Analisis Faktor Eksploratori Dengan SPSS

Analisis Faktor Eksploratori Dengan SPSS

Secara teoritis kita sudah sedikit banyak membahas secara konsepsi dan fungsi dari analisis faktor. Pada kesempatan kali ini kita akan coba uraikan tahapan penggunaan software SPSS dalam melakukan analisis faktor pada data yang kita miliki. Perlu diperhatikan oleh para peneliti adalah pemahaman secara teoritis apa itu analisis faktor dan komponen pengujian apa saja yang terdapat didalamnya, agar proses praktek yang dilakukan pada SPSS tidak membuat bingung peneliti itu sendiri.

Kita sarankan sebelum melakukan praktek dengan menggunakan SPSS, bagi yang baru saja menemukan artikel ini untuk membaca dan memahami artikel yang sudah kita tuliskan sebelumnya diantaranya, baca artikel : Analisis Komponen Utama (AKU), Analisis Faktor Ekploratori dan Kriteria Kebaikan Analisis Faktor Eksploratori. Hal ini penting agar mempermudah peneliti dalam memahami setiap tahapan yang akan kita paparkan pada pembahasan berikutnya.

Karena salah satu metode dalam analisis faktor adalah komponen utama, maka dalam proses pengaplikasiannya pada SPSS sama persis dengan tahapan yang dilakukan pada pengujian analisis komponen utama (baca artikel : Analisis Komponen Utama Dengan SPSS), perbedaannya terletak pada beberapa pemilihan menu tambahan yaitu pada uji kebaikan data dan optimasi pembentukan faktor dengan melibatkan rotasi. Secara lebih lengkap akan dipaparkan pada bagian berikut ini.

  1. Buka software SPSS lalu masukan data penelitian yang kita punya pada jendela Data View dan definisikan variabel yang kita punya di jendela Variabel View.

  1. Pastikan aturan yang sudah dikemukakan pada artikel sebelumnya dilakukan. Apabila satuan dari data kita berbeda lakukan standarisasi terlebih dahulu pada data yang kita punya.
  2. Setelahnya klik pada menu Analyse, pilih menu Data Reduction dan Factor lalu klik, maka akan muncul jendela seperti gambar berikut.

  1. Klik pada menu Descriptive, pilih centang semua item yang ada pada menu Statistics dan Correlation Matrix untuk mendapatkan semua informasi yang diperlukan terkait pengujian analisis faktor pada data penelitian lalu klik Continue, seperti tampak pada gambar berikut.

  1. Klik pada menu Extraction, pilih Method pada Principal Components dan pada Display centang tambahan untuk menampilkan Scree Plot lalu klik Continue, seperti tampak pada gambar berikut.

  1. Klik pada menu Rotation, pilih Method pada Varimax (disesuaikan dengan teori) dan pada Display centang pada semua menu lalu klik Continue, seperti tampak pada gambar berikut.

  1. Klik pada menu Scores centang pada pilihan Save as variables dan pilih metode yang digunakan dalam proses menghasilkan nilai Score. Pemunculan nilai scores ini diperlukan jika hendak dilakukan analisis lanjutan terhadap data Scores yang dihasilkan.

  1. Jika sudah yakin dengan berbagai pilihan perlakuan pada data dalam proses analisis, setelah semua variabel dimasukan ke dalam kolom Variables, lalu klik OK dan SPSS akan memproses data .

  1. Hasil dari analisis faktor dengan menggunakan metode Principal Component yang diproses oleh SPSS seperti ditunjukkan pada gambar berikut. Penjelasan pada output SPSS disesuaikan dengan penjelasan pada artikel sebelumnya. Yang penting untuk diperhatikan adalah penentuan jumlah komponen utama dan besar keragaman yang dapat dijelaskan oleh komponen utama.

Ouput 1. Komponen Utama Terbentuk (Scree Plot)

Output 2. Nilai Loading Komponen Utama (Component Matrix)

Output 3. Uji Kecukupan Data KMO dan Anti Image Matrix

  1. Selain bentuk output SPSS di atas, pada jendela Data View terdapat variabel baru yaitu skor dari faktor yang terbentuk. Nilai skor inilah yang nantinya menjadi data variabel baru yang dapat langsung diinterpretasikan maupun dilakukan pengujian lanjutan terhadap data variabel terbentuk.

Output 4. Score Faktor (Fac1)

Analisis Faktor Ekploratori seperti yang sudah kita paparkan pada artikel terkait dengan konsepsi dan fungsi metoda ini. Beberapa poin yang harus menjadi perhatian bagi peneliti adalah nilai pattern loading, nilai structure loading, nilai communalities dan nilai unique variance. Selain itu, peneliti pun dapat lebih memperhatikan pada ketiga ukuran kebaikan yang sudah dibahas pada artikel sebelumnya yaitu correlation matrix, anti image matrix dan Kaiser Meyer Olkin (KMO),  agar faktor yang dihasilkan dapat diinterpretasikan secara maksimal dan merupakan hasil yang memenuhi kriteria uji. SEMANGAT MENCOBA!!!

———————————————————————————————————————————————————-

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
  • “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Leave a Reply

Your email address will not be published. Required fields are marked *