Cara Interpretasi Output Analisis Faktor

Untuk memahami interpretasi dari output analisis faktor, berikut adalah penjelasan detail masing masing tabel :

1. Tabel ;KMO and Bartlett's test, Pada tabel KMO and Bartlett's test, terlihat angka K-M-O Measure of Sampling
Adequacy (MSA) adalah 0,671. Oleh karena angka MSA di atas 0,5, maka kumpulan variable tersebut dapat
diproses lebih lanjut. Selanjutnya tiap variable dianalisis untuk mengetahui mana yang dapat diproses lebih
lanjutdan mana yang harus dikeluarkan.Kesimpulan yang sama dapat dilihat pula pada angka KMO andBartlett's
test (yang ditampakkan dengan angka Chi-Square) sebesar 36,626 dengansignifikansi 0,001.

2. Tabel Anti Image Matrices, Pada tabel Anti Image Matrices, khususnya pada bagian bawah (Anti Image
Correlation), terlihat sejumlah angka yang membentuk diagonal, yang bertanda 'a', yang menandakan besaran
MSA sebuah variabel. Dari keenam faktor yang dianalisis, menunjukkan criteria angka MSA diatas 0,5. Yang
berarti variable masih bisa diprediksi untuk dianalisa lebih lanjut
3. Pada tabel Communalities Pada tabel Communalities variabel 01 (kualitas), angka 0,321 berarti 32,1 %
varians dari variable kualitas bisa dijelaskan oleh faktor yang terbentuk, demikian dengan variabel-
variabel yang lainnya. Semua variable dapat dijelaskan oleh faktor yang terbentuk dengan ketentuan
semakin besar communalities maka semakin erat hubungan variabel yang bersangkutan dengan faktor
yang terbentuk.
4. Tabel Total Variance Explained Pada tabel Total Variance Explained, variabel yang dianalisis ternyata dapat
dikelompokkan menjadi 2 faktor, yaitu eigenvalues yang menunjukkan angka lebih besar dari satu. Dengan
demikianada 2 faktor yang terbentuk.Penentuan variabel yang masuk masing factor dilakukan dengan
memperbandingkan besaran korelasi pada setiap baris. Angka korelasi dibawah 0,5 menunjukkan indikasi
korelasi yang lemah sedangkan diatas 0,5 berindikasi kuat korelasinya.
5. Gambar Scree Plot Pada Gambar Scree Plot, Terlihat bahwa dari satu ke dua faktor (garis dari sumbu
Component Number = 1 ke 2), arah garis menurun dengan cukup tajam. Kemudian dari angka 2 ke 3,garis
masih menurun, namun dengan slope yang lebih kecil. Juga perhatikan faktor 3 sudah di bawah angka 1 dari
sumbu y (Eigenvalues). Hal in imenunjukkan bahwa dua faktor adalah paling bagus untuk 'meringkas' keenam
variabel tersebut.
6. Tabel Component Matrix Pada tabel Component Matrix menunjukkan distribusi keenam variable tersebut pada
dua factor yang ada. Sedangkan angka yang ada pada table tersebut adalah factor loadings, atau besa rkorelasi
antara suatu variable dengan faktor1 atau faktor 2.Seperti pada variable Kualitas, korelasi antara variable
 Kualitas dengan faktor 2 adalah0,523 (cukup kuat), sedang korelasi variable Kualitas dengan faktor1 adalah -
0,218 (lemah). Dengan demikian dapatdikatakan variable Kualitas dapat dimasukkan sebagaikomponen faktor
2.Pada variable merek, korelasi antara variable merekdengan faktor1 adalah0,813 (cukupkuat), sedang korelasi
variable merekdenganfaktor 2 adalah0,299 (lemah). Dengan demikian dapat dikatakan variable merek dapat
dimasukkan sebagai komponen faktor l.Pada variable kemasan, korelasi antara variable kemasan dengan
faktor1 adalah0,609 (cukupkuat), sedang korelasivariabel kemasan dengan faktor 2 adalah- 0,525. Dengan
demikian dapat dikatakan variable kemasan dapat dimasukkan sebagai komponen faktor l. Pada variable harga,
korelasi antara variable harga dengan faktor1 adalah0,628 (cukupkuat), sedangkorelasi variable harga dengan
faktor 2 adalah0,583 (lemah). Dengan demikian dapat dikatakan variable hargadapatdimasukkan sebagai
komponen factor 1.Pada variable ketersediaan barang, korelasia ntara variable ketersediaan barangdengan
faktor1 adalah0,750 (cukup kuat), sedang korelasi variable ketersediaan barangdenganfaktor 2 adalah0,200
(lemah). Dengan demikiandapatdikatakanvariabel ketersediaan barang dapat dimasukkan sebagai komponen
faktor l.Pada variable acuan, korelasi antara variable acuan dengan faktor1 adalah0,644 (cukupkuat), sedang
korelasi variabela cuan denganfaktor 2 adalah - 0,506 (lemah). Dengan demikian dapatdikatakan variable
lacuna dapatdimasukkan sebagai komponen faktor l.

7. Table rotated matrics Sekalipun dari keenam variable telah terbentuk faktor-faktor, namun perlu dilakukan rotasi
untuk memperjelas variabel-variabel mana yang masuk kedalam tiap-tiap faktor. Banyak sekali faktor loading
 yang berubah setelah mengalami rotasi menjadi lebih kecil atau lebih besar. Pada table factor variabel-variabel
yang masuk pada tiap-tiap factor sebagai berikut: Faktor 1 terdiri dari variabel-variabel merek, harga dan
ketersediaan barang sedangkanFaktor 2 terdiri darivariabel-variabel kemasan dan acuan.

8. Table Component Transformation Matrix Pada table Component Transformation Matrix dapat diketahui bahwa
diagonal faktor (component) 1 dan 2 jatuh diatas angka 0,5 (0,832 dan 0,554), hal tersebut membuktikan bahwa
kedua factor (component) yang terbentuk sudah tepat karena mempunyai korelasi yang tinggi.
9. Setelah diperoleh dua factor yang merupakan hasil reduksi dari enam variabel, langkah berikut adalah memberi
nama pada kedua faktor tersebut. Untuk kasus diatas, factor pertama yang terdiri dari variable merek, harga
dan ketersediaan barang dapat dinamakan dengan faktor internal, sedangkan factor kedua yang terdiri dari
kemasan dan acuan dapat dinamakan faktor external
contoh kasus untuk analisis faktor

Berdasarkan SDKI 2002-2003 cakupan imunisasi lengkap anak usia 12-23 bulan di Indonesia berdasarkan informasi
dari KMS (Kartu Menuju Sehat) atau laporan ibu sebesar 52 persen. Angka ini masih keci bilBerdasarkan SDKI 2002-
2003 cakupan imunisasi lengkap anak usia 12-23 bulan di Indonesia berdasarkan informasi dari KMS (Kartu Menuju
Sehat) atau laporan ibu sebesar 52 persen. Angka ini masih keci bila dibandingkan dengan 80 persen angka cakupan
imunisasi lengkap yang ditargetkan oleh UCI ( Universal Chilhood Imunization). Bila dilihat pada cakupan imunisasi
lengkap pada tingkat propinsi hanya ada dua propinsi yang telah memenuhi target UCI yaitu Yogyakarta (84 persen)
dan Bali (80 persen). Oleh karena itu, ingin diketahui faktor dominan apakah yang mempengaruhi ketidaklengkapan
imunisasi anak usia 12-23 bulan di Indonesia. Faktor dominan yang ingin diketahui pengaruhnya dibatasi pada
karakteristik ibu dan ayah.

Sehingga inti dalam kasus ini yaitu ingin melihat Faktor – Faktor yang Mempengaruhi ketidaklengkapan
Imunisasi Anak Usia 12 – 23 Bulan di Indonesia Tahun 2003. Data yang digunakan dalam kasus di atas
berasal dari Survei Demografi dan Kesehetan Indonesia, 2002-2003. Silahkan lihat kalau coba-coba disini.
data imunisasi

Langkah-langkah dalam Analisis faktor dengan SPSS

Menyamakan satuan data

1. Buka data yang sudah dimasukkan. Tampilannya seperti berikut.

2. Karena data memiliki variasi yang besar (karena satuan dan rentang data yang berbeda-beda), maka
distandardisasi terlebih dahulu dengan mentransformasikan ke dalam bentuk Z-score, yaitu dengan
klik Descriptive Statistics→Descriptives. Maka akan muncul tampilan berikut.

3. Pada kolom Variable(s) masukkan semua variabel, lalu centang pilihan ‘Save standardized values
as variables’. Kemudian Pilih Menu Options maka akan muncul tampilan berikut.
4. Beri tanda cek pada Mean, dengan pada Dispersion dicek Standard Deviationdan Variance, serta
beri tanda cek pada Variable List pada Display Order. kemudian Klik Continue. Maka akan muncul
variabel baru seperti berikut.
Melakukan Analisis Faktor

1. Pilih Analyze >> Data Reduction >> Factor. Maka akan muncul jendela Factor Analysis

2. Pilih semua variabel sebagai variabel analisis. Klik Descriptive, pada bagianCorrelation Matrix beri
tanda cek pada Coefficient,significan levels, invers, Anti image dan KMO and Bartlett’s test of
sphericity. Klik Continue.
3. Kemudian klik pada Extraction dan pastikan pilihan Analyze pada correlation matrix dan pada
bagian Display beri tanda cek pada kedua pilihan. Sebagai kriteria ekstaksi (Extraction) kita akan
menggunakan eigenvalue, yaituEigenvalues over: 1. Klik Continue.
4. Klik Rotation lalu pilih Varimax dan pada Display pilih Rotated Solution. Klik Continue
5. Klik Scores, lalu beri tanda cek Save as Variables dengan Method: Regression dan Display factor
score coefficient matrix, agar kita bisa melihat nilai variabel/faktor baru yang terbentuk. Klik
Continue.
 6. Setelah itu klik OK, akan muncul kumpulan output yang siap diinterpretasi.

Intrepretasi
Deskripsi
Deskripsi Data
Correlation Matrix
Tabel Correlation Matrix merupakan tabel matriks korelasi yang berisi nilai-nilai korelasi antara variabel-
variabel yang akan dianalisis. Pada bagian Correlation dapat dilihat besarnya korelasi antarvariabel.
Sebagai contoh, korelasi antara variabel ibu tinggal di desa dengan ibu yang bekerja sebesar -0,573 yang
menunjukkan terdapat hubungan yang cukup kuat dan negative. Artinya, semakin banyak persentase ibu
yang tinggal di desa, maka makin sedikit persentase ibu yang bekerja.
Kemudian pada baris sig.(1-tailed) menunjukkan signifikansi korelasi antara variabel-variabel tersebut.
Korelasi antara variabel ibu tinggal di desa dengan ibu yang bekerja signifikan, terlihat dari nilai p-value
sebesar 0,001(<0.05) yang berarti terdapat memang terdapat hubungan antara variabel ibu tinggal di desa
dengan variabel ibu yang bekerja.
Inverse of Correlation Matrix
Sedangkan table Inverse of Correlation Matrix menyatakan nilai-nilai pada matriks korelasi setelah matriks
tersebut diinverskan.

Catatan : Dalam kasus ini, digunakan matriks korelasi untuk keperluan analisis faktor sebab data yang digunakan
memiliki satuan yang berbeda-beda,sehingga distandarisasi menggunakan matriks korelasi untuk menghilangkan bias.

Analisis Inferensia
KMO dan Bartlett’s Test

Berdasarkan Bartlett’s Tes of Sphericity dengan Chi-Square 94,304 (df 45) dan nilai sig