Interprestasi Analisis Faktor dengan SPSS

Interprestasi Analisis Faktor dengan SPSS

Artikel ini tidaklah berdiri sendiri, sebab tergantung pada artikel sebelumnya, yaitu: asumsi analisis faktor dengan SPSS. Artinya, anda akan sampai pada tahap ini apabila sudah selesai melakukan berbagai asumsi pada analisis faktor. Berikut kita pelajari bersama-sama secara bertahap, interprestasi analisis faktor dengan SPSS.

Communalities

Tabel Communalities

Tabel di atas menunjukkan seberapa besar sebuah variabel dapat menjelaskan faktor. Misal X1 nilainya 0,769, artinya variabel X1 dapat menjelaskan faktor sebesar 76,9%. Begitu pula dengan variabel lainnya, di mana semuanya > 50%, oleh karenanya dapat disimpulkan bahwasanya semua variabel dapat menjelaskan faktor.

Faktor Yang Sekiranya Dapat Terbentuk

Tabel Total Variance Explained di bawah ini berguna untuk menentukan berapakah faktor yang mungkin dapat dibentuk.

Tabel Eigenvalue

Berdasarkan tabel di atas, lihat kolom “Component” yang menunjukkan bahwa ada 7 komponen yang dapat mewakili variabel. Perhatikan kolom “Initial Eigenvalues” yang dengan SPSS kita tentukan nilainya 1 (satu). Varians bisa diterangkan oleh oleh faktor 1 adalah 2,644/7 x 100% = 37,776. Oleh faktor 2 sebesar 1,594/7 x 100% = 22,768. Sementara oleh faktor 3 sebesar 1,051/7 x 100% = 15,018. Sehingga total ketiga faktor akan mampu menjelaskan variabel sebesar 37,776% + 22,768% + 15,018% = 75,562%. Dengan demikian, karena nilai Eigenvalues yang ditetapkan 1, maka nilai Total yang akan diambil adalah yang > 1 yaitu component 1, 2 dan 3.

Factor Loading

Setelah kita mengetahui bahwa faktor maksimal yang bisa terbentuk adalah 3 faktor, selanjutnya kita melakukan penentuan masing-masing variabel akan masuk ke dalam faktor mana, apakah faktor 1, 2 atau 3. Cara menentukan tersebut adalah dengan melihat tabel Component Matrix seperti di bawah ini:

Tabel Component Matrix

Tabel di atas menunjukkan seberapa besar sebuah variabel berkorelasi dengan faktor yang akan dibentuk. Misal: X5 berkorelasi sebesar 0,885 dengan faktor 1, -0,388 dengan faktor 2 dan 0,128 dengan faktor 3.

Rotated Component Matrix

Secara jelasnya dapat anda lihat pada tabel Rotated Component Matrix di bawah ini untuk menentukan variabel mana akan masuk faktor yang mana.

Tabel Rotated Component Matrix

Penentuan variabel masuk faktor mana ditentukan dengan melihat nilai korelasi terbesar. Pada tabel di atas telah diurutkan dari nilai yang terbesar ke yang terkecil per faktor.

Perhatikan baik-baik di atas:
X5 korelasi terbesar dengan faktor 1 yaitu 0,968, begitu pula X8: 0,956 dan X4: 0,731. Yang paling berkorelasi dengan faktor 2 adalah X9: 0,869, X7: 0,769. Sedangkan X1 sebesar 0,877 lebih berkorelasi dengan faktor 3, begitu juga dengan X6: 0,666 masuk ke faktor 3.

Maka dapat disimpulkan anggota masing-masing faktor:
Faktor 1: X5, X8, X4
Faktor 2: X9, X7
Faktor 3: X1, X6

Component Transformation Matrix

Langkah terakhir untuk penentuan faktor adalah melihat tabel Component Transformation Matrix.

Tabel Transformation Matrix

Tabel di atas menunjukkan bahwa pada component 1 nilai korelasi 0,886 > 0,5, component 2: 0,712 > 0,5 dan component 3: 0,812 > 0,5. Karena semua component > 0,5 maka ketiga faktor yang terbentuk dapat dikatakan tepat dalam merangkum ketujuh variabel yang ada.

Factor Score

Setelah anda mendapatkan faktor-faktor yang terbentuk, maka langkah selanjutnya untuk keperluan analisis lebih lanjut, anda dapat menentukan faktor skor. Caranya adalah dengan mengulangi langkah analisis faktor tetapi pada saat proses anda tekan tombol “Scores”, kemudian centang “Save as variables” dan pilih method “Regression”.

Analisis Faktor

Setelah anda klik “Continue” dan “OK” pada jendela utama, maka lihat pada dataset anda di “data view”.

Faktor Skor

Lihat bahwa muncul variabel baru, yaitu FAC1_1  yang merupakan faktor skor dari faktor 1, FAC2_1  yang merupakan faktor skor dari faktor 2 dan FAC3_1  yang merupakan faktor skor dari faktor 3. Dari nilai tersebut anda dapat melakukan analisis lanjutan, misal analisis regresi linear, analisis diskriminan atau analisis lainnya.

NB: Normalitas merupakan salah satu asumsi dari analisis faktor meskipun tidak mutlak. Namun data dalam tutorial ini tidak normal, karena hanya sebagai media pembelajaran saja. Untuk lebih lengkapnya tentang uji normalitas, silahkan baca artikel kami tentang normalitas.

Demikian telah kami jelaskan semua materi yang berkaitan dengan Analisis Faktor, terutama Interprestasi Analisis Faktor dengan SPSS. Semoga bermanfaat.

By Anwar Hidayat

This article was last modified on 23 Maret 2017 02:54

Share
Anwar Hidayat

Founder dan CEO dari Statistikian Sejak 2012. Melayani jasa bantuan olah dan analisis data menggunakan berbagai aplikasi statistik, seperti: SPSS, STATA, Minitab, EViews, AMOS, SmartPLS dan Excel. Silahkan WhatsApp: 08816050259. Biaya 100 ribu sd 300 ribu Sesuai Beban. Proses 1 sd 3 Hari Tergantung Antrian.

View Comments

  • Variabel baru yang kami sebut dalam artikel di atas: yaitu FAC1_1 yang merupakan faktor skor dari faktor 1, FAC2_1 yang merupakan faktor skor dari faktor 2 dan FAC3_1 yang merupakan faktor skor dari faktor 3. Ketiga faktor skor itulah yang menjadi variabel bebas baru kemudian regresikan dengan variabel terikat yang sudah ditetapkan di awal.

  • Menakjubkan Boss bagi ilmu nggak kepalang tanggung. Aku mau pakai analisis faktor untuk disertasi. Merci beaucoup

  • Jika faktor sudah terbentuk, maka gunakan faktor itu sebagai variable. Lalu gunakan uji pengaruh sesuai dengan jenis analisis data yang anda tentukan dalam bab metodologi, misalkan uji regresi linear. Misal: seandainya yang anda analisis fktor adalah variabel bebas, maka faktor yang terbentuk adalah variabel bebas baru. Kemudian regresikan dengan variabel dependen yang sudah ada..

  • bagaimana cara mengetahui faktor yang diidentifikasi berpengaruh terhadap penelitiannya dalam analisis faktor

  • pak. bgaimana cara input datanya pak ? apakah dg baris berisikan soal atau pernyataan tes dan kolom berisikan subjek ?

Recent Posts

Variabel PLS SEM, Data, Model Hubungan dan Asumsinya

Variabel PLS SEM, Data, Model Hubungan dan Asumsinya Variabel PLS SEM Sebelum kita coba tutorial PLS SEM dalam aplikasi smartPLS,…

20 Desember 2018 00:14

PLS SEM: Pengukuran Kecocokan Model (Inner dan Outer)

Pengukuran Kecocokan Model PLS SEM Dalam bahasan kali ini kita akan melanjutkan artikel sebelumnya yaitu tentang partial least square. Sebelumnya…

25 Agustus 2018 22:15

Partial Least Square (PLS), Pengertian, Fungsi, Tujuan, Cara

Pengertian Partial Least Square (PLS), Fungsi, Tujuan, Cara dan Algoritma Partial least square atau yang biasa disingkat PLS adalah jenis analisis…

25 Agustus 2018 16:12

Hipotesis Penelitian dan Hipotesis Statistik Dalam Perbedaan

Perbedaan Hipotesis Penelitian dan Hipotesis Statistik Apa yang dimaksud dengan hipotesis penelitian? Apa yang dimaksud dengan hipotesis statistik? Apa perbedaan…

23 Mei 2018 01:14

Pengertian Simple Random Sampling, Jenis dan Contoh

Pengertian Simple Random Sampling, Jenis dan Contoh Pengertian Simple Random Sampling Dalam kesempatan ini akan kami coba sharing tentang pengertian…

16 Februari 2018 01:22

Penjelasan dan Tutorial Regresi Linear Berganda

Penjelasan dan Tutorial Regresi Linear Berganda Dalam kesempatan ini, saya akan coba menjelaskan tentang Regresi Linear Berganda serta tutorial regresi…

1 Januari 2018 17:58