Membentuk Matriks Korelasi Analisis Data

Dengan SPSS Statistics 17.0 diperoleh nilai uji Reliability Statistics dan juga nilai Alpha Cronbach untuk setiap variabel sebagai berikut: Tabel 3.8 Reliability Statistics Cronbach’s Alpha N of items 0,760 14 Tabel 3.9 Uji Reliabilitas Variabel Penelitian No. Variabel Alpha Cronbach Kesimpulan 1 X 1 0,751 Reliabel 2 X 2 0,761 Reliabel 3 X 3 0,739 Reliabel 4 X 4 0,759 Reliabel 5 X 5 0,754 Reliabel 6 X 6 0,753 Reliabel 7 X 7 0,761 Reliabel 8 X 8 0,731 Reliabel 9 X 9 0,742 Reliabel 10 X 10 0,732 Reliabel 11 X 11 0,731 Reliabel 12 X 12 0,730 Reliabel 13 X 13 0,758 Reliabel 14 X 14 0,736 Reliabel Dari Tabel 3.9 dapat dilihat hasil uji reliabilitas terhadap variabel-variabel penelitian yang menunjukkan bahwa seluruh variabel mempunyai tingkat reliabilitas yang tinggi karena nilai Alpha Cronbach 0,6.

3.3 Analisis Data

Metode analisis data yang digunakan adalah teknik analisis faktor dengan pendekatan metode Principal Component Analysis . Langkah-langkah dalam analisis faktor adalah sebagai berikut:

3.3.1 Membentuk Matriks Korelasi

Proses analisis didasarkan pada suatu matriks korelasi antar variabel. Agar analisis faktor bisa menjadi tepat dipergunakan, variabel-variabel yang akan dianalisis sebaiknya berkorelasi. Untuk menghitung nilai Korelasi Product Moment antara variabel X 1 dengan variabel X 11 diperlukan tabel perhitungan korelasi antara variabel X 1 dengan variabel X 11 , perhitungannya dilakukan dengan bantuan Microsoft Excel 2007. = = = = = = = 0,347 Rincian Tabel Perhitungan Korelasi antara variabel X 1 dengan variabel X 11 dapat dilihat pada Lampiran 5 dan Rincian Nilai Matriks Korelasi antar variabel dapat dilihat pada Lampiran 8. Data mengenai 14 variabel yang berasal dari jawaban 96 orang sampel kemudian dianalisa pada anti image correlation . Uji ini dilakukan dengan memperhatikan angka KMO dan MSA. Kriteria kesesuaian dalam pemakaian analisis faktor adalah: Jika harga KMO sebesar 0,9 berarti sangat memuaskan. Jika harga KMO sebesar 0,8 berarti memuaskan. Jika harga KMO sebesar 0,7 berarti harga menengah. Jika harga KMO sebesar 0,6 berarti cukup. Jika harga KMO sebesar 0,5 berarti kurang memuaskan. Jika harga KMO 0,5 berarti tidak dapat diterima. Dengan bantuan SPSS Statistics 17.0 selanjutnya diperoleh nilai KMO dan Bar tlett’s T est sebagai berikut: Tabel 3.10 Kaiser-Meyer-Olkin KMO dan Bartlett’s Test Keiser-Meyer-Olkin Measure of Sampling Adequacy Bartlett’s Test of Approx. Chi Square Sphericity df Sig. 0,720 272,936 91 0,000 Hasil perhitungan menunjukkan besaran nilai Bartlett’s Test of Sphericity adalah 272,936 pada signifikan 0,000 yang berarti pada penelitian ini ada korelasi yang signifikan antar variabel dan hasil perhitungan KMO sebesar 0,720 sehingga kecukupan sampel termasuk kategori yang cukup dan layak untuk diteliti lebih lanjut. Menurut Santoso 2005 angka MSA Measure of Sampling Adequacy berkisar antara 0 sampai 1 dengan kriteria: MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel lain. MSA ≥ 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut. MSA 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut. Hipotesis untuk uji di atas adalah: H = sampel belum memadai untuk dianalisis lebih lanjut. H 1 = sampel sudah memadai untuk dianalisis lebih lanjut. Kriteria dengan melihat probabilitas tingkat signifikansi: Angka Sig. ≥ 0,05, maka H diterima. Angka Sig. 0,05, maka H ditolak. Dengan bantuan SPSS Statistics 17.0 selanjutnya diperoleh nilai MSA Measure of Sampling Adequacy sebagai berikut: Tabel 3.11 Nilai MSA Measure of Sampling Adequacy X 1 X 2 X 3 X 4 X 5 X 6 X 7 Anti- image corre lation 0,703 a -0,188 -0,215 -0,025 -0,051 0,159 -0,048 0,029 0,107 -0,118 -0,240 0,001 0,047 -0,013 -0,188 0,548 a 0,110 -0,015 0,197 -0,111 -0,163 -0,196 0,033 0,179 -0,137 0,114 -0,252 -0,145 -0,215 0,110 0,675 a -0,139 0,145 -0,182 -0,235 -0,250 -0,256 -0,007 0,164 0,051 -0,071 -0,181 -0,025 -0,015 -0,139 0,694 a 0,012 0,040 0,191 0,023 0,034 0,055 -0,054 -0,156 -0,197 -0,128 -0,051 0,197 0,145 -0,012 0,661 a -0,149 -0,183 -0,102 0,130 -0,093 -0,085 -0,063 -0,202 -0,147 0,159 -0,111 -0,182 0,040 -0,149 0,644 a -0,006 0,111 -0,032 0,156 -0,120 -0,211 -0,149 -0,099 -0,048 -0,163 -0,235 0,191 -0,183 -0,006 0,632 a 0,051 0,031 -0,078 -0,139 -0,026 0,229 -0,003 Sambungan Tabel 3.11 X 8 X 9 X 10 X 11 X 12 X 13 X 14 Anti- image corre lation 0,029 -0,196 -0,250 0,023 -0,102 0,111 0,051 0,791 a -0,111 -0,202 -0,234 -0,191 0,049 0,088 0,107 0,033 -0,256 0,034 0,130 -0,032 0,031 -0,111 0,788 a -0,021 -0,187 -0,279 0,051 -0,090 -0,118 0,179 -0,007 0,055 -0,093 0,156 -0,078 -0,202 -0,021 0,753 a -0,154 -0,128 -0,302 -0,245 -0,240 -0,137 0,164 -0,054 -0,085 -0,120 -0,139 -0,234 -0,187 -0,154 0,780 a -0,104 0,118 0,038 0,001 0,114 0,051 -0,156 -0,063 -0,211 -0,026 -0,191 -0,279 -0,128 -0,104 0,820 a 0,031 -0,083 0,047 -0,252 -0,071 -0,197 -0,202 -0,149 0,229 0,049 0,051 -0,302 0,118 0,031 0,534 a 0,020 -0,013 -0,145 -0,181 -0,128 -0,147 -0,099 -0,003 0,088 -0,090 -0,245 0,038 -0,083 0,020 0,809 a Dengan melihat anti image correlation diketahui 14 variabel menunjukkan kriteria angka MSA ≥ 0,5 yang berarti semua variabel masih bisa diprediksi untuk dianalisa lebih lanjut. Dari kedua hasil pengujian di atas, semua variabel mempunyai korelasi yang cukup tinggi dengan variabel lain, sehingga analisis layak untuk dilanjutkan dengan mengikutkan 14 variabel.

3.3.2 Ekstraksi Faktor