Analisis Output : Faktor Analisis Dengan Program SPSS

(Studi kasus variabel konstrak Kepemimpinan Transformasional)

A. PENDAHULUAN
Analisis factor merupakan salah satu teknik statistic multivariate. Tujuannya
adalah untuk mengelompokkan data menjadi beberapa kelompok sesuai dengan
saling korelasi antar variabel. Pada aplikasi penelitian, analisis factor dapat
digunakan
untuk
mengetahui
pengelompokan
individu
sesuai
dengan
karakteristiknya, maupun untuk menguji validitas konstruk. Dalam analisis factor,
tidak ada variabel dependen dan independen. Proses analisis factor sendiri
mencoba menemukan hubungan (interrelationship) antar sejumlah variabel-variabel
yang saling dependen dengan yang lain, sehingga bisa dibuat satu atau beberapa
kumpulan variabel yang lebih sedikit dari jumlah awal.
Faktor Analisis 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 faktor analisis 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.
Faktor Analisis 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.
Dalam kegiatan penelitian, analisis factor paling tidak digunakan untuk :
1. Menguji Validitas Konstruk. Salah satu cara untuk menguji validitas
konstruk dapat dilakukan dengan menggunakan analisis factor. Analisis factor
akan menampilkan hasil ekstaksi butir-butir pertanyaan menjadi beberapa
komponen yang diinginkan peneliti. Prinsip yang digunakan sama yaitu
mengelompokkan data berdasarkan interkorelasi antar butir. Sebuah butir /
item dinyatakan merupakan pembentuk factor jika nilai korelasinya lebih
besar sama dengan (>=) 0,5.

2. Menguji Validitas Faktor. Dalam analisis ini, pengujian dilakukan untuk

melihat seberapa besar korelasi antara factor satu dengan yang lain yang
menjadi pembentuk variabel. Jika ditemukan korelasi yang cukup kuat
diantara factor-faktor pembentuk maka factor tersebut dinyatakan memang
sebagai pembentuk variabel. Besarnya matrik korelasi yang lazim digunakan
adalah 0,5

Dalam analisis factor, ada dua alternatif yang dapat kita pilih, yaitu : kita
menentukan sendiri berapa faktor di dalam 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 akademik. Item tersebut merupakan operasionalisasi dari teori dan
indikator mengenai kualitas layanan akademik. Peneliti hendak mengidentifikasi
berapa faktor yang ada di dalam seperangkat item tersebut. Dari analisis faktor
kemudian didapatkan ada 4 faktor yang menggambarkan kualitas layanan
akademik, antara lain faktor fitur layanan, fasilitas gedung perkuliahan, keramahan
karyawan, serta jaminan keamanan.
2. Analisis Faktor Konfirmatori (Confirmatory Factor Analysis).
Analisis factor konfirmatory (CFA) ditujukan untuk menguji validitas dan reliabilitas. Atau lebih
tepatnya adalah untuk menguji konsep teori, atau konstruk, atau laten variabel, yang tidak dapat
diobservasi langsung. 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.
Sesuai dengan itu, maka permasalahan penelitian dalam kerangka CFA paling tidak
akan membahas antara lain :
1. Apakah indicator-indikator yang dikonsepsikan secara unidimensional, tepat,
dan konsistenn dapat menjelaskan konstruk yang diteliti
2. Indikator-indikator apa yang dominan membentuk konstruk yang diteliti

B. STUDI KASUS UJI VALIDITAS FAKTOR

Kasus. Konstruk Kepemimpinan Transformasional
Konstruk kepemimpinan ini dibentuk dari 5 indikator yaitu [1] Attributed
charisma (karisma), [2] Idealized influence (pengaruh ideal), [3] Inspirational
motivation (motivasi menginspirasi), [4] Intelectual stimulation (stimulasi
intelektual), dan [5] Individualized consideration (perhatian terhadap individu).
Data analisis factor (Dre-Factor Analysis)
[1]
13
14
13
13
16
8
12
13
14
11
10
16
9
12
12
12
16
12
10
14
12
14
10
12
16
16
16
16
16
15
10

[2]
14
16
9
13
16
10
14
14
13
16
9
16
9
13
17
16
15
13
12
12
15
13
11
14
15
16
16
17
16
15
14

[3]
13
16
18
12
16
16
13
14
16
13
13
16
12
13
15
13
15
14
12
13
14
15
16
13
15
16
16
16
16
14
18

14
13
16
12
16
15
16
14
16
16
16
15
14
10
14
13
17
13
14
12
13
16
13
13
16
17
16
16
15
13
10

[4]
15
15
16
14
16
15
16
10
14
12
10
13
13
16
16
11
14
16
11
16
13
14
14
12
16
15
12
16
14
14
16

[5]

13
9
16
12
16
11
12
13
16
10
13
16
14
11
15
14
13
12
16
12
12
12
11
16
12
12
10
12
15
8
12
15
16
14
14
16
15
13
13
10
16
12
16
13
12
12
11
15
14
17

15
9
17
15
15
12
13
14
16
10
13
16
10
14
15
13
16
14
16
11
14
16
12
15
13
13
14
15
16
9
14
14
16
15
14
16
15
18
15
11
17
15
15
13
13
12
13
15
13
14

14
9
16
14
15
14
12
13
16
17
12
16
16
16
16
12
15
16
16
12
14
16
13
18
14
16
14
13
16
10
16
14
16
15
15
16
16
12
14
11
16
13
13
15
16
8
13
14
11
16

15
11
16
12
14
14
14
14
15
6
14
15
11
16
14
14
14
16
14
13
10
15
10
17
15
14
12
11
16
10
15
14
15
15
14
16
12
14
16
9
15
15
13
15
15
10
14
14
15
17

13
9
16
15
16
15
11
15
17
12
14
16
14
16
16
12
15
16
16
12
12
16
12
18
14
15
12
12
16
8
17
12
13
16
16
16
16
12
14
10
16
13
14
14
13
10
14
16
14
14

13
12
16
15
13
15
15
15
13
13
11
12
14
13
13
12
14
15
14
15

17
16
14
12
16
12
14
16
13
9
14
10
13
14
14
9
14
14
16
15

18
18
16
15
16
12
16
15
11
14
12
13
9
12
10
13
15
14
15
16

16
17
16
16
15
16
13
12
8
13
15
14
14
12
12
13
15
15
15
16

14
15
16
16
16
16
12
14
10
12
16
16
12
8
12
16
16
12
13
16

Berikut ini adalah output analisis SPSS untuk variabel kepemimpinan yang terdiri
dari 5 indikator item), yaitu:
[1]
[2]
[3]
[4]
[5]

Attributed charisma (karisma),

Idealized influence (pengaruh ideal),
Inspirational motivation (motivasi dan menginspirasi),
Intelectual stimulation (stimulasi intelektual), dan
Individualized consideration (perhatian terhadap individu).
Statistics

N
Mean
Std. Error of Mean
Std. Deviation
Variance
Skewness
Std. Error of Skewness
Range
Minimum
Maximum

Valid
Missing

CHARISMA
101
0
13.2277
.20724
2.08270
4.338
-.283
.240
9.00
8.00
17.00

N= jumlah responden
Mean = rerata skor responden
Std. Deviation = simpangan baku

IDEALIZED
101
0
13.8614
.21481
2.15884
4.661
-.724
.240
9.00
9.00
18.00

INSPIRAT
IONAL
101
0
14.2871
.20554
2.06561
4.267
-.617
.240
10.00
8.00
18.00

INTELEC
TUAL
101
0
13.9802
.20919
2.10229
4.420
-1.146
.240
11.00
6.00
17.00

INDIVIDUAL
IZED
101
0
14.0000
.21341
2.14476
4.600
-.726
.240
10.00
8.00
18.00

Minimum = skor minimum

Maximum = skor maximum

I
N
S
P
I
R
A
T
I
O
N
A
L
4
0
C
H
A
R
IS
M
A30

2
5
2
0
2
0
1
5
1
0
1
0
0
8
.
0
1
0
.
1
2
.
0
1
4
.
0
1
6
.
0
1
8
.
0
2
0
.
5
I
N
S
P
I
R
A
T
I
O
N
A
L
07
I
N
T
E
L
C
T
U
A
L
.5
01
0
.C
.ID
1
2
5
0
1
5
.
0
1
7
.
5
0
H
A
R
I
S
M
A
2
5
E
A
L
I
Z
E
D
2
0
2
5
1
5
2
0
1
0
1
5
5
1
0
0
5
6
.
0
8
.
0
1
0
.
1
2
.
0
1
4
.
0
1
6
.
0
1
8
.
0
I
N
T
E
L
C
T
U
A
L
08
.01
0
.1
2
.0ID
1
4
.0
1
6
.01
8
.02
0
.
E
A
L
IZ
E
D

F
re
q
u
n
c
y F
re
q
u
n
c
y

F
re
q
u
n
c
y F
re
q
u
n
c
y

Kurva Distribusi skor untuk

masing-masing Aitem :

F
re
q
u
n
c
y

I
N
D
V
I
U
A
L
I
Z
E
D
4
0
3
0
2
0
1
0
08
.01
0
.1
2
.0
4
.A
0
1
6
.01
8
.02
0
.
IN
D
V
I1U
L
IZ
E
D

Keterangan:

Tabel dan gambar kurva diatas dimaksudkan untuk mengetahui diskripsi data terkait dengan
nilai rata-rata, simpangan baku, skor maximum, skor minimum, dan distribusi data untuk
masing-masing variable/aitem pembentuk factor laten yang akan dicari. Selanjutnya sebaran
data masing-masing aitem dilukiskan dalam sebaran distribusi normal sebagaimana dilukiskan
pada gambar di atas.
Correlation Matrix(a)

Correlation

Sig. (1-tailed)

CHARISMA
1.000
.574

IDEALIZED
.574
1.000

INSPIRATI
ONAL
.375
.384

INTELECT
UAL
.444
.372

INDIVIDUA
LIZED
.396
.317

INSPIRATIONAL

.375

.384

1.000

.416

.594

INTELECTUAL

.444

.372

.416

1.000

.464

INDIVIDUALIZED

.396

.317

.594

.464

1.000

.000

.000

.000

.000

.000

.000

.001

.000

.000

CHARISMA
IDEALIZED

CHARISMA
IDEALIZED

.000

INSPIRATIONAL

.000

.000

INTELECTUAL

.000

.000

.000

INDIVIDUALIZED

.000

.001

.000

.000
.000

a Determinant = .229
Keterangan:

Output SPSS 1 menunjukkan sebuah versi singkat dari-R matriks. Bagian atas tabel
ini berisi koefisien korelasi Pearson antara semua pasangan pertanyaan sedangkan
bagian bawah mengandung makna satu-sisi (sig.(1-tailed) dari koefisien. Kita dapat
menggunakan matriks korelasi untuk memeriksa pola hubungan. Pertama,
memindai makna dan mencari nilai-nilai untuk setiap variabel yang mayoritas nilai

lebih besar dari 0,05. Kemudian scan koefisien korelasi sendiri dan mencari yang
lebih besar dari 0,9. Jika ada ditemukan maka Anda harus menyadari bahwa
masalah bisa muncul karena singularitas dalam data: memeriksa penentu korelasi
matriks dan, jika perlu, menghilangkan salah satu dari dua variabel menyebabkan
masalah
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
Bartlett's Test of
Sphericity

.764

Approx. Chi-Square
df

143.757
10

Sig.

.000

Menurut Wibisono (2003) kriteria kesesuaian dalam pemakaian analisis faktor

adalah
Jika harga KMO sebesar 0,9 berarti sangat memuaskan,
Jika harga KMO sebesar 0,8 berarti memuaskan,
Jika harga KMO sebesar 0,7 berarti harga menengah,
Jika harga KMO sebesar 0,6 berarti cukup,
Jika harga KMO sebesar 0,5 berarti kurang memuaskan, dan
Jika harga KMO kurang dari 0,5 tidak dapat diterima.
Besaran Nilai Barlett Test of Sphericity dan Nilai Keiser-Meyers-Oklin (KMO) Measure
of Sampling Aduquacy Uji adalah sebagai berikut:
Hasil perhitungan menunjukkan besaran nilai Barlett Test of Sphericity adalah
143,757 pada signifikan 0,000 yang berarti pada penelitian ini ada korelasi yang
sangat signifikan antar variabel dan hasil perhitungan KMO sebesar 0,764 sehingga
kecukupan sampel termasuk kategori yang menengah. Angka KMO sebesar 0,764
(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
Anti-image Matrices

Anti-image Covariance

Anti-image Correlation

CHARISMA
.588
-.278

IDEALIZED
-.278
.631

INSPIRATI
ONAL
-.024
-.105

INTELECT
UAL
-.135
-.067

INDIVIDUA
LIZED
-.081
.012

INSPIRATIONAL

-.024

-.105

.593

-.080

-.272

INTELECTUAL

-.135

-.067

-.080

.682

-.149

INDIVIDUALIZED

-.081

.012

-.272

-.149

.578

CHARISMA

.750(a)

-.456

-.040

-.214

-.139

IDEALIZED

-.456

.742(a)

-.172

-.101

.020

INSPIRATIONAL

-.040

-.172

.756(a)

-.126

-.464

INTELECTUAL

-.214

-.101

-.126

.849(a)

-.238

INDIVIDUALIZED

-.139

.020

-.464

-.238

.739(a)

CHARISMA
IDEALIZED

a Measures of Sampling Adequacy(MSA)

Keterangan:

Menurut Santoso (2002) angka MSA berkisar antara 0 sampai dengan 1, dengan
kriteria yang digunakan untuk intepretasi adalah sebagai berikut:
Jika MSA = 1, maka variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel
yang lainnya. Jika MSA lebih besar dari setengah 0,5 maka variabel tersebut masih
dapat diprediksi dan bisa dianalisis lebih lanjut. Jika MSA lebih kecil dari setengah
0,5 dan atau mendekati nol (0), maka variabel tersebut tidak dapat di analisis lebih
lanjut, atau dikeluarkan dari variabel lainnya. Berdasarkan tabel Anti-image
Matrices diketahui bahwa nilai MSA lebih besar dari 0.5 untuk kelima aitem/variabel
sehingga kelima aitem tersebut masih bisa diprediksi dan dianalisis lebih lanjut.

Communalities

CHARISMA
IDEALIZED

Initial
1.000
1.000

Extraction
.571
.504

INSPIRATIONAL

1.000

.565

INTELECTUAL

1.000

.528

INDIVIDUALIZED

1.000
.568
Extraction Method: Principal Component Analysis.

Keterangan :
Communalities menunjukkan sumbangan efektif tiap aitem terhadap faktor yang terbentuk.
Misalnya aitem [1] CHARISMA , aitem tersebut memberikan sumbangan sebesar 57,1% terhadap
faktor yang terbentuk. Dapat dikatakan aitem ini cukup baik karena mampu menjelaskan sebagian
besar varian didalam faktor 1 yang terbentuk.

Total Variance Explained

Initial Eigenvalues
Component
1
2

Extraction Sums of Squared Loadings

Total
2.736
.853

% of Variance
54.711
17.052

Cumulative %
54.711
71.763

.600

11.993

83.756

.441

8.827

92.584

.371
7.416
Extraction Method: Principal Component Analysis.

Total
2.736

% of Variance
54.711

Cumulative %
54.711

100.000

Keterangan :
Total Variance Explained adalah persentase varian konstrak ukur yang dapat dijelaskan oleh pembagian
faktor. Dari kolom initial eigenvalues pada sub kolom cumulative, terlihat bahwa pemecahan atau
pereduksian 5 aitem menjadi 1 faktor dapat menjelaskan 54,711% varian. Eigen value menunjukkan
kepentingan relative masing-masing factor dalam menghitung variansi ke lima variable awal yang dianalisis. Jumlah
angka eigenvalues untuk kelima variable adalah sama dengan total variansi kelima variable, atau

2.736+0.853+0.600+0.441+0.371=5. Susunan eigen value yang lebih besar dari 1 ada 1 sehingga factor yang
terbentuk adalah satu factor (unidemensional).
Component Matrix(a)
Componen
t
1
CHARISMA
IDEALIZED

.755
.710

INSPIRATIONAL

.752

INTELECTUAL

.727

INDIVIDUALIZED

.754
Extraction Method: Principal Component Analysis.
a 1 components extracted.

Keterangan :
Componen matrik menunjukkan distribusi kelima variable awal pada 1 faktor yang terbentuk.
Angka-angka pada table adalah bobot factor (factor loading), yang menunjukan besarnya korelasi antara

variabel awal dengan faktor yang terbentuk . Contoh: Korelasi antara Kepemimpinan Charisma dengan
faktor 1 adalah 0,755 (kuat karena di atas 0,5). Korelasi antara Kepemimpinan intelektual dengan faktor 1
adalah 0.727 (kuat karena di atas 0,5)
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)..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.
Tabel di atas (komponen matrik) menunjukkan jumah faktor yang muncul serta korelasi antara aitem
dengan faktor. Kita tahu bahwa jumlah faktor yang muncul ada 1 komponen (unidimensi). Pada baris
aitem_1 terlihat bahwa aitem 1 memiliki korelasi yang besar dalam membentuk faktor 1. Melihat
korelasi yang lain, kita mendapatkan informasi bahwa komponen atau faktor 1 terdiri dari
aitem_1:Charisma
(0.755),
aitem_2:Idealized
(0.710),
aitem_3:Inspirational
(0.752),
aitem_4:Intelektual (0.727), dan aitem_5:Individualized (0.754)). Berdasarkan hasil rotasi ini terlihat
bahwa aitem-aitem penyusun factor mempunyai koefisien korelasi di atas 0.5, sehingga semua aitem
dapat digunakan untuk menjaring informasi terkait dengan Kepemimpinan transformasional.

Keterangan:

S
c
reP
lo
t

Kurva di bawah dapat memperjelas tentang berapa jumlah factor yang terbentuk
melalui jumlah gradient yang terbentuk dari scree plot. Dari kelima aitem yang
disajikan untuk menggali kepemimpinan transformasional terdapat I gradient yang
dominan pada scree plot, ini menegaskan bahwa pada kasus ini instrument yang
digunakan mempunyai sifat mengukut keadaan yang unidemensional.

E
ig
e
n
v
a
lu
e

.2
3
0
.2
5
.1
0
.1
5
.0
0
.0
5
. 12C
3
o
m
p
o
n
e
tN
u
m
b
e
r45
Pembentuk Factor

Kesimpulan:
Aitem yang dipakai untuk mengukur sifat kepemimpinan transformasional bersifat
unidemensional sehungga memenuhi criteria validitas konstruk