Nama : Muhamad ilham pratama

Npm 24023121297

Bimbingan :Lala k Shafitri

Lab. Analisis Multivariat – B

ANALISIS FAKTOR KONFIRMATORI

Kasus :
Seorang peneliti melakukan penelitian dengan tujuan menganalisis faktor konfirmatori
Pada kasus ini variabel penelitian diukur menggunakan data sebanyak 20 indikator dan
jumlah responden sebanyak 50.

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure 0,759
of Sampling Adequacy.
Bartlett's Test Approx. 710,131
of Sphericity Chi-
Square
df 190
Sig. 0,000

Dalam uji KMO, jika nilai MSA lebih dari 0,5, pemeriksaan faktor pasti cocok untuk
mengukur informasi. Untuk sementara, mengingat percobaan kebulatan Bartlett, jika nilai
besar di bawah 0,5, petunjuk terkait dan perlu pemeriksaan lebih lanjut. Hasil tampilan output
SPSS menunjukkan bahwa nilai KMO = 0.759 sehingga dapat dilakukan analisisfaktor. Begitu
juga dengan nilai Bartlett test dengan Chi-squares = 710,31 dan signifikan pada 0.000 maka
dapat disimpulkan bahwa uji analisis faktor dapat dilanjutkan

SPSS akan mengelompokkan ke 20 indikator yaitu 10 indikator AUTONOMI dan 10

indikator ROUTINE menjadi dua faktor berdasarkan pada nilai eigen value > 1, yaitu faktor 1
dengan eigen value 7,585, faktor 2 dengan eigen value 2,272 faktor 3 degan eigen value 1,800,
faktor ke 4 dengan eigen value 1,720 dan faktor ke 5 dengan eigen value 1,380. Dari tampilan
output SPSS terlihat bahwa faktor 1 mampu menjelaskan variasi sebesar 37,926%, faktor 2
mampu menjelaskan variasi 11,36%, faktor ke 3 mampu menjelaskan variasi 9,002%, faktor ke 4
mampu menjelaskan variasi 8,598% dan faktor ke 5 mampu menjelaskan variasi 6,910% atau ke
lima faktor mampu menjelaskan variasi 73,786%. Kita berharap bahwa faktor 1 akan berisi
indikator-indikator autonom1 sampai 5 sedangkan faktor 2 berisi indikator routine1 sampai 5.
Berikut ini tampilan ke10 faktor sebelum dilakukan rotasi.
.

Total Variance Explained

Extraction Sums of Rotation Sums of
Initial Eigenvalues Squared Loadings Squared Loadings
% of % of % of
Compo Tota Varia Cumula Varia Cumula Tot Varia Cumula
nent l nce tive % Total nce tive % al nce tive %
1 7,58 37,926 37,926 7,585 37,926 37,926 3,7 18,990 18,990
5 9
8
2 2,27 11,360 49,285 2,272 11,360 49,285 3,5 17,601 36,591
2 2
0
3 1,80 9,002 58,287 1,800 9,002 58,287 2,6 13,196 49,787
0 3
9
4 1,72 8,598 66,885 1,720 8,598 66,885 2,6 13,020 62,807
0 0
4
5 1,38 6,901 73,786 1,380 6,901 73,786 2,1 10,980 73,786
0 9
6
6 0,91 4,577 78,364
5
7 0,81 4,061 82,425
2
8 0,62 3,127 85,551
5
9 0,52 2,640 88,191
8
10 0,51 2,581 90,772
6
11 0,35 1,791 92,563
8
12 0,30 1,536 94,099
7
13 0,29 1,483 95,583
7
14 0,20 1,019 96,602
4
15 0,19 0,961 97,563
2
16 0,16 0,811 98,374
2
17 0,12 0,619 98,993
4
18 0,11 0,551 99,544
0
19 0,07 0,358 99,902
2
20 0,02 0,098 100,00
0 0
Extraction Method: Principal Component Analysis.
 Tampak bahwa indikator x1 mengelompok pada faktor 1 (loading factor tinggi
mengelompok menjadi satu), sedangkan x2 mengelompok pada faktor 1 untuk indikator
x3 pada faktor 1 sedangkan rx4 mengelompok pada faktor 1, x5 mengelompokan pada
faktor 1, x6 mengempokan pada faktor 4, indikator x7 mengelompokan pada faktor 1 dan
2 indikator 8 mengelompokan pada faktor 1, indikator X9 mengelompokan pada faktor 1
indikator x10 mengelompoka pada faktor 3 indikator x11 mengelompoka pada faktor 1
indikator x12 mengelomopokan pada faktor 1 indikator x13 mengelompokan pada faktor
1 indikator x14 mengelompokan pada faktor 1 idikator x15, x16,x17,x18,x19,x20
mengelompokan pada faktor 1 . Hal ini menjadi sulit diinterpretasikan oleh sebab itu
perlu dilakukan rotasi

Component Matrixa
Component
1 2 3 4 5
X1 0,567 0,302 0,063 -0,712 -0,165
X2 0,502 0,416 0,337 0,373 0,071
X3 0,617 0,319 0,499 0,200 -0,171
X4 0,676 0,257 0,273 -0,133 -0,401
X5 0,674 0,414 -0,078 0,155 -0,095
X6 0,410 0,249 -0,168 0,500 -0,198
X7 0,552 0,527 -0,231 0,073 0,309
X8 0,574 0,133 -0,261 0,198 0,362
X9 0,585 -0,335 0,378 0,261 -0,312
X10 0,401 -0,142 0,531 -0,015 0,508
X11 0,608 0,288 0,070 -0,670 -0,139
X12 0,727 0,191 -0,112 -0,107 0,296
X13 0,624 -0,237 -0,607 -0,065 -0,099
X14 0,733 -0,035 -0,219 0,056 0,022
X15 0,678 -0,443 -0,065 0,203 -0,255
X16 0,750 -0,403 -0,266 -0,137 -0,165
X17 0,657 -0,530 0,076 0,076 -0,188
X18 0,585 -0,427 0,011 -0,220 0,401
X19 0,653 -0,404 0,375 -0,038 0,337
X20 0,605 0,129 -0,352 0,210 0,098
Extraction Method: Principal Component Analysis.
a. 5 components extracted.
 Rotated Component Matrixa
Component
1 2 3 4 5
X1 0,098 0,152 0,950 0,089 0,089
X2 -0,054 0,365 0,025 0,712 0,198
X3 0,129 0,157 0,250 0,810 0,203
X4 0,307 0,117 0,567 0,589 0,005
X5 0,166 0,573 0,280 0,477 -0,056
X6 0,224 0,455 -0,143 0,456 -0,250
X7 -0,126 0,784 0,233 0,214 0,083
X8 0,153 0,710 -0,002 0,084 0,225
X9 0,644 -0,092 0,003 0,531 0,237
X10 0,017 0,069 0,042 0,232 0,813
X11 0,123 0,186 0,921 0,113 0,122
X12 0,169 0,631 0,355 0,131 0,326
X13 0,661 0,535 0,201 -0,229 -0,111
X14 0,475 0,533 0,206 0,144 0,131
X15 0,823 0,177 0,008 0,210 0,114
X16 0,803 0,301 0,296 -0,059 0,126
X17 0,805 0,049 0,072 0,168 0,275
X18 0,434 0,260 0,181 -0,190 0,640
X19 0,435 0,117 0,104 0,170 0,777
X20 0,300 0,671 0,053 0,132 -0,001
Extraction Method: Principal Component Analysis. Rotation
Method: Varimax with Kaiser Normalization.
a. Rotation converged in 7 iterations.

Dari tabel rotated compenen matrix menunjukkan tabel Matriks Komponen

yang muncul karena interaksi pivot (Matriks Komponen Berputar) yang berfokus pada
penyebaran penanda yang lebih jelas danlebih asli. Sangat mungkin terlihat bahwa
sekarang nilai faktor susun yang tadinya kecil menjadi semakin kecil, faktor
penumpukan yang besarsemakin besar.Hasil rotasi menunjukkan bahwa sekarang
indikator x15 sampai autonom x17 mengelompok pada faktor 1 dan indikator x20
mengelompok pada faktor
2. X1 dan x11 mengelompok pada faktor 3, indikator x3 mengelompokan pada faktor 4
dan indikator x10 dan x19 megelompokan faktor 5 Jadi jelas dapat disimpulkan bahwa
konstruk AUTONOMI memiliki unidimensionalitas begitu juga dengan konstruk
ROUTINE atau dengan kata lain indikator autonom semuanya valid dan indikator
routine semuanya juga valid
 ANALISIS FAKTOR EKSPLORATORI
Kasus :

Seorang peneliti melakukan penelitian dengan tujuan menganalisis faktor Eksploratori

Pada kasus ini variabel penelitian diukur menggunakan data sebanyak 20 indikator dan
jumlah responden sebanyak 50

Tabel Descriptive Statistics

Descriptive Statistics

Mean Std. Deviation Analysis N

Y1 3,64 0,985 50
Y2 3,66 0,688 50
Y3 3,70 1,035 50
Y4 3,36 1,064 50
Y5 3,82 0,850 50
Y6 4,14 0,756 50
Y7 3,88 0,872 50
Y8 4,18 0,748 50
Y9 4,30 0,789 50
Y10 4,50 0,763 50
Y11 3,64 0,985 50
Y12 3,66 0,688 50
Y13 3,70 1,035 50
Y14 3,36 1,064 50
Y15 3,82 0,850 50
Y16 3,66 0,917 50
Y17 3,64 1,005 50
Y18 4,14 0,857 50
Y19 4,04 0,880 50
Y20 3,94 0,890 50
Tabel KMO and Bartlett’s Test

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure 0,689
of Sampling Adequacy.
Bartlett's Approx. Chi- 569,131
Test of Square
Sphericity df 190
Sig. 0,001

Dari hasil Analisis SPSS diperoleh

• Nilai KMO MSA 0,689 (cukup) = 0,50
Nilai KMO MSA > 0,50 berarti dapat dilakukan analisis faktor dari tingkat interkorelasi
antar variabel adalh cukup.
• Nilai Bartlett’s test of sphercity Chi-square : 569 Sig : 0,001
• Nilai sig < 0,05, hal ini berarti bahwa ada korelasi yang kuat antar variabel
Total Variance Explanined

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings
% of % of
Compone Varian Cumulativ Varian Cumulati
nt Total ce e% Total ce ve %
1 8,071 40,357 40,357 8,071 40,357 40,357
2 2,494 12,468 52,825 2,494 12,468 52,825
3 1,983 9,917 62,742 1,983 9,917 62,742
4 1,764 8,822 71,564 1,764 8,822 71,564
5 1,210 6,051 77,615 1,210 6,051 77,615
6 1,102 5,510 83,124 1,102 5,510 83,124
7 0,946 4,729 87,853
8 0,562 2,809 90,662
9 0,537 2,687 93,349
10 0,397 1,984 95,333
11 0,277 1,384 96,717
12 0,258 1,289 98,006
13 0,184 0,921 98,927
14 0,122 0,612 99,539
15 0,092 0,461 100,000
16 1,610E-16 8,049E- 100,000
16
17 9,034E-17 4,517E- 100,000
16
18 4,175E-17 2,087E- 100,000
16
19 -1,879E-17 -9,393E- 100,000
17
20 -1,435E-16 -7,173E- 100,000
16
Extraction Method: Principal Component Analysis.

Dari 20 variabel yang di input, dikelompokan menjadi 6 faktor berdasarkan pada tabel
total variance explaned tersebut yang dimana nilainya berdasarkan pada nilai eigen
value lebih dari 1 yaitu. Terlihat bahwa nilai eigen value yang lebih dari satu kompenen
1 sampai 6 untuk kompenen kebawah kurang dari 1.

• Faktor 1 nilai Eigen Value sebesar 8.071

• Faktor 2 nilai Eigen Value sebesar 2.494

• Faktor 3 nilai Eigen Value sebesar 1.983

• Faktor 4 nilai Eigen Value sebesar 1.764

• Faktor 5 nilai Eigen Value sebesar 1.210

• Faktor 6 nilai Eigen Value sebesar 1.102

Scree plot

Scree Plot
9
8
7
6
5
4
Eigenval

3
2
1
0
-1

123456789 10 11 12 13 14 15 16 17 18 19 20
Component Number

Total Dijelaskan masuk akal elemen penting yang diperoleh dengan memastikan
angka. Kemudian, pada saat itu, scree plot menunjukkan ini dengan sebuah garis.
Cenderung terlihat bahwa satu sampai dua variabel (garis dari bagian nomor 1 sampai 2
poros) judul garis berkurang secara paksa. Kemudian, pada saat itu, dari nomor 2 ke 3
garis berkurang dari 3 ke 4 juga berkurang. Demikian pula, angka 4 hingga 5 juga
menurun dan angka berikutnya sekarang berada di bawahangka 1 dari poros Y (harga
eigen). Ini menunjukkan bahwa 4 elemen luar biasa untuk menjumlahkan 20 faktor
Komponen Matrix

Rotated Component Matrixa

Component
1 2 3 4 5 6
Y1 0,90 0,189 -0,042 0,132 0,093 0,149
5
Y2 0,50 0,168 0,366 -0,169 0,263 0,457
2
Y3 0,89 0,118 0,164 0,194 0,153 -0,054
9
Y4 0,215 0,069 0,154 0,956 -0,034 0,015
Y5 0,258 0,214 0,115 -0,033 0,923 0,075
Y6 0,166 0,770 0,097 0,021 0,226 0,242
Y7 0,218 0,877 0,206 0,062 0,059 -0,056
Y8 0,027 0,714 -0,068 0,069 0,311 -0,082
Y9 0,236 0,291 0,043 0,178 -0,007 0,557
Y10 0,300 0,629 -0,076 0,025 -0,031 0,229
Y11 0,90 0,189 -0,042 0,132 0,093 0,149
5
Y12 0,50 0,168 0,366 -0,169 0,263 0,457
2
Y13 0,89 0,118 0,164 0,194 0,153 -0,054
9
Y14 0,215 0,069 0,154 0,956 -0,034 0,015
Y15 0,258 0,214 0,115 -0,033 0,923 0,075
Y16 0,564 0,170 0,305 0,085 0,199 0,547
Y17 0,85 0,219 0,096 0,115 0,225 0,246
5
Y18 0,029 -0,033 0,916 0,065 0,038 0,080
Y19 0,142 0,084 0,814 0,328 0,184 -0,055
Y20 0,168 0,221 0,488 0,147 -0,026 -0,649
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 11 iterations.

Berdasarkan tabel diatas dapat disimpulkan bahwa:

1. Faktor 1
Y1 korelasi sebesar 0,905
Y2 korelasi sebesar 0,502
Y11 korelasi sebesar 0,905
Y12 Korelasi sebesar 0,502
Y13 korelasi sebesar 0,899
Y14 korelasi sebesar 0,855
2. Faktor ke 2
Y6 korelasi sebesar 0,770
Y7 korelasi sebesar 0,877
Y8 korelasi sebesar 0,714
3. Faktor ke 3
Y18 korelasi sebesar 0,916
Y19 korelasi sebesar 0,814
4. Faktor ke 4
Y14 korelasi sebesar 0,956
5. Faktor 5
Y15 korelasi sebesar 0,923

Berdasarkan analisis komponen yang telah dilakukan, dapat disimpulkan

bahwa terdapat 5 komponen/ faktor yang terbentuk yaitu:
1. Komponen Faktor 1 terdiri dari Y1,Y2,Y11,Y12,Y13,Y14
2. Komponen Faktor ke 2 terdiri dari Y6,Y7,Y8
3. Komponen Faktor ke 3 terdiri Y18 dan Y19
4. Komponen Faktor ke 4 terdiri dari Y14
5. Komponen Faktor ke 5 terdiri dari Y15
 Rotated Component Matrix
Component

1 2 3 4 5 6
1 0,804 0,326 0,247 0,286 0,271 0,175
2 0,144 0,168 -0,279 -0,832 0,336 0,260
3 -0,451 0,378 0,659 -0,081 0,446 -0,121
4 -0,241 0,761 -0,527 0,283 -0,048 0,044
5 -0,261 -0,187 0,040 0,238 0,126 0,907
6 0,057 0,328 0,384 -0,287 -0,773 0,249
Extraction Method: Principal Component Analysis. Rotation
Method: Varimax with Kaiser Normalization.

Berdasarkan output diketahui bahwa nilai Matriks Transformasi Komponen,

dimana bilangan lokal antara bagian 1 dan 1, bagian 2 dan 2, bagian 3 dan 3, bagian 4 dan
4, bagian 5 dan 5, bagian 6 dan 6 misalnya bagian
1 dengan 1 bernilai 0,804, bagian 2 dengan 2 bernilai 0,168, bagian 3 dengan 3 bernilai
0,659, bagian 4 hingga 4 bernilai 0,283, bagian 5 dan 5 bernilai 0,126, bagian 6 dan 6
bernilai 0,249 ini menunjukkan apa yang dibentuk secara akurat, karena dapat memiliki
harga diri hubungan yang tinggi.
Data dan responden konfirmatori dan exsploratori