Output Analisis Faktor Spss

Analisis Output Analisis Faktor Dengan Program SPSS (Studi kasus variabel konstrak “Kepemimpinan”) Analisis faktor adalah prosedur untuk mengidentifikasi item atau variabel berdasarkan kemiripannya. Kemiripan tersebut ditunjukkan dengan nilai korelasi yang tinggi. Item-item yang memiliki korelasi yang tinggi akan membentuk satu kerumunan faktor. Dalam analisis faktor dikenal istilah konstrak empirik dan konstrak laten. Item adalah konstrak empirik karena didapatkan langsung dari skor empirik. Faktor merupakan konstrak yang bersifat laten karena tidak ada data empirik yang menunjukkan besarnya faktor tersebut. Faktor adalah konstrak buatan peneliti berdasarkan item-item dalam faktor tersebut. Karena faktor didapatkan dari seperangkat item yang memiliki interkorelasi yang tinggi, peneliti kemudian harus merasionalisasi seperangkat item kemudian memberi label untuk menggambarkan seperangkat item item tersebut. Analisis faktor memungkinkan peneliti untuk [1] menguji ketepatan model (goodness of fit test) faktor yang terbentuk dari item-item alat ukur, [2] menguji kesetaraan unit pengukuran antar item, [3] menguji reliabilitas item-item pada tiap faktor yang diukur, [4] menguji adanya invarian item pada populasi. Sebagai ilustrasi analisis faktor, seorang penjual HP bekas dapat menentukan sendiri berapa harga yang dia minta atau meminta kepada pembeli untuk menaksir harga HP yang dijualnya. Dalam analisis faktor pun demikian. Ada dua alternatif yang dapat kita pilih. Kita menentukan sendiri berapa faktor didalam data kita (analisis faktor konfirmatori) atau memilih menanyakan berapa faktor dari data kita sebenarnya (analisis faktor eksploratori). Berikut ini akan diperjelas masing-masing jenis analisis faktor tersebut. 1. Analisis Faktor Eksploratori (Exploratory Factor Analysis) Seorang peneliti membuat seperangkat item yang mengukur kualitas pelayanan bank. Item tersebut merupakan operasionalisasi dari teori dan indikator mengenai kualitas layanan. Peneliti hendak mengidentifikasi berapa faktor yang ada di dalam seperangkat item tersebut. Dari analisis faktor kemudian didapatkan ada 4 faktor yang menggambarkan kualitas layanan

Alumniti (860011)

bank, antara lain faktor fitur layanan, fasilitas gedung, keramahan karyawan, serta jaminan keamanan. 2. Analisis Faktor Konfirmatori (Confirmatory Factor Analysis). Seorang peneliti merancang sebuah alat ukur mengenai dukungan sosial. Alat ukur tersebut berisi seperangkat item yang diturunkan dari lima dimensi dukungan sosial. Peneliti berusaha memastikan apakah alat ukur yang dibuatnya benar-benar menjelaskan kelima dimensi tersebut. Ia kemudian melakukan analisis faktor konfirmatori. Hasil dari analisis faktor menunjukkan bahwa pembagian kelima faktor akhirnya dibuktikan.

Analisis faktor memiliki fungsi penting dalam pengembangan alat ukur. Beberapa fungsi tersebut antara lain adalah sebagai berikut . 1. Pengujian Dimensionalitas Pengukuran Dimensionalitas pengukuran adalah banyaknya atribut yang diukur oleh sebuah alat ukur. Alat ukur yang unidimensi mengukur satu atribut psikologis saja sedangkan alat ukur yang multidimensi mengukur lebih dari satu atribut ukur. Pengukuran dalam bidang psikologi didominasi oleh pengukuran unidimensi karena alat ukur yang dikembangkan peneliti psikologi biasanya mengukur satu target ukur saja. Misalnya Skala Kecemasan, skala ini diharapkan mengukur atribut kecemasan saja dan tidak mengukur atribut yang lain. Untuk mengetahui apakah alat ukur yang dikembangkan oleh peneliti mengukur satu atribut atau banyak atribut diperlukan analisis faktor. 2. Pengujian Komponen Dalam Alat Ukur Penyusunan alat ukur psikologi biasanya diawali dari penurunan konsep menjadi komponen-komponen konsep sebelum diturunkan menjadi item berupa pernyataan skala. Untuk mengidentifikasi apakah item-item yang diturunkan dari komponen alat ukur mewakili komponen tersebut maka diperlukan analisis faktor. Analisis faktor juga

Alumniti (860011)

Output analisis fakor dengan program SPSS Berikut ini adalah output analisis faktor untuk variabel kepemimpinan yang terdiri dari delapan indikator (item), yaitu : 1. Kesehatan fisik dan mental 2. Stabilitas emosional 3. Pengetahuan mengenai “human-relation” 4. Motivasi pribadi 5. Kemampuan komunikasi 6. Peran sebagai pendidik 7. Kecakapan sosial 8. Kemampuan teknis

1. Uji KMO dan Bartlett (step 1)

K M O a n d B ar tle tt' s T e s t K a ise r-M e y e r- O lkin M e a s u re o f Sa m p lin g A d e qu a c y. B a rt le t t' s T e st o f S p h er icity

A p p r o x. C h i-S q u a re df S ig .

.593 3 8 2 .0 4 6 28 .000

Angka KMO sebesar 0,593 (lebih besar dari 0,5) menunjukan bahwa sampel yang diambil sudah cukup memadai. Angka signifikansi sebesar 0,000 (lebih kecil dari 0,05) menunjukan bahwa variabel penelitian dapat diprediksi dan dianalisis lebih lanjut

Alumniti (860011)

2. Anti image matrices

Anti-image Matrices Kesehatan Pengetahuan Peran fisik dan Stabilitas "human-relati Motivasi Kemampuan sebagai Kecakapan Kemampuan emosi pribadi komunikasi pendidik sosial teknis mental on" Anti-image CovarianKesehatan fisik dan mental Stabilitas emosi Pengetahuan "human-relation" Motivasi pribadi Kemampuan komunik Peran sebagai pendid Kecakapan sosial Kemampuan teknis Anti-image Correlati Kesehatan fisik dan mental Stabilitas emosi Pengetahuan "human-relation" Motivasi pribadi Kemampuan komunik Peran sebagai pendid Kecakapan sosial Kemampuan teknis

.111

-.102

.007

.037

-.099

-.008

.062

-.026

-.102

.109

-.013

-.043

.090

.014

-.047

-.001

.007

-.013

.033

-.016

-.012

-.033

-.051

.021

.037 -.099 -.008 .062 -.026

-.043 .090 .014 -.047 -.001

-.016 -.012 -.033 -.051 .021

.619 -.221 -.002 .074 .062

-.221 .653 .019 -.211 -.029

-.002 .019 .036 .042 -.037

.074 -.211 .042 .574 -.111

.062 -.029 -.037 -.111 .678

.114

.141

-.368

-.124

.244

-.096

-.220

-.164

.336

.226

-.186

-.003

-.110

-.080

-.967

-.371

.142

-.348 .461a .123 -.345 -.044

-.013 .123 .594a .296 -.238

.124 -.345 .296 .587a -.179

.096 -.044 -.238 -.179 .859a

a

.504 -.929 .114 .141 -.368 -.124 .244 -.096

-.929 .506a -.220 -.164 .336 .226 -.186 -.003

a

.611

-.110 -.080 -.967 -.371 .142

.806a -.348 -.013 .124 .096

a. Measures of Sampling Adequacy(MSA)

Variabel yang mempunyai Anti image correlation lebih kecil dari 0,5 dikeluarkan dan pengujian diulang lagi

3. Uji KMO dan Bartlett (step 2)

KM O and Bart le tt's Test K aiser -M eyer -Olk in M ea sur e o f S am plin g A dequa cy. B artlett's Test of S pher ic ity

A ppro x. C hi-S quar e df S ig.

.619 360 .10 6 21 .000

Angka KMO sebesar 0,593 (lebih besar dari 0,5) menunjukan bahwa sampel yang diambil sudah cukup memadai. Angka signifikansi sebesar 0,000 (lebih kecil dari 0,05) menunjukan bahwa variabel penelitian dapat diprediksi dan dianalisis lebih lanjut

Alumniti (860011)

4. Anti image matrices

Anti-image Matrices Kesehatan fisik dan mental Anti-image Covarian Kesehatan fisik dan mental Stabilitas emosi Pengetahuan "human-relation" Motivasi pribadi Peran sebagai pendid Kecakapan sosial Kemampuan teknis Anti-image Correlatio Kesehatan fisik dan mental Stabilitas emosi Pengetahuan "human-relation" Motivasi pribadi Peran sebagai pendid Kecakapan sosial Kemampuan teknis

Pengetahuan Stabilitas "human-relati Motivasi emosi pribadi on"

Peran sebagai pendidik

Kecakapan Kemampuan sosial teknis

.128

-.116

.006

.005

-.006

.039

-.036

-.116

.123

-.013

-.016

.013

-.023

.004

.006

-.013

.033

-.022

-.033

-.062

.021

.005 -.006 .039 -.036

-.016 .013 -.023 .004

-.022 -.033 -.062 .021

.705 .005 .003 .060

.005 .036 .056 -.037

.003 .056 .651 -.137

.060 -.037 -.137 .679

.091

.015

-.085

.135

-.121

-.206

-.053

.197

-.080

.013

-.147

-.967

-.426

.139

.031 .589a .363 -.235

.004 .363 .590a -.207

.086 -.235 -.207 .845a

a

.548

-.920

-.920 .550a

a

.091

-.206

.599

.015 -.085 .135 -.121

-.053 .197 -.080 .013

-.147 -.967 -.426 .139

.956a .031 .004 .086

a. Measures of Sampling Adequacy(MSA)

Variabel yang mempunyai Anti image correlation lebih kecil dari 0,5 dikeluarkan dan pengujian diulang lagi

5. Communalities Communalities menunjukkan sumbangan efektif tiap item terhadap faktor yang terbentuk. Misalnya Kesehatan fisik dan mental mempunyai nilai komunaliti sebesar 0,962. hal ini menunjukan bahwa 96,2 persen variansi dari variabel Kesehatan fisik dan mental dapat dijelaskan oleh faktor yang terbentuk .

Alumniti (860011)

6. Total Variance Explained Total Variance Explained adalah persentase varian konstrak ukur yang dapat dijelaskan oleh pembagian faktor. Ada 7 variabel (component) yang dimasukan dalam analisis faktor. Dengan masing-masing variabel mempunyai variansi 1 maka total variansi adalah 7 x 1 = 1 Jika ke-7 variabel “diringkas” menjadi satu faktor, maka variansi yang dapat dijelaskan oleh satu faktor tersebut adalah 3,267/7 x 100 % = 46,669 % Jika ke-7 variabel “diringkas” menjadi dua faktor, maka variansi yang dapat dijelaskan oleh kedua faktor tersebut adalah : variansi faktor pertama

:

3,267/7 x 100 % = 46,669 %

variansi faktor kedua

:

1,621/7 x 100 % = 23,161 %

Kedua faktor tersebut secara total dapat menjelaskan 46,699 % + 23,161 % atau 69,830 % dari variansi ke tujuh variabel awal Total VarianceExplained

Component 1 2 3 4 5 6 7

Initial Eigenvalues Total %of Variance Cumulative% 3.267 46.669 46.669 1.621 23.161 69.830 .832 11.885 81.715 .702 10.033 91.748 .493 7.045 98.793 .067 .960 99.753 .017 .247 100.000

ExtractionMethod: Principal Component Analysis.

Alumniti (860011)

ExtractionSumsof SquaredLoadings Total %of Variance Cumulative% 3.267 46.669 46.669 1.621 23.161 69.830

RotationSumsof SquaredLoadings Total %of Variance Cumulative% 2.882 41.167 41.167 2.006 28.663 69.830

7. Eigenvalues Eigenvalues menunjukan kepentingan relatif masing-masing faktor dalam menghitung variansi ketujuh variabel awal yang dianalisis. Jumlah angka eigenvalues untuk ketujuh variabel adalah sama dengan total variansi ketujuh variabel, atau 3,267 + 1,621 + ……. + 0,017 = 7 Susunan eigenvalues selalu diurutkan dari yang terbesar sampai yang terkecil, dengan kriteria bahwa angka eigenvalues dibawah 1 tidak digunakan dalam menghitng jumlah faktor yang terbentuk Berdasarkan tabel di atas, angka eigenvalues yang lebih besar dari 1 ada dua (3,267 dan 1,621) sehingga faktor yang terbentuk adalah dua

Total VarianceExplained

Component 1 2 3 4 5 6 7

Initial Eigenvalues Total %of Variance Cumulative% 3.267 46.669 46.669 1.621 23.161 69.830 .832 11.885 81.715 .702 10.033 91.748 .493 7.045 98.793 .067 .960 99.753 .017 .247 100.000

ExtractionSumsof SquaredLoadings Total %of Variance Cumulative% 3.267 46.669 46.669 1.621 23.161 69.830

RotationSumsof SquaredLoadings Total %of Variance Cumulative% 2.882 41.167 41.167 2.006 28.663 69.830

ExtractionMethod: Principal Component Analysis.

8. Component matrix

C o m p o n e n t M a tr i xa Com po nent 1 P engetahua n " h u m a n -r e la t io n " P e ra n s e b a g a i p e n d id ik K e m a m p u a n t e k n is M o t iv a s i p r ib a d i K e c a k a p a n s o s ia l K e s e h a ta n f is ik d a n m ental S ta b ilit a s e m o s i

2 .886

-. 3 4 3

.852 .642 .615 .539

-. 3 7 6 -. 0 1 8 -. 1 9 4 -. 2 9 3

.561

.805

.599

.769

E x t ra c tio n M e t h o d : P r in c ip a l C o m p o n e n t A n a ly s is . a . 2 c o m p o n e n t s e x tr a c t e d .

Component matrix menunjukan distribusi ketujuh variabel awal pada dua faktor yang terbentuk Angka-angka yang ada pada tabel adalah bobot faktor

Alumniti (860011)

(factor loading), yang menunjukan besarnya korelasi antara variabel awal dengan faktor yang terbentuk . Ex : Korelasi antara Pengetahuan “human relation” dengan faktor 1 adalah 0,886 (kuat karena di atas 0,5). Korelasi antara Pengetahuan “human relation” dengan faktor 2 adalah 0,343 (lemah karena di bawah 0,5)

9. Rotated component matrix Proses inti dari analisis faktor adalah melakukan ekstraksi terhadap sejumlah variabel sehingga terbentuk satu faktor atau lebih (metode : principal component analysis). Ada kemungkinan suatu variabel sulit untuk ditentukan akan masuk kedalam faktor yang mana. Rotasi faktor akan memperjelas posisi sebuah variabel, akankah dimasukan pada faktor yang satu atau pada faktor yang lain (metode : varimax)

. R o t a te d

C o m p o n e n t M a t r i xa C o m p o n e n t 1

P e n g e ta h u a n " h u m a n - re la t io n " P e ra n s e b a g a i p e n d id ik M o t iv a s i p r ib a d i K e c a k a p a n s o s ia l K e m a m p u a n t e k n is K e s e h a t a n f i s ik d a n m e n ta l S t a b i li t a s e m o s i

2 .9 4 1

.1 2 9

. . . .

. . . .

9 6 6 5

2 3 1 7

8 2 4 1

0 1 0 2

8 2 0 9

4 8 4 5

.1 0 2

.9 7 6

.1 5 2

.9 6 3

E x t r a c t io n M e t h o d : P r i n c i p a l C o m p o n e n t A n a l y s i s . R o t a t i o n M e t h o d : V a r im a x w i t h K a i s e r N o r m a l iz a t io n . a . R o ta t i o n c o n v e r g e d i n 3 i t e r a ti o n s .

Rotatade component matrix memperlihatkan distribusi variabel yang lebih jelas dan nyata dengan cara menghilangkan nilai korelasi yang “cukup meragukan” karena bernilai pada sekitar 0,5

Alumniti (860011)

10. Component transmormation matrix

C o m p o n e n t T ra n s f o rm a t io n M a tri x Co mp onent 1 2

1 .875 -. 4 8 4

2 .484 .875

E xt ra c t io n M e t h o d : P rin cip a l C o m p o n e n t An a lysis . R o ta t io n M e t h o d : V a r im a x w it h K a is e r N o r m a liz a t io n .

Angka-angka diagonal pada tabel adalah lebih besar dari 0,5. Hal ini menunjukan bahwa kedua faktor yang terbentuk sudah tepat karena mempunyai korelasi yang tinggi

Alumniti (860011)