install.packages(“psych”) library(psych)

data <- read.csv(“valorant_games.csv”, sep=“;”)

data_num <- data[, sapply(data, is.numeric)]

buang kolom yg tidak terpakai

data_num\(game_id <- NULL data_num\)episode <- NULL data_num$act <- NULL

hilangin NA

data_num <- na.omit(data_num)

standarisasi

data_scale <- scale(data_num)

KMO awal

KMO(data_scale)

Bartlett awal

cortest.bartlett(data_scale)

setelah liat hasil KMO, buang yang MSA < 0.5

data_fix <- data_num[, c( “kills”, “kdr”, “avg_dmg_delta”, “headshot_pct”, “avg_dmg”, “acs”, “num_frag” )]

standarisasi ulang

data_scale2 <- scale(data_fix)

KMO lagi

KMO(data_scale2)

Bartlett lagi

cortest.bartlett(data_scale2)

eigen value

eigen(cor(data_scale2))$values

Berdasarkan hasil uji kelayakan analisis faktor, data dinyatakan layak untuk dilakukan PCA. Hal ini ditunjukkan oleh hasil uji Bartlett yang signifikan (p-value < 0,05), yang berarti terdapat korelasi yang cukup antar variabel sehingga memungkinkan untuk dilakukan reduksi dimensi. Selain itu, nilai KMO juga memenuhi kriteria kelayakan, sehingga struktur data dianggap memadai untuk analisis faktor.

Selanjutnya, berdasarkan hasil perhitungan eigenvalue, diperoleh satu nilai eigen yang lebih besar dari 1. Sesuai dengan kriteria Kaiser (eigenvalue > 1), maka hanya terdapat satu faktor yang dapat dipertahankan. Faktor tersebut merupakan komponen utama yang dominan dalam menjelaskan variasi data.

dilanjutkan PCA dan FA

pca <- prcomp(data_scale2)

lihat ringkasan variansi

summary(pca)

lihat loading (kontribusi tiap variabel ke komponen)

pca$rotation

ambil cuma PC1

loading_pc1 <- pca$rotation[,1] loading_pc1

scree plot

plot(pca, type=“l”)

FA

fa1 <- fa(data_scale2, nfactors = 1, rotate = “none”)

fa1 fa1$loadings

Berdasarkan hasil analisis faktor dengan satu faktor, diperoleh nilai SS Loadings sebesar 4.455 dengan proporsi varians sebesar 0.636. Hal ini menunjukkan bahwa faktor tunggal yang terbentuk mampu menjelaskan sekitar 63,6% variasi dari seluruh variabel yang dianalisis.

Nilai factor loading menunjukkan bahwa variabel acs (0.988), avg_dmg (0.960), avg_dmg_delta (0.894), kills (0.808), dan kdr (0.718) memiliki kontribusi yang kuat terhadap faktor tersebut. Sementara itu, variabel headshot_pct memiliki loading yang relatif kecil (0.184), sehingga kontribusinya terhadap faktor utama tidak terlalu dominan.

Secara keseluruhan, faktor yang terbentuk dapat diinterpretasikan sebagai “Performa Keseluruhan Pemain”, karena didominasi oleh indikator yang berkaitan dengan damage dan efektivitas permainan.