Analisis Faktor di SPSS 25

doel.web.id – Apakah anda sedang mencari informasi mengenai analisis faktor di SPSS 25 yang mungkin hal ini masih banyak tidak diketahui pengguna SPSS25 khusus bagi anda yang baru ingin memulai menggunakan software ini.

Confirmatory Factor Analysis atau yang disebut juga uji Validitas dalam SPSS dapat dilakukan juga dengan menggunakan program SPSS yaitu melalui Analisis Faktor. Analisis faktor konfirmatori digunakan untuk menguji apakah suatu konstruk mempunyai unidimensionalitas atau apakah indikator-indikator autonom1 sampai autonom4 yang digunakan dapat mengkonfirmasikan sebuah konstruk atau variabel AUTONOMI. Apabila masing-masing indikator merupakan indikator pengukur konstruk AUTONOMI maka akan memiliki nilai loading factor yang tinggi.

Sebagai contoh, dalam uji analisis faktor ini anda menggunakan contoh kasus peningkatan pelayanan sebuah toko grosir dimana anda sebagai pemilik atau manajer toko grosir ingin mengetahui variabel-variabel apa yang dominan dipersepsikan oleh konsumen. Variabel-variabel tersebut kemudian dibuat kuesioner dan disebarkan pada pengunjung swalayan sebanyak 100 orang sebagai sampel. Variabel pertanyaan tersebut meliputi : kenyamanan, lokasi toko, kualitas produk, harga produk, tempat parkir, kebersihan, pelayanan kasir, keberagaman produk dan fasilitas, keindahan interior ruangan.

Maka berikut langkah-langkah Analisis Faktor dengan download SPSS 25 yang bisa anda lakukan sebagai berikut.

• Dari menu SPSS Klik Analyze >> Dimension Reduction >> Factor
• Kemudian anda bisa masukkan variabel kuesioner ke dalam kotak variable (s)
• Lalu anda bisa klik Descriptive, Klik KMO Bartletts test of Sphericity dan anti Image
• Klik Initial Solution

Hasil Output bisa anda simak sebagai berikut :

Tabel KMO and Bartlet’s Test

Pada tabel KMO dan bartlett’s test di atas terlihat angka KMO Measure of sampling Adequacy (MSA) adalah 0.568. Karena nilai 0.568 (‘> 0.5). Hal ini menunjukkan kecukupan dari sampel. Angka KMO dan Bartlet’s test (yang tanpak pada nilai chi-square) sebesar 574,473 dengan nilai signifikansi 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.

Tabel Anti -image Matrices

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 toko 0.659, Kualitas produk 0.569), harga produk 0.569, tempat parkir 0.520, kebersihan 0.652, pelayanan kasir 0.564, keberagaman produk 0.581, fasilitas 0.811 dan keindahan interior 0.517. Nilai MSA masing-masing variabel besarnya > 0.5 maka semua variabel dapat diproses lebih lanjut.

Sebagai catatan, apabila terdapat variabel yang nilai MSA < 0.5 maka dilakukan proses ulang dari awal dengan mengeluarkan variabel tersebut yang nilai MSA < 0.5.

Selanjutnya, berikut Langkah analisis yang bisa anda lakukan sebagai berikut.

• Dari menu SPSS, anda bisa membuka kembali analisis factor
• Lalu tekan tombol reset
• Anda bisa masukkan semua variabel ke dalam kolom variables(s) karena semua variabel lolos uji pertama.
• Kemudian klik tombol Descriptive, Klik Initial solution, KMO and Bartlett’s test of Sphericity, anti Image dan Klik Continue.
• Klik Extraction, Klik screee plot, Klik continue
• Lalu anda bisa klik Scores, Klik save as variable Pilih regression.
• Klik Continue dan klik OK.

Tabel. Communalities

Tabel Communalities, variabel kenyamanan besarnya 0,551. Hal ini berarti sekitar 55,1% varians dari variabel kenyamanan dapat dijelaskan oleh faktor yang terbentuk. Variabel lokasi toko 0,483 hal ini berarti 48,3% varian dari variabel lokasi toko dapat dijelaskan oleh faktor yang terbentuk. Demikian juga untuk variabel yang lain. Semakin kecil nilai communalities berarti semakin lemah hubungannya dengan faktor yang terbentuk.

Tabel. Total Variance Explained

Pada tabel Total Variance Explained di atas menunjukkan ada 4 faktor yang terbentuk dari 10 variabel yang di masukkan. Masing-masing faktor eigenvalue > 1. Faktor 1 eigen value sebesar 2,938 dengan variance (29,382%), Faktor 2 eigenvalue sebesar 2,024 dengan variance (20,237%), Faktor 3 eigenvalue sebesar 1,193 dengan (11,933%) dan Faktor 4 eigenvalue sebesar 1,142 dengan variance (11,422%).

Nilai eigenvalue 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).

2,938/10 x 100% = 29,38%

2,024/10 x 100% = 20,24%

1,193/10 x 100% = 11,93%

1,142/10 x 100% = 11,42%

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.

Tabel. Rotated Component Matrix

Rotated Component matrix nilai loading faktor dari tiap-tiap variabel. Loading faktor merupakan besarnya korelasi antara faktor yang terbentuk dengan variabel tersebut. Untuk variabel kenyamanan, korelasi antara variabel kenyamanan dengan faktor 1 (0,173), faktor 2 (0,156), faktor 3 (-0,134), faktor 4 (0,692). Hal ini dapat dikatakan bahwa variabel kenyamanan masuk ke dalam Faktor 4, karena korelasinya paling tinggi diantara faktor yang lain. Demikian juga faktor loading untuk variabel yang lain.

• Variabel lokasi toko nilai loading faktor dengan faktor 1 (0,265), faktor 2 (0,266), faktor 3 (0,170), faktor 4 (0,560). Maka variabel lokasi toko masuk ke Faktor 4.
• Variabel kualitas produk nilai loading faktor dengan faktor 1 (0,161), faktor 2 (0,942), faktor 3 (-0,940), faktor 4 (0,40). Maka variabel kualitas produk masuk Faktor 2.
• Variabel harga produk nilai loading faktor dengan faktor 1 (0,952), faktor 2 (0,163), faktor 3 (0,021), faktor 4 (0,081). Maka variabel harga produk masuk Faktor 1.
• Variabel tempat parkir nilai loading faktor dengan faktor 1 (-0,088), faktor 2 (-0,110), faktor 3 (0,936), faktor 4 (0,081). Maka variabel tempat parkir masuk ke Faktor 3.
• Variabel kebersihan nilai loading faktor dengan faktor 1 (0,233), faktor 2 (0,055), faktor 3 (0,413), faktor 4 (-0,110). Maka variabel kebersihan masuk Faktor 3.
• Variabel pelayanan kasir nilai loading faktor dengan faktor 1 (0,166), faktor 2 (0,953), faktor 3 (-0,41), faktor 4 (-0,078). Maka variabel pelayanan kasir masuk ke Faktor 2.
• Variabel keberagaman produk nlai loading faktor dengan faktor 1 (0,948), faktor 2 (0,176), faktor 3 (0,035), faktor 4 (0,036). Maka variabel keberagaman produk masuk Faktor 1.
• Variabel fasilitas faktor nlai loading dengan faktor 1 (0,210), faktor 2 (0,206), dengan faktor 3 (-0,023) dan faktor 4 (0,643). Maka variabel fasilitas masuk ke Faktor 1.
• Variabel keindahan interior nilai loading faktor dengan faktor 1 (0,948), faktor 2 (0,176), faktor 3 (0,035), faktor 4 (0,078). Maka variabel keindahan interior masuk Faktor 1.

Tabel. Component Transformation Matrix

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.

• Faktor 1 terdiri dari variabel harga produk, keberagaman produk dan fasilitas. Memiliki nama Faktor Produk dan Fasilitas.
• Faktor 2 terdiri dari variabel kualitas produk dan pelayanan kasir. Memiliki nama Faktor Kualitas dan Pelayanan.
• Faktor 3 terdiri dari variabel kebersihan dan keindahan interior. Memiliki nama Faktor Kebersihan.
• Faktor 4 terdiri dari variabel kenyamanan dan variabel lokasi toko. Memiliki nama Faktor Akses.

FAQ Analisis Faktor di SPSS 25

Apa itu analisis faktor spss?

Perlu anda ketahui bahwa analisis faktor adalah analisis yang bertujuan mencari faktor-faktor utama yang paling mempengaruhi variabel dependen dari serangkaian uji yang dilakukan atas serangkaian variabel independen sebagai faktornya.

Apa Langkah langkah dalam analisis faktor?

Langkah kerja analisis faktor pada dasarnya terdiri dari: 1) menyusun matriks data yang berupa matriks korelasi antar variabel asli, 2) melakukan ekstraksi faktor atau disebut juga dekomposisi matriks data menjadi faktor-faktor, 3) merotasi faktor dan 4) menginterpretasi faktor hasil rotasi.

Demikian informasi mengenai informasi mengenai analisis faktor di SPSS 25 beserta hal-hal yang perlu anda ketahui. Semoga berguna dan bermanfaat.