Selasa, 19 Januari 2010

FAKTOR ANALISIS LINA HILSA FUJIATIN

NAMA : LINA HILSA FUJIATIN
NIM : 080132
KELAS/ SMT: REGULER/ III-B




Keterangan :
Bobot nilai :
X1 = Hemat 2 = Sangat tidak setuju
X2 = Efesiensi waktu 3 = Tidak setuju
X3 = Gaya hidup 4 = Setuju
X4 = Pergaulan 5 = Sangat tidak setuju
X5 = Kemudahan

Analisis output

Factor Analysis

Tabel 1
Descriptive Statistics



Table ini merupakan gambaran tantang data yang diinput, terdiri atas mean / rata-rata, standar deviasi, dan jumlah data yang dianalisis pada tiap-tiap variable.

Tabel 2
Correlation Matrix


Multikolinearitas adalah korelasi antar variable. Korelasi antarvariabel yang sama (misalnya X1 dan X1), yang nilainya 1,000 tidak perlu diperhatikan. Karena variabel-variabel tersebut dikorelasikan dengan ‘dirinya sendiri’. Yang perlu diperhatikan adalah korelasi antarvariabel yang berbeda.

Tabel 3



Kesimpulan tentang layak-tidaknya analisis factor dilakukan baru sah secara statistic dengan menggunakan uji Kaiser-Meyer-Olkin (KMO) measure of adequancy dan Barlett Test.
KMO uji yang nilainya berkisar antara 0 sampai 1 ini, mempertanyakan kelayakan (appropriateness) analisis factor. Apabila nilai indeks tinggi (berkisar antara 0,5 sampai 1,0) analisis factor layak dilakukan.

Dari di atas terlihat bahwa nilai KMO secara keseluruhan adalah 0,480. Jadi, analisis factor layak dilakukan.
Barlett Test ini merupakan test statistic untuk menguji apakah betul variable-variabel yang dilibatkan berkolerasi. Hipothesis nol (Ho) adalah tidak ada korelasi antar variable, sedangkan hipothesis alternative (Ha) adalah terdapat korelasi antarvariabel. Nilai Barlett Test didekati dengan nilai chi-square. Pada table terlihat bahwa nilai chi-square adalah 14,675, yang untuk derajat kebebasan (degree of freedom, disingkat df) sebesar 10, memiliki signifikasi 0,144 (berarti memiliki tingkat kesalahan sebesar 14,4%) sehingga kita dapat percaya 85,6% bahwa antarvariabel terdapat korelasi.
Tabel 4



Angka-angka dalam matriks ini menyatakan korelasi parsial antarvariabel, yaitu korelasi yang tidak dipengaruhi oleh variable lain. Seperti telah dijelaskan, metode principal component analysis menggunakan total variance, yang terdiri dari common variance, specific variance, dan eror variance, namun mengusahakan specific dan eror variance terkecil. Dari table 5-2 terlihat bahwa anti-image covariance dan anti-image correlation pada umumnya kecil. Hal ini berdampak pada nilai KMO setiap variable yang rendah (dibawah 0,500).


Tabel 5



Table 5 (communalities) menunjukan beberapa varians yang dapat dijelaskan oleh factor yang diekstrak. Cara memperolehnya adalah korelasi pangkat dua. Setiap variable berkorelasi dengan factor-faktor yang diekstrak. Kalau korelasi tersebut dipangkat dua, diperolehlah communalities.
Lihat pada table Component Matrix, kita ambil contoh antara variable X1=0,342 dengan factor 1 (component 1) adalah 0,1169,variabel X2=-0,205 dengan factor 2 adalah 0,042025, Variabel X3=-0,387 dengan factor 3 adalah 0,149769, masing-masing nilai tersebut telah dipangkat duakan, lalu kemudian dijumlahkan, maka akan dihasilkan nilai communialities sebesar 0,308715

Tabel 6



Dari 5 component (lihat tabel paling kiri) ternyata yang mempunyai nilai initial eigenvalues di atas 1 ada 2 component. Artinya, bahwa 5 butir pertanyaan tersebut dapat dikelompokkan menjadi 2 kelompok tanpa kehilangan informasi yang berarti.
Component 1 mempunyai nilai 0.447 dan mampu menjelaskan varians sebesar 30,780%
Component 2 mempunyai nilai 0,346 dan mampu menjelaskan varians sebesar 54,624%. Dengan demikian kedua component tersebut mampu menjelaskan varians sebesar 85,404% atau kita kehilangan informasi sebesar 14,596%.

Chart 1



Scree plot merupakan cara mendeskripsikan eigenvalue secara visual. Pada sisi vertikal dimasukan eigenvalue, sedangkan sumbu horizontal mewakili seluruh faktor. Lalu ditariklah garis yang menghubungkan titik-titik yang mewakili eigenvalue.


Tabel 7



Tabel ini menunjukan korelasi setiap variable dengan setiap factor (disebut juga component) yang diekstrak. Antara variable 1 (X1) dengan factor 1 nilai korelasi adalah 0,342, sedangkan dengan factor 2, nilai korelasi adalah -0,205. Pangkat-duakanlah kedua nilai korelasi itu, lalu jumlahkan, hasilnya adalah 0,158989. Dengan cara demikianlah seluruh communalities diperoleh.
Dari component matrik kita bisa melihat bahwa X1 ikut component 1 karena mempunyai loading factor sebesar 0,342 yang lebih besar dari pada loading factor ke component 2, 3, dan 4. Dengan cara yang sama kita bisa mengelompokkan :
Component 1 : X1, X2, X3
Component 2 : tidak ada.

Tabel 8



Melalui component matriks, jelas bagi kita bahwa X1, X2, adalah anggota factor 1 karena kedua variable tersebut memiliki korelasi yang tinggi dengan factor 1, sedangkan dengan factor 3, dan 4 korelasinya rendah.

Tidak ada komentar:

Posting Komentar