LAPORAN STATISTIK INFERENSIAL

ANALISIS FAKTOR

Dosen Pengampu :
Susi Setiawani, S.Si, M.Sc
Dr. Arika Indah Kristiana, S.Si, M.Pd

Disusun Oleh :
Yufrida Septi Nindya NIM. 170210101007
Novita Silfiatus Sa’adah NIM. 170210101025
Meilysa Ajeng Kartika Putri NIM. 170210101027

PROGRAM STUDI PENDIDIKAN MATEMATIKA

JURUSAN PENDIDIKAN MIPA
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS JEMBER
2019
Soal :
Kasus peningkatan pelayanan sebuah bimbingan belajar. Seorang manajer swalayan ingin
mengetahui variabel-variabel apa yang dominan dipersepsikan konsumen. Variabel-variabel
tersebut kemudian dibuat kuesioner dan disebarkan pada peserta bimbingan belajar sebanyak
100 orang sebagai sampel. Variabel pertanyaan adalah sebagai berikut.
Kode Variabel Pertanyaan
Q1 Kenyamanan
Q2 Lokasi Bimbel
Q3 Kualitas Bahan Ajar
Q4 Kualitas Tutor
Q5 Harga Bimbingan
Q6 Tempat Parkir
Q7 Kebersihan
Q8 Layanan Petugas
Q9 Keragaman Jadwal
Q10 Keindahan Interior

Pertanyaan :
1. Lakukan KMO and bartlett’s test untuk melihat adanya korelasi antar variabel dan layak
untuk proses lebih lanjut. Jika layak di proses lebih lanjut, lakukan tabel anti-image-
matrices, khusus pada bagian (anti image correlation) terlihat angka yang menandakan
bearnya MSA sebuah variabel. Tentukan MSA dari tiap variabel. Nilai MSA masing-
masing variabel besarnya > 0.5 maka semua variabel dapat diproses lebih lanjut. Jika ada
variabel yang nilai MSA < 0.5 maka dilakukan proses ulang dari awal dengan
mengeluarkan variabel tersebut yang nilai MSA < 0.5
2. Lakukan prosedur analisis faktor lainnya dengan menggunakan SPSS.
3. Interpretasikan hasilnya !
4. Ada beberapa faktor yang terbentuk dari hasil analisis Anda?
 Sebelum menyelesaikan pertanyaan-pertanyaan di atas, langkah pertama yang harus
dilakukan adalah menguji apakah data tersebut berdistribusi normal atau tidak dengan
menggunakan uji normalitas pada aplikasi SPSS.
Langkah-langkah uji normalitas:
1. Menfinisikan variabel terlebih dahulu pada “Variable View”, kemudian inputkan pada
“Data View”

2. Pilih menu Analyze, kemudian pilih Nonparametric test, pilih 1 Sample K-S
3. Masukkan variabel pada kolom Test Variable List, lalu klik OK

4. Akan diperoleh output sebagai berikut.

One-Sample Kolmogorov-Smirnov Test

Kualitas Bahan
Kenyamanan Lokasi Bimbel Ajar

N 100 100 100

Normal Parametersa,b Mean 3.03 2.86 3.17

Std. Deviation .784 .817 .682

Most Extreme Differences Absolute .315 .298 .278

Positive .255 .232 .278

Negative -.315 -.298 -.262

Test Statistic .315 .298 .278

Asymp. Sig. (2-tailed) .000c .000c .000c

One-Sample Kolmogorov-Smirnov Test

Kualitas Tutor Harga Bimbingan Tempat Parkir

N 100 100 100

Normal Parametersa,b Mean 3.11 3.08 3.13

Std. Deviation .737 .677 .677

Most Extreme Differences Absolute .241 .287 .276

Positive .239 .287 .276

Negative -.241 -.283 -.254

Test Statistic .241 .287 .276

Asymp. Sig. (2-tailed) .000c .000c .000c

One-Sample Kolmogorov-Smirnov Test

Kebersihan Layanan Petugas Keragaman Jadwal

N 100 100 100

Normal Parametersa,b Mean 3.11 3.11 3.15

Std. Deviation .737 .737 .730

Most Extreme Differences Absolute .241 .241 .241

Positive .239 .239 .241

Negative -.241 -.241 -.239

Test Statistic .241 .241 .241

Asymp. Sig. (2-tailed) .000c .000c .000c

Dari hasil yang diperoleh diketahui pada poin a) bahwa data tersebut berdistribusi normal,
di karenakan data berdistribusi normal, maka dapat dilanjutkan dengan melakukan analsis
faktor.

Penyelesaian :
1. Lakukan KMO and bartlett’s test untuk melihat adanya korelasi antar variabel dan layak
untuk proses lebih lanjut. Jika layak di proses lebih lanjut, lakukan tabel anti-image-
matrices, khusus pada bagian (anti image correlation) terlihat angka yang menandakan
bearnya MSA sebuah variabel. Tentukan MSA dari tiap variabel. Nilai MSA masing-
masing variabel besarnya > 0.5 maka semua variabel dapat diproses lebih lanjut. Jika ada
variabel yang nilai MSA < 0.5 maka dilakukan proses ulang dari awal dengan
mengeluarkan variabel tersebut yang nilai MSA < 0.5
Langkah-langkah :
a. Dari menu SPSS klik Analyze → Dimension Reduction → Factor

b. Masukkan semua variabel kuesioner ke dalam kotak variable (s)

c. Klik Descriptive, centang Initial Solution, KMO and Bartletts test of sphericity, dan
Anti Image
 d. Pilih Continue → OK
Hasil :
KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .568

Bartlett's Test of Sphericity Approx. Chi-Square 574.473

df 45

Sig. .000

Pada tabel KMO and Bartlett's Test di atas terlihat angka Kaiser-Meyer-Olkin Measure of
Sampling Adequacy adalah 0.568. Karena nilai 0.568 > 0.5. Hal ini menunjukkan kecukupan
dari sampel. Angka KMO dan Bartlet's Test ditunjukkan bahwa nilai Approx Chi-Square
sebesar 574,473 dengan nilai Sig. 0.000. Hal ini menunjukkan bahwa adanya korelasi antar
variabel dan layak untuk proses lebih lanjut.
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 Matrices

Kualitas Bahan
Kenyamanan Lokasi Bimbel Ajar

Anti-image Covariance Kenyamanan .873 -.194 -.033

Lokasi Bimbel -.194 .773 .073

Kualitas Bahan Ajar -.033 .073 .161

Kualitas Tutor -.022 -.003 -.018

Harga Bimbingan .020 -.030 -.008

Tempat Parkir .067 -.058 .056

Kebersihan .016 -.097 -.142

Layanan Petugas .011 -.015 .011

Keragaman Jadwal .071 .059 -.010

Keindahan Interior -.008 .010 .011

Anti-image Correlation Kenyamanan .736a -.237 -.087

 Lokasi Bimbel -.237 .659a .207

Kualitas Bahan Ajar -.087 .207 .569a

Kualitas Tutor -.074 -.012 -.136

Harga Bimbingan .046 -.073 -.041

Tempat Parkir .075 -.069 .147

Kebersihan .044 -.279 -.897

Layanan Petugas .037 -.054 .086

Keragaman Jadwal .077 .068 -.026

Keindahan Interior -.018 .023 .060

Anti-image Matrices

Kualitas Tutor Harga Bimbingan Tempat Parkir

Anti-image Covariance Kenyamanan -.022 .020 .067

Lokasi Bimbel -.003 -.030 -.058

Kualitas Bahan Ajar -.018 -.008 .056

Kualitas Tutor .103 .022 -.020

Harga Bimbingan .022 .223 -.048

Tempat Parkir -.020 -.048 .902

Kebersihan .017 .015 -.057

Layanan Petugas -.097 -.016 .006

Keragaman Jadwal -.006 -.001 -.020

Keindahan Interior -.021 -.196 .007

Anti-image Correlation Kenyamanan -.074 .046 .075

Lokasi Bimbel -.012 -.073 -.069

Kualitas Bahan Ajar -.136 -.041 .147

Kualitas Tutor .569a .148 -.065

 Harga Bimbingan .148 .520a -.107

Tempat Parkir -.065 -.107 .652a

Kebersihan .131 .079 -.152

Layanan Petugas -.933 -.108 .019

Keragaman Jadwal -.020 -.002 -.022

Keindahan Interior -.134 -.869 .015

Anti-image Matrices

Keragaman
Kebersihan Layanan Petugas Jadwal

Anti-image Covariance Kenyamanan .016 .011 .071

Lokasi Bimbel -.097 -.015 .059

Kualitas Bahan Ajar -.142 .011 -.010

Kualitas Tutor .017 -.097 -.006

Harga Bimbingan .015 -.016 -.001

Tempat Parkir -.057 .006 -.020

Kebersihan .156 -.016 -.006

Layanan Petugas -.016 .104 -.005

Keragaman Jadwal -.006 -.005 .966

Keindahan Interior -.011 .014 .014

Anti-image Correlation Kenyamanan .044 .037 .077

Lokasi Bimbel -.279 -.054 .068

Kualitas Bahan Ajar -.897 .086 -.026

Kualitas Tutor .131 -.933 -.020

Harga Bimbingan .079 -.108 -.002

Tempat Parkir -.152 .019 -.022

 Kebersihan .564a -.126 -.015

Layanan Petugas -.126 .581a -.014

Keragaman Jadwal -.015 -.014 .811a

Keindahan Interior -.058 .093 .029

Anti-image Matrices

Keindahan Interior

Anti-image Covariance Kenyamanan -.008

Lokasi Bimbel .010

Kualitas Bahan Ajar .011

Kualitas Tutor -.021

Harga Bimbingan -.196

Tempat Parkir .007

Kebersihan -.011

Layanan Petugas .014

Keragaman Jadwal .014

Keindahan Interior .229

Anti-image Correlation Kenyamanan -.018

Lokasi Bimbel .023

Kualitas Bahan Ajar .060

Kualitas Tutor -.134

Harga Bimbingan -.869

Tempat Parkir .015

Kebersihan -.058

Layanan Petugas .093

Keragaman Jadwal .029

 Keindahan Interior .517a

Pada tabel Anti-image Matrice di atas, khusus pada bagian Anti-Image Correlation terlihat
angka yang bertanda (a) yang menandakan besaran MSA sebuah variabel. Variabel
kenyamanan 0.736, lokasi bimbel 0.659, kualitas bahan ajar 0.569, kualitas tutor 0.569, harga
bimbingan 0.520, tempat parkir 0.652, kebersihan 0.564, layanan petugas 0.581, keragaman
jadwal 0.811, dan keindahan interior 0.517. Nilai MSA masing-masing variabel besarnya > 0.5
maka semua variabel dapat diproses lebih lanjut. Jika ada variabel yang nilai MSA < 0.5 maka
dilakukan proses ulang dari awal dengan mengeluarkan variabel tersebut yang nilai MSA <
0.5.

2. Lakukan prosedur analisis faktor lainnya dengan menggunakan SPSS.

Langkah-langkah :
a. Dari menu SPSS klik Analyze → Dimension Reduction → Factor

b. Tekan tombol reset

c. Masukan semua variabel ke dalam kolom variables(s) karena semua variabel lolos uji
pertama.
d. Tekan tombol Descriptive, pada “Statistics” centang Initial Solution dan Univariate
Descriptive”, pada tabel “Correlation Matrix” centang Coefficients, Significance
Levels, Determinant, KMO and Bartletts test of sphericity, dan Anti Image. Pilih
Continue.

e. Tekan tombol Extraction, kemudian pilih Principal Components sebagai method,

pada tabel “Analyze” centang correlation Matrix , pada tabel “Display” centang
Unroted Factor Solution dan Screee Plot. Pada tabel “Extract” pilih Eigenvalues
Over dan isi dengan angka 1. Pilih Continue.

f. Tekan tombol Rotation, kemudian centang Varimax pada tabel “Method” dan centang
Rotated Solution dan Loading Plot(s). Pilih Continue.
 g. Tekan tombol Scores, centang save as variable pilih regression. Pilih Continue.

h. Tekan tombol Options, kemudian centang Sorted by Size. Pilih Continue.

i. OK.
Hasil Output sebagai berikut:

3. Interpretasikan Hasilnya!
Communalities

Initial Extraction

Kenyamanan 1.000 .551

Lokasi Bimbel 1.000 .483

Kualitas Bahan Ajar 1.000 .923

Kualitas Tutor 1.000 .939

Harga Bimbingan 1.000 .899

Tempat Parkir 1.000 .240

Kebersihan 1.000 .944

Layanan Petugas 1.000 .937

Keragaman Jadwal 1.000 .500

Keindahan Interior 1.000 .880

Extraction Method: Principal Component Analysis.

Perhatikan tabel Communalities diatas. Variabel kenyamanan besarnya 0.551, hal ini
berarti sekitar 55.1% varians dari variabel kenyamanan dapat dijelaskan oleh faktor yang
terbentuk. Variabel lokasi bimbel 0.483 hal ini berarti 48.3% varian dari variabel lokasi toko
dapat dijelaskan oleh faktor yang terbentuk. Variabel kualitas bahan ajar besarnya 0.923, hal
ini berarti sekitar 92.3% varians dari variabel kualitas bahan ajar dapat dijelaskan oleh faktor
yang terbentuk. Variabel kualitas tutor besarnya 0.939, hal ini berarti sekitar 93.9% varians
dari variabel kualitas tutor dapat dijelaskan oleh faktor yang terbentuk. Variabel harga
bimbingan besarnya 0.899, hal ini berarti sekitar 89.9% varians dari variabel harga bimbingan
dapat dijelaskan oleh faktor yang terbentuk. Variabel tempat parkir besarnya 0.240, hal ini
berarti sekitar 24,0% varians dari variabel tempat parkir dapat dijelaskan oleh faktor yang
terbentuk. Variabel kebersihan besarnya 0.944, hal ini berarti sekitar 94.4% varians dari
variabel kebersihan dapat dijelaskan oleh faktor yang terbentuk. Variabel layanan petugas
besarnya 0.937, hal ini berarti sekitar 93.7% varians dari variabel layanan petugas dapat
dijelaskan oleh faktor yang terbentuk. Variabel keragaman jadwal besarnya 0.500, hal ini
berarti sekitar 50.0% varians dari variabel keragaman jadwal dapat dijelaskan oleh faktor yang
terbentuk. Variabel keindahan interior besarnya 0.880, hal ini berarti sekitar 88.0% varians dari
variabel keindahan interior dapat dijelaskan oleh faktor yang terbentuk. Kesimpulannya adalah
semakin kecil nilai communalities berarti semakin lemah hubungannya dengan faktor yang
terbentuk.
Perhatikan pada tabel Total Variance Explained berikut:
Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings

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

1 2.938 29.382 29.382 2.938 29.382 29.382

2 2.024 20.237 49.620 2.024 20.237 49.620

3 1.193 11.933 61.552 1.193 11.933 61.552

4 1.142 11.422 72.974 1.142 11.422 72.974

5 .915 9.152 82.127

6 .857 8.572 90.699

7 .668 6.682 97.381

8 .125 1.246 98.627

9 .086 .858 99.485

10 .052 .515 100.000

Total Variance Explained

Rotation Sums of Squared Loadings

Component Total % of Variance Cumulative %

1 2.066 20.658 20.658

2 2.013 20.134 40.792

3 1.973 19.732 60.524

4 1.245 12.450 72.974

10

Extraction Method: Principal Component Analysis.

Pada tabel Total Variance Explained diatas menunjukkan ada 4 faktor yang terbentuk dari
10 variabel yang di masukkan. Masing-masing faktor Initial Eigenvalues > 1. Faktor satu Initial
Eigenvalues total sebesar 2,938 dengan % of Variance 29,382%. Faktor dua Initial Eigenvalues
total sebesar 2,024 dengan % of Variance 20,237%. Faktor tiga Initial Eigenvalues total 1,193
dengan % of Variance 11,933%. Faktor empat Initial Eigenvalues total sebesar 1,142 dengan
% of Variance (11,422%).
Nilai Initial Eigenvalues menggambarkan kepentingan relatif masing-masing faktor
dalam menghitung varians dari 10 variabel yang di analisis. Bila semua variabel dijumlahkan
bernilai 10 (sama dengan banyaknya variabel).
2,938
100% = 29,38%
10
2,024
100% = 20,24%
10
1,193
100% = 11,93%
10
1,142
100% = 11,42%
10
Total varians apabila dari 10 variabel diekstrak menjadi 4 faktor adalah : 29,382 % +
20,237% + 11,933 % + 11,422% = 72,974%. Besarnya varians yang mampu dijelaskan oleh
faktor baru yang terbentuk adalah 72,974% sedangkan sisanya 27,026% dijelaskan oleh faktor
lain yang tidak diteliti. Dengan demikian karena nilai Initial Eigenvalues yang ditetapkan 1,
maka nilai total yang akan diambil adalah >1 yaitu component 1, 2, 3 dan 4.

Gambar Scree Plot menerangkan hubungan antara banyaknya faktor yang terbentuk
dengan nilai Initial Eigenvalues dalam bentuk grafik. Karena ada 4 nilai Initial Eigenvalues
yang >1 maka akan ada 4 faktor yang terbentuk.
 Rotated Component Matrixa

Component

1 2 3 4

Kualitas Tutor .952 .163 .021 .081

Layanan Petugas .948 .176 .035 .078

Kebersihan .166 .953 -.041 .078

Kualitas Bahan Ajar .161 .942 -.094 .040

Harga Bimbingan -.088 -.110 .936 .052

Keindahan Interior -.034 -.087 .931 .069

Tempat Parkir .233 .055 .413 -.110

Kenyamanan .173 .156 -.134 .692

Keragaman Jadwal .210 .206 -.023 -.643

Lokasi Bimbel .265 .266 .170 .560

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.a

a. Rotation converged in 5 iterations.

Penentuan variabel masuk faktor mana ditentukan dengan melihat loading faktor atau
besarnya korelasi antara faktor yang terbentuk dengan variabel tersebut. Pada tabel Rotated
Component Matrix diatas telah diurutkan dari nilai yang terbesar ke terkecil per faktor.
Korelasi antara variabel kenyamanan dengan faktor satu (0,173), faktor dua (0,156), faktor tiga
(-0,134) dan faktor empat (0,692). Hal ini dapat dikatakan bahwa variabel kenyamanan masuk
ke dalam faktor empat, karena korelasinya paling tinggi diantara faktor yang lain.
Korelasi antara variabel lokasi bimbel dengan faktor satu (0,265), faktor dua (0,266),
faktor tiga (0,170) dan faktor empat (0,560). Hal ini dapat dikatakan bahwa variabel lokasi toko
masuk ke faktor empat.
Korelasi antara variabel kualitas bahan ajar dengan faktor satu (0,161), faktor dua (0,942),
faktor tiga (-0,940) dan faktor empat (0,40). Hal ini dapat dikatakan bahwa variabel kualitas
bahan ajar masuk faktor dua.
 Korelasi antara variabel kualitas tutor dengan faktor satu (0,952), faktor dua (0,163), faktor
tiga (0,021) dan faktor empat (0,081). Hal ini dapat dikatakan bahwa variabel kualitas tutor
masuk faktor satu.
Korelasi antara variabel harga bimbingan dengan faktor satu (-0,088), faktor dua (-0,110),
faktor tiga (0,936) dan faktor empat (0,081). Hal ini dapat dikatakan bahwa variabel harga
bimbingan masuk ke faktor tiga.
Korelasi antara variabel tempat parkir dengan faktor satu (0,233), faktor dua (0,055),
faktor tiga (0,413), faktor empat (-0,110). Hal ini dapat dikatakan bahwa variabel tempat parkir
masuk faktor tiga.
Korelasi antara variabel kebersihan dengan faktor satu (0,166), faktor dua (0,953), faktor
tiga (-0,41) dan faktor empat (-0,078). Hal ini dapat dikatakan bahwa variabel kebersihan
masuk ke faktor dua.
Korelasi antara variabel layanan petugas dengan faktor satu (0,948), faktor dua (0,176),
faktor tiga (0,035) dan faktor empat (0,036). Hal ini dapat dikatakan bahwa variabel layanan
petugas masuk faktor satu.
Korelasi antara variabel keragaman jadwal dengan faktor satu (0,210), faktor dua (0,206),
dengan faktor tiga (-0,023) dan faktor empat (0,643). Hal ini dapat dikatakan bahwa variabel
keragaman jadwal masuk ke faktor satu.
Korelasi antara variabel keindahan interior dengan faktor satu (0,948), faktor dua (0,176),
faktor tiga (0,035) dan faktor empat (0,078). Hal ini dapat dikatakan bahwa variabel keindahan
interior masuk faktor satu.
Maka dapat disimpulkan anggota masing-masing faktor :
a. Faktor satu : variabel kualitas tutor, variabel layanan petugas, variabel keragaman
jadwal dan variabel keindahan interior.
b. Faktor dua : variabel kualitas bahan ajar dan variabel kebersihan.
c. Faktor tiga : variabel harga bimbingan dan variabel tempat parkir.
d. Faktor empat : variabel kenyamanan dan variabel lokasi bimbel

4. Ada beberapa faktor yang terbentuk dari hasil analisis Anda?

Component Transformation Matrix

Component 1 2 3 4

1 .685 .685 -.145 .201

2 .258 -.103 .948 .158

3 -.675 .597 .183 .393

4 -.098 .403 .218 -.883

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 4 faktor yang terbentuk.
Setelah dilakukan rotasi dan terbentuk 4 faktor, selanjutnya memberi nama faktor
tersebut. Penamaan faktor ini tergantung peneliti dan dapat mewakili variabel-variabelnya.
a. Faktor satu kita beri nama faktor layanan dan fasilitas.
b. Faktor dua kita beri nama faktor kualitas dan kebersihan.
c. Faktor tiga kita beri nama faktor harga.
d. Faktor empat kita beri nama faktor akses.
Tabel di atas menunjukkan bahwa pada compenent 1 nilai korelasinya 0.685 > 0.5,
component 2 -0.103 < 0.5, component 3 0.183 < 0.5 dan component -0.883 < 0.5. karena ada
4 faktor yang terbentuk dapat dikatakan kurang tepat dalam merangkum 10 variabel yang ada.