sehingga kecukupan sampel sudah memadai, maka variabel dan sampel sudah layak untuk dianalisis lebih lanjut.
Kemudian perhatikan dari Tabel 4.10 berikut yaitu nilai matriks anti image
correlation khususnya nilai pada angka koefisien korelasi yang berada pada off diagonal nilai yang ditebalkan. Apabila nilai matriks anti image correlation
lebih kecil dari 0,5, maka variabel tersebut harus dikeluarkan atau dieliminasi dari analisis faktor. Perhatikan nilai yang diberi tanda dengan
a
atau yang ditebalkan.
Tabel 4.10 anti-image matrices X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10
X
1
0,849
a
-0,095 -0,186
-0,026 -0,115
-0,008 -0,079
0,015 -0,061
-0,310
X
2
-0,095 0,787
a
0,049 0,016
-0,102 0,042
-0,073 -0,083
0,010 -0,264
X
3
-0,186 0,049
0,757
a
-0,092 0,055
-0,298 0,121
-0,006 -0,323
-0,039
X
4
-0,026 0,016
-0,092 0,786
a
-0,027 -0,246
-0,271 -0,035
0,203 -0,028
X
5
-0,115 -0,102
0,055 -0,027
0,623
a
-0,238 0,001
-0,121 -0,145
0,221
X
6
-0,008 0,042
-0,298 -0,246
-0,238 0,731
a
-0,338 -0,093
0,220 -0,289
X
7
-0,079 -0,073
0,121 -0,271
0,001 -0,338
0,787
a
0,065 -0,231
-0,077
X
8
0,015 -0,083
-0,006 -0,035
-0,121 -0,093
0,065 0,588
a
-0,338 0,138
X
9
-0,061 0,010
-0,323 0,203
-0,145 0,220
-0,231 -0,338
0,579
a
-0,212
X
10
-0,310 -0,264
-0,039 -0,028
0,221 -0,289
-0,077 0,138
-0,212 0,750
a
a
Measures of Sampling Adequacy MSA Dari tabel 4.10 menunjukkan kriteria angka MSA lebih besar dari 0,5 yang berarti
semua variabel masih bisa diprediksi untuk dianalisa lebih lanjut.
4.5.2 Ekstraksi Faktor
Metode untuk mengekstraksi faktor ada dua, yaitu Principal Component Analysis PCA dan Common Factor Analysis CFA. Dalam penelitian ini metode yang
digunakan adalah Principal Component Analysis Analisis Komponen Utama karena tujuan utama analisis faktor adalah mereduksi. Secara sederhana, sebuah
variabel akan mengelompok ke suatu faktor yang terdiri atas variabel-variabel
Universitas Sumatera Utara
yang 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 varians dengan variabel tersebut, dengan jumlah varians yang dibagikan adalah besar korelasi pangkat dua R
2
. Varians adalah akar dari standart deviasi, yaitu jumlah penyimpangan dari rata-
ratanya.
Tabel 4.11 Komunalitas
No Variabel
Initial Extraction
1. X
1
= Bakat 1,000
0,551 2.
X
2
= Minat 1,000
0,319 3.
X
3
= Motivasi siswa 1,000
0,433 4.
X
4
= Motivasi orang tua 1,000
0,685 5.
X
5
= Fasilitas belajar di rumah 1,000
0,567 6.
X
6
= Kualitas pengajaran guru 1,000
0,729 7.
X
7
= Fasilitas sekolah 1,000
0,577 8.
X
8
= Ekstrakulikuler 1,000
0,633 9.
X
9
= Les tambahan 1,000
0,694 10.
X
10
= Pergaulan siswa 1,000
0,727 Extraction Method : Principal Component Analysis
Komunalitas pada dasarnya adalah jumlah varians bisa dalam persentase dari suatu variabel mula-mula yang bisa dijelaskan oleh faktor yang terbentuk.
a. Untuk variabel bakat, nilai komunalitasnya adalah 0,551 atau sekitar 55,1
varians dari variabel tersebut bisa dijelaskan oleh faktor yang terbentuk. b.
Untuk variabel minat, nilai komunalitasnya adalah 0,319 atau sekitar 31,9 varians dari variabel tersebut bisa dijelaskan oleh faktor yang terbentuk.
c. Untuk variabel motivasi siswa, nilai komunalitasnya adalah 0,433 atau sekitar
43,3 varians dari variabel tersebut bisa dijelaskan oleh faktor yang terbentuk. d.
Untuk variabel motivasi orang tua, nilai komunalitasnya adalah 0,685 atau sekitar 68,5 varians dari variabel tersebut bisa dijelaskan oleh faktor yang
terbentuk.
Universitas Sumatera Utara
e. Untuk variabel fasilitas belajar di rumah, nilai komunalitasnya adalah 0,567
atau sekitar 56,7 varians dari variabel tersebut bisa dijelaskan oleh faktor yang terbentuk.
f. Untuk variabel kualitas pengajaran guru, nilai komunalitasnya adalah 0,729
atau sekitar 72,9 varians dari variabel tersebut bisa dijelaskan oleh faktor yang terbentuk.
g. Untuk variabel fasilitas sekolah nilai komunalitasnya adalah 0,577 atau sekitar
57,7 varians dari variabel tersebut bisa dijelaskan oleh faktor yang terbentuk. h.
Untuk variabel ekstrakulikuler, nilai komunalitasnya adalah 0,633 atau sekitar 63,3 varians dari variabel tersebut bisa dijelaskan oleh faktor yang terbentuk.
i. Untuk variabel les tambahan, nilai komunalitasnya adalah 0,694 atau sekitar
69,4 varians dari variabel tersebut bisa dijelaskan oleh faktor yang terbentuk. j.
Untuk variabel pergaulan siswa, nilai komunalitasnya adalah 0,727 atau sekitar 72,7 varians dari variabel tersebut bisa dijelaskan oleh faktor yang terbentuk.
Tabel 4.12 Nilai eigen value untuk setiap faktor
Faktorkomponen Initial Eigenvalues
Total of Variance
Cumulative
1. 3,372
33,721 33,721
2. 1,418
14,176 47,897
3. 1,125
11,248 59,144
4. 0,935
9,349 68,494
5. 0,755
7,553 76,047
6. 0,640
6,399 82,446
7. 0,568
5,675 88,44
8. 0,486
4,864 92,985
9. 0,424
4,237 97,222
10. 0,278
2,778 100,000
Dari tabel 4.12 menunjukkan bahwa terdapat 10 variabel yang akan di masukkan ke dalam analisis faktor. Dengan masing-masing variabel mempunyai varians 1,
Universitas Sumatera Utara
maka total varians adalah 10 x 1 = 10. Jika dalam 10 variabel tersebut dapat diringkas mejdi 1 faktor, maka varians yang dapat dijelaskkan oleh 1 faktor
tersebut adalah : 72
, 33
100 10
372 ,
3 x
1 Jika 10 variabel dapat di ekstrak menjadi 3 faktor, maka varians yang dapat
dijelaskan oleh 3 faktor tersebut adalah sebagai berikut : Varians faktor pertama adalah 33,721
Varians faktor kedua adalah 176
, 11
100 10
418 ,
1 x
Varians faktor ketiga adalah 248
, 11
100 10
125 ,
1 x
Total ketiga faktor yang dapat menjelaskan adalah 33,721+11,176+11,248 =56,145 atau 56,145 dari variabilitas 10 variabel asli tersebut, sehingga dari
tabel di atas terlihat hanya 3 faktor yang akan terbentuk.
4.5.3 Penentuan Jumlah Faktor