3.2. Menghitung Koefisien Korelasi
Koefisien korelasi digunakan untuk mengetahui hubungan antara satu variabel dengan variabel yang lain. Koefisien korelasi dapat ditentukan dengan menggunakan
persamaan
∑
=
−
−
=
n i
jj j
nj ii
i ni
ij
x x
r
1
σ µ
σ µ
Kemudian, koefisien-koefisien korelasi ini dimasukkan ke dalam bentuk matriks korelasi dengan persamaan:
=
1 .
. .
. .
. .
. .
1 .
. .
1 .
. .
1
3 2
1 3
32 31
2 23
21 1
13 12
p p
p p
p p
T
r r
r r
r r
r r
r r
r r
Z Z
Dengan menggunakan SPSS diperoleh matriks korelasi sebagai berikut:
Tabel 3.3 Matriks Korelasi
Correlation Matrix
X1 X2
X3 X4
X5 X6
Correlation X1
1.000 .266
-.064 .391
.179 .451
X2 .266
1.000 -.137
.739 -.116
.511 X3
-.064 -.137
1.000 -.083
-.030 -.020
X4 .391
.739 -.083
1.000 .194
.628 X5
.179 -.116
-.030 .194
1.000 .546
X6 .451
.511 -.020
.628 .546
1.000
Berarti
− −
− −
− −
− −
− −
− −
− −
−
=
1 546
, 628
, 020
, 551
, 451
, 546
, 1
194 ,
030 ,
116 ,
179 ,
628 ,
194 ,
1 083
, 739
, 391
, 020
, 030
, 083
, 1
137 ,
64 ,
511 ,
116 ,
739 ,
137 ,
1 266
, 451
, 179
, 391
, 64
, 266
, 1
Z Z
T
3.3. Menghitung Nilai Eigen
Nilai Eigen Eigen values menunjukkan kepentingan relatif masing-masing faktor dalam menghitung varians keenam variabel yang dianalisis. Susunan
eigenvalues selalu diurutkan dari yang terbesar sampai ke yang terkecil, dengan syarat bahwa nilai eigen di bawah 1 tidak digunakan dalam menghitung jumlah komponen
yang terbentuk.
Untuk menentukan nilai eigen digunakan persamaan:
=
Dengan bantuan SPSS diperoleh nilai eigen sebagai berikut:
Tabel 3.4 Nilai Eigen dan Proporsi Kumulatif
Total Variance Explained
Component Initial Eigenvalues
Extraction Sums of Squared Loadings Total
of Variance Cumulative
Total of Variance
Cumulative 1
2.643 44.058
44.058 2.643
44.058 44.058
2 1.227
20.451 64.509
1.227 20.451
64.509 3
.979 16.315
80.824 4
.731 12.181
93.004 5
.265 4.421
97.425 6
.154 2.575
100.000 Extraction Method: Principal Component Analysis.
Dari tabel 3.4 di atas terlihat bahwa hanya dua komponen yang terbentuk, karena dengan dua komponen, angka eigenvalues memiliki nilai di atas satu.
Sedangkan untuk empat komponen lainnya, angka eigenvalues sudah di bawah satu. Komponen 1 memiliki eigenvalue sebesar 2,643 artinya komponen 1 ini dapat
menjelaskan 2,643 dari total communalities dengan persentase keragaman sebesar 44,058. Komponen 2 memiliki eigenvalue sebesar 1,227, artinya komponen 2 ini
dapat menjelaskan 1,227 dari total communalities dengan persentase keragaman sebesar 20,451. Sehingga, dapat disimpulkan bahwa diperolehnya dua komponen
utama pertama telah mampu menerangkan keragaman data sebesar persentase kumulatif, yaitu 64,509.
3.4. Menghitung Vektor Eigen