Analisis Faktor Dengan Spss

Panduan Analisis Faktor Dan Interpretasi Dengan Spss Lengkap

Panduan Analisis Faktor dan Interpretasi dengan SPSS Lengkap

Sahid Raharjo Analisis Data, Analisis Faktor

Panduan Analisis Faktor dan Interpretasi dengan SPSS Lengkap | Secara umum analisis faktor ialah suatu teknik analisis yang memuat informasi tentang pengelompokan variabel faktor dalam suatu penelitian. Analisis faktor bertujuan untuk menyaring variabel mana yang paling unggul atau paling dominan dari beberapa variabel yang dipilih oleh peneliti. Hasil analisis faktor dapat juga digunakan untuk membedakan komponen atau variabel prioritas berdasarkan perangkingan yang ada.

Penting: Pembahasan tentang Analisis faktor dalam artikel ini cukup panjang, silahkan baca bagian-perbagian dengan cermat dan teliti supaya benar-benar paham ya. Ok silahkan lanjut…

Asumsi atau Persyaratan dalam Analisis Faktor

Data masing-masing variabel yang diteliti berdistribusi normal | Cara Uji Normalitas dalam Analisis Faktor dengan SPSS
Nilai Kaiser-Mayer-Olkin Measure of Sampling Adequacy (KMO MSA) lebih besar dari 0,50 dan nilai Bartlett's Test of Sphericity (Sig.) lebih kecil 0,05.
Ada hubungan atau korelasi yang kuat antar variabel. Hal ini ditandai dengan nilai Anti-image Correlation antar variabel lebih besar dari 0,50.

Contoh Soal Analisis Faktor pada Penelitian (Skripsi) Seorang mahasiswa semester akhir ingin melakukan penelitian tentang “Analisis Faktor-Faktor yang mepengaruhi Kepuasan Pelanggan terhadap Pelayanan PT. Telkom Solo”. Ada 25 orang responden atau sampel dengan jawaban 5 item pertanyaan kuesioner tentang: P1 (Keandalan), P2 (Ketanggapan), P3 (Keyakinan), P4 (Empati), dan P5 (Berwujud). Pertanyaan tersebut adalah jenis pertanyaan positif (favorable) dimana setiap pertanyaan memiliki lima pilihan jawaban dengan penskorannya, sebagai berikut:

Sangat Tidak Puas (skor 1)
Kurang Puas (skor 2)
Cukup Puas (skor 3)
Puas (skor 4)
Sangat Puas (skor 5)

Adapun data penelitian yang akan dilakukan analisis faktor adalah sebagai berikut.

[Download Data Lengkap]

Langkah-Langkah Analisis Faktor dengan SPSS Versi 21

1. Buka lembar kerja baru SPSS, lalu klik Variable View untuk mengisi Name, Decimals, Label dan Measure, dengan ketentuan sebagaimana gambar dibawah ini:

2. Selanjutnya klik Data View, kemudian masukkan data Keandalan ke kolom P1, data Ketanggapan kolom P2, data Keyakinan kolom P3, data Empati kolom P4, dan data Berwujud kolom P5.

3. Dari menu SPSS klik Analyze >> Dimension Reduction >> Factor... Tampak dilayar sebagai berikut

4. Muncul kotak dialog “Factor Analysis” selanjutnya, masukkan semua variabel ke kotak Variables: lalu klik Descriptives…

5. Muncul kotak dialog “Factor Analysis: Descriptives” kemudian berikan tanda centang (v) pada Initial solution, KMO and Bartlett’s test of sphericity, dan Anti-image, lalu klik Continue

6. Selanjutnya klik Extraction… maka muncul kotak dialog “Factor Analysis: Extraction” berikan tanda centang (v) pada Unrotated factor solution dan Scree plot, lalu klik Continue

7. Berikutnya klik Rotation… maka muncul kotak dialog “Factor Analysis: Rotation” lalu aktifkan Varimax dan beri tanda centang (v) pada Rotated solution, lalu klik Continue

8. Kemudian klik Scores… maka muncul kotak dialog “Factor Analysis: Factor Scores” lalu aktifkan Save as Variable, lalu klik Continue

9. Terakhir adalah klik Ok. Maka akan muncul output Factor Analysis SPSS.

Interpretasi Analisis Faktor dengan SPSS Lengkap

Tabel Output Pertama “KMO and Bartlett's Test”

Tabel output KMO and Bartlett's Test berguna mengetahui kelayakan suatu variabel, apakah dapat di proses lebih lanjut menggunakan teknik analisis faktor ini atau tidak. Caranya dengan melihat nilai KMO MSA (Kaiser-Meyer-Olkin Measure of Sampling Adequacy). Jika nilai KMO MSA lebih besar dari 0,50 maka teknik analisis faktor dapat di lanjutkan. Berdasarkan output di atas diketahui nilai KMO MSA sebesar 0,681 > 0,50 dan nilai Bartlett's Test of Sphericity (Sig.) 0,008 < 0,05, maka analisis faktor dalam penelitian ini dapat dilanjutkan karena sudah memenuhi persyaratan pertama.

Tabel Output Kedua “Anti-image Matrices”

Anti-image Matrices berguna untuk mengetahui dan menentukan variabel mana saja yang layak pakai dalam analisis faktor. Perhatikan bagian Anti-image Correlation, pada tabel tersebut terdapat kode huruf (a) yang artinya tanda untuk Measure of Sampling Adequacy (MSA). Diketahui nilai MSA dari masing-masing yang diteliti adalah sebagai berikut:

Keandalan sebesar 0,693
Ketanggapan sebesar 0,721
Keyakinan sebesar 0,659
Empati sebesar 0,657
Berwujud sebesar 0,657

Persyaratan yang harus terpenuhi dalam analisis faktor adalah nilai MSA > 0,50. Dari hasil di atas diketahui bahwa nilai MSA untuk semua variabel yang diteliti adalah > 0,50, maka persyaratan kedua dalam analisis faktor ini pun terpenuhi.

Catatan: jika ada variabel yang memiliki nilai MSA < 0,50 maka solusinya adalah dengan melakukan proses analisis ulang hanya untuk variabel yang memiliki nilai MSA > 0,50.

Tabel Output Ketiga “Communalities”

Tabel Communalities ini menunjukkan nilai variabel yang diteliti apakah mampu untuk menjelaskan faktor atau tidak. Variabel dianggap mampu menjelaskan faktor jika nilai Extraction lebih besar dari 0,50. Berdasarkan output di atas, diketahui nilai Extraction untuk semua variabel adalah lebih besar dari 0,50. Dengan demikian dapat disimpulkan bahwa semua variabel dapat dipakai untuk menjelaskan faktor.

Tabel Output Keempat “Total Variance Explained”

Tabel Total Variance Explained menunjukkan nilai masing-masing variabel yang di analisis. Dalam penelitian ini ada 5 variabel berarti ada 5 Component yang di analisis. Ada dua macam analisis untuk menjelaskan suatu varian, yaitu Initial Eigenvalues dan Extraction Sums of Squared Loadings. Pada varian Initial Eigenvalues menunjukkan faktor yang terbentuk. Apabila semua faktor dijumlahkan menunjukkan jumlah variabel (yaitu 2,293 + 1,211 + 0,628 + 0,439 + 0,429 = 5 variabel). Sedangkan pada bagian Extraction Sums of Squared Loadings menunjukkan jumlah variasi atau banyaknya faktor yang dapat terbentuk, pada hasil output di atas ada 2 (dua) variasi faktor, yaitu 2,293 dan 1,211.

Penjelasan Lain Kotak Warna Hijau: berdasarkan tabel output Total Variance Explained pada bagian “Initial Eigenvalues”, maka ada 2 (dua) faktor yang dapat terbentuk dari 5 variabel yang di analisis. Dimana syarat untuk menjadi sebuah factor, maka nilai Eigenvalue harus lebih besar 1. Nilai Eigenvalue Component 1 sebesar 2,293 atau >1 maka menjadi faktor 1 dan mampu menjelaskan 45,870% variasi. Sedangkan nilai Eigenvalue Component 2 sebesar 1,211 atau >1 maka menjadi faktor 2 dan mampu menjelaskan 24,228% variasi. Jika faktor 1 dan faktor 2 dijumlahkan maka mampu menjelaskan 70,098% variasi.

Catatan: Nilai total Component 3, 4, dan 5 tidak dihitung sebab nilai Eigenvalue Component 3, 4, dan 5 < 1 maka tidak menjadi faktor.

Output Kelima “Scree Plot”

Gambar Scree Plot ini dapat juga menunjukkan jumlah faktor yang terbentuk. Caranya dengan melihat nilai titik Component yang memiliki nilai Eigenvalue > 1. Dari gambar Scree Plot di atas ada 2 titik Component yang memiliki nilai Eigenvalue >1 maka dapat diartikan bahwa ada 2 faktor yang dapat terbentuk.

Tabel Output Keenam “Component Matrix”

Component Matrix ini menunjukkan nilai korelasi atau hubungan antara masing-masing variabel dengan faktor yang akan terbentuk. Misal: dari output di atas terlihat pada variabel Keandalan, yakni nilai korelasi variabel ini dengan faktor 1 adalah sebesar 0,767, dan korelasi dengan faktor 2 adalah sebesar 0,315. Untuk variabel yang lain cara memaknainya sama seperti pada variabel Keandalan.

Tabel Output Ketujuh “Rotated Component Matrix”

Untuk memastikan suatu variabel masuk dalam kelompok faktor mana, maka dapat ditentukan dengan melihat nilai korelasi terbesar antara variabel dengan faktor (Component) yang terbentuk. Cara membaca hasil analisis faktor model rotasi, dapat mengikuti penjelasan berikut ini.

Variabel Keandalan. Nilai korelasi variabel ini dengan faktor 1 = 0,351 dan faktor 2 = 0,751, karena nilai korelasi faktor 2 > faktor 1 maka variabel Keandalan termasuk kelompok faktor 2
Variabel Ketanggapan. Nilai korelasi variabel ini dengan faktor 1 = 0,417 dan faktor 2 = 0,685, karena nilai korelasi faktor 2 > faktor 1 maka variabel Ketanggapan termasuk kelompok faktor 2
Variabel Keyakinan. Nilai korelasi variabel ini dengan faktor 1 = -0,225 dan faktor 2 = 0,809, karena nilai korelasi faktor 2 > faktor 1 maka variabel Keyakinan termasuk kelompok faktor 2
Variabel Empati. Nilai korelasi variabel ini dengan faktor 1 = 0,851 dan faktor 2 = 0,101, karena nilai korelasi faktor 1 > faktor 2 maka variabel Empati termasuk kelompok faktor 1
Variabel Berwujud. Nilai korelasi variabel ini dengan faktor 1 = 0,851 dan faktor 2 = 0,101, karena nilai korelasi faktor 1 > faktor 2 maka variabel Berwujud termasuk kelompok faktor 1

Dengan melihat pembahasan di atas maka kesimpulan yang dapat kita ambil dalam analisis faktkor ini adalah sebagai berikut.

Tabel Output Ketujuh “Component Transformation Matrix”

Component Transformation Matrix menunjukkan bahwa pada component 1 nilai korelasinya adalah sebesar 0,735 > 0,5, dan component 2 nilai korelasinya sebesar ,735 > 0,5. Karena nilai korelasi semua component > 0,5 maka kedua faktor yang terbentuk ini dapat disimpulkan layak untuk merangkum kelima variabel yang dianalisis. Terakhir, silahkan anda perhatikan pada tampilan Data View, maka disitu ada variabel baru dengan nama FAC1_1 dan FAC2_1

Penjelasan: Variabel baru FAC1_1 adalah faktor skor dari faktor 1, dan variabel FAC2_1 adalah faktor skor dari faktor 2.

VIDEO: Tutorial Analisis Faktor dengan SPSS + Interpretasi

Demikian Pembahasan tentang Panduan Analisis Faktor dan Interpretasi dengan SPSS, semoga bermanfaat bagi kita semua. Selamat mencoba dan terimakasih.

[Kata Kunci Pencarian: Panduan Analisis Faktor dan Interpretasi dengan SPSS Lengkap, Langkah-Langkah Analisis Faktor Menggunakan Program SPSS, Cara Interpretasi Analisis Faktor- Factor Analysis dalam Aplikasi SPSS Versi 21]