KELOMPOK II
NIM Nama
210007301049 Zulfiani Wulandari
210007301051 Rismayanti
210007301052 Widya Salsabila Amri
210007301053 Ayu Rahyuni Ali
210007301056 A.Nurlutvia Ahmad
210007301059 Haryanti Dahlan
210007301061 Nur Fadliah Ahmad
210007301064 Wa Ode Sitti Alawiyah Yunus
210007301067 Irvan A. Mappangara
210007301068 Indah Perdana Putri
210007301070 Fitriana
210007301071 Fetty Amria
2
Analisis faktor berfungsi untuk mendapatkan sejumlah kecil faktor yang memiliki sifat-
sifat sebagai berikut:
Mampu Tiap-tiap
menerangkan Faktor-faktor faktor dapat
semaksimal tersebut diinterpretasik
mungkin saling bebas an dengan
keragaman sejelas-
data jelasnya
1 3
TUJUAN ANALISIS 2
FAKTOR
tujuan lainnya adalah, yaitu:
Tujuan utama analisis faktor 1. Menguji validitas dan reliabilitas
adalah memilih fakor-faktor instrumen dengan analisis faktor
Menurut Santoso
yang dapat menjelaskan konfirmatori.
keterkaitan (interrelationship) 2. Validasi data untuk mengetahui
Data summarization
apakah hasil analisis faktor
Data reduction tersebut dapat digeneralisasi ke
dalam populasinya
4
Asumsi Analisis Faktor
2 4 6
B 5 4 3 4 4
C 4 4 4 3 3
D 4 4 4 4 3
E 4 5 4 4 5
F 5 5 4 3 3
G 4 4 5 4 5
H 4 4 3 4 4
I 3 3 4 3 3
J 4 5 1 4 4
K 4 5 3 5 5
L 4 5 4 3 4
M 5 4 4 5 4
N 3 3 3 3 3
O 5 4 4 4 4
P 5 5 5 4 4
Q 3 2 2 3 3
R 4 3 3 3 3
S 3 4 3 3 3
T 3 4 4 4 3
U 4 4 2 5 5
V 4 4 3 3 3
9
Analisis dengan metode Analisis Faktor menggunakan program IBM SPSS 21
1. Siapkan data yang akan di analisis. Kemudian, 2. Buka Data View, lalu masukkan data yang telah
buka aplikasi SPSS dan klik Variable View. Pada diperoleh sehingga akan diperoleh tampilan seperti
kolom Name ketik X1 sampai X5 yang berguna berikut ini:
untuk mewakili 5 variabel studi kasus tersebut.
Begitupula pada kolom Decimal diubah menjadi
angka 0, Label diubah sesuai dengan variabel
studi kasus, serta Measure yang diubah ke scale
yang berarti data tersebut dapat diukur. Berikut ini
tampilan dari Variable View yang telah dibuat:
10
4. Setelah itu klik OK dan akan muncul output SPSS
3. Sebelum melakukan analisis faktor, terlebih yang menampilkan hasil uji normalitas menggunakan
dahulu lakukan uji normalitas dari kelima metode One-Sample Kolmogorov-Smirnov Test.
variabel yang akan diteliti dengan cara klik
Analyze pilih Nonparametric Tests pilih
One-Sample Kolmogorov-Smirnov Test
Legacy Dialogs klik 1-Sample K-S akan Minat Guru Media Penggunaan Teman
muncul kotak dialog One-Sample Kolmogorov- Pembelan Teknologi Sebaya
Smirnov Test. Setelah itu pindahkan kelima N 25 25 25 25 25
3,80
variable pada kotak Test Variable List, dan dapat Normal Parametersa,b
Mean 4,04 4,00 3,44 3,80
,764
dilihat bahwa pada bagian Test Distribution Std. Deviation ,735 ,816 ,917 ,764
Dari table di atas nilai Sig. maka dapat disimpulkan
bahwa kelima data dari varabel faktor yang diteliti
berdistribusi normal
11
Perhatikan bagian Anti-Image Correlation Anti-image Minat ,693a -,428 -,262 -,109 -,109
(MSA). Pembelajaran
bahwa nilai MSA untuk semua variabel Teman Sebaya -,109 -,126 ,077 -,496 ,657a
Berdasarkan output di atas, diketahui nilai Extraction untuk
semua variabel . Dengan demikian dapat disimpulkan bahwa
semua variabel dapat dipakai untuk menjelaskan faktor.
Berdasarkan hasil output diatas maka semua variabel dapat digunakan untuk
analisis faktor.
14
8. Kemudian Rotation
7. Selanjutnya klik kembali Analyze
dan pada bagian
Pilih Dimension Reduction klik
Method klik pilihan
Factor akan muncul kotak dialog
Varimax kemudian klik
Factor Analysis. Setelah itu klik
Continue.
Extraction dan pada bagian Display
berikan tanda centang pada pilihan
Scree plot lalu klik Continue.
Cumulative %
Cumulative %
% of Variance
% of Variance
% of Variance
Dimana syarat untuk menjadi sebuah faktor,
Total
Total
Total
maka nilai Eigenvalue harus > 1. Nilai
Eigenvalue Component 1 sebesar 2,293 atau
1 2,293 45,870 45,870 2,293 45,870 45,870 1,797 35,931 35,931
>1 maka menjadi faktor 1 dan mampu
2 1,211 24,228 70,098 1,211 24,228 70,098 1,708 34,167 70,098
menjelaskan 45,870% variasi.
3 ,628 12,554 82,652
4 ,439 8,777 91,429
Sedangkan nilai Eigenvalue Component 2
5 ,429 8,571 100,000
sebesar 1,211 atau >1 maka menjadi faktor 2
Extraction Method: Principal Component Analysis.
Ada dua macam analisis untuk menjelaskan suatu varian, dan mampu menjelaskan 24,228% variasi.
pertama Pada varian Initial Eigenvalues menunjukkan faktor Jika faktor 1 dan faktor 2 dijumlahkan maka
yang terbentuk. Apabila semua faktor dijumlahkan mampu menjelaskan 70,098% variasi. Untuk
menunjukkan jumlah variabel (yaitu variabel). Dan ke-dua nilai total Component 3, 4, dan 5 tidak dihitung
Extraction Sums of Squared Loadings menunjukkan jumlah sebab nilai Eigenvalue Component 3, 4, dan 5
variasi atau banyaknya faktor yang dapat terbentuk. pada hasil < 1 maka tidak menjadi sebuah faktor.
output di atas ada 2 (dua) variasi faktor, yaitu dan .
16
Output Kedua Tabel Output Ketiga
Component Matrixa
Component
1 2
Minat ,767 ,315
Guru ,771 ,222
Media Pembelajaran ,383 ,747
Penggunaan Teknologi ,694 -,503
Teman Sebaya ,694 -,503
Extraction Method: Principal Component Analysis.
a. 2 components extracted.
Dari output di atas terlihat pada variabel minat,
yakni nilai korelasi variabel ini dengan faktor 1
adalah sebesar , dan korelasi dengan faktor 2
Dari gambar Scree Plot di atas terdapat 2 titik adalah sebesar . Untuk variabel yang lain cara
Component yang memiliki nilai Eigenvalue maka dapat memaknainya sama seperti pada variabel minat.
diartikan bahwa terdapat 2 faktor yang dapat terbentuk.
Tabel Output Keempat 17
Variabel Media Pembelajaran. Nilai korelasi
Rotated Component Matrixa variabel ini dengan faktor 1 = -0,225 dan faktor 2 =
Component 0,809, karena nilai korelasi faktor 2 > faktor 1 maka
1 2 variabel Media Pembelajaran termasuk kelompok
Minat ,351 ,751 faktor 2.
Guru ,417 ,685 Variabel Penggunaan Teknologi. Nilai korelasi
Media Pembelajaran -,225 ,809
variabel ini dengan faktor 1 = 0,851 dan faktor 2 =
Penggunaan ,851 ,101
0,101, karena nilai korelasi faktor 1 > faktor 2 maka
Teknologi
variabel Penggunaan Teknologi termasuk kelompok
Teman Sebaya ,851 ,101
faktor 1.
Extraction Method: Principal Component Analysis.
Variabel Teman Sebaya. Nilai korelasi variabel ini
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
dengan faktor 1 = 0,851 dan faktor 2 = 0,101,
Cara membaca hasil analisis faktor model rotasi, karena nilai korelasi faktor 1 > faktor 2 maka
dapat mengikuti penjelasan berikut ini: variabel Teman Sebaya termasuk kelompok faktor
Variabel Minat. Nilai korelasi variabel ini dengan 1.
faktor 1 = 0,351 dan faktor 2 = 0,751, karena nilai
korelasi faktor 2 > faktor 1 maka variabel minat Dengan melihat pembahasan di atas maka kesimpulan
termasuk kelompok faktor 2. yang dapat kita ambil dalam analisis faktor ialah dari 5
Variabel Guru. Nilai korelasi variabel ini dengan variabel yang ada dapat direduksi menjadi dua faktor
faktor 1 = 0,417 dan faktor 2 = 0,685, karena nilai yaitu pada faktor 1 terdapat variabel Penggunaan
korelasi faktor 2 > faktor 1 maka variabel Guru teknologi dan teman sebaya, kemudian pada faktor 2
termasuk kelompok faktor 2. terdapat variabel minat, guru, dan media pembelajaran.
18
Tabel Output Kelima
1 ,735 ,678
2 -,678 ,735
Component Transformation Matrix menunjukkan bahwa pada component 1 nilai
korelasinya adalah sebesar , dan component 2 nilai korelasinya sebesar . Karena nilai
korelasi semua component > 0,5 maka kedua faktor yang terbentuk ini dapat
disimpulkan layak untuk merangkum kelima variabel yang dianalisis
19
Thanks!
Any questions?