Analisis Output Analisis Faktor Dengan Program SPSS (Studi kasus variabel konstrak “Kepemimpinan”)

Analisis Output Analisis Faktor Dengan Program SPSS
(Studi kasus variabel konstrak “Kepemimpinan”)
Analisis faktor adalah prosedur untuk mengidentifikasi item atau variabel
berdasarkan kemiripannya. Kemiripan tersebut ditunjukkan dengan nilai korelasi
yang tinggi. Item-item yang memiliki korelasi yang tinggi akan membentuk satu
kerumunan faktor. Dalam analisis faktor dikenal istilah konstrak empirik dan
konstrak laten. Item adalah konstrak empirik karena didapatkan langsung dari skor
empirik. Faktor merupakan konstrak yang bersifat laten karena tidak ada data
empirik yang menunjukkan besarnya faktor tersebut. Faktor adalah konstrak
buatan peneliti berdasarkan item-item dalam faktor tersebut. Karena faktor
didapatkan dari seperangkat item yang memiliki interkorelasi yang tinggi, peneliti
kemudian harus merasionalisasi seperangkat item kemudian memberi label untuk
menggambarkan seperangkat item item tersebut.
Analisis faktor memungkinkan peneliti untuk [1] menguji ketepatan model
(goodness of fit test) faktor yang terbentuk dari item-item alat ukur, [2] menguji
kesetaraan unit pengukuran antar item, [3] menguji reliabilitas item-item pada tiap
faktor yang diukur, [4] menguji adanya invarian item pada populasi.
Sebagai ilustrasi analisis faktor, seorang penjual HP bekas dapat
menentukan sendiri berapa harga yang dia minta atau meminta kepada pembeli
untuk menaksir harga HP yang dijualnya. Dalam analisis faktor pun demikian.
Ada dua alternatif yang dapat kita pilih. Kita menentukan sendiri berapa faktor

didalam data kita (analisis faktor konfirmatori) atau memilih menanyakan berapa
faktor dari data kita sebenarnya (analisis faktor eksploratori). Berikut ini akan
diperjelas masing-masing jenis analisis faktor tersebut.
1. Analisis Faktor Eksploratori (Exploratory Factor Analysis)
Seorang peneliti membuat seperangkat item yang mengukur kualitas
pelayanan bank. Item tersebut merupakan operasionalisasi dari teori dan
indikator mengenai kualitas layanan. Peneliti hendak mengidentifikasi berapa
faktor yang ada di dalam seperangkat item tersebut. Dari analisis faktor
kemudian didapatkan ada 4 faktor yang menggambarkan kualitas layanan

Alumniti (860011)

bank, antara lain faktor fitur layanan, fasilitas gedung, keramahan karyawan,
serta jaminan keamanan.
2. Analisis Faktor Konfirmatori (Confirmatory Factor Analysis).
Seorang peneliti merancang sebuah alat ukur mengenai dukungan sosial. Alat
ukur tersebut berisi seperangkat item yang diturunkan dari lima dimensi
dukungan sosial. Peneliti berusaha memastikan apakah alat ukur yang
dibuatnya benar-benar menjelaskan kelima dimensi tersebut. Ia kemudian
melakukan analisis faktor konfirmatori. Hasil dari analisis faktor menunjukkan

bahwa pembagian kelima faktor akhirnya dibuktikan.

Analisis faktor memiliki fungsi penting dalam pengembangan alat ukur. Beberapa
fungsi tersebut antara lain adalah sebagai berikut .
1. Pengujian Dimensionalitas Pengukuran
Dimensionalitas pengukuran adalah banyaknya atribut yang diukur oleh
sebuah alat ukur. Alat ukur yang unidimensi mengukur satu atribut psikologis
saja sedangkan alat ukur yang multidimensi mengukur lebih dari satu atribut
ukur. Pengukuran dalam bidang psikologi didominasi oleh pengukuran
unidimensi karena alat ukur yang dikembangkan peneliti psikologi biasanya
mengukur satu target ukur saja. Misalnya Skala Kecemasan, skala ini
diharapkan mengukur atribut kecemasan saja dan tidak mengukur atribut yang
lain. Untuk mengetahui apakah alat ukur yang dikembangkan oleh peneliti
mengukur satu atribut atau banyak atribut diperlukan analisis faktor.
2. Pengujian Komponen Dalam Alat Ukur
Penyusunan alat ukur psikologi biasanya diawali dari penurunan konsep
menjadi komponen-komponen konsep sebelum diturunkan menjadi item
berupa pernyataan skala. Untuk mengidentifikasi apakah item-item yang
diturunkan dari komponen alat ukur mewakili komponen tersebut maka
diperlukan analisis faktor. Analisis faktor juga

Alumniti (860011)

Output analisis fakor dengan program SPSS
Berikut ini adalah output analisis faktor untuk variabel kepemimpinan yang terdiri
dari delapan indikator (item), yaitu :
1. Kesehatan fisik dan mental
2. Stabilitas emosional
3. Pengetahuan mengenai “human-relation”
4. Motivasi pribadi
5. Kemampuan komunikasi
6. Peran sebagai pendidik
7. Kecakapan sosial
8. Kemampuan teknis

1. Uji KMO dan Bartlett (step 1)

K M O a n d B ar tle tt' s T e s t
K a ise r-M e y e r- O lkin M e a s u re o f Sa m p lin g
A d e qu a c y.

B a rt le t t' s T e st o f
S p h er icity

A p p r o x. C h i-S q u a re
df
S ig .

.593
3 8 2 .0 4 6
28
.000

Angka KMO sebesar 0,593 (lebih besar dari 0,5) menunjukan bahwa sampel
yang diambil sudah cukup memadai. Angka signifikansi sebesar 0,000 (lebih
kecil dari 0,05) menunjukan bahwa variabel penelitian dapat diprediksi dan
dianalisis lebih lanjut

Alumniti (860011)

2. Anti image matrices

Anti-image Matrices
Kesehatan
Pengetahuan
Peran
fisik dan Stabilitas "human-relati Motivasi Kemampuan sebagai Kecakapan Kemampuan
emosi
pribadi komunikasi pendidik
sosial
teknis
mental
on"
Anti-image CovarianKesehatan fisik dan
mental
Stabilitas emosi
Pengetahuan
"human-relation"
Motivasi pribadi
Kemampuan komunik
Peran sebagai pendid

Kecakapan sosial
Kemampuan teknis
Anti-image Correlati Kesehatan fisik dan
mental
Stabilitas emosi
Pengetahuan
"human-relation"
Motivasi pribadi
Kemampuan komunik
Peran sebagai pendid
Kecakapan sosial
Kemampuan teknis

.111

-.102

.007

.037

-.099

-.008

.062

-.026

-.102

.109

-.013

-.043

.090

.014

-.047

-.001

.007

-.013

.033

-.016

-.012

-.033

-.051

.021

.037
-.099
-.008
.062
-.026

-.043
.090
.014
-.047
-.001

-.016
-.012
-.033
-.051
.021

.619

-.221
-.002
.074
.062

-.221
.653
.019
-.211
-.029

-.002
.019
.036
.042
-.037

.074
-.211
.042

.574
-.111

.062
-.029
-.037
-.111
.678

.114

.141

-.368

-.124

.244

-.096

-.220

-.164

.336

.226

-.186

-.003

-.110

-.080

-.967

-.371

.142

-.348
.461a
.123
-.345
-.044

-.013
.123
.594a
.296
-.238

.124
-.345
.296
.587a
-.179

.096
-.044
-.238
-.179
.859a

a

.504
-.929
.114
.141
-.368
-.124
.244
-.096

-.929
.506a
-.220
-.164
.336
.226
-.186
-.003

a

.611
-.110
-.080
-.967
-.371
.142

.806a
-.348
-.013
.124
.096

a. Measures of Sampling Adequacy(MSA)

Variabel yang mempunyai Anti image correlation lebih kecil dari 0,5 dikeluarkan
dan pengujian diulang lagi

3. Uji KMO dan Bartlett (step 2)

KM O and Bart le tt's Test
K aiser -M eyer -Olk in M ea sur e o f S am plin g
A dequa cy.
B artlett's Test of
S pher ic ity

A ppro x. C hi-S quar e
df
S ig.

.619
360 .10 6
21
.000

Angka KMO sebesar 0,593 (lebih besar dari 0,5) menunjukan bahwa sampel
yang diambil sudah cukup memadai. Angka signifikansi sebesar 0,000 (lebih
kecil dari 0,05) menunjukan bahwa variabel penelitian dapat diprediksi dan
dianalisis lebih lanjut

Alumniti (860011)

4. Anti image matrices

Anti-image Matrices
Kesehatan
fisik dan
mental
Anti-image Covarian Kesehatan fisik dan
mental
Stabilitas emosi
Pengetahuan
"human-relation"
Motivasi pribadi
Peran sebagai pendid
Kecakapan sosial
Kemampuan teknis
Anti-image Correlatio Kesehatan fisik dan
mental
Stabilitas emosi
Pengetahuan
"human-relation"
Motivasi pribadi
Peran sebagai pendid
Kecakapan sosial
Kemampuan teknis

Pengetahuan
Stabilitas "human-relati Motivasi
emosi
pribadi
on"

Peran
sebagai
pendidik

Kecakapan Kemampuan
sosial
teknis

.128

-.116

.006

.005

-.006

.039

-.036

-.116

.123

-.013

-.016

.013

-.023

.004

.006

-.013

.033

-.022

-.033

-.062

.021

.005
-.006
.039
-.036

-.016
.013
-.023
.004

-.022
-.033
-.062
.021

.705
.005
.003
.060

.005
.036
.056
-.037

.003
.056
.651
-.137

.060
-.037
-.137
.679

.091

.015

-.085

.135

-.121

-.206

-.053

.197

-.080

.013

-.147

-.967

-.426

.139

.031
.589a
.363
-.235

.004
.363
.590a
-.207

.086
-.235
-.207
.845a

a

.548

-.920

-.920
.550a

a

.091

-.206

.599

.015
-.085
.135
-.121

-.053
.197
-.080
.013

-.147
-.967
-.426
.139

.956a
.031
.004
.086

a. Measures of Sampling Adequacy(MSA)

Variabel yang mempunyai Anti image correlation lebih kecil dari 0,5
dikeluarkan dan pengujian diulang lagi

5. Communalities
Communalities menunjukkan sumbangan efektif tiap item terhadap faktor
yang terbentuk. Misalnya Kesehatan fisik dan mental mempunyai nilai
komunaliti sebesar 0,962. hal ini menunjukan bahwa 96,2 persen variansi dari
variabel Kesehatan fisik dan mental dapat dijelaskan oleh faktor yang
terbentuk
.

Alumniti (860011)

6. Total Variance Explained
Total Variance Explained adalah persentase varian konstrak ukur yang dapat
dijelaskan oleh pembagian faktor. Ada 7 variabel (component) yang
dimasukan dalam analisis faktor. Dengan masing-masing variabel mempunyai
variansi 1 maka total variansi adalah 7 x 1 = 1 Jika ke-7 variabel “diringkas”
menjadi satu faktor, maka variansi yang dapat dijelaskan oleh satu faktor
tersebut adalah 3,267/7 x 100 % = 46,669 % Jika ke-7 variabel “diringkas”
menjadi dua faktor, maka variansi yang dapat dijelaskan oleh kedua faktor
tersebut adalah :
variansi faktor pertama

:

3,267/7 x 100 % = 46,669 %

variansi faktor kedua

:

1,621/7 x 100 % = 23,161 %

Kedua faktor tersebut secara total dapat menjelaskan 46,699 % + 23,161 %
atau 69,830 % dari variansi ke tujuh variabel awal
Total VarianceExplained

Component
1
2
3
4
5
6
7

Initial Eigenvalues
Total
%of Variance Cumulative%
3.267
46.669
46.669
1.621
23.161
69.830
.832
11.885
81.715
.702
10.033
91.748
.493
7.045
98.793
.067
.960
99.753
.017
.247
100.000

ExtractionMethod: Principal Component Analysis.

Alumniti (860011)

ExtractionSumsof SquaredLoadings
Total
%of Variance Cumulative%
3.267
46.669
46.669
1.621
23.161
69.830

RotationSumsof SquaredLoadings
Total
%of Variance Cumulative%
2.882
41.167
41.167
2.006
28.663
69.830

7. Eigenvalues
Eigenvalues menunjukan kepentingan relatif masing-masing faktor dalam
menghitung variansi ketujuh variabel awal yang dianalisis. Jumlah angka
eigenvalues untuk ketujuh variabel adalah sama dengan total variansi ketujuh
variabel, atau 3,267 + 1,621 + ……. + 0,017 = 7 Susunan eigenvalues selalu
diurutkan dari yang terbesar sampai yang terkecil, dengan kriteria bahwa
angka eigenvalues dibawah 1 tidak digunakan dalam menghitng jumlah faktor
yang terbentuk Berdasarkan tabel di atas, angka eigenvalues yang lebih besar
dari 1 ada dua (3,267 dan 1,621) sehingga faktor yang terbentuk adalah dua

Total VarianceExplained

Component
1
2
3
4
5
6
7

Initial Eigenvalues
Total
%of Variance Cumulative%
3.267
46.669
46.669
1.621
23.161
69.830
.832
11.885
81.715
.702
10.033
91.748
.493
7.045
98.793
.067
.960
99.753
.017
.247
100.000

ExtractionSumsof SquaredLoadings
Total
%of Variance Cumulative%
3.267
46.669
46.669
1.621
23.161
69.830

RotationSumsof SquaredLoadings
Total
%of Variance Cumulative%
2.882
41.167
41.167
2.006
28.663
69.830

ExtractionMethod: Principal Component Analysis.

8. Component matrix

C o m p o n e n t M a tr i xa
Com po nent
1
P engetahua n
" h u m a n -r e la t io n "
P e ra n s e b a g a i p e n d id ik
K e m a m p u a n t e k n is
M o t iv a s i p r ib a d i
K e c a k a p a n s o s ia l
K e s e h a ta n f is ik d a n
m ental
S ta b ilit a s e m o s i

2
.886

-. 3 4 3

.852
.642
.615
.539

-. 3 7 6
-. 0 1 8
-. 1 9 4
-. 2 9 3

.561

.805

.599

.769

E x t ra c tio n M e t h o d : P r in c ip a l C o m p o n e n t A n a ly s is .
a . 2 c o m p o n e n t s e x tr a c t e d .

Component matrix menunjukan distribusi ketujuh variabel awal pada dua
faktor yang terbentuk Angka-angka yang ada pada tabel adalah bobot faktor

Alumniti (860011)

(factor loading), yang menunjukan besarnya korelasi antara variabel awal
dengan faktor yang terbentuk . Ex : Korelasi antara Pengetahuan “human
relation” dengan faktor 1 adalah 0,886 (kuat karena di atas 0,5). Korelasi
antara Pengetahuan “human relation” dengan faktor 2 adalah 0,343 (lemah
karena di bawah 0,5)

9. Rotated component matrix
Proses inti dari analisis faktor adalah melakukan ekstraksi terhadap sejumlah
variabel sehingga terbentuk satu faktor atau lebih (metode : principal
component analysis). Ada kemungkinan suatu variabel sulit untuk ditentukan
akan masuk kedalam faktor yang mana. Rotasi faktor akan memperjelas posisi
sebuah variabel, akankah dimasukan pada faktor yang satu atau pada faktor
yang lain (metode : varimax)

.
R o t a te d

C o m p o n e n t M a t r i xa
C o m p o n e n t
1

P e n g e ta h u a n
" h u m a n - re la t io n "
P e ra n s e b a g a i p e n d id ik
M o t iv a s i p r ib a d i
K e c a k a p a n s o s ia l
K e m a m p u a n t e k n is
K e s e h a t a n f i s ik d a n
m e n ta l
S t a b i li t a s e m o s i

2
.9 4 1

.1 2 9

.
.
.
.

.
.
.
.

9
6
6
5

2
3
1
7

8
2
4
1

0
1
0
2

8
2
0
9

4
8
4
5

.1 0 2

.9 7 6

.1 5 2

.9 6 3

E x t r a c t io n M e t h o d : P r i n c i p a l C o m p o n e n t A n a l y s i s .
R o t a t i o n M e t h o d : V a r im a x w i t h K a i s e r N o r m a l iz a t io n .
a . R o ta t i o n c o n v e r g e d i n 3 i t e r a ti o n s .

Rotatade component matrix memperlihatkan distribusi variabel yang lebih
jelas dan nyata dengan cara menghilangkan nilai korelasi yang “cukup
meragukan” karena bernilai pada sekitar 0,5

Alumniti (860011)

10. Component transmormation matrix

C o m p o n e n t T ra n s f o rm a t io n M a tri x
Co mp onent
1
2

1
.875
-. 4 8 4

2
.484
.875

E xt ra c t io n M e t h o d : P rin cip a l C o m p o n e n t An a lysis .
R o ta t io n M e t h o d : V a r im a x w it h K a is e r N o r m a liz a t io n .

Angka-angka diagonal pada tabel adalah lebih besar dari 0,5. Hal ini menunjukan
bahwa kedua faktor yang terbentuk sudah tepat karena mempunyai korelasi yang
tinggi

Alumniti (860011)