Panduan Analisis Faktor dan Interpretasi dengan SPSS Lengkap | Secara umum analisis faktor ialah suatu teknik analisis yang memuat isu perihal pengelompokan variabel faktor dalam suatu penelitian. Analisis faktor bertujuan untuk menyaring variabel mana yang paling unggul atau paling lebih banyak didominasi dari beberapa variabel yang dipilih oleh peneliti. Hasil analisis faktor sanggup juga digunakan untuk membedakan komponen atau variabel prioritas menurut perangkingan yang ada.
Penting: Pembahasan perihal 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
Contoh Soal Analisis Faktor pada Penelitian (Skripsi)
Seorang mahasiswa semester final ingin melaksanakan penelitian perihal “Analisis Faktor-Faktor yang mepengaruhi Kepuasan Pelanggan terhadap Pelayanan PT. Telkom Solo”. Ada 25 orang responden atau sampel dengan balasan 5 item pertanyaan kuesioner tentang: P1 (Keandalan), P2 (Ketanggapan), P3 (Keyakinan), P4 (Empati), dan P5 (Berwujud). Pertanyaan tersebut ialah jenis pertanyaan konkret (favorable) dimana setiap pertanyaan mempunyai lima pilihan balasan dengan penskorannya, sebagai berikut:
Adapun data penelitian yang akan dilakukan analisis faktor ialah sebagai berikut.
[Download Data Lengkap]
Langkah-Langkah Analisis Faktor dengan SPSS Versi 21
1. Buka lembar kerja gres SPSS, kemudian 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 sajian SPSS klik Analyze >> Dimension Reduction >> Factor... Tampak dilayar sebagai berikut
4. Muncul kotak obrolan “Factor Analysis” selanjutnya, masukkan semua variabel ke kotak Variables: kemudian klik Descriptives…
5. Muncul kotak obrolan “Factor Analysis: Descriptives” kemudian berikan tanda centang (v) pada Initial solution, KMO and Bartlett’s test of sphericity, dan Anti-image, kemudian klik Continue
6. Selanjutnya klik Extraction… maka muncul kotak obrolan “Factor Analysis: Extraction” berikan tanda centang (v) pada Unrotated factor solution dan Scree plot, kemudian klik Continue
7. Berikutnya klik Rotation… maka muncul kotak obrolan “Factor Analysis: Rotation” kemudian aktifkan Varimax dan beri tanda centang (v) pada Rotated solution, kemudian klik Continue
8. Kemudian klik Scores… maka muncul kotak obrolan “Factor Analysis: Factor Scores” kemudian aktifkan Save as Variable, kemudian klik Continue
9. Terakhir ialah 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 berkhasiat mengetahui kelayakan suatu variabel, apakah sanggup di proses lebih lanjut memakai 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 sanggup 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 sanggup dilanjutkan lantaran sudah memenuhi persyaratan pertama.
Tabel Output Kedua “Anti-image Matrices”
Anti-image Matrices berkhasiat untuk mengetahui dan memilih variabel mana saja yang layak pakai dalam analisis faktor. Perhatikan bab Anti-image Correlation, pada tabel tersebut terdapat arahan abjad (a) yang artinya tanda untuk Measure of Sampling Adequacy (MSA). Diketahui nilai MSA dari masing-masing yang diteliti ialah sebagai berikut:
Persyaratan yang harus terpenuhi dalam analisis faktor ialah nilai MSA > 0,50. Dari hasil di atas diketahui bahwa nilai MSA untuk semua variabel yang diteliti ialah > 0,50, maka persyaratan kedua dalam analisis faktor ini pun terpenuhi.
Catatan: jikalau ada variabel yang mempunyai nilai MSA < 0,50 maka solusinya ialah dengan melaksanakan proses analisis ulang hanya untuk variabel yang mempunyai nilai MSA > 0,50.
Tabel Output Ketiga “Communalities”
Tabel Communalities ini mengatakan nilai variabel yang diteliti apakah bisa untuk menjelaskan faktor atau tidak. Variabel dianggap bisa menjelaskan faktor jikalau nilai Extraction lebih besar dari 0,50. Berdasarkan output di atas, diketahui nilai Extraction untuk semua variabel ialah lebih besar dari 0,50. Dengan demikian sanggup disimpulkan bahwa semua variabel sanggup digunakan untuk menjelaskan faktor.
Tabel Output Keempat “Total Variance Explained”
Tabel Total Variance Explained mengatakan 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 mengatakan faktor yang terbentuk. Apabila semua faktor dijumlahkan mengatakan jumlah variabel (yaitu 2,293 + 1,211 + 0,628 + 0,439 + 0,429 = 5 variabel). Sedangkan pada bab Extraction Sums of Squared Loadings mengatakan jumlah variasi atau banyaknya faktor yang sanggup terbentuk, pada hasil output di atas ada 2 (dua) variasi faktor, yaitu 2,293 dan 1,211.
Penjelasan Lain Kotak Warna Hijau: menurut tabel output Total Variance Explained pada bab “Initial Eigenvalues”, maka ada 2 (dua) faktor yang sanggup 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 bisa menjelaskan 45,870% variasi. Sedangkan nilai Eigenvalue Component 2 sebesar 1,211 atau >1 maka menjadi faktor 2 dan bisa menjelaskan 24,228% variasi. Jika faktor 1 dan faktor 2 dijumlahkan maka bisa menjelaskan 70,098% variasi.
Catatan: Nilai total Component 3, 4, dan 5 tidak dihitung lantaran nilai Eigenvalue Component 3, 4, dan 5 < 1 maka tidak menjadi faktor.
Output Kelima “Scree Plot”
Gambar Scree Plot ini sanggup juga mengatakan jumlah faktor yang terbentuk. Caranya dengan melihat nilai titik Component yang mempunyai nilai Eigenvalue > 1. Dari gambar Scree Plot di atas ada 2 titik Component yang mempunyai nilai Eigenvalue >1 maka sanggup diartikan bahwa ada 2 faktor yang sanggup terbentuk.
Tabel Output Keenam “Component Matrix”
Component Matrix ini mengatakan nilai hubungan atau hubungan antara masing-masing variabel dengan faktor yang akan terbentuk. Misal: dari output di atas terlihat pada variabel Keandalan, yakni nilai hubungan variabel ini dengan faktor 1 ialah sebesar 0,767, dan hubungan dengan faktor 2 ialah sebesar 0,315. Untuk variabel yang lain cara memaknainya sama menyerupai pada variabel Keandalan.
Tabel Output Ketujuh “Rotated Component Matrix”
Untuk memastikan suatu variabel masuk dalam kelompok faktor mana, maka sanggup ditentukan dengan melihat nilai hubungan terbesar antara variabel dengan faktor (Component) yang terbentuk. Cara membaca hasil analisis faktor model rotasi, sanggup mengikuti klarifikasi berikut ini.
Dengan melihat pembahasan di atas maka kesimpulan yang sanggup kita ambil dalam analisis faktkor ini ialah sebagai berikut.
Tabel Output Ketujuh “Component Transformation Matrix”
Component Transformation Matrix mengatakan bahwa pada component 1 nilai korelasinya ialah sebesar 0,735 > 0,5, dan component 2 nilai korelasinya sebesar ,735 > 0,5. Karena nilai hubungan semua component > 0,5 maka kedua faktor yang terbentuk ini sanggup disimpulkan layak untuk merangkum kelima variabel yang dianalisis.
Terakhir, silahkan anda perhatikan pada tampilan Data View, maka disitu ada variabel gres dengan nama FAC1_1 dan FAC2_1
Penjelasan: Variabel gres FAC1_1 ialah faktor skor dari faktor 1, dan variabel FAC2_1 ialah faktor skor dari faktor 2.
[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]
Penting: Pembahasan perihal 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 hubungan yang berpengaruh 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 final ingin melaksanakan penelitian perihal “Analisis Faktor-Faktor yang mepengaruhi Kepuasan Pelanggan terhadap Pelayanan PT. Telkom Solo”. Ada 25 orang responden atau sampel dengan balasan 5 item pertanyaan kuesioner tentang: P1 (Keandalan), P2 (Ketanggapan), P3 (Keyakinan), P4 (Empati), dan P5 (Berwujud). Pertanyaan tersebut ialah jenis pertanyaan konkret (favorable) dimana setiap pertanyaan mempunyai lima pilihan balasan 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 ialah sebagai berikut.
[Download Data Lengkap]
Langkah-Langkah Analisis Faktor dengan SPSS Versi 21
1. Buka lembar kerja gres SPSS, kemudian 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 sajian SPSS klik Analyze >> Dimension Reduction >> Factor... Tampak dilayar sebagai berikut
4. Muncul kotak obrolan “Factor Analysis” selanjutnya, masukkan semua variabel ke kotak Variables: kemudian klik Descriptives…
5. Muncul kotak obrolan “Factor Analysis: Descriptives” kemudian berikan tanda centang (v) pada Initial solution, KMO and Bartlett’s test of sphericity, dan Anti-image, kemudian klik Continue
6. Selanjutnya klik Extraction… maka muncul kotak obrolan “Factor Analysis: Extraction” berikan tanda centang (v) pada Unrotated factor solution dan Scree plot, kemudian klik Continue
7. Berikutnya klik Rotation… maka muncul kotak obrolan “Factor Analysis: Rotation” kemudian aktifkan Varimax dan beri tanda centang (v) pada Rotated solution, kemudian klik Continue
8. Kemudian klik Scores… maka muncul kotak obrolan “Factor Analysis: Factor Scores” kemudian aktifkan Save as Variable, kemudian klik Continue
9. Terakhir ialah 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 berkhasiat mengetahui kelayakan suatu variabel, apakah sanggup di proses lebih lanjut memakai 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 sanggup 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 sanggup dilanjutkan lantaran sudah memenuhi persyaratan pertama.
Tabel Output Kedua “Anti-image Matrices”
Anti-image Matrices berkhasiat untuk mengetahui dan memilih variabel mana saja yang layak pakai dalam analisis faktor. Perhatikan bab Anti-image Correlation, pada tabel tersebut terdapat arahan abjad (a) yang artinya tanda untuk Measure of Sampling Adequacy (MSA). Diketahui nilai MSA dari masing-masing yang diteliti ialah 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 ialah nilai MSA > 0,50. Dari hasil di atas diketahui bahwa nilai MSA untuk semua variabel yang diteliti ialah > 0,50, maka persyaratan kedua dalam analisis faktor ini pun terpenuhi.
Catatan: jikalau ada variabel yang mempunyai nilai MSA < 0,50 maka solusinya ialah dengan melaksanakan proses analisis ulang hanya untuk variabel yang mempunyai nilai MSA > 0,50.
Tabel Output Ketiga “Communalities”
Tabel Communalities ini mengatakan nilai variabel yang diteliti apakah bisa untuk menjelaskan faktor atau tidak. Variabel dianggap bisa menjelaskan faktor jikalau nilai Extraction lebih besar dari 0,50. Berdasarkan output di atas, diketahui nilai Extraction untuk semua variabel ialah lebih besar dari 0,50. Dengan demikian sanggup disimpulkan bahwa semua variabel sanggup digunakan untuk menjelaskan faktor.
Tabel Output Keempat “Total Variance Explained”
Tabel Total Variance Explained mengatakan 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 mengatakan faktor yang terbentuk. Apabila semua faktor dijumlahkan mengatakan jumlah variabel (yaitu 2,293 + 1,211 + 0,628 + 0,439 + 0,429 = 5 variabel). Sedangkan pada bab Extraction Sums of Squared Loadings mengatakan jumlah variasi atau banyaknya faktor yang sanggup terbentuk, pada hasil output di atas ada 2 (dua) variasi faktor, yaitu 2,293 dan 1,211.
Penjelasan Lain Kotak Warna Hijau: menurut tabel output Total Variance Explained pada bab “Initial Eigenvalues”, maka ada 2 (dua) faktor yang sanggup 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 bisa menjelaskan 45,870% variasi. Sedangkan nilai Eigenvalue Component 2 sebesar 1,211 atau >1 maka menjadi faktor 2 dan bisa menjelaskan 24,228% variasi. Jika faktor 1 dan faktor 2 dijumlahkan maka bisa menjelaskan 70,098% variasi.
Catatan: Nilai total Component 3, 4, dan 5 tidak dihitung lantaran nilai Eigenvalue Component 3, 4, dan 5 < 1 maka tidak menjadi faktor.
Output Kelima “Scree Plot”
Gambar Scree Plot ini sanggup juga mengatakan jumlah faktor yang terbentuk. Caranya dengan melihat nilai titik Component yang mempunyai nilai Eigenvalue > 1. Dari gambar Scree Plot di atas ada 2 titik Component yang mempunyai nilai Eigenvalue >1 maka sanggup diartikan bahwa ada 2 faktor yang sanggup terbentuk.
Tabel Output Keenam “Component Matrix”
Component Matrix ini mengatakan nilai hubungan atau hubungan antara masing-masing variabel dengan faktor yang akan terbentuk. Misal: dari output di atas terlihat pada variabel Keandalan, yakni nilai hubungan variabel ini dengan faktor 1 ialah sebesar 0,767, dan hubungan dengan faktor 2 ialah sebesar 0,315. Untuk variabel yang lain cara memaknainya sama menyerupai pada variabel Keandalan.
Tabel Output Ketujuh “Rotated Component Matrix”
Untuk memastikan suatu variabel masuk dalam kelompok faktor mana, maka sanggup ditentukan dengan melihat nilai hubungan terbesar antara variabel dengan faktor (Component) yang terbentuk. Cara membaca hasil analisis faktor model rotasi, sanggup mengikuti klarifikasi berikut ini.
- Variabel Keandalan. Nilai hubungan variabel ini dengan faktor 1 = 0,351 dan faktor 2 = 0,751, lantaran nilai hubungan faktor 2 > faktor 1 maka variabel Keandalan termasuk kelompok faktor 2
- Variabel Ketanggapan. Nilai hubungan variabel ini dengan faktor 1 = 0,417 dan faktor 2 = 0,685, lantaran nilai hubungan faktor 2 > faktor 1 maka variabel Ketanggapan termasuk kelompok faktor 2
- Variabel Keyakinan. Nilai hubungan variabel ini dengan faktor 1 = -0,225 dan faktor 2 = 0,809, lantaran nilai hubungan faktor 2 > faktor 1 maka variabel Keyakinan termasuk kelompok faktor 2
- Variabel Empati. Nilai hubungan variabel ini dengan faktor 1 = 0,851 dan faktor 2 = 0,101, lantaran nilai hubungan faktor 1 > faktor 2 maka variabel Empati termasuk kelompok faktor 1
- Variabel Berwujud. Nilai hubungan variabel ini dengan faktor 1 = 0,851 dan faktor 2 = 0,101, lantaran nilai hubungan faktor 1 > faktor 2 maka variabel Berwujud termasuk kelompok faktor 1
Dengan melihat pembahasan di atas maka kesimpulan yang sanggup kita ambil dalam analisis faktkor ini ialah sebagai berikut.
Tabel Output Ketujuh “Component Transformation Matrix”
Component Transformation Matrix mengatakan bahwa pada component 1 nilai korelasinya ialah sebesar 0,735 > 0,5, dan component 2 nilai korelasinya sebesar ,735 > 0,5. Karena nilai hubungan semua component > 0,5 maka kedua faktor yang terbentuk ini sanggup disimpulkan layak untuk merangkum kelima variabel yang dianalisis.
Terakhir, silahkan anda perhatikan pada tampilan Data View, maka disitu ada variabel gres dengan nama FAC1_1 dan FAC2_1
Penjelasan: Variabel gres FAC1_1 ialah faktor skor dari faktor 1, dan variabel FAC2_1 ialah faktor skor dari faktor 2.
VIDEO: Tutorial Analisis Faktor dengan SPSS + InterpretasiDemikian Pembahasan perihal Panduan Analisis Faktor dan Interpretasi dengan SPSS, supaya 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]
