Library :
1 PENDAHULUAN
1.1 Latar Belakang Kasus
Manusia memiliki akal budi dan kemampuan untuk berkomunikasi dan berinteraksi baik secara individu maupun dalam konteks sosial. Oleh karena itu, manusia bisa dianggap sebagai makhluk yang bersifat sosial. Karena sifat sosialnya, manusia tidak dapat hidup secara mandiri dan memerlukan hubungan dengan orang lain untuk berkomunikasi, berbagi ide, mencari dan menerima informasi, serta bekerja sama dalam memenuhi kebutuhannya. Semua kebutuhan ini dapat terpenuhi melalui interaksi dengan sesama manusia.
Interaksi merupakan hasil dari kontak sosial dan komunikasi, yang semakin berkembang pesat di era globalisasi dan kemajuan teknologi. Perkembangan ilmu pengetahuan dan teknologi yang semakin canggih telah mempercepat penyebaran informasi, serta meningkatkan aksesibilitas dalam telekomunikasi dan transportasi. Dampak dari kemajuan ini bisa dirasakan oleh masyarakat secara langsung maupun tidak langsung, baik positif maupun negatif, dan dampaknya tidak hanya terbatas pada kelompok tertentu, melainkan telah merambah ke seluruh lapisan masyarakat, termasuk remaja. Salah satu pencapaian signifikan dari kemajuan ilmu pengetahuan dan teknologi adalah internet. Internet telah memberikan banyak fasilitas yang memungkinkan sebagian besar populasi global untuk berinteraksi dan berkomunikasi secara online, yang akhirnya menghasilkan lahirnya situs-situs media sosial.
Salah satu platform media sosial yang sedang populer di kalangan remaja saat ini adalah TikTok. TikTok adalah platform yang memberikan sejumlah besar kebebasan kepada penggunanya untuk berkolaborasi dengan membuat video pendek, yang memungkinkan mereka untuk mengekspresikan diri secara kreatif dengan menari dan berpose sesuai keinginan mereka. Hal ini mendorong para pembuat konten untuk mengembangkan imajinasi mereka dan menggali kreativitas dalam ekspresi mereka. Kehadiran media sosial ini telah mengubah cara individu berinteraksi dengan orang terdekat, misalnya, interaksi antara orang tua dan anak, yang kini seringkali dilakukan melalui media sosial karena sibuk dengan perangkat mereka masing-masing.
Hal ini menjadi alasan untuk melakukan penelitian untuk mengetahui indicator apa saja yang dapat menjadi alasan bagaimana penggunaan media sosial tiktok dapat mempengaruhi kapasitas interaksi sosial remaja. Penelitian dilakukan kepada 50 mahasiswa Universitas Brawijaya yang dipilih secara acak. Instrumen penelitian yang digunakan adalah kuisioner yang sudah disebarkan pada tanggal 12 September 2023 dimana data hasil kuisioner juga sudah digunakan oleh penulis untuk pemenuhan tugas mata kuliah Statistika Sosial mengenai uji validitas dan uji reliabilitas dengan judul penelitian “Pengaruh Tiktok terhadap Interaksi Sosial Mahasiswa Univrsitas Brawiajaya”.
1.2 Data Penelitian
| X1 | X2 | X3 | X4 | X5 | X6 | X7 | X8 | X9 | X10 | X11 | X12 | X13 | X14 | X15 | X16 | X17 | X18 | X19 | X20 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2 | 3 | 4 | 2 | 2 | 1 | 1 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 3 | 3 | 1 | 1 | 2 | 4 |
| 3 | 3 | 2 | 2 | 1 | 1 | 2 | 1 | 1 | 1 | 2 | 4 | 2 | 1 | 1 | 2 | 1 | 2 | 2 | 3 |
| 2 | 3 | 2 | 2 | 1 | 1 | 1 | 2 | 1 | 1 | 1 | 3 | 1 | 1 | 2 | 1 | 1 | 1 | 1 | 2 |
| 1 | 1 | 4 | 3 | 1 | 1 | 1 | 2 | 1 | 1 | 2 | 3 | 1 | 1 | 2 | 1 | 1 | 2 | 1 | 4 |
| 1 | 4 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 2 | 1 | 3 | 1 | 1 | 1 | 1 | 1 | 2 | 1 | 2 |
| 2 | 1 | 3 | 3 | 1 | 1 | 1 | 3 | 1 | 1 | 1 | 3 | 2 | 1 | 2 | 1 | 1 | 2 | 1 | 4 |
| 1 | 4 | 3 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 1 | 1 | 1 | 2 | 1 | 2 |
| 2 | 2 | 3 | 1 | 1 | 1 | 1 | 2 | 1 | 1 | 1 | 2 | 2 | 1 | 1 | 3 | 1 | 3 | 1 | 4 |
| 2 | 1 | 4 | 2 | 1 | 1 | 2 | 3 | 1 | 1 | 1 | 3 | 1 | 1 | 2 | 1 | 1 | 2 | 1 | 3 |
| 4 | 1 | 4 | 2 | 1 | 1 | 2 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 2 | 1 | 1 | 1 | 1 | 3 |
| 1 | 4 | 2 | 1 | 1 | 2 | 1 | 1 | 1 | 1 | 1 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 2 |
| 2 | 3 | 2 | 2 | 1 | 1 | 1 | 1 | 2 | 3 | 4 | 3 | 3 | 1 | 1 | 2 | 4 | 4 | 3 | 4 |
| 4 | 3 | 3 | 4 | 4 | 4 | 3 | 4 | 4 | 4 | 3 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| 2 | 1 | 4 | 2 | 1 | 1 | 1 | 3 | 1 | 1 | 2 | 2 | 1 | 1 | 2 | 1 | 2 | 1 | 1 | 4 |
| 1 | 2 | 3 | 2 | 1 | 1 | 1 | 3 | 1 | 1 | 2 | 2 | 1 | 1 | 2 | 1 | 1 | 1 | 1 | 4 |
| 2 | 1 | 3 | 2 | 1 | 2 | 1 | 2 | 1 | 1 | 1 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 3 |
| 3 | 1 | 4 | 2 | 2 | 1 | 2 | 2 | 1 | 1 | 2 | 2 | 2 | 2 | 4 | 2 | 2 | 2 | 2 | 4 |
| 1 | 3 | 3 | 1 | 1 | 1 | 2 | 3 | 1 | 1 | 1 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 2 |
| 2 | 2 | 3 | 1 | 1 | 1 | 1 | 3 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 3 |
| 2 | 4 | 3 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 3 |
| 2 | 2 | 3 | 2 | 1 | 1 | 2 | 1 | 2 | 3 | 1 | 4 | 2 | 3 | 2 | 2 | 3 | 1 | 3 | 4 |
| 3 | 3 | 4 | 2 | 1 | 1 | 2 | 2 | 1 | 1 | 1 | 2 | 1 | 2 | 2 | 1 | 2 | 2 | 1 | 4 |
| 2 | 2 | 3 | 2 | 1 | 1 | 1 | 3 | 1 | 1 | 3 | 3 | 1 | 1 | 3 | 1 | 1 | 1 | 1 | 4 |
| 3 | 1 | 4 | 2 | 2 | 1 | 1 | 3 | 2 | 2 | 1 | 2 | 2 | 1 | 3 | 1 | 1 | 2 | 1 | 2 |
| 2 | 4 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 2 | 2 | 4 | 2 | 2 | 1 | 3 | 2 | 2 | 2 | 2 | 3 | 2 | 1 | 2 | 2 | 3 | 3 | 2 | 4 |
| 2 | 2 | 3 | 1 | 1 | 1 | 1 | 2 | 1 | 1 | 2 | 3 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 2 |
| 1 | 4 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 2 |
| 1 | 4 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 3 | 2 | 4 | 3 | 1 | 1 | 1 | 2 | 1 | 1 | 1 | 3 | 2 | 1 | 2 | 1 | 1 | 1 | 1 | 4 |
| 2 | 2 | 3 | 2 | 1 | 1 | 2 | 2 | 1 | 1 | 1 | 3 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 1 | 2 | 4 | 2 | 1 | 3 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 3 | 1 | 1 | 4 | 1 | 4 |
| 2 | 4 | 4 | 2 | 1 | 2 | 1 | 2 | 1 | 1 | 1 | 4 | 1 | 2 | 1 | 1 | 2 | 1 | 1 | 4 |
| 2 | 2 | 3 | 3 | 1 | 1 | 1 | 2 | 1 | 1 | 1 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 3 |
| 2 | 2 | 4 | 2 | 2 | 1 | 1 | 3 | 1 | 1 | 1 | 3 | 1 | 1 | 2 | 1 | 1 | 2 | 1 | 4 |
| 3 | 1 | 4 | 2 | 1 | 1 | 2 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 3 | 1 | 1 | 1 | 1 | 2 |
| 3 | 4 | 3 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 3 | 2 | 1 | 1 | 1 | 1 | 3 | 2 | 4 |
| 2 | 2 | 3 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 3 | 1 | 1 | 2 | 1 | 1 | 1 | 1 | 3 |
| 1 | 2 | 4 | 2 | 1 | 1 | 1 | 3 | 1 | 1 | 1 | 3 | 2 | 4 | 1 | 1 | 1 | 1 | 1 | 4 |
| 3 | 1 | 4 | 2 | 1 | 1 | 1 | 4 | 1 | 1 | 1 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 2 |
| 2 | 4 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 1 | 3 | 3 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 3 | 2 | 4 | 2 | 1 | 1 | 2 | 3 | 1 | 1 | 2 | 3 | 3 | 1 | 4 | 3 | 1 | 1 | 1 | 3 |
| 2 | 2 | 4 | 2 | 1 | 1 | 3 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 4 |
| 1 | 3 | 3 | 2 | 1 | 1 | 1 | 2 | 1 | 1 | 1 | 2 | 3 | 1 | 1 | 3 | 2 | 1 | 1 | 3 |
| 2 | 3 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 1 | 4 | 2 | 2 | 2 | 1 | 1 | 2 | 2 | 2 | 2 | 2 | 1 | 1 | 1 | 1 | 1 | 2 | 1 | 2 |
| 2 | 3 | 3 | 2 | 1 | 2 | 1 | 2 | 1 | 2 | 1 | 2 | 2 | 1 | 4 | 2 | 1 | 1 | 1 | 2 |
| 2 | 3 | 4 | 4 | 4 | 2 | 2 | 2 | 1 | 1 | 1 | 4 | 1 | 4 | 2 | 2 | 2 | 2 | 2 | 2 |
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
Penelitian dilakukan dengan responden sebanyak 50 orang mahasiswa Universitas Brawijaya dan menggunakan 20 indikator pertanyaan dalam hal ini diwakili oleh variabel X.
1.3 Rumusan Masalah
- Bagaimana pengaruh media sosial TikTok terhadap interaksi sosial mahasiswa Universitas Brawijaya?
- Berdasarkan indikator atau pertanyaan yang sudah ditentukan sebelumnya, faktor apa saja yang diperoleh dapat mempengaruhi interaksi sosial mahasiswa Universitas Brawijaya?
1.4 Tujuan
- Mengetahui bagaimana penggunaan media sosial TikTok memberikan pengaruh terhadap interaksi sosial mahasiswa Universitas Brawijaya
- Menentukan faktor yang dapat mempengaruhi interaksi sosial mahasiswa Universitas Brawijaya
1.5 Latar Belakang Metode
Data yang digunakan merupakan data hasil penyebaran kuisioner kepada 50 mahasiswa Universitas Brawijaya. Kuisioner mencakup 20 indikator pertanyaan sebagai berikut:
Saya pernah memposting video di Tiktok.
Saya pernah seharian tidak menggunakan Tiktok.
Saya selalu menggunakan Tiktok sebagai media untuk menghilangkan kejenuhan.
Saya selalu membuka TikTok ketika sedang bersama keluarga.
Saya pernah berpikir lebih memilih mengurusi TikTok saya daripada kehidupan saya.
Saya selalu dihiraukan oleh teman saya karena lebih memilih TikTok daripada teman saya.
Saya menggunakan TikTok agar teman saya tahu tentang diri saya.
Saya telah menjadikan membuka TikTok adalah hobi saya
Saya jarang berkumpul dengan keluarga karena terlalu asik bermain TikTok.
Saya jarang berkumpul dengan orang-orang sekitar lingkungan rumah karena terlalu asik bermain TikTok.
Saya lebih memilih bermain TikTok daripada berkumpul dengan teman saya.
Saya pernah merasa bosan menggunakan TikTok.
Saya merasa kesulitan untuk berkomunikasi dengan teman saya saat menggunakan TikTok.
Saya lebih memilih menghubungi teman saya melalui TikTok dibandingkan bertemu langsung.
Saya sering merasa tidak nyaman jika saya tidak membuka TikTok dalam sehari.
Saya merasa kesulitan untuk berinteraksi dengan temen saya karena sering menggunakan TikTok.
Saya merasa bahwa saya lebih asik di TikTok daripada diri saya yang sebenarnya.
Saya merasa perilaku saya memburuk karena terlalu sering bermain TikTok.
Saya merasa kesulitan dalam berinteraksi setelah membuka TikTok.
Saya pernah lupa waktu saat menggunakan TikTok
Pertanyaan tersebut dijawab dengan alternatif jawaban menggunakan skala likert yang mewakili intensitas mulai dari tidak pernah sampai sangat sering (skala numerik ordinal 1 - 4). Karena banyaknya variabel yang digunakan, hal ini menyulitkan penulis untuk menyelesaikan analisis dan menentukan interpretasi. Maka dari itu, diperlukan suatu analisis untuk mereduksi variabel tersebut menjadi beberapa komponen, dimana komponen ini dijadikan sebagai faktor yang nantinya akan tetap dapat mewakili seluruh variabel yang digunakan. Metode analisis multivariat yang tepat digunakan adalah analisis faktor dengan penentuan jumlah ekstraksi faktor menggunakan analisis komponen utama atau PCA.
1.6 Tinjauan Pustaka Metode
1.6.1 Analisis Komponen Utama (Principal Component Analysis/PCA)
Analisis PCA merupakan suatu metode untuk menyederhanakan variabel yang diamati dengan mereduksi dimensinya. Hal ini dilakukan dengan cara menghilangkan korelasi antara variabel bebas melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi. Beberapa sumber menyebut PCA merupakan jenis sederhana dari analisis faktor dengan beberapa perbedaan. PCA tidak melibatkan rotasi komponen utama sehingga hasilnya berupa kombinasi linier yang murni matematis dan sulit untuk menginterpretasikan komponen utama sebagai faktor tertentu. Hal tersebut berbeda dengan analisis faktor dimana melibatkan rotasi sehingga mengahasilkan faktor-faktor yang mudah diinterpretasikan. Ini memungkinkan pemahaman yang lebih baik antara hubungan variabel dan faktor-faktor yang mendasarinya.
1.6.2 Analisis Faktor
Analisis faktor adalah alat analisis statistik yang dipergunakan untuk mereduksi faktor-faktor yang mempengaruhi suatu variabel menjadi beberapa set indikator saja. Analisis faktor digunakan untuk penelitian awal di mana faktor-faktor yang mempengaruhi suatu variabel belum diidentifikasikan secara baik (explanatory research). Analisis faktor memberi penilaian dan menentukan faktor paling berpengaruh diantara indikator-indikator yang ada. Analisi faktor terbagi menjadi analisis faktor eksploratori dan analisis faktor konfirmatori.
Analisis faktor eksploratori digunakan untuk mengidentifikasi pola atauhubungan antara sekelompok variabel tanpa memiliki hipotesis awal yang kuat tentang hubungan diantara mereka. Tujuannya adalahuntuk mengidentifikasi faktor-faktor yang mungkin ada di dalam data dan membantu memahami struktur data yang kompleks. Analisis faktor eksploratori tidak mengikuti model statistik tertentu dan digunakan untuk eksplorasi dan pemahaman awal data sebelumanalisis lebih lanjut dilakukan. Analisis PCA merupakan salah satu analisis faktor yang selalu bersifat eksploratori.
Analisis faktor konfirmatori merupakan metode analisis yang digunakan untuk menguji atau memverifikasi model yang telah diajukan sebelumnya. Sebelmu melakukan analisis, dilakukan perumusan sebuah model teoritis yang menjelaskan hubungan antara variabel dan faktor yang telah dihipotesiskan, kemudian mengumpulkan data. Analisis digunakan unuk menguji sejauh mana data tersebut konsisten atau sesuai dengan model yang sudah dirumuskan secara teoritis.
2 SOURCE CODE
2.1 Penjalasan Library yang Digunakan
> library(readxl)Package digunakan untuk mendeteksi file dengan format file excel.
> library(corrplot)Package digunakan untuk memvisualisasikan matriks korelasi.
> library(REdaS)Package yang menyediakan fungsi-fungsi yang digunakan dalam analisis statistika terapan.
> library(psych)Package digunakan untuk analisis psikometrik dan statistik termasuk salah satunya untuk analisis faktor.
2.2 Penjelasan Source Code yang Digunakan
Memasukkan file excel yang berisi hasil data kuisioner dalam format file excel dan diberi nama “Faktor” menggunakan fungsi read_excel
source code :
data <- read_excel("D:/SEMESTER 5/ANMUL 1/data_kuisioner.xlsx")
Eksplorasi data untuk mengetahui korelasi antara variabel menggunakan fungsi cor dan melihat korelasi melalui plot dan nilai korelasi yang muncul pada plot tersebut
source code :
korelasi <- cor(Faktor)
corrplot(korelasi, method="number")
Uji asumsi validitas menggunakan Uji KMO dan nilai MSA untuk menentukan apakah analisis faktor dapat dilakukan
source code :
valid <-KMOS(data)
valid
Uji asumsi multikolinieritas dengan Uji Bartlett untuk mengetahui apakah ada hubungan antar variabel sehingga analisis faktor dapat dilakukan
source code :
bart_spher(x = data)
Ekstraksi faktor dengan analisis PCA
- Dengan matriks kovarians
Setiap variabel-variabel X disusun dalam vektor X
memiliki matriks kovarians dengan nilai eigen yang nilainya berkurang
seiring urutannya hingga nilai eigen terakhir. Untuk memperoleh nilai
tersebut, data distandarisasi lalu dibentuk matriks kovarians dari data
terstandarisasi tersebut. Nilai eigen diperoleh dengan menggunakan
fungsi eigen
source code :
kov<-scale(data)
kov
matkov<-cov(kov)
eigkov<-eigen(matkov)
eigkov
plot(eigkov$values, xlab="Eigenvalue Number", ylab="Eigenvalue Size", main="Scree Plot")
lines(eigkov$values)
- Dengan nilai kumulatif eigen
Selain dengan melihat nilai eigen dan plot, penentuan komponen utama atau faktor juga dapat dilihat dengan nilai kumulatif eigen tersebut
source code :
for (eg in eigkov$values){print(eg / sum(eigkov$values))}
- Dengan matriks korelasi
Penggunaan matriks korelasi dimaksudkan untuk penggunaan ketika jumlah responden berbeda untuk setiap variabel X
source code :
eigkor<-eigen(korelasi)
eigkor
plot(eigkor$values, xlab="Eigenvalue Number", ylab="EigenvalueSize", main="Scree Plot")
lines(eigkor$values)
Analisis faktor dengan fungsi “principal” dengan menggunakan matriks kovarians. Berdasarkan perhitungan nilai eigen yang diperoleh, didaptkan 4 faktor optimal yang dapat menjelaskan keragaman data.
source code :
faktorpca<-principal(matkov, nfactors = 4, n.obs = nrow(Faktor))
faktorpca
Diperoleh hasil analisis berupa persen kontribusi setiap faktor dalam menjelaskan keragaman data. Kemudian dilanjutkan dengan menghitung skor faktor
source code :
skor <- principal(data, nfactors = 4, scores = T)
head(skor$scores)
Melakukan rotasi faktor jika dalam analisis faktor sebelumnya didapatkan nilai yang tidak unik dan cenderung nilainya berdekatan untuk setiap variabel dalam faktor yang terbentuk. Rotasi faktor menggunakan metode varimax yang meminimalkan jumlah variabel yang mempunyai loading atau korelasi tinggi pada suatu faktor. Dilakukan perhitungan skor faktor terlebih dahulu
source code :
rotfaktor <- principal(data, nfactors = 4, rotate="varimax", scores=T)
rotfaktor
Membentuk nilai korelasi antara variabel dengan faktor (loading) dan komunalitas hasil dari rotasi faktor untuk menentukan berapa besar varians data dapat dijelaskan oleh faktor
source code :
rotfaktor$communalities
round(rotfaktor$loadings[1:20,], 4)
Membentuk plot antara variabel masuk ke dalam faktor yang telah ditentukan
source code :
loadfaktor <- rotfaktor$loadings
fa.diagram(loadfaktor)
Menentukan nilai loadings sesuai plot yang terbentuk (menentukan variabel masuk kedalam salah satu faktor)
source code :
round(output2$loadings[1:20,], 4)
3 HASIL DAN PEMBAHASAN
3.1 Pengujian Asumsi
Uji asumsi validitas menggunakan Uji KMO dan MSA
Hipotesis :
H0 : Jumlah data cukup untuk difaktorkan
H1 : Jumlah data tidak cukup untuk difaktorkan
> valid <-KMOS(data)
> valid
Kaiser-Meyer-Olkin Statistics
Call: KMOS(x = data)
Measures of Sampling Adequacy (MSA):
X1 X2 X3 X4 X5 X6 X7 X8
0.7001766 0.6835798 0.7418134 0.7926803 0.7005432 0.7514940 0.7897564 0.7064967
X9 X10 X11 X12 X13 X14 X15 X16
0.8184513 0.7735106 0.7489224 0.6025032 0.7866290 0.7607267 0.7191305 0.7984681
X17 X18 X19 X20
0.8817999 0.6795383 0.8271000 0.6217038
KMO-Criterion: 0.7604424Pembahasan :
Diperoleh nilai MSA dari semua variabel lebih dari 0,5 (>0,5) sehingga semua variabel dapat digunakan dalam analisis faktor
Diperoleh nilai KMO sebesar 0,76 yang nilainya lebih besar dari 0,5 (0,76 > 0,5), maka terima H0, dapat disimpulkan bahwa analisis faktor dapat digunakan
Uji asumsi multikolinieritas dengan Uji Bartlett
Hipotesis :
H0 : Matriks korelasi membentuk matriks identitas, tidak terdapat korelasi antar variabel
H1 : Matriks korelasi tidak membentuk matriks identitas, terdapat korelasi antar varriabel
> bart_spher(x = data)
Bartlett's Test of Sphericity
Call: bart_spher(x = data)
X2 = 623.631
df = 190
p-value < 2.22e-16Pembahasan : Diperoleh nilai signifikansi sebesar 2,22e-16 yang nilainya lebih kecil dibandingkan 0,05 (0,00<0,05), maka tolak H0, artinya pada tingkat signifikansi 5%, dapat disimpulkan bahwa antar variabel saling berkorelasi dan layak digunakan dalam analisis faktor.
3.2 Hasil Analisis dan Interprtasi
Memasukkan file data hasil kuisioner
> data <- read_excel("D:/SEMESTER 5/ANMUL 1/data_kuisioner.xlsx")Eksplorasi data untuk mengetahui korelasi antara variabel
> korelasi <- cor(data)
> corrplot(korelasi, method="number")
Pembahasan : Pada plot yang diperoleh, dapat disimpulkan bahwa
antarvariabel mayoritas memiliki nilai korelasi yang ≠ 0, maka dapat
disimpulkan bahwa antarvariabel saling berkorelasi.
Ekstraksi faktor dengan analisis PCA
Dengan matriks kovarians
> kov<-scale(data)
> kov
X1 X2 X3 X4 X5 X6 X7
[1,] 0.02515286 0.5032401 1.00554743 0.1150793 1.1576164 -0.35 -0.5735356
[2,] 1.28279573 0.5032401 -1.13391519 0.1150793 -0.3655631 -0.35 1.1133338
[3,] 0.02515286 0.5032401 -1.13391519 0.1150793 -0.3655631 -0.35 -0.5735356
[4,] -1.23249001 -1.3606122 1.00554743 1.5535704 -0.3655631 -0.35 -0.5735356
[5,] -1.23249001 1.4351663 -1.13391519 -1.3234118 -0.3655631 -0.35 -0.5735356
[6,] 0.02515286 -1.3606122 -0.06418388 1.5535704 -0.3655631 -0.35 -0.5735356
[7,] -1.23249001 1.4351663 -0.06418388 0.1150793 -0.3655631 -0.35 -0.5735356
[8,] 0.02515286 -0.4286860 -0.06418388 -1.3234118 -0.3655631 -0.35 -0.5735356
[9,] 0.02515286 -1.3606122 1.00554743 0.1150793 -0.3655631 -0.35 1.1133338
[10,] 2.54043860 -1.3606122 1.00554743 0.1150793 -0.3655631 -0.35 1.1133338
[11,] -1.23249001 1.4351663 -1.13391519 -1.3234118 -0.3655631 1.40 -0.5735356
[12,] 0.02515286 0.5032401 -1.13391519 0.1150793 -0.3655631 -0.35 -0.5735356
[13,] 2.54043860 0.5032401 -0.06418388 2.9920616 4.2039754 4.90 2.8002032
[14,] 0.02515286 -1.3606122 1.00554743 0.1150793 -0.3655631 -0.35 -0.5735356
[15,] -1.23249001 -0.4286860 -0.06418388 0.1150793 -0.3655631 -0.35 -0.5735356
[16,] 0.02515286 -1.3606122 -0.06418388 0.1150793 -0.3655631 1.40 -0.5735356
[17,] 1.28279573 -1.3606122 1.00554743 0.1150793 1.1576164 -0.35 1.1133338
[18,] -1.23249001 0.5032401 -0.06418388 -1.3234118 -0.3655631 -0.35 1.1133338
[19,] 0.02515286 -0.4286860 -0.06418388 -1.3234118 -0.3655631 -0.35 -0.5735356
[20,] 0.02515286 1.4351663 -0.06418388 0.1150793 -0.3655631 -0.35 -0.5735356
[21,] 0.02515286 -0.4286860 -0.06418388 0.1150793 -0.3655631 -0.35 1.1133338
[22,] 1.28279573 0.5032401 1.00554743 0.1150793 -0.3655631 -0.35 1.1133338
[23,] 0.02515286 -0.4286860 -0.06418388 0.1150793 -0.3655631 -0.35 -0.5735356
[24,] 1.28279573 -1.3606122 1.00554743 0.1150793 1.1576164 -0.35 -0.5735356
[25,] 0.02515286 1.4351663 -2.20364650 -1.3234118 -0.3655631 -0.35 -0.5735356
[26,] 0.02515286 -0.4286860 1.00554743 0.1150793 1.1576164 -0.35 2.8002032
[27,] 0.02515286 -0.4286860 -0.06418388 -1.3234118 -0.3655631 -0.35 -0.5735356
[28,] -1.23249001 1.4351663 -1.13391519 -1.3234118 -0.3655631 -0.35 -0.5735356
[29,] -1.23249001 1.4351663 -2.20364650 -1.3234118 -0.3655631 -0.35 -0.5735356
[30,] 1.28279573 -0.4286860 1.00554743 1.5535704 -0.3655631 -0.35 -0.5735356
[31,] 0.02515286 -0.4286860 -0.06418388 0.1150793 -0.3655631 -0.35 1.1133338
[32,] -1.23249001 -0.4286860 1.00554743 0.1150793 -0.3655631 3.15 -0.5735356
[33,] 0.02515286 1.4351663 1.00554743 0.1150793 -0.3655631 1.40 -0.5735356
[34,] 0.02515286 -0.4286860 -0.06418388 1.5535704 -0.3655631 -0.35 -0.5735356
[35,] 0.02515286 -0.4286860 1.00554743 0.1150793 1.1576164 -0.35 -0.5735356
[36,] 1.28279573 -1.3606122 1.00554743 0.1150793 -0.3655631 -0.35 1.1133338
[37,] 1.28279573 1.4351663 -0.06418388 0.1150793 -0.3655631 -0.35 -0.5735356
[38,] 0.02515286 -0.4286860 -0.06418388 0.1150793 -0.3655631 -0.35 -0.5735356
[39,] -1.23249001 -0.4286860 1.00554743 0.1150793 -0.3655631 -0.35 -0.5735356
[40,] 1.28279573 -1.3606122 1.00554743 0.1150793 -0.3655631 -0.35 -0.5735356
[41,] 0.02515286 1.4351663 -2.20364650 -1.3234118 -0.3655631 -0.35 -0.5735356
[42,] -1.23249001 0.5032401 -0.06418388 0.1150793 -0.3655631 -0.35 -0.5735356
[43,] 1.28279573 -0.4286860 1.00554743 0.1150793 -0.3655631 -0.35 1.1133338
[44,] 0.02515286 -0.4286860 1.00554743 0.1150793 -0.3655631 -0.35 2.8002032
[45,] -1.23249001 0.5032401 -0.06418388 0.1150793 -0.3655631 -0.35 -0.5735356
[46,] 0.02515286 0.5032401 -1.13391519 -1.3234118 -0.3655631 -0.35 -0.5735356
[47,] -1.23249001 1.4351663 -1.13391519 0.1150793 1.1576164 -0.35 -0.5735356
[48,] 0.02515286 0.5032401 -0.06418388 0.1150793 -0.3655631 1.40 -0.5735356
[49,] 0.02515286 0.5032401 1.00554743 2.9920616 4.2039754 1.40 1.1133338
[50,] -1.23249001 -1.3606122 -2.20364650 -1.3234118 -0.3655631 -0.35 -0.5735356
X8 X9 X10 X11 X12 X13
[1,] 0.02242369 1.4966630 1.1247310 0.9657326 -0.90844 0.6799001
[2,] -1.09876090 -0.3741657 -0.4373954 0.9657326 1.36266 0.6799001
[3,] 0.02242369 -0.3741657 -0.4373954 -0.5432246 0.22711 -0.6799001
[4,] 0.02242369 -0.3741657 -0.4373954 0.9657326 0.22711 -0.6799001
[5,] -1.09876090 -0.3741657 1.1247310 -0.5432246 0.22711 -0.6799001
[6,] 1.14360829 -0.3741657 -0.4373954 -0.5432246 0.22711 0.6799001
[7,] -1.09876090 -0.3741657 -0.4373954 -0.5432246 1.36266 -0.6799001
[8,] 0.02242369 -0.3741657 -0.4373954 -0.5432246 -0.90844 0.6799001
[9,] 1.14360829 -0.3741657 -0.4373954 -0.5432246 0.22711 -0.6799001
[10,] 1.14360829 -0.3741657 -0.4373954 -0.5432246 -2.04399 -0.6799001
[11,] -1.09876090 -0.3741657 -0.4373954 -0.5432246 -0.90844 -0.6799001
[12,] -1.09876090 1.4966630 2.6868575 3.9836469 0.22711 2.0397003
[13,] 2.26479289 5.2383203 4.2489839 2.4746897 1.36266 3.3995005
[14,] 1.14360829 -0.3741657 -0.4373954 0.9657326 -0.90844 -0.6799001
[15,] 1.14360829 -0.3741657 -0.4373954 0.9657326 -0.90844 -0.6799001
[16,] 0.02242369 -0.3741657 -0.4373954 -0.5432246 0.22711 -0.6799001
[17,] 0.02242369 -0.3741657 -0.4373954 0.9657326 -0.90844 0.6799001
[18,] 1.14360829 -0.3741657 -0.4373954 -0.5432246 0.22711 -0.6799001
[19,] 1.14360829 1.4966630 1.1247310 0.9657326 -0.90844 0.6799001
[20,] -1.09876090 -0.3741657 -0.4373954 -0.5432246 0.22711 -0.6799001
[21,] -1.09876090 1.4966630 2.6868575 -0.5432246 1.36266 0.6799001
[22,] 0.02242369 -0.3741657 -0.4373954 -0.5432246 -0.90844 -0.6799001
[23,] 1.14360829 -0.3741657 -0.4373954 2.4746897 0.22711 -0.6799001
[24,] 1.14360829 1.4966630 1.1247310 -0.5432246 -0.90844 0.6799001
[25,] -1.09876090 -0.3741657 -0.4373954 -0.5432246 -2.04399 -0.6799001
[26,] 0.02242369 1.4966630 1.1247310 0.9657326 0.22711 0.6799001
[27,] 0.02242369 -0.3741657 -0.4373954 0.9657326 0.22711 0.6799001
[28,] -1.09876090 -0.3741657 -0.4373954 -0.5432246 1.36266 -0.6799001
[29,] -1.09876090 -0.3741657 -0.4373954 -0.5432246 1.36266 -0.6799001
[30,] 0.02242369 -0.3741657 -0.4373954 -0.5432246 0.22711 0.6799001
[31,] 0.02242369 -0.3741657 -0.4373954 -0.5432246 0.22711 2.0397003
[32,] -1.09876090 -0.3741657 -0.4373954 -0.5432246 1.36266 -0.6799001
[33,] 0.02242369 -0.3741657 -0.4373954 -0.5432246 1.36266 -0.6799001
[34,] 0.02242369 -0.3741657 -0.4373954 -0.5432246 0.22711 -0.6799001
[35,] 1.14360829 -0.3741657 -0.4373954 -0.5432246 0.22711 -0.6799001
[36,] 1.14360829 -0.3741657 -0.4373954 -0.5432246 -2.04399 -0.6799001
[37,] -1.09876090 -0.3741657 -0.4373954 -0.5432246 0.22711 0.6799001
[38,] -1.09876090 -0.3741657 -0.4373954 -0.5432246 0.22711 -0.6799001
[39,] 1.14360829 -0.3741657 -0.4373954 -0.5432246 0.22711 0.6799001
[40,] 2.26479289 -0.3741657 -0.4373954 -0.5432246 -0.90844 -0.6799001
[41,] -1.09876090 -0.3741657 -0.4373954 -0.5432246 0.22711 -0.6799001
[42,] -1.09876090 -0.3741657 -0.4373954 -0.5432246 0.22711 -0.6799001
[43,] 1.14360829 -0.3741657 -0.4373954 0.9657326 0.22711 2.0397003
[44,] -1.09876090 -0.3741657 -0.4373954 -0.5432246 1.36266 -0.6799001
[45,] 0.02242369 -0.3741657 -0.4373954 -0.5432246 -0.90844 2.0397003
[46,] -1.09876090 -0.3741657 -0.4373954 -0.5432246 1.36266 -0.6799001
[47,] 0.02242369 1.4966630 1.1247310 0.9657326 -0.90844 -0.6799001
[48,] 0.02242369 -0.3741657 1.1247310 -0.5432246 -0.90844 0.6799001
[49,] 0.02242369 -0.3741657 -0.4373954 -0.5432246 1.36266 -0.6799001
[50,] -1.09876090 -0.3741657 -0.4373954 -0.5432246 -2.04399 -0.6799001
X14 X15 X16 X17 X18 X19
[1,] 0.8565807 1.3354442 2.2334262 -0.4561765 -0.6714374 1.1247310
[2,] -0.4030968 -0.7843085 0.8547680 -0.4561765 0.4115261 1.1247310
[3,] -0.4030968 0.2755679 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[4,] -0.4030968 0.2755679 -0.5238901 -0.4561765 0.4115261 -0.4373954
[5,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 0.4115261 -0.4373954
[6,] -0.4030968 0.2755679 -0.5238901 -0.4561765 0.4115261 -0.4373954
[7,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 0.4115261 -0.4373954
[8,] -0.4030968 -0.7843085 2.2334262 -0.4561765 1.4944896 -0.4373954
[9,] -0.4030968 0.2755679 -0.5238901 -0.4561765 0.4115261 -0.4373954
[10,] -0.4030968 0.2755679 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[11,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[12,] -0.4030968 -0.7843085 0.8547680 3.5689102 2.5774531 2.6868575
[13,] 3.3759359 2.3953206 3.6120843 3.5689102 2.5774531 4.2489839
[14,] -0.4030968 0.2755679 -0.5238901 0.8855191 -0.6714374 -0.4373954
[15,] -0.4030968 0.2755679 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[16,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[17,] 0.8565807 2.3953206 0.8547680 0.8855191 0.4115261 1.1247310
[18,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[19,] 0.8565807 0.2755679 0.8547680 0.8855191 0.4115261 1.1247310
[20,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[21,] 2.1162583 0.2755679 0.8547680 2.2272146 -0.6714374 2.6868575
[22,] 0.8565807 0.2755679 -0.5238901 0.8855191 0.4115261 -0.4373954
[23,] -0.4030968 1.3354442 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[24,] -0.4030968 1.3354442 -0.5238901 -0.4561765 0.4115261 -0.4373954
[25,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[26,] -0.4030968 0.2755679 0.8547680 2.2272146 1.4944896 1.1247310
[27,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[28,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[29,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[30,] -0.4030968 0.2755679 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[31,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[32,] -0.4030968 1.3354442 -0.5238901 -0.4561765 2.5774531 -0.4373954
[33,] 0.8565807 -0.7843085 -0.5238901 0.8855191 -0.6714374 -0.4373954
[34,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[35,] -0.4030968 0.2755679 -0.5238901 -0.4561765 0.4115261 -0.4373954
[36,] -0.4030968 1.3354442 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[37,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 1.4944896 1.1247310
[38,] -0.4030968 0.2755679 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[39,] 3.3759359 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[40,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[41,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[42,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[43,] -0.4030968 2.3953206 2.2334262 -0.4561765 -0.6714374 -0.4373954
[44,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 2.5774531 -0.4373954
[45,] -0.4030968 -0.7843085 2.2334262 0.8855191 -0.6714374 -0.4373954
[46,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
[47,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 0.4115261 -0.4373954
[48,] -0.4030968 2.3953206 0.8547680 -0.4561765 -0.6714374 -0.4373954
[49,] 3.3759359 0.2755679 0.8547680 0.8855191 0.4115261 1.1247310
[50,] -0.4030968 -0.7843085 -0.5238901 -0.4561765 -0.6714374 -0.4373954
X20
[1,] 1.0300419
[2,] 0.1264964
[3,] -0.7770492
[4,] 1.0300419
[5,] -0.7770492
[6,] 1.0300419
[7,] -0.7770492
[8,] 1.0300419
[9,] 0.1264964
[10,] 0.1264964
[11,] -0.7770492
[12,] 1.0300419
[13,] 1.0300419
[14,] 1.0300419
[15,] 1.0300419
[16,] 0.1264964
[17,] 1.0300419
[18,] -0.7770492
[19,] 0.1264964
[20,] 0.1264964
[21,] 1.0300419
[22,] 1.0300419
[23,] 1.0300419
[24,] -0.7770492
[25,] -1.6805947
[26,] 1.0300419
[27,] -0.7770492
[28,] -0.7770492
[29,] -1.6805947
[30,] 1.0300419
[31,] -1.6805947
[32,] 1.0300419
[33,] 1.0300419
[34,] 0.1264964
[35,] 1.0300419
[36,] -0.7770492
[37,] 1.0300419
[38,] 0.1264964
[39,] 1.0300419
[40,] -0.7770492
[41,] -1.6805947
[42,] -1.6805947
[43,] 0.1264964
[44,] 1.0300419
[45,] 0.1264964
[46,] -1.6805947
[47,] -0.7770492
[48,] -0.7770492
[49,] -0.7770492
[50,] -1.6805947
attr(,"scaled:center")
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16
1.98 2.46 3.06 1.92 1.24 1.20 1.34 1.98 1.20 1.28 1.36 2.80 1.50 1.32 1.74 1.38
X17 X18 X19 X20
1.34 1.62 1.28 2.86
attr(,"scaled:scale")
X1 X2 X3 X4 X5 X6 X7 X8
0.7951383 1.0730464 0.9348142 0.6951729 0.6565214 0.5714286 0.5928141 0.8919138
X9 X10 X11 X12 X13 X14 X15 X16
0.5345225 0.6401530 0.6627093 0.8806306 0.7354022 0.7938539 0.9435063 0.7253430
X17 X18 X19 X20
0.7453256 0.9233921 0.6401530 1.1067511
> matkov<-cov(data)
> eigkov<-eigen(matkov)
> eigkov
eigen() decomposition
$values
[1] 4.14850918 2.31582082 1.22810832 0.90481884 0.60031254 0.54279994
[7] 0.46748631 0.42754234 0.35257731 0.34005660 0.26057305 0.22472990
[13] 0.19177893 0.15105879 0.12846835 0.11344759 0.07996787 0.05739925
[19] 0.03257353 0.01768482
$vectors
[,1] [,2] [,3] [,4] [,5]
[1,] 0.21750561 0.11304060 0.188720954 0.01424222 0.313177672
[2,] -0.19083909 -0.54391682 -0.026214077 0.17667716 -0.279071315
[3,] 0.26717217 0.35766465 -0.276620611 0.23498848 -0.040892435
[4,] 0.22459373 0.03406451 -0.101178703 0.29822107 0.036371519
[5,] 0.19794946 -0.12679504 0.130892647 0.30554739 0.104008710
[6,] 0.13060627 -0.12445914 0.016560014 0.20712613 0.108716395
[7,] 0.15965150 -0.02825603 0.008806429 0.08993552 0.326570740
[8,] 0.23137595 0.32415612 0.237334235 0.12552709 -0.186511347
[9,] 0.17827004 -0.15894996 0.149772095 -0.04973084 0.003634498
[10,] 0.19106440 -0.21864978 0.164300127 -0.12278719 -0.028936872
[11,] 0.17533319 -0.10507858 0.068048818 -0.32300050 -0.130959252
[12,] 0.04167969 -0.28590211 -0.435936104 0.36552812 0.140964788
[13,] 0.22536972 -0.13149656 0.185535293 -0.17686866 -0.061985850
[14,] 0.22171069 -0.14322315 0.047465238 0.42539594 -0.314606197
[15,] 0.30810498 0.16473264 0.242996915 0.09870517 0.101855257
[16,] 0.23414741 -0.15616357 0.196678329 -0.08200180 -0.136825414
[17,] 0.24874071 -0.22869731 0.041579782 -0.14072073 -0.099240908
[18,] 0.24340283 -0.21487313 -0.334918447 -0.27656017 0.537524781
[19,] 0.22505544 -0.23251626 0.074216913 -0.06983586 -0.007053994
[20,] 0.37006841 0.13088191 -0.552465587 -0.28098921 -0.433997145
[,6] [,7] [,8] [,9] [,10]
[1,] 0.151994028 0.64778769 0.188510711 -0.191577413 -0.34527402
[2,] 0.470340535 0.15959028 0.374882492 -0.301969872 0.06269330
[3,] 0.081376799 0.11303847 0.126208991 0.057654001 0.24299652
[4,] -0.042363685 -0.02429190 -0.014485904 -0.145621957 -0.16707024
[5,] -0.062348780 -0.19745281 0.229018359 -0.023970956 0.03291841
[6,] 0.110884211 -0.27493248 0.050333035 -0.027442618 0.03925220
[7,] -0.101495920 0.24337140 0.040457168 0.130245190 0.06533103
[8,] -0.214322088 -0.12368021 0.084984859 -0.637116784 0.21253185
[9,] -0.107021039 -0.11471024 0.056715084 -0.097986282 -0.04163906
[10,] -0.094946665 -0.13697163 -0.005159697 0.009091537 -0.12499424
[11,] -0.018113540 -0.18557557 -0.168771784 -0.331439754 -0.26361332
[12,] -0.040922640 0.07491979 -0.623049954 -0.260309269 -0.06793300
[13,] 0.022424070 0.29312272 -0.346682273 -0.056978613 0.45328960
[14,] -0.272977580 0.01319021 0.134548448 0.360823061 -0.01022792
[15,] 0.653123946 -0.31510220 -0.227042279 0.191917882 -0.20469647
[16,] 0.179832564 0.12743381 -0.146870063 0.171442547 0.46224033
[17,] -0.269570513 0.05511117 0.033476401 0.127031436 -0.20867414
[18,] -0.008622749 -0.24609472 0.311709874 -0.068167586 0.28724799
[19,] -0.133947993 0.09711139 -0.027525101 0.120394825 -0.20583731
[20,] 0.166603188 0.07620532 0.116514466 0.033652138 -0.12961845
[,11] [,12] [,13] [,14] [,15] [,16]
[1,] 0.126611980 -0.23129463 0.08053281 -0.10101586 0.12293810 0.191880788
[2,] -0.162356081 0.10347871 -0.09086997 0.01565104 0.02832275 -0.148741320
[3,] -0.275111481 0.25191803 -0.46408861 -0.12459736 0.27598807 0.255020423
[4,] 0.606527754 0.37425335 -0.20254191 0.15744458 -0.19609783 -0.295169519
[5,] 0.140970728 0.32795546 0.20345930 -0.14349104 -0.10789491 0.316721817
[6,] 0.169988242 -0.47321137 -0.08373595 0.57524155 0.21560555 0.144018127
[7,] -0.466333911 0.22334984 0.21563055 0.35474035 -0.30823245 -0.376403111
[8,] -0.206935997 -0.19662227 0.13035565 0.06304743 -0.09288866 -0.101262513
[9,] -0.074516862 -0.10748773 -0.21278812 -0.17488588 -0.30196162 0.094274639
[10,] -0.132242592 -0.16334695 -0.44640439 -0.24392981 -0.32675596 -0.008234854
[11,] -0.085543836 0.39311238 0.26258394 -0.01333188 0.39744235 0.058076095
[12,] -0.172440895 -0.12158815 0.06207530 -0.10151340 -0.04635823 0.158071762
[13,] 0.242612705 -0.03466484 -0.18100257 -0.10150819 0.22128540 -0.369471490
[14,] -0.018168539 -0.20542450 0.29674721 -0.27374136 0.28823202 -0.241516036
[15,] -0.177523759 -0.01381911 0.02429587 -0.09007075 0.03125104 -0.206886107
[16,] 0.091514518 0.11364751 0.23333599 0.16670305 -0.22699149 0.456239199
[17,] -0.193363866 0.11355212 -0.28309744 0.43461508 0.25223671 0.058686842
[18,] 0.048701051 -0.07881407 0.10172471 -0.19865208 0.16043773 -0.126468767
[19,] 0.008767022 -0.01449200 0.03325894 -0.11196118 -0.04543572 0.107061017
[20,] 0.077303093 -0.16987410 0.17928960 0.07301149 -0.27140957 -0.043579313
[,17] [,18] [,19] [,20]
[1,] 0.01082384 -0.03186889 0.1757487631 0.040756071
[2,] 0.02949217 -0.04151796 -0.0646505044 -0.018458240
[3,] -0.21033141 -0.07595068 -0.0897451149 -0.016304100
[4,] 0.02554557 -0.30244290 0.0307331508 -0.061537643
[5,] 0.07329967 0.60979677 -0.0001258079 0.218757014
[6,] -0.38335689 0.06593108 -0.0660450059 0.078159425
[7,] -0.28961420 0.04722178 0.0131491735 0.061994749
[8,] 0.24554112 -0.09842272 -0.1513766449 0.027404112
[9,] -0.26231156 0.13128190 0.2143025957 -0.744221973
[10,] -0.12370027 -0.16196922 0.1695340344 0.590936005
[11,] -0.39989267 -0.12236854 0.1365780606 0.060445719
[12,] 0.12335247 0.01590720 0.0621385146 0.001497046
[13,] -0.07836417 0.38505371 -0.0499503947 0.039133885
[14,] -0.06298025 -0.18601396 0.1970835655 -0.026607837
[15,] 0.22373012 0.01930913 -0.0304715057 -0.084169386
[16,] 0.08186489 -0.39331483 0.1367850916 -0.011717044
[17,] 0.54060941 0.10638592 0.1403229377 -0.091021744
[18,] 0.18875134 -0.18576955 0.0207998542 -0.036591232
[19,] -0.05237970 -0.11752269 -0.8656571860 -0.080527399
[20,] -0.02976917 0.23586352 0.0289982618 0.055590341
> plot(eigkov$values, xlab="Eigenvalue Number", ylab="Eigenvalue
+ Size", main="Scree Plot")
> lines(eigkov$values)
Pembahasan : Berdasarkan hasil dekomposisi nilai eigen dengan matriks
kovarians, didapatkan faktor yang memiliki nilai eigen mendekati atau
lebih dari 1 adalah komponen 1 sampai 4 sebanyak 4 faktor, maka proses
pemfaktoran dilakukan sampai 4 faktor.
Dengan nilai kumulatif eigen dari matriks kovarians
> for (eg in eigkov$values){
+ print(eg / sum(eigkov$values))
+ }
[1] 0.3296205
[1] 0.1840039
[1] 0.09757955
[1] 0.07189253
[1] 0.04769793
[1] 0.04312826
[1] 0.0371442
[1] 0.03397045
[1] 0.02801409
[1] 0.02701925
[1] 0.02070387
[1] 0.01785595
[1] 0.01523783
[1] 0.0120024
[1] 0.01020747
[1] 0.009013997
[1] 0.00635386
[1] 0.004560667
[1] 0.002588135
[1] 0.00140515Pembahasan : Berdasarkan hasil yang diperoleh, dapat diketahui bahwa jumlah kumulatif nilai eigen sampai faktor 4 mendekati 70% dengan kata lain faktor dapat menyerap sebagian besar data asli hingga 70%, yang artinya 4 faktor sudah optimal untuk digunakan dalam analisis.
Dengan matriks korelasi
> eigkor<-eigen(korelasi)
> eigkor
eigen() decomposition
$values
[1] 7.35407321 2.94657214 1.71450692 1.37048474 0.97839941 0.81833910
[7] 0.77852186 0.60077148 0.54761693 0.50826687 0.49408979 0.42348869
[13] 0.37757770 0.30135004 0.21122797 0.20154952 0.14545198 0.10493357
[19] 0.07334202 0.04943608
$vectors
[,1] [,2] [,3] [,4] [,5] [,6]
[1,] 0.18109306 -0.24555131 0.11541887 -0.09464511 -0.4879187911 0.04761062
[2,] -0.04761119 0.45317010 -0.13741939 -0.11334925 0.0020436229 -0.03374862
[3,] 0.12438874 -0.44770654 -0.21645927 0.16076937 0.0445977955 -0.11351184
[4,] 0.22015366 -0.19807259 -0.33531807 -0.02961115 0.1446879129 -0.04978156
[5,] 0.26312211 0.02471261 -0.22564796 -0.34688583 0.0301010757 0.09572650
[6,] 0.20479667 0.08688120 -0.29923806 -0.22468846 0.1827527950 0.48574390
[7,] 0.20710438 -0.08807688 -0.13179251 0.03040977 -0.6641081412 -0.01969675
[8,] 0.13899253 -0.39443993 0.13489739 -0.21090822 0.2056458217 -0.05100717
[9,] 0.30704316 0.15788916 0.14733718 -0.11467897 0.0736612319 0.11275013
[10,] 0.28545112 0.21736910 0.19159573 -0.04211502 0.0928609925 0.07371472
[11,] 0.21683812 0.07448196 0.32268196 0.26955138 0.2701115429 0.07882365
[12,] 0.06621535 0.22019974 -0.50310790 0.23830743 -0.0368379196 -0.12210637
[13,] 0.25479887 0.05094381 0.25802317 0.03279883 -0.0999360344 -0.21243101
[14,] 0.23349635 0.03232037 -0.27426838 -0.27256848 0.1481539211 -0.47364349
[15,] 0.20835859 -0.26604955 0.08416515 -0.16494197 0.0858920132 0.34353944
[16,] 0.27227910 0.06911278 0.17831213 -0.08644518 -0.0417025107 -0.13762707
[17,] 0.29274038 0.15908588 0.07978172 0.14199940 0.0005143864 -0.19295508
[18,] 0.20613625 0.09792719 -0.13944124 0.43536115 -0.1382420375 0.45969049
[19,] 0.31801478 0.19354308 0.05909265 0.05599116 -0.0802672777 -0.14644843
[20,] 0.18476043 -0.21306915 -0.08268736 0.51767700 0.2576806597 -0.13206566
[,7] [,8] [,9] [,10] [,11] [,12]
[1,] -0.065700417 0.458826764 0.46589184 0.19728768 0.01287020 -0.19445211
[2,] -0.230371439 0.113388379 0.30151322 -0.27618592 0.06334673 -0.56515020
[3,] -0.044156381 -0.197193349 0.04588033 -0.03412706 -0.02548940 -0.14913353
[4,] -0.001999646 0.452415546 0.02044761 -0.01819433 0.33324741 0.37239983
[5,] 0.173256333 0.041667169 -0.06374409 -0.42122001 0.32890375 0.03408099
[6,] -0.180493182 -0.140846010 0.06131011 0.35940881 -0.11840495 -0.07652101
[7,] 0.175822606 -0.193218089 -0.30012898 -0.20951564 -0.19768120 -0.10703435
[8,] 0.169093807 0.013306718 -0.31229640 0.19545848 0.13629534 -0.54922286
[9,] 0.228748295 -0.021247477 -0.04054349 0.18478641 0.01981306 -0.11960299
[10,] 0.188036994 -0.048789687 0.04571930 0.23975461 -0.16865256 0.06221880
[11,] 0.107026868 0.384930843 -0.24091622 -0.37516884 -0.08966653 -0.15556685
[12,] -0.191650393 0.326906807 -0.43178647 0.19502531 -0.27744496 -0.13258022
[13,] -0.477209688 0.001672977 -0.23464876 0.29010770 0.28574225 0.08573966
[14,] 0.112552992 -0.232404478 0.15559107 -0.02580817 -0.12923282 0.01151815
[15,] -0.319551986 0.034110816 0.01744618 -0.29364462 -0.52698686 0.17038104
[16,] -0.503168837 -0.268960093 -0.08198305 -0.21769496 0.16272659 0.02148932
[17,] 0.238311748 -0.060737910 0.10805427 0.05566628 -0.14294201 0.09297012
[18,] 0.091410673 -0.247080420 0.02782445 -0.02087103 0.38993696 -0.02283977
[19,] 0.105030798 0.094085935 0.15690223 0.01528572 -0.10888772 0.16866222
[20,] -0.104014528 -0.122444148 0.35000874 -0.04440500 -0.05941080 -0.16495456
[,13] [,14] [,15] [,16] [,17] [,18]
[1,] -0.08132963 -0.228085546 0.04352615 -0.14279611 -0.033301457 0.04345860
[2,] 0.16759414 0.308158513 0.11574920 0.19650157 0.084906960 0.06317929
[3,] 0.29357444 0.193111067 0.43574264 -0.26913078 -0.434068597 0.18546617
[4,] 0.05686166 0.399118678 -0.19222367 0.22829858 0.075522718 0.23129166
[5,] 0.07951147 -0.185807733 0.08386580 -0.28623531 -0.005949937 -0.46853051
[6,] -0.48384073 0.162091098 -0.03276253 -0.03233520 -0.247615347 -0.03411344
[7,] -0.10793981 0.283045405 -0.22104585 0.27741426 -0.102738139 -0.05913445
[8,] -0.06352001 -0.018348787 -0.09326643 0.02866351 0.400410846 0.12127922
[9,] 0.36168703 0.002263358 -0.21366763 -0.01470778 -0.268723531 -0.19958927
[10,] 0.45264417 0.115582505 -0.05537781 0.05405136 -0.006972628 0.21617212
[11,] -0.32421223 -0.060041968 0.13188232 0.09551517 -0.351265689 0.14256638
[12,] 0.15497076 -0.235203815 -0.02122988 -0.23711030 0.119841646 -0.01985222
[13,] 0.01665203 0.029815991 0.33376291 0.32066707 -0.065450733 -0.35169030
[14,] -0.16112720 -0.384506392 0.14558952 0.37330397 -0.039807150 0.18914067
[15,] 0.21408692 -0.064698049 0.14655873 0.17178023 0.316657359 -0.05992183
[16,] -0.06236975 -0.006201798 -0.35955602 -0.40147970 0.025832320 0.35989403
[17,] -0.27063066 0.411166010 0.34428105 -0.33885650 0.426902505 -0.12305161
[18,] 0.04454075 -0.286966451 0.19976063 0.15796887 0.250441447 0.25144958
[19,] -0.05987105 -0.195578927 -0.10529358 -0.07351191 -0.042011072 0.11993566
[20,] -0.01277400 -0.016467416 -0.41566883 0.09563718 0.042191312 -0.41799856
[,19] [,20]
[1,] 0.21410139 0.075801482
[2,] -0.11670646 -0.055578472
[3,] -0.13821956 -0.042626865
[4,] 0.04848500 -0.085169848
[5,] -0.05447696 0.271886416
[6,] -0.06907464 0.078543086
[7,] -0.01073355 0.071557898
[8,] -0.20942038 0.003949662
[9,] 0.24682669 -0.612265085
[10,] 0.05913106 0.643889098
[11,] 0.12601853 0.077399076
[12,] 0.08623455 0.011212924
[13,] -0.08360820 0.058399810
[14,] 0.26015806 -0.029010694
[15,] -0.01858464 -0.156043785
[16,] 0.17244196 -0.015639160
[17,] 0.18211351 -0.121233549
[18,] 0.05434319 -0.085021673
[19,] -0.79901977 -0.170126954
[20,] 0.01820358 0.146877326
> plot(eigkor$values, xlab="Eigenvalue Number", ylab="Eigenvalue
+ Size", main="Scree Plot")
> lines(eigkor$values)
Pembahasan : Hasil yang didapatkan pada dekomposisi nilai eigen dengan
matriks korelasi cenderung sama dengan ekstraksi faktor dengan
menggunakan matriks kovarians karena jumlah responden yang digunakan
sama untuk setiap variabel. Hal ini dapat dilihat dari dekomposisi nilai
eigen yang diperoleh dan bentuk kurva pada plot yang cenderung sama
dengan dekomposisi nilai eigen dengan matriks kovarians.
Analisis faktor
> faktorpca<-principal(matkov, nfactors = 4, n.obs = nrow(data))
> faktorpca
Principal Components Analysis
Call: principal(r = matkov, nfactors = 4, n.obs = nrow(data))
Standardized loadings (pattern matrix) based upon correlation matrix
RC1 RC2 RC3 RC4 h2 u2 com
X1 0.28 0.59 0.18 0.02 0.45 0.55 1.6
X2 0.09 -0.78 0.19 -0.15 0.67 0.33 1.2
X3 -0.17 0.73 0.20 0.46 0.82 0.18 2.0
X4 0.07 0.41 0.59 0.37 0.67 0.33 2.6
X5 0.35 0.17 0.78 -0.01 0.76 0.24 1.5
X6 0.23 -0.02 0.70 0.09 0.55 0.45 1.3
X7 0.27 0.28 0.38 0.28 0.37 0.63 3.7
X8 0.10 0.81 0.15 -0.11 0.69 0.31 1.1
X9 0.81 0.07 0.39 0.00 0.82 0.18 1.5
X10 0.85 -0.03 0.29 0.02 0.80 0.20 1.2
X11 0.75 0.13 -0.13 0.22 0.64 0.36 1.3
X12 -0.05 -0.46 0.42 0.54 0.69 0.31 2.9
X13 0.73 0.21 0.12 0.06 0.60 0.40 1.2
X14 0.27 0.11 0.74 0.06 0.63 0.37 1.3
X15 0.29 0.64 0.28 -0.01 0.58 0.42 1.8
X16 0.71 0.19 0.29 0.00 0.62 0.38 1.5
X17 0.77 0.01 0.28 0.28 0.74 0.26 1.5
X18 0.43 -0.07 0.16 0.65 0.63 0.37 1.9
X19 0.82 -0.02 0.39 0.22 0.86 0.14 1.6
X20 0.24 0.41 -0.02 0.74 0.76 0.24 1.8
RC1 RC2 RC3 RC4
SS loadings 5.01 3.32 3.14 1.91
Proportion Var 0.25 0.17 0.16 0.10
Cumulative Var 0.25 0.42 0.57 0.67
Proportion Explained 0.37 0.25 0.23 0.14
Cumulative Proportion 0.37 0.62 0.86 1.00
Mean item complexity = 1.7
Test of the hypothesis that 4 components are sufficient.
The root mean square of the residuals (RMSR) is 0.06
with the empirical chi square 72.61 with prob < 1
Fit based upon off diagonal values = 0.97Pembahasan : Berdasarkan hasil yang diperoleh informasi bahwa faktor 1 dapat menjelaskan keragaman data sebesar 25%, faktor 2 dapat menjelaskan keragaman data sebesar 17%, faktor 3 dapat menjelaskan keragaman data sebesar 16%, dan faktor 4 dapat menjelaskan keragaman data sebesar 10%. Dengan demikian, secara kumulatif seluruh faktor dapat menjelaskan keragaman data hingga 67%. Pada output juga diperoleh nilai loadings yang akan menentukan suatu variabel masuk kedalam faktor yang mana, dilihat dari nilai loadings tertinggi untuk setiap variabel pada setiap faktor.
Memperoleh skor faktor
> skor <- principal(data, nfactors = 4, scores = T)
> head(skor$scores)
RC1 RC2 RC3 RC4
[1,] 1.18212169 0.6810364 0.20810662 -0.7449069
[2,] 0.54795967 -0.7682350 -0.36050704 0.8181739
[3,] -0.47325063 -0.3228230 0.08371669 -0.7359028
[4,] -0.59765830 0.5441747 -0.51937335 1.5004624
[5,] 0.04813078 -1.5839365 -0.31790443 -0.3187413
[6,] -0.50590322 0.8894952 -0.28597902 0.7734527Melakukan rotasi faktor
Memperoleh skor faktor
> rotfaktor <- principal(data, nfactors = 4, rotate="varimax", scores=T)
> rotfaktor
Principal Components Analysis
Call: principal(r = data, nfactors = 4, rotate = "varimax", scores = T)
Standardized loadings (pattern matrix) based upon correlation matrix
RC1 RC2 RC3 RC4 h2 u2 com
X1 0.28 0.59 0.18 0.02 0.45 0.55 1.6
X2 0.09 -0.78 0.19 -0.15 0.67 0.33 1.2
X3 -0.17 0.73 0.20 0.46 0.82 0.18 2.0
X4 0.07 0.41 0.59 0.37 0.67 0.33 2.6
X5 0.35 0.17 0.78 -0.01 0.76 0.24 1.5
X6 0.23 -0.02 0.70 0.09 0.55 0.45 1.3
X7 0.27 0.28 0.38 0.28 0.37 0.63 3.7
X8 0.10 0.81 0.15 -0.11 0.69 0.31 1.1
X9 0.81 0.07 0.39 0.00 0.82 0.18 1.5
X10 0.85 -0.03 0.29 0.02 0.80 0.20 1.2
X11 0.75 0.13 -0.13 0.22 0.64 0.36 1.3
X12 -0.05 -0.46 0.42 0.54 0.69 0.31 2.9
X13 0.73 0.21 0.12 0.06 0.60 0.40 1.2
X14 0.27 0.11 0.74 0.06 0.63 0.37 1.3
X15 0.29 0.64 0.28 -0.01 0.58 0.42 1.8
X16 0.71 0.19 0.29 0.00 0.62 0.38 1.5
X17 0.77 0.01 0.28 0.28 0.74 0.26 1.5
X18 0.43 -0.07 0.16 0.65 0.63 0.37 1.9
X19 0.82 -0.02 0.39 0.22 0.86 0.14 1.6
X20 0.24 0.41 -0.02 0.74 0.76 0.24 1.8
RC1 RC2 RC3 RC4
SS loadings 5.01 3.32 3.14 1.91
Proportion Var 0.25 0.17 0.16 0.10
Cumulative Var 0.25 0.42 0.57 0.67
Proportion Explained 0.37 0.25 0.23 0.14
Cumulative Proportion 0.37 0.62 0.86 1.00
Mean item complexity = 1.7
Test of the hypothesis that 4 components are sufficient.
The root mean square of the residuals (RMSR) is 0.06
with the empirical chi square 72.61 with prob < 1
Fit based upon off diagonal values = 0.97
> head(rotfaktor$scores)
RC1 RC2 RC3 RC4
[1,] 1.18212169 0.6810364 0.20810662 -0.7449069
[2,] 0.54795967 -0.7682350 -0.36050704 0.8181739
[3,] -0.47325063 -0.3228230 0.08371669 -0.7359028
[4,] -0.59765830 0.5441747 -0.51937335 1.5004624
[5,] 0.04813078 -1.5839365 -0.31790443 -0.3187413
[6,] -0.50590322 0.8894952 -0.28597902 0.7734527Pembahasan : Setelah dilakukan rotasi dengan metode varimax, didapatkan nilai yang sama antara skor faktor sebelum rotasi dan skor faktor setelah rotasi. Nilai loading atau korelasi variabel dengan faktor yang diperloeh juga sama seperti nilai loadings sebelum rotasi, sehingga nilai loadings sudah dianggap optimal.
> round(rotfaktor$loadings[1:20,], 4)
RC1 RC2 RC3 RC4
X1 0.2774 0.5881 0.1755 0.0190
X2 0.0867 -0.7789 0.1882 -0.1490
X3 -0.1739 0.7309 0.2024 0.4633
X4 0.0746 0.4117 0.5935 0.3724
X5 0.3467 0.1691 0.7837 -0.0141
X6 0.2311 -0.0154 0.7005 0.0948
X7 0.2709 0.2776 0.3751 0.2797
X8 0.0964 0.8055 0.1494 -0.1107
X9 0.8133 0.0748 0.3937 -0.0007
X10 0.8480 -0.0340 0.2885 0.0170
X11 0.7462 0.1295 -0.1346 0.2202
X12 -0.0533 -0.4607 0.4205 0.5432
X13 0.7342 0.2106 0.1174 0.0590
X14 0.2659 0.1084 0.7404 0.0644
X15 0.2889 0.6439 0.2814 -0.0073
X16 0.7109 0.1894 0.2878 -0.0009
X17 0.7670 0.0095 0.2758 0.2810
X18 0.4310 -0.0681 0.1585 0.6468
X19 0.8156 -0.0178 0.3871 0.2213
X20 0.2363 0.4082 -0.0162 0.7356Pembahasan : Pada output tersebut diperoleh nilai loadings atau korelasi antara variabel dengan setiap faktor yang artinya semakin tinggi nilai loadings, maka semakin kuat hubungan antara variabel dengan faktor tersebut, sehingga variabel dapat dimasukkan sebagai indikator dalam faktor tersebut.
Membuat plot
> loadfaktor <- rotfaktor$loadings
> fa.diagram(loadfaktor)
Pembahasan : Berdasarkan plot dapat diketahui bagaimana pengelompokan
indikator ke dalam 4 faktor. Pengelompokan ini didasarkan pada nilai
loadings terbesar tiap variabel pada setiap faktor yang dapat dilihat
pada angka yang terletak ditengah anak panah.Pengelompokan indikator
pertanyaan sebagai berikut :
Faktor ke-1
Pertanyaan ke-10 : Saya jarang berkumpul dengan orang-orang sekitar lingkungan rumah karena terlalu asik bermain TikTok. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-10 dengan faktor ke-1 adalah 0,8 atau 84,8%
Pertanyaan ke-19 : Saya merasa kesulitan dalam berinteraksi setelah membuka TikTok. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-19 dengan faktor ke-1 adalah 0,8 atau 81,56%
Pertanyaan ke-9 : Saya jarang berkumpul dengan keluarga karena terlalu asik bermain TikTok. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-9 dengan faktor ke-1 adalah 0,8 atau 81,33%
Pertanyaan ke-17 : Saya merasa bahwa saya lebih asik di TikTok daripada diri saya yang sebenarnya. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-17 dengan faktor ke-1 adalah 0,8 atau 71,09%
Pertanyaan ke-11 : Saya lebih memilih bermain TikTok daripada berkumpul dengan teman saya. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-11 dengan faktor ke-1 adalah 0,7 atau 74,62%
Pertanyaan ke-13 : Saya merasa kesulitan untuk berkomunikasi dengan teman saya saat menggunakan TikTok. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-13 dengan faktor ke-1 adalah 0,7 atau 73,42%
Pertanyaan ke-16 : Saya merasa kesulitan untuk berinteraksi dengan temen saya karena sering menggunakan TikTok. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-16 dengan faktor ke-1 adalah 0,7 atau 71,09%
Faktor ke-2
Pertanyaan ke-8 : Saya telah menjadikan membuka TikTok adalah hobi saya. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-8 dengan faktor ke-2 adalah 0,8 atau 80,55%
Pertanyaan ke-3 : Saya selalu menggunakan Tiktok sebagai media untuk menghilangkan kejenuhan. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-3 dengan faktor ke-2 adalah 0,8 atau 73,09%
Pertanyaan ke-2 : Saya pernah seharian tidak menggunakan Tiktok. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-2 dengan faktor ke-2 adalah 0,7 atau 77,89%%
Pertanyaan ke-15 : Saya sering merasa tidak nyaman jika saya tidak membuka TikTok dalam sehari. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-15 dengan faktor ke-2 adalah 0,6 atau 64,39%
Pertanyaan ke-1 : Saya pernah memposting video di Tiktok. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-8 dengan faktor ke-1 adalah 0,6 atau 58,81%
Faktor ke-3
Pertanyaan ke-5 : Saya pernah berpikir lebih memilih mengurusi TikTok saya daripada kehidupan saya. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-5 dengan faktor ke-3 adalah 0,8 atau 78,37%
Pertanyaan ke-14 : Saya lebih memilih menghubungi teman saya melalui TikTok dibandingkan bertemu langsung. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-14 dengan faktor ke-3 adalah 0,7 atau 74,04%
Pertanyaan ke-6 : Saya selalu dihiraukan oleh teman saya karena lebih memilih TikTok daripada teman saya. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-6 dengan faktor ke-3 adalah 0,7 atau 70,05%
Pertanyaan ke-4 : Saya selalu membuka TikTok ketika sedang bersama keluarga. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-4 dengan faktor ke-3 adalah 0,6 atau 59,35%
Pertanyaan ke-7 : Saya menggunakan TikTok agar teman saya tahu tentang diri saya. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-7 dengan faktor ke-3 adalah 0,4 atau 37,51%
Faktor ke-4
Pertanyaan ke-20 : Saya pernah lupa waktu saat menggunakan TikTok. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-20 dengan faktor ke-4 adalah 0,7 atau 73,56%
Pertanyaan ke-18 : Saya merasa perilaku saya memburuk karena terlalu sering bermain TikTok. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-18 dengan faktor ke-4 adalah 0,6 atau 64,68%
Pertanyaan ke-12 : Saya pernah merasa bosan menggunakan TikTok. Berdasarkan nilai loading, korelasi antara indikator pertanyaan ke-12 dengan faktor ke-4 adalah 0,5 atau 54,32%
Setelah indikator pertanyaan dikelompokkan menjadi 4 faktor dan berdasarkan beberapa tinjauan pustaka, maka jenis faktor yang sesuai untuk mewakili setiap indikator pertanyaan dialamnya yaitu sebagai berikut :
Faktor ke-1 yaitu faktor intensitas berinteraksi. Penggunaan media sosial mengambil sebagian besar waktu, apalagi untuk pengguna yang sudah kecanduan untuk menggunakan gadget. TikTok memiliki hal menarik tersendiri yang dapat membuat sebagian besar penggunanya dapat melakukan /scrolling/ bahkan sampai seharian dan tidak melakukan aktivitas sosial salah satunya berinteraksi langsung dengan orang lain.
Faktor ke-2 yaitu faktor kenyamanan emosional. Ketika tidak memiliki kegiatan atau sesuatu untuk dilakukan, sebagian besar orang akan mulai menggunakan gadget untuk aktivitas di media sosial, tidak terkecuali pada platform TikTok. Hal ini mengindikasikan media sosial digunakan sebagai saran pelarian dari kehidupan nyata dan terkadang menjadi alternatif untuk menghilangkan stres dan hal-hal yang tidak menyenangkan bagi seseorang.
Faktor ke-3 yaitu faktor prioritas dalam menjalani hidup. Penggunaan media sosial biasanya menyita banyak waktu karena segala sesuatu dapat dilakukan melalui platform yang sudah legal digunakan secara bebas, seperti komunikasi, bisnis dan sebagainya. Sehingga sebagian besar orang lebih memilih untuk menghabiskan waktunya untuk berkutat dengan media sosial, dibanding menyelesaikan urusannya yang lain diluar hal tersebut.
Faktor ke-4 yaitu dampak buruk bagi diri sendiri. Karena tingginya intesitas penggunaan TikTok, waktu yang terbuang tentunya merupakan hal yang buruk, apalagi sampai melalikan pekerjaan yang seharusnya menjalani prioritas untuk dilakukan. Selain itu, secara emosional, pengguna media sosial tersebut juga pasti terkena dampak seperti karena kurangnya interaksi langsung dengan orang-orang, perilakunya semakin memburuk dan tidak tidak terkendali.
4 PENUTUP
4.1 Kesimpulan
Berdasarkan analisis faktor yang telah dilakukan dengan memanfaatkan ekstraksi faktor menggunakan analisis komponen utama atau PCA, dari 20 indikator pertanyaan yang digunakan dapat direduksi menjadi 4 faktor yang sesuai perhitungan dapat menjelaskaan sekitar 58% keragaman dari data. Berdasarkan loadings atau korelasi antar variabel dengan faktor, indikator pertanyaan-pertanyaan tersebut dapat dikelompokkan untuk masuk dalam faktor yang sudah terbentuk. Berikut merupakan informasi mengenai faktor dan indikator pertanyaan yang berkaitan dengan faktor tersebut :
Faktor ke-1 : Indikator pertanyaan ke-10,19,9,17,13,11,16
Faktor ke-2 : Indikator pertanyaan ke-8,3,2,15,1
Faktor ke-3 : Indikator pertanyaan ke-5,14,6,4,7
Faktor ke-4 : Indikator pertanyaan ke-20,18,12
Berdasarkan pengelompokan dan beberapa tinjauan pustaka, ke-4 faktor tersebut adalah faktor intensitas berinteraksi, kenyamanan emosional, prioritas dalam menjalani hidup, dan dampak buruk bagi diri sendiri. 4 faktor dilihat dari indikator pertanyaan mengenai penggunaan media sosial TikTok terhadap interaksi sosial penggunanya. Faktor yang memberikan pengaruh tertinggi adalah faktor ke intensitas berinteraksi yang dapat menjelaskan keragaman data sebesar 25%, diikuti faktor kenyamanan emosional yang dapat menjelaskan keragaman data sebesar 17%, faktor prioritas yang dapat menjelaskan keragaman data sebesar 16%, dan faktor dampak buruk bagi diri sendiri dapat menjelaskan keragaman data sebesar 10%. Secara kumulatif seluruh faktor dapat menjelaskan keragaman data hingga 67%. Hal ini memberikan implikasi bahwa penggunaan media sosila TikTok akan sangat mempengaruhi intensitas dalam berinteraksi dengan lingkungan sekitar.
4.2 Saran
Berdasarkan penelitian yang telah dilakukan, ditemukan beberapa
kendala berupa tidak dapat diperoleh nilai komunalitas yang
menggambarkan seberapa besar keragaman dari indikator atau variabel
dapat dijelaskan oleh faktor yang terbentuk. Hal ini dikarenakan
penggunaan analisis komponen utama yang menggunakan fungsi
pricipal pada software Rstudio tidak mendukung output nilai
komunalitas. Hal ini dikarenakan penggunaan PCA sendiri berfokus pada
reduksi data. Sebagai alternatif, analisis faktor dapat dilakukan dengan
menggunakan fungsi yang lain, beberapa contohnya yaitu penggunaan fungsi
factanal dan fa yang mendukung untuk
menampilkan nilai komunalitas.
4.3 Daftar Pustaka
Afandi, I. (2020). Pengaruh Media Sosial Instagram Terhadap Interkasi Sosial (Studi Kasus pada Remaja Usia 16-19 Tahun di Wilayah Kelurahan arang Timur Kecamatan Karang Tengah Kota Tangerang). (Skripsi, UIN Syarif Hidayatullah). Diakses dari https://repository.uinjkt.ac.id/dspace/bitstream/123456789/51042/1/1113015000067_Ikhwan%20Afandi%20-%20Ikhwan%20Afandi.pdf
Artaya, I.P. (2018). Analisis Faktor (Factor Analysis). Diakses pada 5 November 2023, dari https://www.researchgate.net/publication/329360737_Analisis_Faktor_Factor_Analysis
Ayub, M., Sulaeman, S.F (2022). Dampak Sosial Media Terhadap Interaksi Sosial pada Remaja : Kajian Sistematik. Halaman : 22
Ifadah, A. (2011). Analisis Metode Principal Component Analysis (Komponen Utama) dan Regresi Ridge dalam Multikolinieritas dalam Analisis Regresi Linear Berganda. (Skripsi, Universitas Negeri Semarang). Diakses dari https://lib.unnes.ac.id/2434/1/3416.pdf
Mahardika, S.V., Ma’una, I.I., Islamiyah, Z., Nurjannah, I. (2021) Faktor-Faktor Penyebab Tingginya Minat Generasi Post-Millenial Indonesia Terhadap Penggunaan Aplikasi TikTok. Halaman : 40
Raharjo, B. (2013). Analisis Faktor Untuk Mengetahui Pengaruh Personal Selling dan Word Of Mouth Terhadap Keputusan Pembelian Suatu Studi Kasus pada PT. Starmas Inti Alumunium Indusri. FEB Budi Luhur Jakarta. Jakarta.
Widowati, I.R., Syafiq, M. (2022). Analisis Dampak Psikologis pada Pengguna Media Sosial. Halaman : 272