P. 1
APLIKASI ANALISIS FAKTOR DENGAN SPSS BAGIAN 1

APLIKASI ANALISIS FAKTOR DENGAN SPSS BAGIAN 1

|Views: 2,329|Likes:
Published by Hendryadi
go to http://teorionline.wordpress.com/ for more reference's
go to http://teorionline.wordpress.com/ for more reference's

More info:

Published by: Hendryadi on Mar 22, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

07/30/2013

pdf

text

original

APLIKASI ANALISIS FAKTOR DENGAN SPSS VERSI 15.0 BAGIAN 1 UJI VALIDITAS FAKTOR http://teorionline.wordpress.

com/

A. PENDAHULUAN Analisis factor merupakan salah satu teknik statistic multivariate. Tujuannya adalah untuk mengelompokkan data menjadi beberapa kelompok sesuai dengan saling korelasi antar variabel. Pada aplikasi penelitian, analisis factor dapat digunakan untuk mengetahui pengelompokan individu sesuai dengan karakteristiknya, maupun untuk menguji validitas konstruk. Dalam analisis factor, tidak ada variabel dependen dan independen. Proses analisis factor sendiri mencoba menemukan hubungan (interrelationship) antar sejumlah variabel-variabel yang saling dependen dengan yang lain, sehingga bisa dibuat satu atau beberapa kumpulan variabel yang lebih sedikit dari jumlah awal. Contohnya. Ada 8 variabel yang bersifat independen satu dengan yang lain. Dengan analisis factor, 8 variabel tersebut mungkin bisa diringkas menjadi 3 kumpulan variabel baru (new set of variables). Kumpulan variabel tersebut disebut dengan factor, dimana factor tetap mencerminkan variabel-variabel aslinya. Dalam kegiatan penelitian, analisis factor paling tidak digunakan untuk : 1. Menguji Validitas Konstruk. Salah satu cara untuk menguji validitas konstruk dapat dilakukan dengan menggunakan analisis factor. Analisis factor akan menampilkan hasil ekstaksi butir-butir pertanyaan menjadi beberapa komponen yang diinginkan peneliti. Prinsip yang digunakan sama yaitu mengelompokkan data berdasarkan interkorelasi antar butir. Sebuah butir / item dinyatakan merupakan pembentuk factor jika nilai korelasinya lebih besar sama dengan (>=) 0,5. 2. Menguji Validitas Faktor. Dalam analisis ini, pengujian dilakukan untuk melihat seberapa besar korelasi antara factor satu dengan yang lain yang menjadi pembentuk variabel. Jika ditemukan korelasi yang cukup kuat diantara factor-faktor pembentuk maka factor tersebut dinyatakan memang sebagai pembentuk variabel. Besarnya matrik korelasi yang lazim digunakan adalah 0,5 Dalam SEM, analisis factor konfirmatory (CFA) ditujukan untuk menguji validitas dan reliabilitas. Atau lebih tepatnya adalah untu menguji

konsep teori, atau konstruk, atau laten variabel, yang tidak dapat diobservasi langsung. Dengan demikian, menurut Kusnendi (2008:98), tujuan utama dari CFA adalah untuk mengkonfirmasikan model, yaitu model pengukuran yang perumusannya berasal dari teori. Sesuai dengan itu, maka permasalahan penelitian dalam kerangka CFA paling tidak akan membahas antara lain : 1. Apakah indicator-indikator yang dikonsepsikan secara unidimensional, tepat, dan konsistenn dapat menjelaskan konstruk yang diteliti 2. Indikator-indikator apa yang dominan membentuk konstruk yang diteliti. (pembahasan lebih lanjut mengenai CFA akan dibahas kemudian).

B. STUDI KASUS UJI VALIDITAS FAKTOR Dari pada bingung dengan berbagai definisi di atas, berikut ini akan ditampilkan contoh aplikasi analisis factor. Kasus 1. Variabel yang diuji adalah kepemimpinan transformasional. Konstruk kepemimpinan ini dibentuk dari 5 indikator yaitu Attributed charisma (karisma), Idealized influence (pengaruh ideal), Inspirational motivation (motivasi dan menginspirasi), Intelectual stimulation (stimulasi intelektual), dan Individualized consideration (perhatian terhadap individu). Sampel berjumlah 101, dan instrument pengumpul data adalah angket terbuka. Data dapat didownload di sini Penyelesaian Kasus Cara melakukan analisis factor adalah : 1. Buka file baru pada SPSS 2. Klik Analyze > Dat Reduction > Factor 3. Setelah muncul kotak factor analysis, masukkan seluruh faktor ke dalam kotak “VARIABLES” yang ada disebelah kanan.

Keterangan : KT1 adalah kepemimpinan transformasional factor ke-1, dst

4. Klik DESKRIPTIVES yang ada disebelah kiri bawah kotak dialog.

5. Pilih dengan menandai KMO and Bartlett’s Test of Sphericity serta Anti Image. Kemudian Klik Continue. 6. Klik OK. Intreprestasi Hasil

KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig. .764 143.757 10 .000

Dari hasil analisis diperoleh nilai Kaiser-Meyer-Olkin Measure of Sampling Adequacy pada kotak KMO and Bartlet’s Test adalah sebesar 0,764. Hasil ini memperlihatkan bahwa instrumen ini valid karena nilai KMO telah melebihi dari 0,5. Disamping itu, dilihat dari nilai Bartlett’s Test menunjukkan nilai 143,757 dengan nilai signifikansi 0,000 sehingga dapat disimpulkan bahwa instrumen ini telah memenuhi syarat valid.
Anti-image Matrices Anti-image Covariance X21 X22 X23 X24 X25 Anti-image Correlation X21 X22 X23 X24 X25 X21 .588 -.278 -.024 -.135 -.081 .750a -.456 -.040 -.214 -.139 X22 -.278 .631 -.105 -.067 .012 -.456 .742a -.172 -.101 .020 X23 -.024 -.105 .593 -.080 -.272 -.040 -.172 .756a -.126 -.464 X24 -.135 -.067 -.080 .682 -.149 -.214 -.101 -.126 .849a -.238 X25 -.081 .012 -.272 -.149 .578 -.139 .020 -.464 -.238 .739a

a. Measures of Sampling Adequacy(MSA)

Selanjutnya, hasil korelasi dari masing-masing faktor tersebut juga tergolong tinggi (> 0,5). Hasil pengujian analisis diketahui bahwa nilai korelasi masing-masing faktor yaitu : karisma 0,750 (KT1), pengaruh Ideal (KT2) 0,742, motivasi inspirasional (KT3) 0,756, Stimulasi Intelektual (KT4) 0,849, dan perhatian Individual (KT5) 0,739. Sehingga berdasarkan hasil pengujian validitas faktor dapat disimpulkan bahwa semua faktor adalah valid sebagai pembentuk variabel kepemimpinan transformasional.

OUTPUT Factor Analysis 1
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig. .764 143.757 10 .000

Anti-image Matrices Anti-image Covariance KT1 KT2 KT3 KT4 KT5 Anti-image Correlation KT1 KT2 KT3 KT4 KT5 KT1 .588 -.278 -.024 -.135 -.081 .750a -.456 -.040 -.214 -.139 KT2 -.278 .631 -.105 -.067 .012 -.456 .742a -.172 -.101 .020 KT3 -.024 -.105 .593 -.080 -.272 -.040 -.172 .756a -.126 -.464 KT4 -.135 -.067 -.080 .682 -.149 -.214 -.101 -.126 .849a -.238 KT5 -.081 .012 -.272 -.149 .578 -.139 .020 -.464 -.238 .739a

a. Measures of Sampling Adequacy(MSA)

Communalities KT1 KT2 KT3 KT4 KT5 Initial 1.000 1.000 1.000 1.000 1.000 Extraction .571 .504 .565 .528 .568

Extraction Method: Principal Component Analysis.

Total Variance Explained Initial Eigenvalues % of Variance Cumulative % 54.711 54.711 17.052 71.763 11.993 83.756 8.827 92.584 7.416 100.000 Extraction Sums of Squared Loadings Total % of Variance Cumulative % 2.736 54.711 54.711

Component 1 2 3 4 5

Total 2.736 .853 .600 .441 .371

Extraction Method: Principal Component Analysis.

a Component Matrix

KT1 KT2 KT3 KT4 KT5

Compone nt 1 .755 .710 .752 .727 .754

Extraction Method: Principal Component Analysis. a. 1 components extracted.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->