ANALISIS FAKTOR

Untuk Memenuhi Tugas Mata Kuliah Analisis Data Kuantitatif*) (ABKC1609)

Dosen Pembimbing :

Dr. H. Karim, M. Si.

Taufiq Hidayanto, M. Pd.

Indah Budiarti, M. Pd.

Disusun Oleh Kelompok 8:

Irmayanti (1610118220008)

Isnawati (1610118120009)

NurImamahAulia (1610118320029)

UNIVERSITAS LAMBUNG MANGKURAT

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

JURUSAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM

PROGRAM STUDI PENDIDIKAN MATEMATIKA

BANJARMASIN

2019
 ANALISIS FAKTOR

A. Pengertian Analisis Faktor

Analisis faktor merupakan studi tentang keterhubungan antar sekumpulan variabel dalam
usaha menemukan sekumpulan variabel baru. Variabel baru merupakan persekutuan dari
bebrapa variabel asli, sehingga banyak variabel dalam kumpulan variabel baru yang tercipta
lebih sedikit dibandingkan dengan banyak variabel asli. Jadi istilah analisis faktor
merupakan teknik analisis yang digunakan untuk membedakan beberapa jenis varian,
sedangkan istilah faktor dimaksudkan sebagai varian persekutuan.
Analisis faktor dipergunakan untuk mereduksi data atau meringkas, dari variabel lama
yang banyak diubah menjadi sedikit variabel baru yang disebut faktor, dan masih memuat
sebagian besar informasi yang terkandung dalam variabel asli (Supranto, 2004).
B. Langkah-langkah Analisis Faktor di SPSS
1. Masuk program SPSS
2. Pada Variabel View isikan data seperti berikut :

3. Pada Data View input data seperti berikut :

4. Menentukan Variabel yang layak. Klik Analyze-> Dimension Reduction-> Factor.

5. Kemudian akan muncul kotak dialog “Factor Analysis”. Masukkan semua

variabel ke kotak Variables. Selanjutnya, Klik Descriptives, dan beri centang pada
Initial Solution, KMO and Bartlett’s test of Sphecirity, dan Anti-Image lalu Klik
Continue.
Dengan demikian diperoleh hasil seperti seperti berikut:

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .602

Approx. Chi-Square 76.749

Bartlett's Test of Sphericity df 36

Sig. .000

Tabel diatas menunjukkan bahwa koefisien KMO sebesar 0,602, dengan signifikansi 0,000. Mengingat KMO sudah melebihi
0,5 dan signifikansi kurang dari 0,05, berarti analisis dapat dilanjutkan. Apabila KMO kurang dari 0,5 dan signifikansi masih
melebihi 0,05, maka analisis harus diulang, dengan terlebih dahulu mengeliminasi variabel yang memiliki MSA terkecil. MSA
dari tiap-tiap variabel tampak pada tabel Anti-Image Matricies, seperti berikut:

Anti-image Matrices

Materi Kurang Metode yang Kelelahan Sakit Suhu di Pembelajaran Tidak Kurang menyukai
perkuliahan tidur digunakan Ruang dilakukan sarapan Dosen yang
kurang Dosen saat Kelas saat jam tidur mengajar
menarik mengajar siang
membosankan

Materi .804 -.014 -.261 -.004 -.035 .074 -.160 -.067 .065
perkuliahan
kurang
Anti-image Covariance
menarik

Kurang -.014 .548 -.196 -.197 -.048 .038 .115 -.239 -.093
tidur
 Metode -.261 -.196 .676 .094 .020 -.097 .047 .165 -.195
yang
digunakan
Dosen saat
mengajar
membosan
kan

Kelelahan -.004 -.197 .094 .559 -.226 .008 -.058 -.067 -.058

Sakit -.035 -.048 .020 -.226 .572 -.255 -.151 .091 -.007

Suhu di .074 .038 -.097 .008 -.255 .789 -.045 .021 .064
Ruang
Kelas

Pembelajar -.160 .115 .047 -.058 -.151 -.045 .768 -.176 -.049
an
dilakukan
saat jam
tidur siang

Tidak -.067 -.239 .165 -.067 .091 .021 -.176 .692 -.031
sarapan

Kurang .065 -.093 -.195 -.058 -.007 .064 -.049 -.031 .835
menyukai
Dosen
yang
mengajar
Materi .559a -.021 -.354 -.006 -.051 .093 -.203 -.090 .080
perkuliahan
Anti-image Correlation
kurang
menarik
 Kurang -.021 .610a -.321 -.356 -.085 .059 .178 -.389 -.137
tidur

Metode -.354 -.321 .443a .152 .032 -.133 .066 .241 -.259
yang
digunakan
Dosen saat
mengajar
membosan
kan

Kelelahan -.006 -.356 .152 .689a -.400 .012 -.089 -.107 -.084

Sakit -.051 -.085 .032 -.400 .626a -.380 -.228 .145 -.010

Suhu di .093 .059 -.133 .012 -.380 .570a -.057 .029 .078
Ruang
Kelas

Pembelajar -.203 .178 .066 -.089 -.228 -.057 .619a -.242 -.061
an
dilakukan
saat jam
tidur siang

Tidak -.090 -.389 .241 -.107 .145 .029 -.242 .560a -.040
sarapan

Kurang .080 -.137 -.259 -.084 -.010 .078 -.061 -.040 .704a
menyukai
Dosen
yang
mengajar
a. Measures of Sampling Adequacy(MSA)
 Pada tabel korelasi Anti-Image tampak bilangan-blangan membentuk diagonal dari sisi kiri atas ke kanan bawah berlabel a
dibelakangnya. Bilangan tersebut merupakan koefisien MSA. Variabel butir dengan MSA terkecil merupakan variabel yang harus
dieliminasi, untuk selanjutnya dilakukan analisis ulang sampai KMO memenuhi syarat.

Apabila KMO sudah memenuhi syarat untuk analisis selanjutnya, maka berikutnya diperhatikan koefisien MSA untuk masing-
masng variabel. Agar analisis lanjutan dapat dilaksanakan, koefisien MSA untuk masing-masing variabel harus ≥ 0,5. Ternyata MSA
untuk variabel Metode yang digunakan Dosen saat mengajar membosankan besarnya hanya 0,443 < 0,5. Oleh karena itu, variabel
tersebut harus dieliminasi, dan dilakukan analisis ulang.

6. Analisis Ulang. Langkah sama seperti 1-5 akan tetapi variabel Metode yang digunakan Dosen saat mengajar membosankan
tidak dimasukkan ke dalam Variables. Klik Descriptives, dan beri centang pada Initial Solution, KMO and Bartlett’s test of
Sphecirity, dan Anti-Image lalu Klik Continue. Klik Extraction, beri centang pada Scree Plot lalu Klik Continue. Klik
Rotation, beri centang pada Varimax lalu Klik Continue. Klik Score beri centang pada Save as variables pilih Regression dan
centang Display factor score coefficient matrix lalu Klik Continue. Klik Options, beri centang pada Sorted by Size lalu Klik
Continue. Klik OK.

Setelah analisis ulang, didaptkan hasil sebagai berikut:

 KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .643

Approx. Chi-Square 60.692

Bartlett's Test of Sphericity df 28

Sig. .000

Anti-image Matrices

Materi Kurang Kelelahan Sakit Suhu di Ruang Pembelajaran Tidak Kurang

perkuliahan tidur Kelas dilakukan saat jam sarapan menyukai
kurang menarik tidur siang Dosen yang
mengajar

Materi .919 -.114 .038 -.031 .042 -.162 -.004 -.012

perkuliah
an kurang
menarik

Kurang -.114 .611 -.194 -.047 .012 .145 -.227 -.178

Anti-image Covariance tidur

Kelelahan .038 -.194 .572 -.235 .022 -.067 -.097 -.034

Sakit -.031 -.047 -.235 .572 -.257 -.153 .092 -.001

Suhu di .042 .012 .022 -.257 .803 -.039 .049 .039

Ruang
Kelas
 Pembelaj -.162 .145 -.067 -.153 -.039 .771 -.200 -.038
aran
dilakukan
saat jam
tidur
siang

Tidak -.004 -.227 -.097 .092 .049 -.200 .734 .019

sarapan

Kurang -.012 -.178 -.034 -.001 .039 -.038 .019 .895

menyukai
Dosen
yang
mengajar
Materi .651a -.152 .052 -.042 .049 -.193 -.005 -.013
perkuliah
an kurang
menarik
Kurang -.152 .629a -.328 -.079 .017 .211 -.339 -.241

Anti-image Correlation tidur

Kelelahan .052 -.328 .703a -.410 .033 -.101 -.150 -.047

Sakit -.042 -.079 -.410 .623a -.379 -.231 .142 -.002

Suhu di .049 .017 .033 -.379 .603a -.049 .063 .046

Ruang
Kelas
 Pembelaj -.193 .211 -.101 -.231 -.049 .597a -.266 -.045
aran
dilakukan
saat jam
tidur
siang

Tidak -.005 -.339 -.150 .142 .063 -.266 .624a .024

sarapan

Kurang -.013 -.241 -.047 -.002 .046 -.045 .024 .730a

menyukai
Dosen
yang
mengajar

a. Measures of Sampling Adequacy(MSA)

Hasil analisis ulang menunjukkan bahwa koefisien KMO mengalami peningkatan dari 0,602 menjadi 0,643 dengan signfikansi
0,00. Selanjutnya, koefisien MSA untuk masing-masing variabel semuanya sudah melebihi 0,5. Dengan demikian, analisis sudah bisa
dilanjutkan. Analisis juga menghasilkan Tabel Communalities.

Communalities

Initial Extraction

Materi perkuliahan kurang 1.000 .574

menarik
Kurang tidur 1.000 .708
Kelelahan 1.000 .660
Sakit 1.000 .747
 Suhu di Ruang Kelas 1.000 .657
Pembelajaran dilakukan 1.000 .640
saat jam tidur siang
Tidak sarapan 1.000 .528
Kurang menyukai Dosen 1.000 .396
yang mengajar

Extraction Method: Principal Component Analysis.

Tabel Communalities kolom Extraction, variabel materi perkuliahan kurang menarik besarnya 0,574. Hal ini berarti sekitar 57,4%
varians dari variabel materi perkuliahan kurang menarik dapat dijelaskan oleh faktor yang terbentuk. Variabel kurang tidur 0,708 hal
ini berarti 70,8% varian dari variabel kurang tidur dapat dijelaskan oleh faktor yang terbentuk. Demikian juga untuk variabel yang
lain. Semakin kecil nilai communalities berarti semakin lemah hubungannya dengan faktor yang terbentuk.

Total Variance Explained

Component Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings

Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %

1 2.466 30.827 30.827 2.466 30.827 30.827 1.876 23.447 23.447

2 1.394 17.421 48.247 1.394 17.421 48.247 1.705 21.309 44.756
3 1.050 13.124 61.371 1.050 13.124 61.371 1.329 16.615 61.371
4 .892 11.150 72.522
5 .783 9.785 82.307
6 .649 8.114 90.421
7 .398 4.972 95.394
8 .369 4.606 100.000

Extraction Method: Principal Component Analysis.

Pada tabel Total Variance Explained di atas menunjukkan ada 3 faktor yang terbentuk dari 8 variabel yang di masukkan. Masing-
masing faktor eigenvalue > 1. Faktor 1 eigen value sebesar 2,466 dengan variance (30,827%), Faktor 2 eigenvalue sebesar 1,394
dengan variance (17,421%), Faktor 3 eigenvalue sebesar 1,050 dengan (13,124%).

Total varians apabila dari 8 variabel diekstrak menjadi 3 faktor adalah :

30,827 % + 17,421% + 13,124 % = 61,371%
Besarnya varians yang mampu dijelaskan oleh faktor baru yang terbentuk adalah 61,371% sedangkan sisanya 38,629% dijelaskan oleh
faktor lain yang tidak diteliti.

Gambar Screeplot menerangkan hubungan antara banyaknya faktor yang terbentuk dengan nilai eigenvalue dalam bentuk grafik.
 Rotated Component Matrixa

Component

1 2 3

Kurang tidur .832 .087 .088

Kelelahan .625 .494 .160
Kurang menyukai Dosen yang mengajar .621 -.019 -.100
Tidak sarapan .581 -.097 .425
Sakit .222 .818 .167
Suhu di Ruang Kelas -.126 .798 -.058
Materi perkuliahan kurang menarik .065 -.078 .751
Pembelajaran dilakukan saat jam tidur siang .000 .361 .714

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization. a
a. Rotation converged in 5 iterations.

Rotated Component matrix nilai loading faktor dari tiap-tiap variabel. Loading faktor merupakan besarnya korelasi antara faktor yang
terbentuk dengan variabel tersebut. Untuk variabel kurang tidur, korelasi antara variabel kurang tidur dengan faktor 1 (0,832), faktor 2
(0,087), faktor 3 (0,088). Hal ini dapat dikatakan bahwa variabel kurang tidur masuk ke dalam Faktor 1, karena korelasinya paling
tinggi diantara faktor yang lain. Demikian juga faktor loading untuk variabel yang lain.
 Variabel Kelelahan nilai loading faktor dengan faktor 1 (0,625), faktor 2 (0,494), faktor 3 (0,160). Maka variabel Kelelahan
masuk ke Faktor 1.
 Variabel Kurang menyukai Dosen yang mengajar nilai loading faktor dengan faktor 1 (0,621), faktor 2 (-0,019), faktor 3 (-
0,100. Maka Kurang menyukai Dosen yang mengajar masuk Faktor 1.
 Variabel Tidak sarapan nilai loading faktor dengan faktor 1 (0,581), faktor 2 (-0,097), faktor 3 (0,425). Maka variabel Tidak
sarapan masuk Faktor 1.
  Variabel Sakit loading faktor dengan faktor 1 (0,222), faktor 2 (0,818), faktor 3 (0,167). Maka variabel Sakit masuk ke Faktor
2.
 Variabel Suhu di Ruang Kelas nilai loading faktor dengan faktor 1 (-0,126), faktor 2 (0,798), faktor 3 (-0,058). Maka variabel
Suhu di Ruang Kelas masuk Faktor 2.
 Variabel Materi perkuliahan kurang menarik nilai loading faktor dengan faktor 1 (0,065), faktor 2 (-0,078), faktor 3 (0,751).
Maka variabel Materi perkuliahan kurang menarik masuk ke Faktor 3.
 Variabel Pembelajaran dilakukan saat jam tidur siang nilai loading faktor dengan faktor 1 (0,000), faktor 2 (0,361), faktor 3
(0,714). Maka variabel Pembelajaran dilakukan saat jam tidur siang masuk Faktor 3.

Component Transformation Matrix

Component 1 2 3
1 .704 .555 .444
2 -.601 .798 -.044
3 -.378 -.236 .895
Extraction Method: Principal Component
Analysis.
Rotation Method: Varimax with Kaiser
Normalization.

Tabel Component Transformation matrix, menunjukan hasil rotasi varimax. Variabel-variabel sudah terditribusikan ke masing-masing
faktor yaitu 3 faktor yang terbentuk.
Setelah dilakukan rotasi dan terbentuk 3 faktor, selanjutnya memberi nama faktor tersebut. Penamaan faktor ini tergantung peneliti
dan dapat mewakili variabel-variabelnya.
1. Faktor 1 terdiri dari variabel kurang tidur, Kelelahan, Kurang menyukai Dosen yang mengajar dan Tidak sarapan.
Diberinama Faktor.
2. Faktor 2 terdiri dari variabel Sakit dan Suhu di Ruang Kelas. Diberinama Faktor.
3. Faktor 3 terdiri dari variabel Materi perkuliahan kurang menarik dan Pembelajaran dilakukan saat jam tidur siang nilai.
Diberinama Faktor.
 Materi Metode yang Pembelajaran Kurang
perkuliahan Kurang digunakan Dosen Suhu di dilakukan Tidak menyukai
Responden Kelelahan Sakit
kurang tidur saat mengajar ruang kelas saat jam tidur sarapan Dosen yang
menarik membosankan siang mengajar
A 4 5 4 5 5 5 5 5 4
B 3 4 3 4 2 3 4 4 2
C 4 5 3 5 5 3 4 3 2
D 3 4 3 4 4 4 3 4 2
E 4 5 5 5 5 5 5 2 3
F 5 5 5 5 4 5 5 4 4
G 5 5 5 5 5 2 5 3 1
H 5 5 5 5 4 4 4 5 2
I 4 4 4 4 4 3 4 3 3
J 3 5 3 5 5 5 5 3 1
K 4 5 3 4 5 4 5 5 2
L 4 5 5 5 5 5 5 5 4
M 4 5 5 3 5 5 4 2 2
N 4 4 4 4 4 4 3 3 2
O 2 3 5 3 4 5 5 1 2
P 3 1 1 5 5 5 5 1 1
Q 4 5 3 5 4 5 5 5 2
R 1 5 5 5 5 4 4 3 5
S 4 3 4 4 5 3 4 5 3
T 4 5 4 5 5 5 5 4 3
U 3 4 3 5 5 5 4 3 2
V 4 5 3 5 4 3 5 5 3
W 4 4 3 4 4 3 4 4 4
X 4 5 4 4 4 3 3 2 2
Y 4 5 4 5 5 3 4 3 3
Z 3 5 4 5 4 3 5 3 2
AA 5 5 5 5 5 4 5 5 4
AB 5 5 5 5 5 5 3 3 1
AC 4 2 5 2 3 4 3 1 1
AD 3 4 4 3 3 3 2 3 2
AE 5 5 5 5 4 4 5 2 3
AF 4 5 4 5 5 3 4 3 3
AG 5 3 4 4 3 3 5 2 2
AH 4 4 5 4 4 4 5 4 3
AI 4 4 4 4 5 3 5 3 3
AJ 4 5 3 3 4 5 4 3 3
AK 3 4 2 4 4 3 4 3 2
AL 3 4 3 4 4 3 5 3 4
AM 5 5 5 5 4 4 4 4 4
AN 5 5 5 5 5 4 5 5 2
AO 4 5 3 4 3 3 3 4 3
AP 5 5 5 4 4 3 5 2 5
AQ 5 4 4 4 4 3 5 3 4
AR 3 5 3 5 4 3 5 5 2
AS 3 4 4 3 2 2 5 5 1
AT 2 5 3 5 5 4 5 5 2
AU 2 5 5 5 3 3 1 2 4