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
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
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 a r tle tt' s T e s t
. 5 9 3
3 8 2 .0 4 6 2 8 . 0 0 0 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 q u a c y.
A p p r o x. C h i-S q u a re d f
S ig . B a rt le t t' s T e st o f
S p h e r icit y
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
2. Anti image matrices
Anti-image Matrices
.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 -.043 -.016 .619 -.221 -.002 .074 .062 -.099 .090 -.012 -.221 .653 .019 -.211 -.029 -.008 .014 -.033 -.002 .019 .036 .042 -.037 .062 -.047 -.051 .074 -.211 .042 .574 -.111 -.026 -.001 .021 .062 -.029 -.037 -.111 .678 .504a -.929 .114 .141 -.368 -.124 .244 -.096
Measures of Sampling Adequacy(MSA) a.
Variabel yang mempunyai Anti image correlation lebih kecil dari 0,5 dikeluarkan
dan pengujian diulang lagi
3. Uji KMO dan Bartlett (step 2) B artlett's Test of
S pher ic ity
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
4. Anti image matrices
Anti-image Matrices
.128 -.116 .006 .005 -.006 .039 -.036
-.116 .123 -.013 -.016 .013 -.023 .004
.006 -.013 .033 -.022 -.033 -.062 .021
.005 -.016 -.022 .705 .005 .003 .060
-.006 .013 -.033 .005 .036 .056 -.037
.039 -.023 -.062 .003 .056 .651 -.137
-.036 .004 .021 .060 -.037 -.137 .679
.548a -.920 .091 .015 -.085 .135 -.121
Kesehatan fisik dan mental Kesehatan fisik dan mental
Measures of Sampling Adequacy(MSA) a.
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
.
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 Variance Explained
3.267 46.669 46.669 3.267 46.669 46.669 2.882 41.167 41.167
1.621 23.161 69.830 1.621 23.161 69.830 2.006 28.663 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
Component 1 2 3 4 5 6 7
Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
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 Variance Explained
3.267 46.669 46.669 3.267 46.669 46.669 2.882 41.167 41.167
1.621 23.161 69.830 1.621 23.161 69.830 2.006 28.663 69.830
.832 11.885 81.715
Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
8. Component matrix
C o m p o n e n t M a tr i xa
Component matrix menunjukan distribusi ketujuh variabel awal pada dua
faktor yang terbentuk Angka-angka yang ada pada tabel adalah bobot faktor
(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)
.
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
R o t a t e d C o m p o n e n t M a t r i xa
. 9 4 1 . 1 2 9 . 9 2 8 . 0 8 4 . 6 3 2 . 1 2 8 . 6 1 4 . 0 0 4 . 5 7 1 . 2 9 5 . 1 0 2 . 9 7 6 . 1 5 2 . 9 6 3 P e n g e t a h u a n
" h u m a n - r e l a t i o n "
P e r a n s e b a g a i p e n d i d i k M o t i v a s i p r i b a d i
K e c a k a p a n s o s i a l K e m a m p u a n t e k n i s K e s e h a t a n f i s ik d a n m e n t a l
S t a b i li t a s e m o s i
1 2
C o m p o n e n t
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 .
R o t a t i o n c o n v e r g e d i n 3 i t e r a t i o n s . a .
10. Component transmormation matrix
C o m p o n e n t T r a n s f o rm a t io n M a tr i x
. 8 7 5 . 4 8 4
-. 4 8 4 . 8 7 5
C o m p o n e n t 1
2
1 2
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