Anda di halaman 1dari 6

http://www.statistikian.

com
http://www.statistikian.com
Factor Analysis
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Bartlett's Test of Sphericity
Approx. Chi-Square

.593
105.776

df

45

Sig.

.000

Nilai KMO and Bartletts Test untuk korelasi antarvariabel yang diinginkan adalah > 0,5. Signifikansi penelitian
adalah 0,05. Dari hasil di atas diperoleh nilai KMO sebesar 0,593 yang artinya > 0,5. Sementara itu, signifikansi
yang dihasilkan dari Bartletts Test of Sphericity sebesar 0,000.
Dengan hasil di atas, maka dapat dikatakan bahwa variabel dan sampel yang digunakan memungkinkan untuk
dilakukan analisis lebih lanjut sebab nilai KMO > 0,5.
Akan tetapi tetap kita lihat pada table ANTI IMAGE MATRICES di bawah ini, kita lihat var pada ANTI IMAGE
CORRELATION, kita lihat nilai dengan tanda .a atau disebut juga Measure of Sampling Adequacy (MSA).
Apabila nilai MSA < 0,5, var tersebut dikeluarkan dari analisa factor. (Agar hasil pengujian lebih handal).
Anti-image Matrices
X.1
Anti-image
Covariance

Anti-image
Correlation

X.2

X.3

X.4

X.5

X.6

X.7

X.8

X.9

X.10

X.1

.471

-.267

-.156

-.175

.065

-.078

-.155

-.060

-.058

.082

X.2

-.267

.596

.167

-.057

.100

-.009

.062

-.037

.049

-.047

X.3

-.156

.167

.595

-.188

-.044

.108

.166

.063

-.114

-.136

X.4

-.175

-.057

-.188

.666

-.074

.031

-.014

.019

.035

-.003

X.5

.065

.100

-.044

-.074

.545

-.328

.011

-.048

-.034

-.101

X.6

-.078

-.009

.108

.031

-.328

.618

-.062

.030

-.074

.049

X.7

-.155

.062

.166

-.014

.011

-.062

.683

-.128

.049

-.186

X.8

-.060

-.037

.063

.019

-.048

.030

-.128

.706

.037

-.218

X.9

-.058

.049

-.114

.035

-.034

-.074

.049

.037

.715

-.213

X.10

.082

-.047

-.136

-.003

-.101

.049

-.186

-.218

-.213

.526

-.504

-.296

-.313

.127

-.145

-.273

-.103

-.100

.165

-.504

.280

-.091

.176

-.014

.097

-.056

.076

-.085

.280

-.298

-.078

.178

.260

.097

-.175

-.243

-.298

-.124

.049

-.020

.028

.050

-.005

-.124

-.565

.018

-.078

-.054

-.188

-.565

-.095

.046

-.111

.085

-.184

.071

-.310

.703a

.052

-.359

-.348
.614a

X.1
X.2
X.3
X.4
X.5
X.6

.546

-.296
-.313
.127
-.145

.542

-.091
.176
-.014

.500

-.078
.178

.696

.049

.596

.506

X.7

-.273

.097

.260

-.020

.018

-.095

.602

X.8

-.103

-.056

.097

.028

-.078

.046

-.184

X.9

-.100

.076

-.175

.050

-.054

-.111

.071

.052

.712

X.10

.165

-.085

-.243

-.005

-.188

.085

-.310

-.359

-.348

a. Measures of Sampling Adequacy(MSA)


Hasil di atas, semua variabel memiliki nilai MSA > 0,05. Maka pengujian analisa factor dapat dilanjutkan ke tahap
berikutnya.
Perlu diingat:

http://www.statistikian.com
Nilai MSA berkisar antara 0 hingga 1, dengan ketentuan sebagai berikut:
MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel yang lain.
MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut.
MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut, atau dikeluarkan dari variabel
lainnya.
Langkah selanjutnya adalah, upaya penelitian ini guna menentukan apakah variabel-variabel independen bisa
dikelompokkan ke dalam satu atau beberapa faktor. Jadi, semua indikator dalam variabel independen akan dilihat
apakah mereka sesungguhnya bisa disederhanakan ke dalam satu atau beberapa faktor.

Communalities
Initial
X.1
X.2
X.3
X.4
X.5
X.6
X.7
X.8
X.9
X.10

Extraction

1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000

.797
.692
.783
.661
.776
.856
.622
.659
.528
.768

Extraction Method: Principal


Component Analysis.
Hasilnya adalah, faktor mampu menjelaskan variabel X1sebesar 0,797 atau 79,70%, X2 diterangkan sebesar
69,20%, X3diterangkan sebesar 78,30%, X4diterangkan sebesar 66,10%, dan seterusnya. Karena rata-rata
penjelasan di atas 50% maka faktor tetap akan ditentukan.
Seberapa banyak faktor yang mungkin terbentuk dapat dilihat pada tabel Total Variance Explained sebagai
berikut:

Total Variance Explained


Initial Eigenvalues
Component
1
2
3
4
5
6
7
8
9
10

Total
2.547
1.940
1.501
1.154
.736
.624
.463
.440
.330
.267

% of
Variance
25.467
19.401
15.006
11.544
7.356
6.236
4.632
4.395
3.295
2.667

Cumulative
%
25.467
44.868
59.873
71.417
78.774
85.010
89.642
94.037
97.333
100.000

Extraction Sums of Squared


Loadings
Total
2.547
1.940
1.501
1.154

% of
Variance
25.467
19.401
15.006
11.544

Cumulative
%
25.467
44.868
59.873
71.417

Rotation Sums of Squared


Loadings
Total
1.906
1.822
1.805
1.610

% of
Cumulative
Variance
%
19.055
18.219
18.048
16.095

Extraction Method: Principal Component


Analysis.
Component berkisar antara 1 hingga 10 yang mewakili jumlah variabel independen. Perhatikan kolom Initial

19.055
37.274
55.322
71.417

http://www.statistikian.com
Eigenvalues yang dengan SPSS kita tentukan nilainya 1. Varians bisa diterangkan oleh oleh faktor 1 adalah
2,547/10 x 100% = 25,467%. Oleh faktor 2 sebesar 1,940/10 x 100% = 19,401%. Oleh faktor 3 sebesar 1,501/10 x
100% = 15,006%. Oleh faktor 4 sebesar 1,154/10 x 100% = 11,544%. Dan, total keempatfaktor akan mampu
menjelaskan variabel sebesar 71,417%. Dengan demikian, karena nilai Eigenvalues yang ditetapkan 1, maka nilai
Total yang akan diambil adalah yang > 1 yaitu component 1,2,3 dan 4.

Setelah kita mengetahui bahwa faktor maksimal yang bisa terbentuk adalah 4, selanjutnya kita melakukan
penentuan masing-masing variabel independen akan masuk ke dalam faktor 1,2,3 atau faktor 4. Cara
menentukannya adalah dengan melihat tabel Component Matrix sebagai berikut:
Component Matrixa
Component
1
X.10
X.9
X.8
X.2
X.1
X.5
X.4
X.3
X.7
X.6

2
.731
.573
.567
.146
.479
.518
.471
.422
.527
.408

3
-.230
-.261
.024
.748
.718
-.589
.485
.087
.090
-.384

4
.016
-.336
.424
.292
-.008
.003
-.385
-.766
.560
.270

Extraction Method: Principal Component Analysis.


a. 4 components extracted.

-.425
-.133
-.396
.160
.228
.402
.239
-.099
-.151
.685

http://www.statistikian.com
Agar lebih jelas variabel mana masuk ke faktor mana, bisa dilihat tabel Rotated Component Matrix sebagai
berikut:

Rotated Component Matrixa


Component
1
X.1
X.2
X.4
X.8
X.7
X.10
X.3
X.9
X.6
X.5

2
.870
.756
.666
.080
.216
-.097
.175
-.075
.079
-.168

3
.148
.144
-.068
.806
.727
.703
-.122
.250
.067
.142

4
.134
-.279
.458
.048
-.142
.502
.856
.642
-.088
.269

.008
-.145
.064
.009
.163
.113
-.072
.216
.915
.810

Extraction Method: Principal Component Analysis.


Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 7 iterations.
Penentuan input variabel ke faktor tertentu mengikut pada besar korelasi antara variabel dengan faktor, yaitu
kepada yang korelasinya besar. Dengan demikian maka faktor dan variabel anggotanya adalah :
Rotated Component Matrixa
Component
1
X.1
X.2
X.4
X.8
X.7
X.10
X.3
X.9
X.6
X.5

2
.870
.756
.666
.080
.216
-.097
.175
-.075
.079
-.168

3
.148
.144
-.068
.806
.727
.703
-.122
.250
.067
.142

4
.134
-.279
.458
.048
-.142
.502
.856
.642
-.088
.269

.008
-.145
.064
.009
.163
.113
-.072
.216
.915
.810

Lihat block tinta warna BIRU, pengelompokan tersebut berdasar korelasi terbesar.
Maka
Faktor 1:
X.1,X.2,X.4.
Faktor 2:
X.8,X.7,X.10
Faktor 3:
X.3,X.9
Faktor 4:
X.6,X.5

http://www.statistikian.com

TUGAS BERIKUTNYA BAGI ANDA, ANDA MEMBUAT NAMA ATAU ISTILAH BAGI KEEMPAT
FAKTOR DI ATAS BERDASARKAN KARAKTERISTIK VARIABEL DIDALAMNYA.
Sebagai langkah akhir dari penentuan faktor, maka dapat dilihat tabel Component Transformation Matrix berikut:
Component Transformation Matrix
Component
1
2
3
4

2
.355
.856
.016
.376

3
.631
-.042
.570
-.525

4
.546
-.122
-.803
-.206

.421
-.501
.174
.735

Extraction Method: Principal Component Analysis.


Rotation Method: Varimax with Kaiser Normalization.
Faktor 1 (component) memiliki korelasi sebesar 0,631 yang artinya cukup kuat karena 0,631 > 0,5. Factor 2:
0,856. Factor 3: 0,570 dan factor 4: 0,735. Semua factor > 0,5. Dengan demikian Faktor 1,2,3 dan Faktor 4 dapat
dikatakan tepat untuk merangkum ke-12 variabel independen.

Setelah mendapatkan 4 faktor, maka kita saat ini memiliki 4 variabel baru berdasarkan 4 faktor tersebut,
yaitu X1, X2, X3, dan X4.
X1 merupakan total atau rata-rata (dalam hal ini kita menggunakan rata-rata) dari variable didalamnya,
yaitu X.1,X.2,X.4.
X2 merupakan total atau rata-rata (dalam hal ini kita menggunakan rata-rata) dari variable didalamnya,
yaitu X.8,X.7,X.10.
X3 merupakan total atau rata-rata (dalam hal ini kita menggunakan rata-rata) dari variable didalamnya,
yaitu X.3,X.9.
X 4 merupakan total atau rata-rata (dalam hal ini kita menggunakan rata-rata) dari variable didalamnya,

http://www.statistikian.com
yaitu X.6,X.5.
Setelah mendapatkan 4 faktor, maka kita bisa menggunakan factor-faktor tersebut untuk pengujian lebih
lanjut, missal regresi linear berganda.

http://www.statistikian.com