LATIHAN ANALISIS KUANTITATIF

ANALISA FAKTOR SPSS IBM FOR STATISTIK

DISUSUN

Oleh

Renny Syafitri

NIM 2020522055 / Kelas Weekend A

PROGRAM STUDI MEGISTER MANAJEMEN

FAKULTAS EKONOMI

UNIVERSITAS ANDALAS

PADANG

2020
 Daftar Isi
1. KMO and Bartlett's Test .................................................................................................................. 1
2. Anti -image Matrices ....................................................................................................................... 1
3 Communalities ................................................................................................................................. 2
4. Total Variance Explained ................................................................................................................ 3
5. Scree plot ........................................................................................................................................ 3
6. Component matrix ........................................................................................................................... 4
8. Lampiran Hasil Uji .......................................................................................................................... 6

i
1. KMO and Bartlett's Test

KMO and Bartlett's Test berguna mengetahui kelayakan suatu variabel, apakah dapat di

proses lebih lanjut menggunakan teknik analisis faktor ini atau tidak. Caranya dengan melihat

nilai KMO MSA (Kaiser-Meyer-Olkin Measure of Sampling Adequacy), seperti table dibawah

ini:

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,860

Bartlett's Test of Sphericity Approx. Chi-Square 982,699
df 171
Sig. ,000

Pada tabel KMO dan bartlett's test variabel terlihat nilai KMO Measure of sampling

Adequacy (MSA) lebih besar dari 0.5. Hal ini menunjukkan kecukupan dari sampel. Angka

KMO dan nilai sig Bartlett’s test of sphericity lebih kecil dari 0,05. Hal ini menunjukkan bahwa

adanya korelasi antar variabel dan layak untuk proses lebih lanjut.

2. Anti -image Matrices

Selanjutnya untuk mengetahui variabel mana yang dapat diproses lebih lanjut dan mana

yang dikeluarkan dapat dilihat pada tabel Anti-image matrices di bawah ini:

Anti Image Anti Image

Variabel Variabel
Correlation Correlation
Loyalitas 1 ,802(a) Kepuasan 1 ,772(a)
Loyalitas 2 ,875(a) Kepuasan 2 ,817(a)
Loyalitas 3 ,872(a) Kepuasan 3 ,909(a)
Loyalitas 4 ,879(a) Kepuasan 4 ,741(a)
Anti-image Loyalitas 5 ,855(a) Kepuasan 5 ,884(a)
Correlation Motivasi 1 ,728(a) Kinerja 1 ,831(a)
Motivasi 2 ,834(a) Kinerja 2 ,878(a)
Motivasi 3 ,871(a) Kinerja 3 ,928(a)
Motivasi 4 ,898(a) Kinerja 4 ,872(a)
Kinerja 5 ,906(a)

1
 Pada tabel Anti-image Matrice setiap variabel, khusus pada bagian (Anti Image

Correlation) terlihat angka yang bertanda (a) yang menandakan besaran MSA sebuah variabel.

Nilai MSA masing-masing variabel besarnya > 0.5 maka semua variabel dapat diproses lebih

lanjut.

3 Communalities

Variabel Initial Extraction

Loyalitas 1 1 0,742
Loyalitas 2 1 0,710
Loyalitas 3 1 0,653
Loyalitas 4 1 0,734
Loyalitas 5 1 0,736
Motivasi 1 1 0,725
Motivasi 2 1 0,551
Motivasi 3 1 0,771
Motivasi 4 1 0,718
Kepuasan 1 1 0,712
Kepuasan 2 1 0,638
Kepuasan 3 1 0,406
Kepuasan 4 1 0,719
Kepuasan 5 1 0,668
Kinerja 1 1 0,792
Kinerja 2 1 0,767
Kinerja 3 1 0,724
Kinerja 4 1 0,755
Kinerja 5 1 0,777

Semua variable memiliki nilai extraction >0.50 kecuali Kepuasan 3 memiliki nilai

extraction <0.50 artinya terdapat 18 variable yang dianggap mampu menjelaskan faktor regresi.

Sedangkan variable kepuasan 3 dianggap tidak mampu karena hanya memiliki nilai extraction

hanya sebesar 0.406 atau dengan kata lain, hanya 40.6% nilai variable kepuasan 3 yang mampu

menjelaskan faktor regresi dalam penelitian tersebut.

2
4. Total Variance Explained
Component Initial Eigenvalues
Total % of Variance Cumulative %
1 7,461 39,268 39,268
2 2,323 12,225 51,493
3 1,322 6,956 58,449
4 1,131 5,952 64,402
5 1,062 5,588 69,989
6 ,982 5,169 75,158
7 ,740 3,896 79,054
8 ,614 3,232 82,286
9 ,537 2,824 85,110
10 ,459 2,417 87,528
11 ,404 2,126 89,654
12 ,335 1,762 91,416
13 ,309 1,629 93,044
14 ,285 1,498 94,542
15 ,272 1,431 95,973
16 ,246 1,293 97,267
17 ,201 1,058 98,325
18 ,173 ,912 99,237
19 ,145 ,763 100,000

Pada tabel Total Variance Explained setiap variabel pada kolom initial eigenvalues
menunjukkan faktor yang terbentuk sebanyak 5 faktor dengan total persentasi eigenvalues adalah
69.989% atau setara dengan 70%. Artinya sebanyak 70% besaran varians dapat dijelaskan oleh
faktor baru yang terbentuk. Sisanya sebesar 30% dijelaskan oleh faktor lain yang tidak diteliti.

5. Scree plot

Scree plot merupakan suatu plot nilai eigen terhadap jumlah faktor yang diekstraksi. Titik

pada tempat dimana scree mulai terjadi menunjukan banyaknya faktor yang tepat. Titik ini

terjadi ketika scree mulai terlihat mendatar. Bisa dilihat pada grafik dibawah ini:

3
 Scree Plot

Eigenvalue
4

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Component Number

Pada gambar di atas diketahui bahwa scree plot mulai mendatar pada ekstraksi variabel-

variabel awal menjadi 5 faktor. Gambar Screeplot menerangkan hubungan antara banyaknya

faktor yang terbentuk dengan nilai eigenvalue dalam bentuk grafik.

6. Component matrix
Rotated Component Matrix(a)

Component
1 2 3 4 5
LY1 ,302 ,169 -,044 ,110 ,780
LY2 ,090 ,788 ,232 ,114 ,122
LY3 ,460 ,137 ,256 ,538 ,260
LY4 ,226 ,113 ,766 ,287 ,038
LY5 ,177 ,304 ,690 ,059 ,365
M1 ,127 -,056 ,405 ,011 ,735
M2 ,268 ,148 ,336 ,422 ,408
M3 ,267 ,105 ,232 ,791 ,096
M4 ,215 ,682 ,383 ,224 ,100
KP1 -,067 ,680 -,289 ,316 ,247
KP2 ,168 ,753 ,118 -,151 ,077
KP3 ,411 ,375 ,295 ,008 ,096
KP4 ,021 ,579 -,132 ,588 -,142
KP5 ,263 ,708 ,201 ,203 -,127
KK1 ,844 ,097 -,013 ,112 ,238
KK2 ,810 ,154 ,199 ,032 ,217
KK3 ,795 ,042 ,118 ,272 ,049
KK4 ,752 ,205 ,301 ,229 ,059
KK5 ,598 ,240 ,582 ,016 ,153

4
 Berdasarkan tabel Rotated Component Matrix setiap variabel menunjukan korelasi

antara satu variable dengan masing-masing faktor yang terbentuk pada setiap variabel, seluruh

variabel membentuk satu faktor terkecuali kepuasan yang memiliki dua faktor yang terbentuk.

5
8. Lampiran Hasil Uji
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. ,860

Bartlett's Tes t of Approx. Chi-Square 982,699

Spheric ity df 171
Sig. ,000

Anti-image Matrices

LY1 LY2 LY3 LY4 LY5 M1 M2 M3 M4 KP1 KP2 KP3 KP4 KP5 KK1 KK2 KK3 KK4 KK5
Anti-image Covariance LY1 ,542 -,059 -,031 ,123 -,018 -,193 ,003 -,033 -,077 -,049 ,102 ,025 ,014 -,002 -,067 -,064 -,030 ,082 -,018
LY2 -,059 ,381 -,040 -,036 ,003 -,012 ,029 ,041 -,055 -,083 -,142 ,052 -,079 -,072 ,067 -,035 ,028 -,004 -,055
LY3 -,031 -,040 ,351 -,030 ,002 ,018 -,174 -,087 ,023 ,002 -,063 ,006 -,018 ,067 ,029 -,011 -,102 -,063 ,021
LY4 ,123 -,036 -,030 ,472 -,046 -,118 ,000 -,105 -,043 ,094 ,011 ,012 -,040 ,008 ,044 -,069 ,015 ,009 -,072
LY5 -,018 ,003 ,002 -,046 ,376 -,156 -,087 ,070 -,020 -,005 -,022 ,011 -,030 -,035 ,103 -,008 ,024 -,077 -,096
M1 -,193 -,012 ,018 -,118 -,156 ,482 -,025 -,046 ,040 ,029 -,056 ,009 ,067 ,065 -,104 ,056 ,055 -,011 ,038
M2 ,003 ,029 -,174 ,000 -,087 -,025 ,407 -,052 -,041 -,074 ,058 -,079 ,061 -,045 -,012 -,047 -,030 ,099 ,005
M3 -,033 ,041 -,087 -,105 ,070 -,046 -,052 ,467 -,034 -,024 ,076 -,041 -,135 -,002 -,005 ,060 -,026 -,051 -,017
M4 -,077 -,055 ,023 -,043 -,020 ,040 -,041 -,034 ,330 -,062 -,077 -,043 ,000 -,094 ,019 ,077 ,007 -,062 -,066
KP1 -,049 -,083 ,002 ,094 -,005 ,029 -,074 -,024 -,062 ,535 -,074 -,069 -,154 ,061 ,000 -,042 ,077 -,003 ,065
KP2 ,102 -,142 -,063 ,011 -,022 -,056 ,058 ,076 -,077 -,074 ,518 -,108 ,022 -,050 -,039 -,042 -,021 ,059 ,045
KP3 ,025 ,052 ,006 ,012 ,011 ,009 -,079 -,041 -,043 -,069 -,108 ,584 ,092 -,072 -,033 ,029 -,006 -,016 -,075
KP4 ,014 -,079 -,018 -,040 -,030 ,067 ,061 -,135 ,000 -,154 ,022 ,092 ,434 -,141 -,058 ,038 ,001 -,011 ,062
KP5 -,002 -,072 ,067 ,008 -,035 ,065 -,045 -,002 -,094 ,061 -,050 -,072 -,141 ,415 -,026 ,001 -,037 -,002 ,000
KK1 -,067 ,067 ,029 ,044 ,103 -,104 -,012 -,005 ,019 ,000 -,039 -,033 -,058 -,026 ,292 -,091 -,047 -,104 -,044
KK2 -,064 -,035 -,011 -,069 -,008 ,056 -,047 ,060 ,077 -,042 -,042 ,029 ,038 ,001 -,091 ,288 -,065 -,064 -,063
KK3 -,030 ,028 -,102 ,015 ,024 ,055 -,030 -,026 ,007 ,077 -,021 -,006 ,001 -,037 -,047 -,065 ,411 -,046 -,014
KK4 ,082 -,004 -,063 ,009 -,077 -,011 ,099 -,051 -,062 -,003 ,059 -,016 -,011 -,002 -,104 -,064 -,046 ,255 -,024
KK5 -,018 -,055 ,021 -,072 -,096 ,038 ,005 -,017 -,066 ,065 ,045 -,075 ,062 ,000 -,044 -,063 -,014 -,024 ,286
Anti-image Correlation LY1 ,802a -,130 -,072 ,242 -,040 -,378 ,007 -,066 -,183 -,092 ,193 ,045 ,028 -,003 -,169 -,162 -,063 ,221 -,047
LY2 -,130 ,875a -,108 -,085 ,007 -,027 ,074 ,098 -,155 -,184 -,320 ,110 -,194 -,182 ,202 -,106 ,072 -,012 -,166
LY3 -,072 -,108 ,872a -,075 ,005 ,044 -,461 -,215 ,067 ,005 -,147 ,014 -,047 ,177 ,089 -,035 -,268 -,212 ,067
LY4 ,242 -,085 -,075 ,879a -,110 -,247 ,000 -,224 -,110 ,187 ,023 ,022 -,088 ,019 ,119 -,187 ,034 ,027 -,197
LY5 -,040 ,007 ,005 -,110 ,855a -,366 -,223 ,167 -,057 -,011 -,050 ,023 -,074 -,088 ,311 -,026 ,061 -,248 -,294
M1 -,378 -,027 ,044 -,247 -,366 ,728a -,056 -,098 ,101 ,057 -,111 ,017 ,147 ,146 -,276 ,150 ,124 -,032 ,102
M2 ,007 ,074 -,461 ,000 -,223 -,056 ,834a -,120 -,111 -,158 ,126 -,161 ,145 -,110 -,036 -,136 -,073 ,306 ,014
M3 -,066 ,098 -,215 -,224 ,167 -,098 -,120 ,871a -,087 -,047 ,154 -,078 -,300 -,005 -,013 ,165 -,059 -,146 -,048
M4 -,183 -,155 ,067 -,110 -,057 ,101 -,111 -,087 ,898a -,148 -,186 -,097 ,001 -,255 ,061 ,251 ,018 -,215 -,215
KP1 -,092 -,184 ,005 ,187 -,011 ,057 -,158 -,047 -,148 ,772a -,140 -,124 -,320 ,129 -,001 -,108 ,164 -,008 ,167
KP2 ,193 -,320 -,147 ,023 -,050 -,111 ,126 ,154 -,186 -,140 ,817a -,196 ,046 -,109 -,102 -,109 -,046 ,161 ,116
KP3 ,045 ,110 ,014 ,022 ,023 ,017 -,161 -,078 -,097 -,124 -,196 ,909a ,183 -,147 -,080 ,072 -,013 -,042 -,183
KP4 ,028 -,194 -,047 -,088 -,074 ,147 ,145 -,300 ,001 -,320 ,046 ,183 ,741a -,333 -,163 ,108 ,002 -,033 ,176
KP5 -,003 -,182 ,177 ,019 -,088 ,146 -,110 -,005 -,255 ,129 -,109 -,147 -,333 ,884a -,074 ,003 -,090 -,006 -,001
KK1 -,169 ,202 ,089 ,119 ,311 -,276 -,036 -,013 ,061 -,001 -,102 -,080 -,163 -,074 ,831a -,315 -,135 -,381 -,154
KK2 -,162 -,106 -,035 -,187 -,026 ,150 -,136 ,165 ,251 -,108 -,109 ,072 ,108 ,003 -,315 ,878a -,190 -,236 -,219
KK3 -,063 ,072 -,268 ,034 ,061 ,124 -,073 -,059 ,018 ,164 -,046 -,013 ,002 -,090 -,135 -,190 ,928a -,141 -,041
KK4 ,221 -,012 -,212 ,027 -,248 -,032 ,306 -,146 -,215 -,008 ,161 -,042 -,033 -,006 -,381 -,236 -,141 ,872a -,089
KK5 -,047 -,166 ,067 -,197 -,294 ,102 ,014 -,048 -,215 ,167 ,116 -,183 ,176 -,001 -,154 -,219 -,041 -,089 ,906a
a. Measures of Sampling Adequacy(MSA)

6
 Communalities

Initial Extraction
LY1 1,000 ,742
LY2 1,000 ,710
LY3 1,000 ,653
LY4 1,000 ,734
LY5 1,000 ,736
M1 1,000 ,725
M2 1,000 ,551
M3 1,000 ,771
M4 1,000 ,718
KP1 1,000 ,712
KP2 1,000 ,638
KP3 1,000 ,406
KP4 1,000 ,719
KP5 1,000 ,668
KK1 1,000 ,792
KK2 1,000 ,767
KK3 1,000 ,724
KK4 1,000 ,755
KK5 1,000 ,777
Extraction Method: Principal Component Analysis.

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Component Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %
1 7,461 39,268 39,268 7,461 39,268 39,268 3,795 19,975 19,975
2 2,323 12,225 51,493 2,323 12,225 51,493 3,416 17,977 37,953
3 1,322 6,956 58,449 1,322 6,956 58,449 2,386 12,557 50,510
4 1,131 5,952 64,402 1,131 5,952 64,402 1,905 10,024 60,534
5 1,062 5,588 69,989 1,062 5,588 69,989 1,796 9,455 69,989
6 ,982 5,169 75,158
7 ,740 3,896 79,054
8 ,614 3,232 82,286
9 ,537 2,824 85,110
10 ,459 2,417 87,528
11 ,404 2,126 89,654
12 ,335 1,762 91,416
13 ,309 1,629 93,044
14 ,285 1,498 94,542
15 ,272 1,431 95,973
16 ,246 1,293 97,267
17 ,201 1,058 98,325
18 ,173 ,912 99,237
19 ,145 ,763 100,000
Extraction Method: Principal Component Analys is.

7
 Scree Plot

Eigenvalue 6

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Component Number

a
Rotated Component Matrix

Component
1 2 3 4 5
LY1 ,302 ,169 -,044 ,110 ,780
LY2 ,090 ,788 ,232 ,114 ,122
LY3 ,460 ,137 ,256 ,538 ,260
LY4 ,226 ,113 ,766 ,287 ,038
LY5 ,177 ,304 ,690 ,059 ,365
M1 ,127 -,056 ,405 ,011 ,735
M2 ,268 ,148 ,336 ,422 ,408
M3 ,267 ,105 ,232 ,791 ,096
M4 ,215 ,682 ,383 ,224 ,100
KP1 -,067 ,680 -,289 ,316 ,247
KP2 ,168 ,753 ,118 -,151 ,077
KP3 ,411 ,375 ,295 ,008 ,096
KP4 ,021 ,579 -,132 ,588 -,142
KP5 ,263 ,708 ,201 ,203 -,127
KK1 ,844 ,097 -,013 ,112 ,238
KK2 ,810 ,154 ,199 ,032 ,217
KK3 ,795 ,042 ,118 ,272 ,049
KK4 ,752 ,205 ,301 ,229 ,059
KK5 ,598 ,240 ,582 ,016 ,153
Extraction Method: Principal Component Analysis .
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 8 iterations .