ANALISIS FAKTOR.

PENDAHULUAN
Analisis faktor pada prinsipnya digunakan untuk mereduksi data, yaitu
proses untuk meringkas sejumlah variabel menjadi lebih sedikit dan
menamakannya sebagai faktor, atau mengetahui variabel apa saja
yang paling berpengaruh.

KASUS
Sebuah Departemen Store, akan melakukan riset pasar untuk
mengetahui apa saja yang mendorong seorang konsumen berbelanja
di toko tersebut. Kepada setiap responden diberikan daftar
pertanyaan yang memuat pertanyaan tentang pendapat responden
terhadap atribut-atribut Departemen Store, yaitu:

1. Layout 4. Pel. Karyawan 7. Image

2. Kelengkapan 5. Pel. Kasir 8. Kebersihan
3. Harga 6. Promosi

Data Faktor_2

LANGKAH
a. Pilih Analyze, sub-menu Data Reduction, pilih Factor
b. Masukkan semua variabel ke kotak Variables
c. Buka icon Descriptive. Pengisian
Correlation Matrix, aktifkan KMO and Bartlettstest of

sphericity dan Anti Image

Statistic, abaikan pilihan pada default Initial Solution, kilk

Continue
d. Klik OK

ANALISIS
KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling

Adequacy. .552

Bartlett's Test of Approx. Chi-Square 87.437

Sphericity Df 28
Sig. .000

Pada tabel pertama, KMO and Bartlett's Test , terlihat angka pada
Kaiser-Meyer-Olkin Measure of Sampling Adequacy (MSA) sebesar
0,552, dan juga perolehan signifikannya sebesar 0,000
Angka MSA diatas 0,5, dan signifikannya 0,000 maka kumpulan
variabel tersebut dapat diproses lebih lanjut.
1
Pada tabel Anti Image Matrices, pada bagian Anti Image Correlation,
sejumlah angka yang membentuk diagonal, yang bertanda a, yang
menandakan besaran MSA sebuah variabel
Anti-image Matrices

LAYOUT LENGKAP HARGA PELKAR PELKASIR PROMOSI IMAGE BERSIH

Anti-image LAYOUT
.929 -.082 -.105 .003 .141 .031 .074 -.092
Covariance
LENGKAP -.082 .679 .096 -.297 .099 .153 .110 -.203
HARGA -.105 .096 .809 -.133 -.108 -.073 -.206 .042
PELKAR .003 -.297 -.133 .757 -.155 -.047 -.122 .029
PELKASIR .141 .099 -.108 -.155 .855 -.043 .049 -.214
PROMOSI .031 .153 -.073 -.047 -.043 .840 -.169 .032
IMAGE .074 .110 -.206 -.122 .049 -.169 .792 -.076
BERSIH -.092 -.203 .042 .029 -.214 .032 -.076 .849
Anti-image LAYOUT
.528(a) -.103 -.121 .003 .158 .035 .086 -.104
Correlation
LENGKAP -.103 .513(a) .129 -.415 .130 .203 .150 -.267
HARGA -.121 .129 .624(a) -.170 -.130 -.089 -.257 .050
PELKAR .003 -.415 -.170 .474(a) -.193 -.059 -.158 .037
PELKASIR .158 .130 -.130 -.193 .476(a) -.051 .060 -.252
PROMOSI .035 .203 -.089 -.059 -.051 .708(a) -.207 .037
IMAGE .086 .150 -.257 -.158 .060 -.207 .614(a) -.093
BERSIH -.104 -.267 .050 .037 -.252 .037 -.093 .505(a)
a Measures of Sampling Adequacy(MSA)

Pedoman
Apakah ada angka MSA yang dibawah 0,5

Apabila terdapat angka 0,5 lebih dari satu, maka variabel yang

perolehan angkanya paling kecil dikeluarkan dari pemilihan

variabel.
Ulang kembali penghitungan dengan analisis faktor.

Langkah prosesnya sama dengan yang pertama,

HASIL
KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling

Adequacy. .587

Bartlett's Test of Approx. Chi-Square 59.590

Sphericity df 21
Sig. .000

Variabel Pelkasir (0,470) dan Bersih 0,477 MSA dibawah 0,5

Variabel yang perolehan angkanya paling kecil, yaitu Pelkasir,
dikeluarkan dari pemilihan variabel.

Dilakukan penghitungan ulang

2
HASIL
KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling

Adequacy. .627

Bartlett's Test of Approx. Chi-Square 47.773

Sphericity df 15
Sig. .000

Tidak terdapat varibael yang memiliki perolehan angka dibawah 0,5

Tahap selanjutnya dapat dilakukan, analisis Faktor

LANGKAH
a. Pilih Analyze, sub-menu Data Reduction, pilih Factor
b. Masukkan variabel bersih, harga, image, layout, lengkap dan
promosi (perolehan angkanya pada tahake kotak Variables
c. Buka icon Extraction. Pengisian
Method, pilih Principal Components artinya metode yang

digunkan adalah Principal Components

Display, aktifkan Unrotated Factor Solution, dan Screen

Plot.
Abaikan yang lain klik Continue.

d. Klik OK

ANALISIS

1. Communalities
Communalities

Initial Extraction
LAYOUT 1.000 .308
LENGKAP 1.000 .577
HARGA 1.000 .549
PROMOSI 1.000 .465
IMAGE 1.000 .599
BERSIH 1.000 .548
Extraction Method: Principal Component Analysis.

Variabel Bersih 0,308, artinya 30,8% varians dari variabel

bersih dapat dijelaskan pada faktor yang terbentuk

Variabel Lengkap 0,577, artinya 57,7% varians dari variabel

lengkap dapat dijelaskan pada faktor yang terbentuk

Variabel Harga 0,549, artinya 54,9% varians dari variabel harga

dapat dijelaskan pada faktor yang terbentuk

Dst
Pedoman
3
Semakin kecil communalities sebuah variabel, berarti semakin lemah
hubungannya dengan faktor yang terbentuk.

2. Total Variance Explained

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings

Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 1.829 30.488 30.488 1.829 30.488 30.488
2 1.217 20.286 50.774 1.217 20.286 50.774
3 .944 15.732 66.506
4 .758 12.637 79.143
5 .639 10.642 89.785
6 .613 10.215 100.000
Extraction Method: Principal Component Analysis.

Dari hasil tersebut menunjukkan bahwa dari 6 variabel tersebut dapat

dibentuk 2 faktor baru.

3. Scree Plot
Scree Plot
2.0

1.8

1.6

1.4

1.2

1.0

.8
Eigenvalue

.6

.4
1 2 3 4 5 6

Component Number

Dari scree plot tersebut menunjukkaan terdapat dua kelompok faktor

yaitu yang berada pada angka lebih dari 1 dari sumbu Y, dan angka
lebih dari 1 dari sumbu Y.

4. Component Matrix
4
Component Matrix(a)

Component
1 2
LAYOUT -.301 .466
LENGKAP -.654 .386
HARGA .563 .482
PROMOSI .673 .111
IMAGE .648 .423
BERSIH -.348 .654
Extraction Method: Principal Component Analysis.
a 2 components extracted.

Setelah diketahui dua faktor adalah jumlah yang paling optimal, maka
tabel ini menunjukkan distribusi keenam variabel tersebut pada dua
faktor yang ada.
Angka yang ada pada rebel tersebut adalah Faktor Loadings, atau
besar korelasi antara suatu variabel dengan Faktor 1 atau Faktor 2

Variabel layout, korelasi variabel bersih dengan faktor 2 adalah

0,466, sedangkan korelasi dengan faktor 1 0,301.
Variabel harga, korelasi variabel harga dengan faktor 2 0,482,
dan korelasi dengan faktor 1 sebesar 0,563
Dst

REGRESI
Pengaruh dari variabel layout, lengkap, harga, promosi, image dan
kebersihan terhadap kepuasan pelanggan.

ANALISIS
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .882a .778 .764 .21921
a. Predictors: (Constant), PROMOSI, BERSIH, LAYOUT,
HARGA, LENGKAP, IMAGE

Angka R square sebesar 0,778, artinya sekitar 77,8% kepuasan

konsumen dapat dijelaskan oleh variabel layout, lengkap, harga,
promosi, image dan kebersihan. Sedangkan sisanya (100% - 77,8%
= 22,2%) dijelaskan oleh sebab-sebab lain.

5
 ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 16.456 6 2.743 57.079 .000a
Residual 4.709 98 .048
Total 21.165 104
a. Predictors: (Constant), PROMOSI, BERSIH, LAYOUT, HARGA, LENGKAP, IMAGE
b. Dependent Variable: KEPUASAN

Tingkat signifikansi sebesar 0,000 lebih kecil dari 0,05, maka model
regresi ini dapat dipakai untuk memprediksi variabel Kepuasan.
Dapat dikatakan, variabel layout, lengkap, harga, promosi, image dan
kebersihan secara bersama-sama berpengaruh terhadap kepuasan
konsumen.

Besarnya pengaruh masing-masing variabel terhadap kepuasan

adalah sebagai berikut.

Correlations

KEPUASAN BERSIH HARGA IMAGE LAYOUT LENGKAP PROMOSI

Pearson KEPUASAN
1.000 .397 .559 .517 .238 .230 .366
Correlation
BERSIH .397 1.000 -.034 .016 .106 .290 -.087
HARGA .559 -.034 1.000 .339 .039 -.153 .218
IMAGE .517 .016 .339 1.000 -.094 -.185 .302
LAYOUT .238 .106 .039 -.094 1.000 .166 -.096
LENGKAP .230 .290 -.153 -.185 .166 1.000 -.276
PROMOSI .366 -.087 .218 .302 -.096 -.276 1.000
Sig. (1-tailed) KEPUASAN . .000 .000 .000 .007 .009 .000
BERSIH .000 . .367 .436 .142 .001 .188
HARGA .000 .367 . .000 .347 .059 .013
IMAGE .000 .436 .000 . .169 .029 .001
LAYOUT .007 .142 .347 .169 . .046 .164
LENGKAP .009 .001 .059 .029 .046 . .002
PROMOSI .000 .188 .013 .001 .164 .002 .
N KEPUASAN 105 105 105 105 105 105 105
BERSIH 105 105 105 105 105 105 105
HARGA 105 105 105 105 105 105 105
IMAGE 105 105 105 105 105 105 105
LAYOUT 105 105 105 105 105 105 105
LENGKAP 105 105 105 105 105 105 105
PROMOSI 105 105 105 105 105 105 105

UJI VALIDITAS DAN REALIBILITAS

6
 SEBUAH ANGKET

PENDAHULUAN
Salah satu instrumen yang sering digunakan dalam penelitian ilmiah
adalah angket, yang bertujuan untuk mengetahui pendapat
seseotang mengenai suatu hal, seperti sikap konsumen terhadap
sebuah Swalayan, pelayanan sebuah bank dan sebagainya.

Salah satu skala yang sering dipakai dalam penyusunan angket

adalah skala Likert, yaitu skala yang berisi lima tingkat jawaban yang
merupakan skala jenis ordinal, contoh
1 = Sangat tidak setuju
2 = Tidak setuju
3 = Sukup setuju
4 = Setuju
5 = Sangat setuju
Ada dua syarat penting yang berlaku pada sebuah angket, yaitu
keharusan sebuah angket untuk Valid dan Reliabel.

Suatu angket dikatakan valid (syah) apabila pertanyaan pada suatu

angket mampu untuk mengungkapkan sesuatu yang akan diukur oleh
angket tersebut.
Misalkan akan diukur kepuasan kerja karyawan, maka jika pada
karyawan tersebut diberikan serangkaian pertanyaan, maka
pertanyaan tersebut harus bisa secara tepat mengungkapkan tingkat
kepuasan kerjanya.

Sedangkan suatu angket dikatakan Reliabel (andal) jika jawaban

seseorang terhadap pertanyaan adalah konsisten atau stabil dari
waktu ke waktu. Jadi jika seseorang menjawab tidak suka terhadap
perilaku korupsi para pejabat, maka jika beberapa waktu kemudian ia
ditanya lagi untuk hal yang sama, maka jawabannya seperti semula.
Hal tersebut dikatakan reliabel, dan jika tidak maka dikatakan tidak
reliabel.

KASUS
Data Faktor

HASIL
7
****** Method 1 (space saver) will be used for this analysis ******
_

R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)

Mean Std Dev Cases

1. LAYOUT 3.5895 .8082 105.0

2. LENGKAP 3.4876 .6488 105.0
3. HARGA 2.9448 1.1444 105.0
4. PELKAR 3.5210 .8509 105.0
5. PELKASIR 3.3086 1.0538 105.0
6. PROMOSI 2.9743 1.0392 105.0
7. IMAGE 3.0514 1.1078 105.0
8. BERSIH 3.4057 1.0111 105.0
9. KEPUASAN 3.3067 .4511 105.0

N of
Statistics for Mean Variance Std Dev Variables
SCALE 29.5895 14.9033 3.8605 9

Item-total Statistics

Scale Scale Corrected

Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted

LAYOUT 26.0000 14.1844 .0108 .5710

LENGKAP 26.1019 14.3404 .0289 .5587
HARGA 26.6448 11.0812 .3298 .4785
PELKAR 26.0686 12.0197 .3660 .4747
PELKASIR 26.2810 11.9992 .2457 .5104
PROMOSI 26.6152 12.6898 .1531 .5421
IMAGE 26.5381 11.5239 .2862 .4959
BERSIH 26.1838 12.5356 .1879 .5294
KEPUASAN 26.2829 11.6997 .9721 .4056

Reliability Coefficients

N of Cases = 105.0 N of Items = 9

Alpha = .5399

Pengujian Validitas butir angket

Menentukan hipotesis

Ho = skor butir berkorelasi positif dengan skor faktor

Hi = Skor butir tidak berkorelasi positif dengan skor faktor

Menentukan r tabel
8
Df = jumlah kasus 2
= 105 - 2
= 103
Tingkat signifikan 5%, didapat angka sekitar 0,1279

Mencari r hasil

Disini r hasil untuk tiap item (variabel) bisa dilihat pada kolom
Corrected Item Total Correlation.

Misalkan butir 1 = 0,0108

butir 2 = 0,0289
butir 3 = 0,3298
butir 4 = 0,3660

Pengambilan keputusan
Jika r hasil positif, serta r hasil > r tabel, maka butir atau

variabel tersebut valid.

Jika r hasil positif, serta r hasil < r tabel, maka butir atau

variabel tersebut tidak valid.

Keputusan
Terlihat dari 9 butir (variabel), ada tidak terdapat tanda negatif, tapi
terdapat butir 1 dan butir 2 dibawah angka r tabel, sehingga tidak
valid, sedangkan ketujuh butir lainnya valid.
Catatan
Karena ada butir yang tidak valid, maka butir yang tidak valid tersebut
dikeluarkan, dan proses analisis diulang untuk butir yang valid saja.

Reliabilitas

Dasar pengambilan keputusan

Jika r Alpha positif, serta r Alpha > r tabel, maka butir atau

variabel tersebut Reliabel.

Jika r Alpha positif, serta r Alpha < r tabel, maka butir atau

variabel tersebut tidak Reliabel.

Jika e Alpha > r tabel tapi bertanda negatif, Ho tetap ditolak.

Terlihat r Alpha 0,5399 > dari r tabel 0,1279, maka butir-butir diatas
Reliabel.