1 PENDAHULUAN
1.1 Latar Belakang
Pandemi Covid-19 mengharuskan masyarakat di seluruh dunia untuk berdiam diri di rumah masing-masing. Semua kegiatan dilakukan di rumah, mulai dari bekerja, bermain, hingga sekolah. Berdiam diri di suatu tempat dalam jangka waktu yang lama akan memberikan efek pada kesehatan mental masyarakat, terutama masyarakat yang setiap harinya selalu bekerja di luar ruangan atau lapangan.
Selain itu, efek buruk bisa dirasakan bagi beberapa orang yang harus kehilangan pekerjaannya karena efek pandemi yang cukup besar terhadap perusahaan tempat dia bekerja. Pandemi membuat beberapa usaha menjadi kurang berkembang akibat sepi peminat, sehingga hal yang dilakukan oleh perusahaan adalah mengurangi jumlah karyawan yang bekerja. Pengurangan tersebut bisa memberikan efek yang serius bagi yang mengalaminya karena adanya perubahan kebiasaan dalam hidupnya, sehingga hal yang bisa terimbas adalag kesehatan mental orang tersebut.
Efek buruk dari pandemi juga bisa dirasakan bagi anak sekolah dan mahasiswa. Hal ini disebabkan pasti terdapat rasa bosan untuk terus berada di rumah dan kegiatan yang dilakukan hanya menatap laptop setiap harinya untuk mengikuti kelas yang berlangsung. Kegiatan bermain dan berkumpul bersama teman yang selalu dilakukan setiap harinya harus dibatasi karena adanya Covid-19 ini. Hal ini bisa memengaruhi kesehatan mental yang dimiliki anak tersebut.
Penelitian ini difokuskan pada peran karakter dalam menjaga kesehatan mental masyarakat. Dalam mengukur tingkat kesehatan mental masyarakat, digunakan beberapa indikator dari karakter-karakter yang mempengaruhinya. Karena indikator yang digunakan cukup banyak dan kemungkinan memiliki makna yang sama sehingga bisa disatukan dalam suatu faktor bersama (bermakna). Untuk mendapatkan faktor bersama tersebut bisa digunakan metode analisis faktor. Penggunaan analisis faktor memungkinkan untuk mendapatkan hasil yang tepat dan sesuai dengan kaidah statistika.
1.2 Analisis Faktor
1.2.1 Pengertian
Analisis faktor adalah kajian mengenai saling ketergantungannya beberapa variabel dengan tujuan untuk menemukan himpunan variabel-variabel baru yang lebih sedikit jumlahnya yang dijadikan sebagai suatu faktor bermakna. Analisis faktor memiliki latar belakang, yaitu hubungan relasi dari beberapa variabel yang bisa dijelaskan dari suatu variabel ke variabel lainnya. Secara singkatnya, analisis ini membantu menangani kumpulan data yang memiliki sejumlah variabel dengan jumlah besar yang dianggap mencerminkan sejumlah kecil variabel yang mendasari atau bermakna. Analisis faktor biasanya digunakan dalam beberapa bidang, yaitu psikometri, biologi, teori kepribadian, manajemen, dan bidang lainnya.
1.2.2 Tujuan Analisis Faktor
Analisis faktor membantu menangani kumpulan data yang memiliki sejumlah besar variabel yang dianggap mencerminkan sejumlah kecil variabel yang mendasari. Analisis ini memiliki beberapa tujuan, yaitu:
Untuk menerangkan struktur hubungan diantara beberapa variabel dalam bentuk faktor.
Untuk mengurangi jumlah variabel asal yang jumlahnya banyak menjadi lebih sedikit.
Untuk menguji validitas dan reliabilitas instrumen.
Untuk mengidentifikasi adanya hubungan antar variabel penyusun dengan pengujian koefisien korelasi antar faktor.
1.2.3 Jenis-Jenis Analisis Faktor
Analisis faktor memiliki dua jenis pendekatan dalam mendapatkan nilai estimasi faktor loading, yaitu analisis faktor eksploratori dan analisis faktor konfirmasitori. Perbedaan diantara kedua jeni ini adalah pada analisis faktor eksploratori teknik yang digunakan memiliki beberapa faktor yang akan dibentuk belum bisa ditentukan jumlahnya sebelum analisis dilakukan, lalu analisis ini juga bersifat acak. Sementara pada analisis faktor konfirmatori jumlah faktor yang akan digunakan sudah diketahui atau ditentukan sebelum analasis dilakukan. Tujuan dari kedua jenis tersebut berbeda, untuk eksploratori bertujuan untuk mereduksi data dari variabel asal menjadi variabel baru yang jumlahnya lebih kecil dari pada variabel asal, sedangkan konfirmatori bertujuan untuk mengidentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi serta untuk menguji validitas dan reliabilitas.
1.2.4 Perbedaan Analisis Faktor dengan PCA
PCA dan analisis faktor sering dikatakan sebagai analisis yang mirip, tetapi terdapat beberapa perbedaan diantara keduanya. Perbedaan pertama adalan pada PCA, kombinasi yang didapatkan adalah kombinasi linier dari variabel aslinya, sedangkan pada analisis faktor, kombinasi linier dari faktor-faktornya. Perbedaan kedua adalah pada PCA akan diketahui varians total variabelnya, sedangkan pada analisis faktor akan dicari kovarians atau korelasi antar variabelnya.
1.2.5 Syarat-Syarat yang Harus Dipenuhi
Dalam melakukan analisis faktor, dibutuhkan beberapa syarat agar analisis faktor bisa dilakukan. Berikut ini adalah syarat yang harus dipenuhi agar analisis faktor dapat digunakan:
Tidak adanya outlier dalam data dan data harus berdistribusi secara normal jika tujuan dalam analisis faktor untuk memprediksi. Jika tujuannya untuk melihat kesamaan antar variabel, outlier tidak perlu dihilangkan karena akan memberikan hasil pemfaktoran yang berbeda dari data asli yang sudah dikumpulkan.
Terdapat hubungan linier antara faktor dan variabel pada saat menghitung korelasi.
Jumlah variabel awal minimal terdapat tiga.
Ukuran sampel minimal yang digunakan adalah 100 sampel.
1.2.6 Langkah-Langkah Analisis Faktor
Menentukan variabel dan data yang ingin dianalisis.
Menghitung matriks korelasi dan lakukan uji burlett serta mengukur besarnya MSA dan KMO dari masing-masing variabel.
Melakukan reduksi data agar menghasilkan faktor yang jumlahnya lebih sedikit serta mampu menjelaskan korelasi antar variabel yang diteliti.
Menentukan jumlah faktor berdasarkan banyaknya variabel yang memiliki nilai eigen > 1.
Melakukan rotasi faktor untuk mempermudah interpretasi hasil yang didapatkan serta bisa mengindetifikasi variabel-variabel mana saja yang tercantum dalam suatu faktor bersama.
Menentukan skor faktor (nilai-nilai untuk faktor acak yang tidak teramati) yang minimal bernilai 0.7.
1.3 Data
Data yang digunakan berasal dari Kaggle.com yang merupakan data peran kekuatan karakter dalam menjaga kesehatan mental dan efisiasi diri selama masa Covid-19. Data yang digunakan dikumpulkan dari 944 responden melalui survei online, tetapi sampel yang digunakan hanya berjumlah 100 responden dengan 13 variabel. Variabel-variabel tersebut merupakan indikator yang memengaruhi kesehatan mental. Berikut ini adalah keterangan dari variabel-variabel yang digunakan:
\(X_1\) : Bravery (Keberanian)
\(X_2\) : Creativity (Kreativitas)
\(X_3\) : Curiosity (Rasa Penasaran)
\(X_4\) : Forgiveness (Rasa Memaafkan)
\(X_5\) : Honesty (Kejujuran)
\(X_6\) : Humility (Rasa Kemanusiaan)
\(X_7\) : Leadership (Kepemimpinan)
\(X_8\) : Love (Kasih Sayang)
\(X_9\) : Teamwork (Kerja Sama)
\(X_{10}\) : Intelligence (Kecerdasan)
\(X_{11}\) : Spritually (Keimanan)
2 SOURCE CODE
2.1 Library
> # library("REdaS")
> # library("readxl")
> # library("psych")2.2 Input Data
> library(readxl)
> data <- read_excel("C:/Users/atsil/Downloads/Projek Prak Anmul.xlsx")
> data
# A tibble: 100 × 11
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 17 17 16 19 22 18 18 19 22 16 15
2 16 16 17 17 18 15 14 19 15 15 17
3 16 16 17 14 16 16 13 20 12 17 11
4 15 22 25 12 24 11 13 20 11 21 12
5 18 25 24 20 25 18 12 19 18 15 21
6 15 15 14 21 21 20 19 19 21 19 16
7 22 18 23 20 24 16 21 23 18 23 7
8 18 16 20 18 18 22 18 23 18 19 9
9 16 16 18 14 20 17 18 19 17 17 13
10 20 23 23 16 24 6 21 25 14 22 12
# ℹ 90 more rows2.3 Statistika Deskriptif
> summary(data)
X1 X2 X3 X4 X5
Min. : 8.00 Min. :11.00 Min. : 9.00 Min. : 8.00 Min. :13.0
1st Qu.:15.00 1st Qu.:16.00 1st Qu.:16.00 1st Qu.:14.00 1st Qu.:19.0
Median :18.00 Median :18.00 Median :18.00 Median :17.00 Median :21.0
Mean :17.33 Mean :18.28 Mean :18.02 Mean :16.88 Mean :20.8
3rd Qu.:19.00 3rd Qu.:21.00 3rd Qu.:20.00 3rd Qu.:20.00 3rd Qu.:23.0
Max. :25.00 Max. :25.00 Max. :25.00 Max. :25.00 Max. :25.0
X6 X7 X8 X9
Min. : 6.00 Min. :10.00 Min. :11.00 Min. :11.00
1st Qu.:15.00 1st Qu.:15.00 1st Qu.:18.00 1st Qu.:16.00
Median :17.00 Median :17.00 Median :20.00 Median :18.00
Mean :17.23 Mean :17.23 Mean :19.55 Mean :17.79
3rd Qu.:20.00 3rd Qu.:19.00 3rd Qu.:21.00 3rd Qu.:20.00
Max. :25.00 Max. :24.00 Max. :25.00 Max. :24.00
X10 X11
Min. :13.00 Min. : 6.00
1st Qu.:16.00 1st Qu.:12.75
Median :18.00 Median :15.00
Mean :18.47 Mean :15.07
3rd Qu.:21.00 3rd Qu.:18.00
Max. :24.00 Max. :23.00 2.4 Uji Kaiser-Meyer Olkin (KMO) dan MSA
> library(REdaS)
> kmos <-KMOS(data)
> kmos
Kaiser-Meyer-Olkin Statistics
Call: KMOS(x = data)
Measures of Sampling Adequacy (MSA):
X1 X2 X3 X4 X5 X6 X7 X8
0.8410933 0.7876687 0.7955527 0.7734014 0.8647323 0.6680771 0.8061348 0.7881479
X9 X10 X11
0.6508719 0.8682538 0.8276876
KMO-Criterion: 0.79531992.5 Uji Bartlett’s Test of Sphericity
> bart_spher(x = data)
Bartlett's Test of Sphericity
Call: bart_spher(x = data)
X2 = 359.473
df = 55
p-value < 2.22e-162.6 Mencari Nilai Eigen Value
> R<- cor(data)
> R
X1 X2 X3 X4 X5 X6
X1 1.00000000 0.54097856 0.51363887 0.04200874 0.3141769 -0.04774220
X2 0.54097856 1.00000000 0.68572597 0.12337531 0.3416618 0.01692906
X3 0.51363887 0.68572597 1.00000000 0.08914404 0.4187643 -0.13683666
X4 0.04200874 0.12337531 0.08914404 1.00000000 0.2319792 0.37477483
X5 0.31417692 0.34166181 0.41876428 0.23197920 1.0000000 0.15072316
X6 -0.04774220 0.01692906 -0.13683666 0.37477483 0.1507232 1.00000000
X7 0.31274725 0.36827742 0.29248644 0.28896308 0.4475318 0.28405748
X8 0.21835023 0.25470920 0.40501038 0.04425977 0.3911434 -0.03320950
X9 -0.02523497 0.09624035 0.07373286 0.33572561 0.4207889 0.44520975
X10 0.42063680 0.46708175 0.50527970 0.19662594 0.4633231 0.09056457
X11 0.23470955 0.38623814 0.36719835 0.29087008 0.2492127 0.07648165
X7 X8 X9 X10 X11
X1 0.3127473 0.21835023 -0.02523497 0.42063680 0.23470955
X2 0.3682774 0.25470920 0.09624035 0.46708175 0.38623814
X3 0.2924864 0.40501038 0.07373286 0.50527970 0.36719835
X4 0.2889631 0.04425977 0.33572561 0.19662594 0.29087008
X5 0.4475318 0.39114342 0.42078893 0.46332312 0.24921272
X6 0.2840575 -0.03320950 0.44520975 0.09056457 0.07648165
X7 1.0000000 0.30886891 0.53561123 0.42047147 0.24619071
X8 0.3088689 1.00000000 0.12337789 0.50026760 0.23718012
X9 0.5356112 0.12337789 1.00000000 0.15647692 0.26833516
X10 0.4204715 0.50026760 0.15647692 1.00000000 0.29630242
X11 0.2461907 0.23718012 0.26833516 0.29630242 1.00000000
> eigen<- eigen(R)
> eigen$values
[1] 3.9370850 1.9442999 0.9906131 0.8352423 0.7119568 0.5884138 0.5228307
[8] 0.4868112 0.4154910 0.3157522 0.25150392.7 Rotasi Faktor dengan Varimax Method
> library(psych)
> AF<- psych:: principal(data,nfactor=2,rotate="varimax", scores=T)
> AF
Principal Components Analysis
Call: psych::principal(r = data, nfactors = 2, rotate = "varimax",
scores = T)
Standardized loadings (pattern matrix) based upon correlation matrix
RC1 RC2 h2 u2 com
X1 0.72 -0.09 0.52 0.48 1.0
X2 0.79 0.04 0.62 0.38 1.0
X3 0.85 -0.06 0.72 0.28 1.0
X4 0.09 0.65 0.43 0.57 1.0
X5 0.57 0.43 0.51 0.49 1.9
X6 -0.15 0.75 0.58 0.42 1.1
X7 0.46 0.60 0.58 0.42 1.9
X8 0.59 0.09 0.35 0.65 1.0
X9 0.09 0.82 0.68 0.32 1.0
X10 0.73 0.20 0.57 0.43 1.2
X11 0.47 0.29 0.31 0.69 1.7
RC1 RC2
SS loadings 3.53 2.35
Proportion Var 0.32 0.21
Cumulative Var 0.32 0.53
Proportion Explained 0.60 0.40
Cumulative Proportion 0.60 1.00
Mean item complexity = 1.3
Test of the hypothesis that 2 components are sufficient.
The root mean square of the residuals (RMSR) is 0.09
with the empirical chi square 83.29 with prob < 5.1e-06
Fit based upon off diagonal values = 0.933 HASIL DAN PEMBAHASAN
3.1 Statistika Deskriptif
> summary(data)
X1 X2 X3 X4 X5
Min. : 8.00 Min. :11.00 Min. : 9.00 Min. : 8.00 Min. :13.0
1st Qu.:15.00 1st Qu.:16.00 1st Qu.:16.00 1st Qu.:14.00 1st Qu.:19.0
Median :18.00 Median :18.00 Median :18.00 Median :17.00 Median :21.0
Mean :17.33 Mean :18.28 Mean :18.02 Mean :16.88 Mean :20.8
3rd Qu.:19.00 3rd Qu.:21.00 3rd Qu.:20.00 3rd Qu.:20.00 3rd Qu.:23.0
Max. :25.00 Max. :25.00 Max. :25.00 Max. :25.00 Max. :25.0
X6 X7 X8 X9
Min. : 6.00 Min. :10.00 Min. :11.00 Min. :11.00
1st Qu.:15.00 1st Qu.:15.00 1st Qu.:18.00 1st Qu.:16.00
Median :17.00 Median :17.00 Median :20.00 Median :18.00
Mean :17.23 Mean :17.23 Mean :19.55 Mean :17.79
3rd Qu.:20.00 3rd Qu.:19.00 3rd Qu.:21.00 3rd Qu.:20.00
Max. :25.00 Max. :24.00 Max. :25.00 Max. :24.00
X10 X11
Min. :13.00 Min. : 6.00
1st Qu.:16.00 1st Qu.:12.75
Median :18.00 Median :15.00
Mean :18.47 Mean :15.07
3rd Qu.:21.00 3rd Qu.:18.00
Max. :24.00 Max. :23.00 Pada tahap ini akan diberikan informasi dasar statistika mengenai masing-masing variabel, seperti nilai minimum, nilai maksimum, rata-rata, median, quartil 1, dan quartil 3. Pada hasil, dapat terlihat bahwa variabel-variabel tersebut memiliki nilai minimum di rentang 6 hingga 13 dan nilai maksimum tertinggi pada rentang 23 hingga 25. Lalu, untuk rata-rata dan median yang didapatkan memiliki rentang 15 hingga 21. Hal terakhir yang didapatkan adalah kuartil 1 dan kuartil 3 yang memiliki rentang diantara 12 hingga 19 dan 18 hingga 23.
3.2 Uji Kaiser-Meyer Olkin (KMO) dan MSA
> library(REdaS)
> kmos <-KMOS(data)
> kmos
Kaiser-Meyer-Olkin Statistics
Call: KMOS(x = data)
Measures of Sampling Adequacy (MSA):
X1 X2 X3 X4 X5 X6 X7 X8
0.8410933 0.7876687 0.7955527 0.7734014 0.8647323 0.6680771 0.8061348 0.7881479
X9 X10 X11
0.6508719 0.8682538 0.8276876
KMO-Criterion: 0.7953199Berdasarkan output yang didapatkan, diketahui bahwa nilai KMO sebesar 0.7953, yaitu lebih dari 0.5 (>0.5) maka analisis faktor dapat diterapkan pada data yang digunakan. Output kedua yang didapatkan adalah nilai MSA dari setiap variabel yang digunakan dalam penelitian. Dapat terlihat bahwa semua variabel memiliki nilai MSA yang lebih dari 0.5 (>0.5).
Oleh karena itu, dapat disimpulkan bahwa semua variabel dapat diikutsertakan dalam analisis faktor yang akan dilakukan. Hal ini mengindikasikan bahwa tidak ada variabel yang harus dihilangkan atau tidak diikutsertakan dalam analisis faktor karena kedua syarat, yaitu terpenuhinya uji KMO dan MSA sudah terpenuhi sesuai dengan output yang sudah dihasilkan.
3.3 Uji Bartlett’s Test of Sphericity
Uji ini digunakan untuk mengetahui apakah data saling berkorelasi atau tidak. Hal ini menjadi salah satu syarat penting sebelum melakukan analisis faktor, karena jika diantara variabel tidak berkorelasi atau dependen, maka analisis faktor tidak bisa diterapkan pada data karena tidak akan ditemukan faktor bersama yang bermakna diantara variabel-variabel yang digunakan.
H0 : Tidak terdapat korelasi yang signifikan antar variabel
H1 : Terdapat korelasi yang signifikan antar variabel
Hasil statistik uji yang didapatkan adalah sebagai berikut:
> bart_spher(x = data)
Bartlett's Test of Sphericity
Call: bart_spher(x = data)
X2 = 359.473
df = 55
p-value < 2.22e-16Keputusan : Tolak H0, karena p-value < alpha, (2.22e-16 < 0.05).
Kesimpulan : Kesimpulan yang didapatkan adalah dengan taraf nyata 5% dapat disimpulkan bahwa terdapat korelasi yang signifikan antar variabel.
3.4 Nilai Eigen
> R<- cor(data)
> R
X1 X2 X3 X4 X5 X6
X1 1.00000000 0.54097856 0.51363887 0.04200874 0.3141769 -0.04774220
X2 0.54097856 1.00000000 0.68572597 0.12337531 0.3416618 0.01692906
X3 0.51363887 0.68572597 1.00000000 0.08914404 0.4187643 -0.13683666
X4 0.04200874 0.12337531 0.08914404 1.00000000 0.2319792 0.37477483
X5 0.31417692 0.34166181 0.41876428 0.23197920 1.0000000 0.15072316
X6 -0.04774220 0.01692906 -0.13683666 0.37477483 0.1507232 1.00000000
X7 0.31274725 0.36827742 0.29248644 0.28896308 0.4475318 0.28405748
X8 0.21835023 0.25470920 0.40501038 0.04425977 0.3911434 -0.03320950
X9 -0.02523497 0.09624035 0.07373286 0.33572561 0.4207889 0.44520975
X10 0.42063680 0.46708175 0.50527970 0.19662594 0.4633231 0.09056457
X11 0.23470955 0.38623814 0.36719835 0.29087008 0.2492127 0.07648165
X7 X8 X9 X10 X11
X1 0.3127473 0.21835023 -0.02523497 0.42063680 0.23470955
X2 0.3682774 0.25470920 0.09624035 0.46708175 0.38623814
X3 0.2924864 0.40501038 0.07373286 0.50527970 0.36719835
X4 0.2889631 0.04425977 0.33572561 0.19662594 0.29087008
X5 0.4475318 0.39114342 0.42078893 0.46332312 0.24921272
X6 0.2840575 -0.03320950 0.44520975 0.09056457 0.07648165
X7 1.0000000 0.30886891 0.53561123 0.42047147 0.24619071
X8 0.3088689 1.00000000 0.12337789 0.50026760 0.23718012
X9 0.5356112 0.12337789 1.00000000 0.15647692 0.26833516
X10 0.4204715 0.50026760 0.15647692 1.00000000 0.29630242
X11 0.2461907 0.23718012 0.26833516 0.29630242 1.00000000
> eigen<- eigen(R)
> eigen$values
[1] 3.9370850 1.9442999 0.9906131 0.8352423 0.7119568 0.5884138 0.5228307
[8] 0.4868112 0.4154910 0.3157522 0.2515039Berdasarkan output yang didapatkan, faktor yang memiliki nilai eigen > 1 adalah komponen 1 dan 2. Maka faktor yang bisa menjelaskan keseluruhan data hanya dengan 2 faktor, maka proses pemfaktoran dilakukan hingga 2 faktor saja.
3.5 Rotasi Faktor
> library(psych)
> AF<- psych:: principal(data,nfactor=2,rotate="varimax", scores=T)
> AF
Principal Components Analysis
Call: psych::principal(r = data, nfactors = 2, rotate = "varimax",
scores = T)
Standardized loadings (pattern matrix) based upon correlation matrix
RC1 RC2 h2 u2 com
X1 0.72 -0.09 0.52 0.48 1.0
X2 0.79 0.04 0.62 0.38 1.0
X3 0.85 -0.06 0.72 0.28 1.0
X4 0.09 0.65 0.43 0.57 1.0
X5 0.57 0.43 0.51 0.49 1.9
X6 -0.15 0.75 0.58 0.42 1.1
X7 0.46 0.60 0.58 0.42 1.9
X8 0.59 0.09 0.35 0.65 1.0
X9 0.09 0.82 0.68 0.32 1.0
X10 0.73 0.20 0.57 0.43 1.2
X11 0.47 0.29 0.31 0.69 1.7
RC1 RC2
SS loadings 3.53 2.35
Proportion Var 0.32 0.21
Cumulative Var 0.32 0.53
Proportion Explained 0.60 0.40
Cumulative Proportion 0.60 1.00
Mean item complexity = 1.3
Test of the hypothesis that 2 components are sufficient.
The root mean square of the residuals (RMSR) is 0.09
with the empirical chi square 83.29 with prob < 5.1e-06
Fit based upon off diagonal values = 0.93Berdasarkan hasil analisis faktor yang dilakukan, diketahui bahwa dua jenis faktor karakter yang memengaruhi kesehatan mental selama masa Covid-19 di Rusia. Dua faktor tersebut antara lain adalah sifat dari diri sendiri dan sifat bersosial dengan orang lain (kerja sama). Selain itu, terbentuk juga beberapa persamaan untuk melihat masing-masing variabel lebih dominan berada di faktor berapa. Berikut ini adalah persamaan yang terbentuk:
X1 = 0.72F1 - 0.09F2
X2 = 0.79F1 + 0.04F2
X3 = 0.85F1 - 0.06F2
X4 = 0.09F1 + 0.65F2
X5 = 0.57F1 + 0.43F2
X6 = -0.15F1 + 0.75F2
X7 = 0.46F1 + 0.60F2
X8 = 0.59F1 + 0.09F2
X9 = 0.09F1 + 0.82F2
X10 = 0.73F1 + 0.20F2
X11 = 0.47F1 + 0.29F2
Dari persamaan yang didapatkan, dapat terlihat bahwa variabel X1, X2, X3, X5, X8, X10, dan X11 akan membentuk satu faktor bersama pertama. Lalu, variabel X4, X6, X7, dan X9 akan membentuk faktor bersama kedua. Dilihat dari proporsi varians nya, faktor pertama mampu menjelaskan keragaman sebesar 32% dan faktor kedua sebesar 21%. Hal terakhir yang didapatkan adalah skor faktor, yaitu sebesar 0.93 yang berarti bahwa kedua faktor yang terbentuk sudah bisa menjelaskan data secara keseluruhan dengan baik karena nilai dari skor faktor >0.70.
4 KESIMPULAN
Kesimpulan yang didapatkan adalah terdapat dua faktor yang terbentuk, yaitu sifat dari diri sendiri dan sifat bersosial dengan orang lain (kerja sama). Jumlah faktor tersebut ditentukan oleh nilai eigen dari masing-masing variabel yang bersesuaian dengan jumlah variabel yang memiliki nilai eigen > 1. Pada analisis di atas, didapatkan dua variabel yang memiliki nilai eigen > 1, maka jumah faktor yang perlu digunakan cukup dua faktor saja. Ketiga faktor tersebut sudah bisa menjelaskan keseluruhan data karena skor faktor atau nilai-nilai bagi faktor acak yang tidak teramati bernilai 0.93 atau 93% (skor faktor > 70%).
5 DAFTAR PUSTAKA
Gudono. 2012. Analisis Data Multivariat. BPFE Yogyakarta: Yogyakarta.
Purnomo, dkk. 2022. Analisis Data Multivariat. Omera Pustaka: Banyumas.
Marden, J. I. 2015. Multivariate Statistics (Old School). University of Illinois at Urbana Champaign: Urbana.
Rencher, A. C. dan Christensen, W. F. 2002. Methods of Multivariate Analysis (third edition). A John Wiley&Sons, Inc., Publication: Canada.
Zelterman, Daniel. 2015. Applied Multivariate Statistics with R. Springer International Publishing Switzerland: Switzerland.