Objek Penelitian METODE PENELITIAN
atau beberapa kumpulan variabel yang lebih sedikit dari jumlah variabel awal Ghozali, 2011.
Tahap awal dalam analisis faktor adalah menilai variabel mana saja yang layak dimasukkan dalam analisis sebelumnya. Pengujian ini
dilakukan dengan memasukkan semua variabel proksi IOS yang ada, kemudian semua variabel tersebut dimasukkan sejumlah pengujian. Uji
kelayakan KMO and Batlett’s test harus dilakukan terlebih dahulu
untuk mengetahui variabel-variabel tersebut dapat diprediksi dan
dianalisis lebih lanjut atau tidak.
Tabel 3.
KMO and Bartletts Test
a
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .512
Bartletts Test of Sphericity Approx. Chi-Square 42.017
Df 3
Sig. .000
Based on correlations
Sumber: Lampiran hasil uji
KMO and Bartletts Test
a
, halaman 126
Berdasarkan tabel 3, nilai Kaiser-Meyer-Olkin
Measure of Sampling Adequancy
MSA sebesar 0,512. Hal ini berarti variabel- variabel tersebut dapat diprediksi dan dianalisis lebih lanjut, karena
nilai MSA lebih besar dari 0,5 dengan nilai signifikansi dari Bartlett’s
Test of Sphericy
sebesar 0,000 0,000 0,05 artinya memungkinkan untuk menganalisis variabel lebih lanjut.
Tabel 4.
Anti-image Matrices
MTBVEQ MTBVAS PPEGT Anti-image
Covariance MTBVEQ
.644 .196
-.368 MTBVAS
.196 .925
-.047 PPEGT
-.368 -.047
.686 Anti-image
Correlation MTBVEQ
.508
a
.255 -.554
MTBVAS .255
.545
a
-.059 PPEGT
-.554 -.059
.509
a
a. Measures of Sampling Adequacy MSA
Sumber: Lampiran
Anti-image Matrices
, halaman 126 Pengujian yang dilakukan selanjutnya adalah dengan melihat
tabel
Anti-image Matrices
di atas, berdasarkan tabel 4 tersebut khususnya pada angka korelasi variabel yang bertanda
a
arah diagonal dari kiri atas ke kanan bawah, dapat dilihat bahwa variabel tersebut
memiliki
Measures of Sampling Adequacy
MSA di atas 0,5 yang berarti variabel-variabel tersebut masih bisa diprediksi dan bisa
dianalisis lebih lanjut. Selanjutnya adalah melakukan ekstraksi terhadap sekumpulan
variabel yang ada, sehingga terbentuk satu atau lebih faktor. Proses ekstraksi ini menggunakan
Principal Component Analysis.
Tabel 5.
Communalities
Raw Rescaled
Initial Extraction
Initial Extraction
MTBVEQ .794
.101 1.000
.127 MTBVAS
2.883 2.857
1.000 .991
PPEGT .053
.001 1.000
.024
Extraction Method: Principal Component Analysis.
Sumber: Uji
communalities,
halaman 126
Berdasarkan Tabel 5, nilai
communalities
menunjukkan sumbangan efektif tiap item terhadap faktor yang terbentuk
.
. Variabel MTBVEQ memiliki angka
communalities
sebesar 0,101. Hal ini berarti 10,1 varians dari variabel MTBVEQ dapat dijelaskan oleh faktor
yang terbentuk. Variabel MTBVAS memiliki nilai
communalities
sebesar 2,857, variabel PPEGT sebesar 0,001. Semakin besar sebuah variabel berarti semakin erat hubungannnya dengan faktor yang
membentuk. Tahap selanjutnya yang harus dilakukan dalam analisis faktor
adalah mereduksi ketiga variabel tersebut menjadi satu faktor atau lebih
yang layak untuk mewakili ketiga variabel IOS tersebut. Tabel 6.
Total Variance Explained
Compo nent
Initial Eigenvalues
a
Extraction Sums of Squared Loadings
Total of
Variance Cumulative
Total of
Variance Cumulative
Raw 1 2.960
79.349 79.349 2.960
79.349 79.349
2 .735
19.704 99.053
3 .035
.947 100.000
Resca led
1 2.960
79.349 79.349 1.142
38.076 38.076
2 .735
19.704 99.053
3 .035
.947 100.000
Extraction Method: Principal Component Analysis.