38
38
X
3
0,270 0,167
-0,347 0,042
-0,054 0,155
-0,008 -0,497
X
4
-0,382 0,227
-0,347 0,195
0,007 0,107
-0,015 -0,089
X
5
-0,076 0,023
0,042 0,195
-0,224 0,046
0,104 -0,089
X
6
0,024 -0,269
-0,054 0,007
-0,224 -0,076
0,089 -0,040
X
7
0,003 0,245
0,155 0,107
0,046 -0,076
0,069 -0,627
X
8
-0,011 -0,283
-0,008 -0,015
0,104 0,089
0,069 -0,160
X
9
-0,088 -0,291
-0,497 -0,089
-0,089 -0,040
-0,627 -0,160
aMeasure of Sampling Adequacy MSA Dari Tabel 3.4 menunjukkan ada 6 variabel yang memenuhi kriteria angka
MSA lebih besar dari 0,5 yang berarti ada 3 variabel yang tereduksi dan 6 variabel masih bisa diprediksi untuk dianalisa lebih lanjut. Perhitungan nilai MSA secara
manual dapat dilihat pada Lampiran 2.
3.2.2 Ekstraksi Faktor
Pada tahap ini akan dilakukan proses inti dari analisis faktor, yaitu melakukan ekstraksi terhadap sekumpulan variabel yang ada pada KMO 0,5
sehingga terbentuk satu atau lebih variabel. Dalam penelitian ini metode yang digunakan adalah Principal Componen
Analysis Analisis Komponen Utama karena tujuan dari analisis komponen faktor adalah mereduksi. Secara sederhana, sebuah variabel akan mengelompok
ke suatu faktor yang terdiri atas variabel-variabel lain jika variabel tersebut berkorelasi dengan sejumlah variabel lain yang masuk ke dalam kelompok faktor
tertentu. Ketika sebuah variabel berkorelasi dengan variabel lain, variabel tersebut berbagi varian dengan variabel tersebut, dengan jumlah varian yang dibagikan
adalah besar korelasi pangkat 2 . Sebagai contoh jika variabel 1 dengan
variabel 2 mempunyai korelasi sebesar 0,4 maka variabel 1 membagi 16 atau dari variannya dengan variabel 2.
Tabel 3.5 Komunalitas No
Variabel Initial
Extraction 1
= Hujan 1,000
0,821 2
= Pohon Tumbang 1,000
0,741
Universitas Sumatera Utara
39
39
3 = Tikungan Tajam
1,000 0,659
4 = Lobang
1,000 0,783
5 = Rem Tidak Berfungsi
1,000 0,603
6 = Ban Kurang Baik
1,000 0,533
7 = Batas Kecepatan
1,000 0,584
8 = Mengantuk
1,000 0,735
9 = Tidak Tertib
1,000 0,834
Extraction Method: Principal Component Analysis Menurut Santoso 2002, komunalitas adalah besarnya varian yang dapat
dijelaskan oleh faktor yang terbentuk. Semakin besar nilai komunalitas, semakin erat pula hubungan variabel yang bersangkutan dengan faktor yang
terbentuk.Untuk variabel hujan, nilai komunalitasnya adalah 0,821. Hal ini berarti sekitar 82,1 varian dari variabel tersebut bisa dijelaskan oleh faktor yang
terbentuk. Untuk variable tidak tertib, nilai komunalitasnya adalah 0,834. Hal ini berarti sekitar 83,4 varian dari variabel tersebut bisa dijelaskan oleh faktor yang
terbentuk. Demikian seterusnya untuk variabel lainnya, dengan ketentuan bahwa semakin besar komunalitas sebuah variabel, berarti semakin erat hubungannya
dengan faktor yang terbentuk.Nilai komunalitas diperoleh dari jumlah kuadrat masing-masing factor loading sebuah variabel.
Dari Tabel 3.5 menunjukkan bahwa 9 variabel diuji memenuhi persyaratan komunalitas, yaitu lebih besar dari 0,5. Tahap selanjutnya adalah
melihat nilai eigenvalue.Perhitungan nilai komunalitas dapat dilihat pada Lampiran 3.
Tabel 3.6 Nilai Eigenvalue untuk Setiap Faktor FaktorKomponen Initial Eigenvalues
Total of Variance
Cumulative 1
2,205 24,505
24,505
Universitas Sumatera Utara
40
40
2 1,698
18,872 43,377
3 1,341
14,900 58,277
4 1,048
11,640 69,917
5 0,851
9,461 79,378
6 0,723
8,038 87,416
7 0,536
5,961 93,376
8 0,373
4,143 97,520
9 0,223
2,480 100,000
Dari Tabel 3.6 menunjukkan bahwa terdapat 9 variabel yang akan di masukkan ke dalam analisis faktor. Dengan masing-masing variabel mempunyai varian 1, maka
total varian adalah 9 × 1 = 9. Jika dalam 9 variabel tersebut dapat diringkas menjadi 1 faktor, maka varian yang dapat dijelaskan oleh 1 faktor tersebut adalah
: 100 = 24,5. Jika 9 variabel dapat di ekstrak menjadi 4 faktor, maka
varian yang dapat dijelaskan oleh 4 faktor tersebut adalah sebagai berikut: Varian faktor pertama adalah 24,5
Varian faktor kedua adalah 100 = 18,866
Varian faktor ketiga adalah 100 = 14,9
Varian faktor keempat adalah 100 = 11,644
Total keempat faktor yang dapat menjelaskan adalah: 24,5+18,866+14,9+11,644 = 69,91 atau 69,91 dari variabelitas 9 variabel asli
tersebut, sehingga dari Tabel 3.6 di atas terlihat 4 faktor yang akan terbentuk.
3.2.3 Penentuan Jumlah Faktor
