mempertanyakan kelayakan appropriateness analisis faktor. Apabila nilai indeks tinggi berkisar antara 0,5 sampai 1,0, analisis faktor layak dilakukan.
Sebaliknya, kalau nilai KMO di bawah 0,5 analisis faktor tidak layak dilakukan.
Tabel 4.5 Output KMO and Barlett’s Test
KMO and Bartletts Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .558
Bartletts Test of Sphericity Approx. Chi-Square
1.180E3 Df
325 Sig.
.000
Sumber : output spss Berdasarkan hasil perhitungan dengan menggunakan bantuan program
komputer SPSS 16.0 for windows diperoleh nilai KMO sebesar 0,558 sehingga analisis faktor layak dilakukan dengan kategori baik, sedangkan hasil
perhitungan anti-image correlation pada masing- masing variabel terlihat nilai koefisien anti-image correlation lebih besar dari 0,500. Sehingga analisis
faktor layak digunakan.
4.4.2 MSA Measure of Sampling Adequacy
Hasil analisis awal menunjukkan nilai MSA untuk variabel-variabel yang
diteliti adalah sebagai berikut: V1 = 0.447
V10 = 0.596 V22 = 0.419
V2 = 0.587 V11 = 0.586
V23 = 0.558 V3 = 0.661
V12 = 0.539 V27 = 0.369
V4 = 0.630 V13 = 0.612
V28 = 0.605 V5 = 0.574
V14 = 0.570 V29 = 0.443
UNIVERSITAS SUMATRA UTARA
V6 = 0.635 V15 = 0.468
V30 = 0.443 V7 = 0.556
V16 = 0.440 V31 = 0.582
V8 = 0.642 V17 = 0.461
V32 = 0.478 V9 = 0.685
V21 = 0.462
Anti image correlation. Data mengenai variabel yang berasal dari jawaban
dari 83 responden kemudian dianalisis pada anti image correlation,
menunjukkan kriteria angka MSA diatas 0,5. yang berarti variabel masih bisa diprediksi untuk dianalisis lebih lanjut Santoso, 2002:101. Jika dilihat dari
analisis di atas, maka variable-variabel yang memiliki MSA 0,5 adalah variable V1,V5, V16, V17, V21, V22, V27, V29, V30, dan V32. Sisanya memiliki MSA
0,5. Untuk hasil yang lebih akurat, perlu dilakukan analisis ulang dengan cara
yang sama. Tabel 4.6 Output KMO and Barlett’s Test
KMO and Bartletts Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .634
Bartletts Test of Sphericity Approx. Chi-Square
747.896 Df
120 Sig.
.000
Sumber : output spss Nilai KMO measure of sampling adequacy untuk analisis yang kedua
menjadi sebesar 0,634. Dari nilai semula 0.558, dengan demikian dapat diketahui nilai KMO MSA mengalami kenaikan setelah kita membuang variable-variabel
yang tidak memenuhi persyaratan.
UNIVERSITAS SUMATRA UTARA
Tabel 4.7 MSA Awal dan MSA Lanjut
Variabel MSA Awal
MSA Lanjut
V2 V3
V4 V5
V6 V7
V8 V9
V10 V11
V12 V13
V14 V23
V28 V31
0.587 0.661
0.630 0.574
0.636 0.556
0.642 0.685
0.596 0.586
0.539 0.612
0.570 0.558
0.605 0.582
0.689 0.686
0.649 0.623
0.675 0.483
0.649 0.689
0.569 0.678
0.672 0.706
0.502 0.668
0.790 0.355
Kemudian untuk nilai MSA yang mengalami kenaikan adalah variable V3, variabelV4, variabelV5, variabelV6, variabelV8, variabelV9, variabelV11,
variabelV12, variabelV13, variabelV23, dan variabelV28.
UNIVERSITAS SUMATRA UTARA
Tabel 4.8 Output Communalities
Communalities
Initial Extraction
V2 1.000
.822 V3
1.000 .810
V4 1.000
.844 V5
1.000 .862
V6 1.000
.854 V7
1.000 .870
V8 1.000
.766 V9
1.000 .609
V10 1.000
.827 V11
1.000 .864
V12 1.000
.888 V13
1.000 .826
V14 1.000
.824 V23
1.000 .767
V28 1.000
.654 V31
1.000 .909
Extraction Method: Principal Component Analysis.
Nilai communalities tertinggi adalah variabel 31 sebesar 0.909, artinya kemudahan transportasi dapat menjelaskan 90.9 varians faktor yang terbentuk.
Sebaliknya nilai communalities yang terendah adalah variabel 9 informasi dari mahasiswa lama sebesar 0.609, artinya informasi dari mahasiswa lama dapat
menjelaskan 60.9 varians faktor yang terbentuk. demikian dengan variabel- variabel yang lainnya.
Semua variabel dapat dijelaskan oleh faktor yang terbentuk dengan ketentuan semakin besar communalities maka semakin erat hubungan variabel
yang bersangkutan dengan faktor yang terbentuk.
UNIVERSITAS SUMATRA UTARA
Tabel 4.9 Output Total Variance Explained
Total Variance Explained
Component Initial Eigenvalues
Extraction Sums of Squared Loadings Total
of Variance Cumulative
Total of Variance Cumulative
1 3.592
22.451 22.451
3.592 22.451
22.451 2
3.093 19.333
41.784 3.093
19.333 41.784
3 1.932
12.074 53.857
1.932 12.074
53.857 4
1.788 11.173
65.030 1.788
11.173 65.030
5 1.575
9.846 74.876
1.575 9.846
74.876 6
1.015 6.341
81.216 1.015
6.341 81.216
7 .709
4.434 85.650
8 .511
3.196 88.845
9 .388
2.424 91.269
10 .370
2.315 93.584
11 .275
1.717 95.301
12 .222
1.387 96.688
13 .172
1.074 97.762
14 .156
.972 98.734
15 .117
.731 99.465
16 .086
.535 100.000
Extraction Method: Principal Component Analysis.
Pada Tabel Total Variance Explained, nilai eigenvalues ditunjukkan untuk masing-masing faktor yang semula tiga puluh lima variable asli, setelah ada
variabel-variabel yang terbuang menjadi enambelas variabel. Nilai eigenvalues yang lebih besar dari satu terdiri dari enam faktor yang secara bersama dapat
menjelaskan varians total sebesar 81.216 .
UNIVERSITAS SUMATRA UTARA
Enambelas variabel diekstrak menjadi 6 enam faktor, maka : a. Varians faktor pertama adalah 22.451
b. Varians faktor kedua adalah 3.09316 x 100 = 19.333 c. Varians faktor ketiga adalah 1.93216 x 100 = 12.074
d. Varians faktor keempat adalah 1.78816 x 100 = 11.173 e. Varians faktor kelima adalah 1.57516 x 100 = 9.846
f. Varians faktor keenam adalah 1.01516 x 100 = 6.341
4.4.3 Rotasi Faktor
