eigenvalue dari matriks korelasi antar variabel dan pengelompokan variabel dilakukan dengan membandingkan nilai loading faktor secara mutlak diantara faktor-faktor yang
terbentuk.
3.3.5 Penentuan banyak faktor dengan eigenvalue
Seperti yang dijelaskan di atas penentuan banyak faktor di dasarkan pada nilai eigenvalue dari matriks korelasi antar variabel. Dengan software SPSSdiperoleh
output nilai eigenvalue seperti yang ditampilkan pada Tabel 3.9 berikut.
Tabel 3.9Output SPSS Nilai Eigenvalue Matriks Korelasi
Komponen Eigenvalue
SPSS X
1
3,220 X
2
1,842 X
3
1,361 X
4
1,165 X
5
0,971 X
6
0,770 X
7
0,628 X
8
0,573 X
9
0,431 X
10
0,386 X
11
0,363 X
12
0,290
Sumber: Data primer Ratri diolah, 2014
Nilai eigenvalue yang diambil untuk menentukan berapa banyaknya faktor yang terbentuk adalah nilai eigenvalue yang lebih besar dari satu Subhash Sharma,
1996. Jika mengacu pada Tabel 3.9 maka jumlah faktor yang terbentuk sebanyak empat faktor.
3.3.6Penentuan banyak faktor dengan scree plot
Scree plot adalah grafik yang menggambarkan plot nilai eigenvalue dari masing- masing variabel. Software yang menyediakan output scree plot adalah SPSS, Minitab
dan SAS. Dibawah ini adalah output scree plot dari SPSS
Gambar 3.1Output Scree Plot SPSS
Seperti pada pembahasan sebelumnya, untuk menentukan banyak faktor yang terbentuk dapat dilihat pada nilai eigenvalue yang lebih dari satu. Pada Gambar 3.1,
dapat dilihat bahwa ada empat variabel yang mempunyai nilai eigenvalue lebih dari satu, jadi ada empat faktor yang terbentuk.
3.3.7 Pengelompokan Variabel Kedalam Faktor 1, Faktor 2, Faktor 3, dan Faktor 4
Pada software SPSS metode ekstraksi yang digunakan untuk pembagian variabel adalah principal componen factoring analysis. Pembagian variabel-variabel ke dalam
kelompok faktor tertentu didasarkan pada perbandingan nilai loading faktor secara mutlak mana yang lebih besar antar loading faktor dari faktor 1, faktor 2, dan faktor 3.
Pada Tabel 3.10 di bawah ini merupakan output SPSS yang telah melalui proses rotasi
