105
Tabel 4.8 Anti-image Matrices
CACL CAICL
CCL LTDTE
TLTA TLTE
NITA Anti-image Covariance
CACL .416
-.183 -.124
-.025 .057
.004 -.068
CAICL -.183
.426 -.137
.033 .012
-.023 .003
CCL -.124
-.137 .413
-.020 .080
.008 -.103
LTDTE -.025
.033 -.020
.160 -.044
-.122 .079
TLTA .057
.012 .080
-.044 .288
-.065 -.033
TLTE .004
-.023 .008
-.122 -.065
.156 -.050
NITA -.068
.003 -.103
.079 -.033
-.050 .817
Anti-image Correlation CACL
.817
a
-.434 -.298
-.098 .165
.014 -.116
CAICL -.434
.822
a
-.327 .128
.034 -.091
.005 CCL
-.298 -.327
.848
a
-.077 .233
.030 -.178
LTDTE -.098
.128 -.077
.719
a
-.207 -.769
.219 TLTA
.165 .034
.233 -.207
.900
a
-.305 -.069
TLTE .014
-.091 .030
-.769 -.305
.715
a
-.139 NITA
-.116 .005
-.178 .219
-.069 -.139
.799
a
a. Measures of Sampling AdequacyMSA
Sumber: Output SPSS, 2011 Angka MSA yang terdapat dalam tabel Anti-Image Matrice
pada Anti-Image Correlation, pada angka korelasi yang bertanda “a” dari arah kiri atas ke kanan bawah. Nilai MSA yang didapat
dari masing-masing variabel ialah: 1 MSA rasio CACL sebesar 0,817 0,5
2 MSA rasio CAICL sebesar 0,822 0,5 3 MSA rasio CCL sebesar 0,848 0,5
4 MSA rasio LTDTE sebesar 0,719 0,5 5 MSA rasio TLTA sebesar 0,900 0,5
106 6 MSA rasio TLTE sebesar 0,715 0,5
7 MSA rasio NITA sebesar 0,799 0,5 Karena sudah tidak terdapat variabel yang memiliki nilai MSA
dibawah 0,5, maka semua variabel sudah bisa dianalisis lebih lanjut.
b Ekstraksi Faktor
Tabel 4.9
Sumber: Output SPSS, 2011 Pada tampilan component matrix menyediakan informasi
indikator mana yang masuk pada faktor pertama atau faktor kedua dan seterusnya. Dari component matrix di atas, dapat diketahui bahwa
dari 7 variabel, terbentuk sebanyak 2 faktor. Tabel tersebut dapat menunjukkan distribusi kedelapan variabel tersebut pada tiga faktor
yang terbentuk. Proses penentuan variabel mana akan masuk ke faktor
Component Matrix
a
Component 1
2 CACL
.728 .493
CAICL .740
.444 CCL
.774 .400
LTDTE -.790
.539 TLTA
-.859 .304
TLTE -.777
.573 NITA
.444 .306
Extraction Method: Principal Component Analysis.
a. 2 components extracted.
107 yang mana akan dilakukan dengan melakukan perbandingan besar
korelasi pada setiap baris.
1. Variabel CACL
Korelasi antara variabel CACL dengan faktor 1 adalah +0,728 kuat karena di atas 0,5
Korelasi antara variabel CACL dengan faktor 2 adalah +0,493 lemah karena di bawah 0,5
Karena angka factor loading terbesar ada pada component nomor 1, maka variabel CACL bisa dimasukkan sebagai
komponen faktor 1.
2. Variabel CAICL
Korelasi antara variabel CAICL dengan faktor 1 adalah +0,740 kuat karena di atas 0,5
Korelasi antara variabel CAICL dengan faktor 2 adalah +0,444 lemah karena di bawah 0,5
3. Variabel CCL
Korelasi antara variabel CCL dengan faktor 1 adalah -0,774 kuat karena di atas dari 0,5
Korelasi antara variabel CCL dengan faktor 2 adalah +0,400 lemah karena di atas 0,5
4. Variabel LTDTE
Korelasi antara variabel LTDTE dengan faktor 1 adalah -0,790 kuat karena di atas 0,5
108 Korelasi antara variabel LTDTE dengan faktor 2 adalah
+0,539 kuat karena di atas 0,5
5. Variabel TLTA
Korelasi antara variabel TLTA dengan faktor 1 adalah -0,859 kuat karena di atas 0,5.
Korelasi antara variabel TLTA dengan faktor 2 adalah +0,304 lemah karena di bawah 0,5.
Karena angka factor loading terbesar ada pada component nomor 1, maka variabel TLTA bisa dimasukkan sebagai
komponen faktor 1.
6. Variabel TLTE
Korelasi antara variabel TLTE dengan faktor 1 adalah - 0,777kuat karena di atas 0,5
Korelasi antara variabel TLTE dengan faktor 2 adalah +0,573 kuat karena diatas 0,5
7. Variabel NITA
Korelasi antara variabel NITA dengan faktor 1 adalah +0,444 lemah karena di bawah 0,5
Korelasi antara variabel NITA dengan faktor 2 adalah +0,309 lemah karena di bawah 0,5
Pada variabel LTDTE, korelasi antara variabel tersebut dengan faktor 1 adalah 0,790 cukup kuat, sedangkan korelasinya dengan
faktor 2 juga cukup kuat 0,539. Begitu juga dengan variabel TLTE,
109 dan NITA. Karena tidak ada korelasi yang berbeda dengan jelas,
seperti pada variabel LTDTE, TLTE, dan NITA, maka sulit untuk memutuskan akan dimasukkan ke faktor mana variabel-variabel
terebut. Oleh karena itu, diperlukan proses rotasi, agar variabel dapat terdistribusi lebih jelas.
c Rotasi Faktor
Sumber: Output SPSS, 2011 Component Matrix hasil proses rotasi Rotated Component
Matrix memperlihatkan distribusi variabel yang lebih jelas dan nyata.
Tabel 4.10
Rotated Component Matrix
a
Component 1
2 CACL
-.169 .863
CAICL -.212
.837 CCL
-.266 .829
LTDTE .941
-.175 TLTA
.823 -.390
TLTE .955
-.142 NITA
-.099 .530
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
110 Terlihat bahwa sekarang factor loading yang dulunya kecil semakin
diperkecil, dan faktor yang besar semakin diperbesar. 1. Variabel CACL : variabel ini masuk faktor 2, karena factor
