Analisis Faktor Dengan SPSS

Misalkan kita akan mereduksi variabel kepuasan konsumen yang terdiri dari:

X1 (delivery speed), X2(prive level), X3(price flexibelity), X4 (manufacture image),X5(overall services),X6(salesforce imaje) dan X7(product quality)

Analyze > dimentional reduction > Analsis factor

Pada variabel: masukkan semua variabel

Pada descriptive: centangs emuanya

Pada rotation: pilih varimax

 

Berikut hasilnya:

KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.		,446
Bartlett's Test of Sphericity	Approx. Chi-Square	567,541
	df	21
	Sig.	,000

 

Anti-image Matrices
		X1	X2	X3	X4	X5	X6	X7
Anti-image Covariance	X1	,028	,028	,002	,015	-,025	-,006	-,002
	X2	,028	,032	,022	,014	-,026	-,005	-,020
	X3	,002	,022	,608	,044	-,011	-,040	,086
	X4	,015	,014	,044	,347	-,015	-,275	-,018
	X5	-,025	-,026	-,011	-,015	,023	,005	,010
	X6	-,006	-,005	-,040	-,275	,005	,371	-,044
	X7	-,002	-,020	,086	-,018	,010	-,044	,623
Anti-image Correlation	X1	,344a	,957	,018	,149	-,978	-,060	-,016
	X2	,957	,330a	,155	,134	-,975	-,045	-,141
	X3	,018	,155	,913a	,095	-,091	-,085	,140
	X4	,149	,134	,095	,558a	-,173	-,766	-,039
	X5	-,978	-,975	-,091	-,173	,288a	,052	,088
	X6	-,060	-,045	-,085	-,766	,052	,552a	-,092
	X7	-,016	-,141	,140	-,039	,088	-,092	,927a
a. Measures of Sampling Adequacy(MSA)

 

Terlihat bahwa nilai KMO < 0.5 sehingga kurang bagus jika dilanjut ke analisis faktor.Selanjutnya kita

Nelihat anti image correlation dan terlihat bahwa nilai terkecil adanya pada varaibel x5 yang hanya sebesar 0,288

Sehingga kita ulang lagi analisis faktor dengan mengeluar variabel x5

Berikut hasilnya:

KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.		,665
Bartlett's Test of Sphericity	Approx. Chi-Square	205,965
	df	15
	Sig.	,000

 

Nilai KMO sudah > 0.5 dan uji barlett signifikan sehingga dapat dilanjutkan dengan analisis faktor

Total Variance Explained
Component	Initial Eigenvalues			Extraction Sums of Squared Loadings			Rotation Sums of Squared Loadings
	Total	% of Variance	Cumulative %	Total	% of Variance	Cumulative %	Total	% of Variance	Cumulative %
1	2,513	41,892	41,892	2,513	41,892	41,892	2,370	39,497	39,497
2	1,740	28,992	70,883	1,740	28,992	70,883	1,883	31,386	70,883
3	,597	9,958	80,842
4	,530	8,826	89,668
5	,416	6,929	96,596
6	,204	3,404	100,000
Extraction Method: Principal Component Analysis.

Dari 6 variabel yang dianlisis ternyata ekstrasi komputer menajdi 2 faktor (nilai eigent >1 menjadi faktor). Faktor 1 mampu menjelaskan 41,89 persen sedangkan variabel 2 mampu menjelaskan 28,99 persen sehingga totdal kedua vaktor mampu menjelaskan 70,88 persen variasi.

Component Matrixa
	Component
	1	2
X1	-,627	,514
X2	,759	-,068
X3	-,730	,337
X4	,494	,798
X6	,425	,832
X7	,767	-,168
Extraction Method: Principal Component Analysis.
a. 2 components extracted.

 

Component Matrixa
	Component
	1	2
X1	-,627	,514
X2	,759	-,068
X3	-,730	,337
X4	,494	,798
X6	,425	,832
X7	,767	-,168
Extraction Method: Principal Component Analysis.
a. 2 components extracted.

 

Dengan melihat komponen matrix dan varimax rotated component matriks jelas bahwa yang mengelompok pada faktor 1 adalah x1, x2, x3 dan x7 semuanya dengan loading faktor di tas 0.5 Sedangkan yang mengelompok pada faktor 2 adalah x4 dan x4 dengan loading faktor di atas 0.9. Dengan melihat faktor-faktor yang masuk ke faktor 1 maka faktor 1 diberi nama strategi. Dengan melihat faktor-faktor yang masuk ke faktor 1 maka faktor 1 diberi nama image

 

 

download data analisis faktor dalam m.excel

baca juga analisis faktor dalam teori

baca juga analisis faktor denagn spss