hasil

1. Asumsi

Dalam analisis faktor terdapat asumsi atau syarat yang harus dipenuhi. Asumsi – asumsi tersebut dijelaskan sebagai berikut :

• Uji Normalitas Multivariat

Uji Normalitas Multivariat bertujuan untuk menguji data secara bersama-sama apakah mengikuti sebaran distribusi normal multivariat. Uji normalitas multivariat sangat berbeda dengan uji normalitas univariat atau yang sering digunakan pada analisis statistik lainnya. Tahapan uji normalitas multivariat akan dibahas pada artikel selanjutnya.

• KMO and Bartlett's Test

Pada artikel ini digunakan nilai (Kaiser Meyer Olkin Measure of Sampling Adequacy) KMO MSA untuk mengukur korelasi antar variabel. Nilai KMO dapat dilihat pada tabel berikut:

11

Proses analisis faktor dapat dilanjutkan jika nilai (Kaiser Meyer Olkin Measure of Sampling Adequacy) KMO MSA lebih besar dari 0,5. Dari hasil yang diperoleh, didapatkan nilai KMO MSA sebesar 0,762. Oleh karena itu, proses analisis faktor pada penelitian ini dapat dilakukan.

• Anti-image Correlation

Untuk mengetahui korelasi parsial, digunakan informasi dari Anti-image Correlation. Nilai Anti-image Correlation dapat diperoleh dari tabel Anti-image Matrices berikut:

Pada tabel Anti-image Correlation perhatikan nilai dengan tanda "a". Nilai ini adalah nilai MSA untuk masing-masing variabel. Proses analisis faktor dapat dilanjutkan jika nilai MSA masing-masing variabel lebih besar dari 0,5. Dari hasil yang diperoleh, didapatkan nilai MSA untuk setiap variabel lebih dari 0,5. Oleh karena itu, proses analisis faktor pada penelitian ini dapat dilakukan.

Catatan: Jika pada proses ini terdapat nilai MSA Variabel yang kurang dari 0,5.

Maka silahkan ULANGI tahapan analisis dari awal dengan cara tidak memasukan variabel yang nilai MSA nya kurang dari 0,5. Ulangi tahap ini sampai semua nilai MSA Variabel lebih dari 0,5.

• Nilai Komunalitas

Nilai komunalitas adalah nilai yang mencerminkan seberapa besar kontribusi sebuah variabel dalam membentuk faktor baru yang terbentuk. Nilai ini dapat diperoleh dari tabel Communalities berikut:

12

Berdasarkan hasil yang diperoleh, diketahui bahwa nilai Communalities untuk semua variabel adalah lebih dan 0,5 bahkan mendekati 1. Hal ini menunjukan bahwa semua variabel berkontribusi besar dalam membangun faktor-faktor baru yang akan terbentuk.

2. Hasil

Setelah asumsi/syarat terpenuhi, selanjutnya adalah melakukan interpretasi hasil analisis faktor. Berikut komponen- komponenya.

• Faktor yang Terbentuk

Informasi tentang faktor yang terbentuk dapat diperoleh dari tabel Total Variance Explained

Berdasarkan tabel Total Variance Explained diketahui bahwa terdapat 2 nilai eigen yang lebih dari 1 yaitu Component 1 = 3,708 dan Component 2 = 1,465. Dari informasi tersebut dapat disimpulkan bahwa, terdapat 2 faktor yang terbentuk.

• Komponen dalam Faktor

Setelah mengetahui berapa faktor yang akan terbentuk, tahap selanjutnya adalah memastikan anggota yang masuk dalam faktor-faktor tersebut. Informasi ini dapat diperoleh dari tabel Component Matrix dan Rotated Component Matrix

13

Berdasarkan tabel Rotated Component Matrix, dapat disimpulkan bahwa

- X1 (Alasan/Motivasi) korelasi terbesar dengan faktor 1 sebesar 0,868. Jadi, variabel X1 (Alasan/Motivasi) masuk ke faktor 1

- X2 (Pendidikan Responden) korelasi terbesar dengan faktor 2 sebesar 0,797. Jadi, variabel X2 (Pendidikan Responden) masuk ke faktor 2.

- X3 (Pendidikan Orang Tua) korelasi terbesar dengan faktor 2 sebesar 0,927. Jadi, variabel X3 (Pendidikan Orang Tua) masuk ke faktor 2.

- X4 (Pekerjaan Orang Tua) korelasi terbesar dengan faktor 1 sebesar 0,931. Jadi, variabel X4 (Pekerjaan Orang Tua) masuk ke faktor 1

- X5 (Dukungan Orang Tua) korelasi terbesar dengan faktor 1 sebesar 0,958 Jadi, variabel XS (Dukungan Orang Tua) masuk ke faktor 1.

- X6 (Ketersediaan Formasi) korelasi terbesar dengan faktor 1 sebesar -0,870. Jadi, variabel X6 (Ketersediaan Formasi) masuk ke faktor 1.

Berdasarkan analisis komponen yang telah dilakukan, dapat disimpulkan bahwa terdapat 2 komponen/faktor yang terbentuk yaitu:

14

1) Komponen Faktor 1 terdiri dari variabel Alasan/Motivasi, Pekerjaan Orang Tua, Dukungan Orang Tua dan Ketersediaan Formasi yang selanjutnya akan diklasifikasikan ke dalam variabel baru dengan nama Variabel Lingkungan.

2) Komponen/Faktor 2 terdiri dari variabel Pendidikan Responden dan Pendidikan Orang Tua yang selanjutnya akan diklasifikasikan ke dalam variabel baru dengan nama Variabel Pendidikan.

Catatan: Pengklasifikasian variabel baru atau pemberian nama variabel baru dilakukan dengan cara judgetment. Hal ini dikarenakan, proses pengklasifikasian variabel baru atau pemberian nama variabel baru adalah bersifat subjektif dan tentunya disesuaikan dengan teori yang ada.

• Component Transformation

Informasi terakhir adalah Component Transformation dengan output sebagai berikut:

Berdasarkan output diketahui bahwa nilai korelasi Component 1 dan Component 2 adalah sebesar 0,931. Maka kedua komponen/faktor yang terbentuk telah mampu merangkum keenam variabel yang diamati karena nilai korelasinya lebih besar dari 0.5

Kesimpulan Akhir

Hasil pemetaan menunjukan bahwa terdapat 2 faktor baru yang terbentuk dari keenam variabel yang dianalisis. Faktor tersebut adalah Faktor Lingkungan den Faktor Pendidikan Informasi ini dapat diolah dengan analisis lanjutan seperti uji tuji F, ANOVA maupun analisis regresi.

15 BAB III PENUTUP

A. Kesimpulan

Analisis faktor adalah metode statistik yang kuat untuk mengidentifikasi faktor-faktor yang mendasari pola dalam data. Dengan mereduksi dimensi data, analisis faktor membantu mengungkap struktur yang mendasari data dan memudahkan interpretasi. Analisis faktor memiliki berbagai aplikasi praktis dalam berbagai disiplin ilmu dan dapat membantu dalam pengambilan keputusan dan pemahaman fenomena yang kompleks

B. Saran

Melalui makalah ini, penulis mengharapkan, mahasiswa dapat memahami apa itu Analisis Faktor dan bagaimana penerapannya dalam penelitian. Penulis mengharapkan kritik dan saran dari pembaca maupun dosen pengampu dalam penulisan makalah ini, agar dapat menulis dengan lebih baik lagi di masa yang akan datang

16

DAFTAR PUSTAKA

Santoso, Singgih. Satistik Multivariat. Jakarta: Elex Media Komputindo. 2014.

Supranto. 2004. Analisis Multivariat Arti dan Interpretasi. Jakarta: Rineka Cipta.

Suryanto. 1988. Metode Statistika Multivariat. Jakarta: Departemen Pendidikan dan Kebudayaan.