Analisis Faktor dengan SPSS

120 komentar
Share:
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. Misalnya, kita hendak menentukan sejumlah agen sosialisasi politik yang paling besar pengaruhnya atas pembentukan budaya politik siswa.

Khusus untuk Analisis Faktor, sejumlah asumsi berikut harus dipenuhi: (Santoso, 2006: 13)

  1. Korelasi antarvariabel Independen. Besar korelasi atau korelasi antar independen variabel harus cukup kuat, misalnya di atas 0,5.
  2. Korelasi Parsial. Besar korelasi parsial, korelasi antar dua variabel dengan menganggap tetap variabel yang lain, justru harus kecil. Pada SPSS deteksi terhadap korelasi parsial diberikan lewat pilihan Anti-Image Correlation.
  3. Pengujian seluruh matriks korelasi (korelasi antar variabel), yang diukur dengan besaran Bartlett Test of Sphericity atau Measure Sampling Adequacy (MSA). Pengujian ini mengharuskan adanya korelasi yang signifikan di antara paling sedikit beberapa variabel.
  4. Pada beberapa kasus, asumsi Normalitas dari variabel-variabel atau faktor yang terjadi sebaiknya dipenuhi.

Uji Asumsi Analisis Faktor

Pada bagian Metode Penelitian telah disebutkan bahwa analisis faktor membutuhkan terpenuhinya serangkaian asumsi. Peneliti akan menguji asumsi analisis faktor satu per satu terlebih dahulu sebelum uji analisis faktor dilakukan.

Korelasi antarvariabel independen, dalam analisis faktor, harus > 0,5 dengan signifikansi < 0,05. Korelasi antarvariabel independen sangat mudah jika dilakukan dengan SPSS. Caranya adalah klik Analyze > Data Reduction > Factor > Masukkan seluruh variabel independen > Klik tombol Descriptives… > Pada kotak dialog Factor Analysis: Descriptives, khususnya pada Correlation Matrix ceklis KMO and Bartlett’s test of sphericity dan Anti-image > Klik Continue > Klik OK.

Hasil uji korelasi antarvariabel independen ada pada output KMO and Bartlett’s Test, sebagai berikut:


Nilai KMO and Bartlett’s Test untuk korelasi antarvariabel yang diinginkan adalah > 0,5. Signifikansi penelitian adalah 0,05. Dari hasil di atas diperoleh nilai KMO sebesar 0,771 yang artinya lebih besar dari 0,5. Sementara itu, signifikansi yang dihasilkan dari Bartlett’s Test of Sphericity sebesar 0,000. (Santoso, 2006: 22)

Dengan hasil di atas, maka dapat dikatakan bahwa variabel dan sampel yang digunakan memungkinkan untuk dilakukan analisis lebih lanjut. Selanjutnya, untuk melihat korelasi antarvariabel independen dapat diperhatikan tabel Anti-Image Matrices. Nilai yang diperhatikan adalah MSA (Measure of Sampling Adequacy). Nilai MSA berkisar antara 0 hingga 1, dengan ketentuan sebagai berikut: (Santoso, 2006: 20)
  1. MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel yang lain.
  2. MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut.
  3. MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut, atau dikeluarkan dari variabel lainnya.

Hasil pengujian dengan SPSS sebagai berikut:


Perhatikan baris Anti-Image Correlation, di mana nilai MSA ditandai dengan huruf a. Rincian hasilnya sebagai berikut: 
  1. Agen_sekolah : 0,788 > 0,5
  2. Agen_keluarga : 0,673 > 0,5
  3. Agen_teman : 0,741 > 0,5
  4. Agen_media : 0,798 > 0,5
  5. Agen_agama : 0,835 > 0,5
  6. Agen_parpol : 0,784 > 0,5
  7. Agen_pamarentah : 0,745 > 0,5

Berdasarkan hasil MSA di atas, maka seluruh variabel independen dapat dianalisis lebih lanjut karena masing-masing nilainya > 0,5.

Untuk normalitas data masing-masing variabel, peneliti persembahkan dalam bentuk grafik Normal P-P Plot, yang peneliti sampaikan dalam lampiran penelitian ini. Hasil uji normalitas yang dikehendaki adalah data masing-masing berdistribusi normal yang mengikuti garis Z. Rata-rata data di tiap variabel cenderung mengikuti garis Z sehingga dapat dikatakan normal.

Pengelompokan Faktor

Langkah selanjutnya adalah, upaya penelitian ini guna menentukan apakah variabel-variabel independen bisa dikelompokkan ke dalam satu atau beberapa faktor. Jadi, ketujuh agen sosialisasi politik dalam variabel independen akan dilihat apakah mereka sesungguhnya bisa disederhanakan ke dalam satu atau beberapa faktor. Sekali lagi, upaya ini lebih mudah menggunakan SPSS.

Cara melakukannya adalah klik Analyze > Data Reduction > Factor… > Pada Factor Analysis masukkan seluruh variabel independen ke kotak Variables > Klik tombol Extraction… > Pada kotak dialog Factor Analysis: Extraction > Pada Method pilih Principal of components > Ceklis Correlation Matrix > Pada Display ceklis Unrotated factor solution dan Scree Plot > Eigenvalues oves biarkan bernilai 1, sehingga variabel yang punya angka Eigenvalues < 1 akan dikeluarkan > Maximum Iterations for Convergence tetap pada angka 25 > Klik Continue > Klik Rotation… > Pada kotak dialog Factor Analysis: Rotation tentukan Method yaitu Varimax > Pada Display ceklis kotak Rotated Solution dan Loading Plot(s) > Maximum Iterations for Convergence tetap pada angka 25 > Continue > OK.

Penjelasan Variabel oleh Faktor

Maksud dari penjelasan variabel oleh faktor adalah seberapa besar faktor yang nantinya terbentuk mampu menjelaskan variabel. Untuk itu harus dilihat tabel Communalities sebagai berikut: (Santoso, 2006: 41)


Hasilnya adalah, faktor mampu menjelaskan variabel agen_sekolah sebesar 0,556 atau 55,60%, agen_keluarga diterangkan sebesar 69,70%, agen_teman diterangkan sebesar 66,70%, agen_media diterangkan sebesar 62,00%, agen_agama diterangkan sebesar 54,50%, agen_parpol sebesar 66,00%, dan agen_pamarentah diterangkan sebesar 68,20%. Karena rata-rata penjelasan di atas 50% maka faktor tetap akan ditentukan.

Faktor yang Mungkin Terbentuk

Guna menentukan seberapa banyak faktor yang mungkin terbentuk dapat dilihat pada tabel Total Variance Explained sebagai berikut: (Santoso, 2006: 42-3)


Component berkisar antara 1 hingga 7 yang mewakili jumlah variabel independen. Perhatikan kolom Initial Eigenvalues yang dengan SPSS kita tentukan nilainya 1. Varians bisa diterangkan oleh oleh faktor 1 adalah 3,230/7 x 100% = 46,142. Sementara oleh faktor 2 sebesar 1,198/7 x 100% = 17,113. Dan, total kedua faktor akan mampu menjelaskan variabel sebesar 46,142% + 17,113% = 63,255%. Dengan demikian, karena nilai Eigenvalues yang ditetapkan 1, maka nilai Total yang akan diambil adalah yang > 1 yaitu component 1 dan 2.

Factor Loading

Setelah kita mengetahui bahwa faktor maksimal yang bisa terbentuk adalah 2, selanjutnya kita melakukan penentuan masing-masing variabel independen akan masuk ke dalam faktor 1 atau faktor 2. Cara menentukannya adalah dengan melihat tabel Component Matrix sebagai berikut: (Santoso, 2006: 45)


Dapat kita lihat bersama bahwa korelasi antar variabel independen dengan faktor yang hendak terbentuk adalah: 
  1. agen_sekolah : Faktor 1 korelasi 0,724; Faktor 2 korelasi - 0,179
  2. agen_keluarga : Faktor 1 korelasi 0,535; Faktor 2 korelasi 0,641
  3. agen_teman : Faktor 1 korelasi 0,688; Faktor 2 korelasi 0,441
  4. agen-media : Faktor 1 korelasi 0,781; Faktor 2 korelasi 0,101
  5. agen_agama : Faktor 1 korelasi 0,734; Faktor 2 korelasi 0,080
  6. agen_parpol : Faktor 1 korelasi 0,656; Faktor 2 korelasi - 0,479
  7. agen_pamarentah : Faktor 1 korelasi 0,606; Faktor 2 korelasi - 0,561

Agar lebih jelas variabel mana masuk ke faktor mana, bisa dilihat tabel Rotated Component Matrix sebagai berikut:


Penentuan input variabel ke faktor tertentu mengikut pada besar korelasi antara variabel dengan faktor, yaitu kepada yang korelasinya besar. Dengan demikian maka faktor dan variabel anggotanya adalah :

Faktor 1: 
  1. Agen Sosialisasi Politik Sekolah
  2. Agen Partai Politik
  3. Agen Pemerintah

Faktor 2: 
  1. Agen Keluarga
  2. Agen Teman
  3. Agen Media
  4. Agen Agama

Sebagai langkah akhir dari penentuan faktor, maka dapat dilihat tabel Component Transformation Matrix berikut:


Baik Faktor 1 (component) ataupun Faktor 2 memiliki korelasi sebesar 0,719 yang artinya cukup kuat karena 0,719 > 0,5. Dengan demikian Faktor 1 dan Faktor 2 dapat dikatakan tepat untuk merangkum ke-7 variabel independen.

Faktor yang Terbentuk

Pada analisis sebelumnya telah diperoleh bahwa ada 2 faktor yang terbentuk yaitu : (1) Faktor 1 dan (2) Faktor 2.

Faktor 1 terdiri atas variabel independen: 
  1. Agen Sosialisasi Sekolah
  2. Agen Sosialisasi Partai Politik
  3. Agen Sosialisasi Pemerintah

Faktor 2 terdiri atas variabel independen: 
  1. Agen Sosialisasi Keluarga
  2. Agen Sosialisasi Teman
  3. Agen Sosialisasi Agama
  4. Agen Sosialisasi Media

Faktor 1 berisikan variabel-variabel agen sosialisasi politik yang sifatnya “Institutionalized” atau terlembaga berupa organisasi formal yang punya struktur dan fungsi resmi. Faktor 2 berisikan variabel-variabel agen sosialisasi politik yang sifatnya “noninstitutionalized” atau cenderung lebih bersifat hubungan emosional dan tidak resmi. Misalnya, media massa kendatipun siaran atau pemberitaannya bersifat resmi, tetapi cenderung bersifat non formal karena siswa sekolah mampu mengaksesnya tanpa protokol resmi. Bahkan, media massa bisa hadir di dalam lingkungan pribadi dan keluarga siswa.

Dengan demikian, faktor-faktor yang terbentuk dapat dideskripsikan sebagai berikut: 
  • Faktor 1 disebut sebagai Agen Formal
  • Faktor 2 disebut sebagai Agen Informal

-------------------------------------------
Daftar Pustaka

Santoso, Singgih. Seri Solusi Bisnis Berbasis TI: Menggunakan SPSS untuk Statistik Multivariat. Jakarta: Elex Media Komputindo, 2006.

-------------------------------------------

tags:
uji faktor analisis faktor spss asumsi uji analisis faktor bartlett tes nilai msa faktor loading pengelompokan variabel melakukan analisis faktor 

120 komentar:

  1. Terima kasih, uraiannya jelas, sangat membantu pemahaman

    BalasHapus
  2. wah, makasih mas tutorialnya. sangat bermanfaat.

    BalasHapus
  3. pak seta, mohon bantuannya untuk menginterpretasikan hasil dari confirmatory factor analisis, yaitu:
    1. x2 (chi square)= 79,34, df=62, p<0,05, TLI=0,99, RMR= 0,01; RMSEA= 0,04
    2. x2=262,43; df=149; CFI=0,90; TLI=0,90; RMSEA=0,07; SRMR=0,07.

    mohon bantuannya pak, terimakasih.

    BalasHapus
    Balasan
    1. Sehubungan dengan Confirmatory Factor Analysis (rekannya EFA, tapi beda) maka sejumlah hal dapat dijadikan pedoman:

      1. Chi-Square test: Nilai ini memang dapat dijadikan pedoman, tetapi dengan sejumlah "keterbatasan." Biasanya, dilihat nilai x2/df. Rasio setingginya 5.0 dan serendahnya 2.0. Juga, dilihat nilai sig., di mana ia menunjukkan model "baik" jika tidak signifikan (>0.05 misalnya). Namun, sekali lagi nilai ini punya keterbatasan yaitu sensitif sekali atas jumlah sampel yang terlampau besar atau terlampau kecil.
      2. RMSEA (Root Mean Square Error of Estimation): Nilai ini memberitakan seberapa baik model kita. Nilai ini populer dalam menginformasikan kelayakan model. Nilai RMSEA di kisaran 0,05 - 0,10 dianggap cukup "fit". Namun, kini muncul pula anggapan berikut sehubungan RMSEA ini: Nilai > 0,10 kurang "fit." Nilai antara 0,08 - 0,10 moderat. Nilai < 0,08 dianggap baik.
      3. GFI (Goodness of Fit Statistic). Mirip CLI.
      4. RMR (Root Mean Square): RMR dikalkulasi berdasarkan masing-masing skala setiap indikator. Jadi, nilai RMR ini sensitif terhadap perbedaan skala ukur (misalnya item-item berbeda skala, item #1 menggunakan 1-5, item lainnya 1-7). Akibatnya RMR ini sulit diinterpretasi. Nilai RMR yang sensitif ini lalu disempurnakan ole SRMR.
      5. SRMR (Standardized Root Mean Square Residual): Nilai ini adalah penyempurnaan dari RMR. SRMR berkisar antara 0 - 1,0. Nilai SRMR bagi model yang paling layak adalah < 0,05. Namun, nilai SRMR hingga 0,08 pun dianggap masih dapat diterima. Nilai 0 mengindikasikan sempurna. Namun, perlu dicatat bahwa nilai SRMR akan menurun apabila jumlah parameter penelitian banyak atau sampel penelitian sangat besar.
      6. CFI (Comparative Fit Index): Kisaran nilainya 0,0 - 1,0. Nilai ini mengasumsikan seluruh variabel laten (VL) tidak berkorelasi. Sehingga interpretasinya adalah, semakin nilainya mendekati 1,0 maka modelnya makin baik. Interpretasi lainnya, CFI >= 0,95 mengindikasikan kelayakan yang baik.
      7. TLI (Tucker Lewis Index): Nilai ini sebaiknya > = 0,95. Mirip CFI di atas.

      Demikian dari saya. Semoga bermanfaat.

      Hapus
    2. sangat bermanfaat pak, terima kasih banyak, dan sukses.

      Hapus
  4. cara uji chi aquare dan rasio pada jenis penelitian case dan control itu gimana pak cara membaca tabelnya. mohon pencerahan bapak
    terima kasih

    BalasHapus
    Balasan
    1. Maksudnya tabel Crosstabulation ataukah Chi Square Test ? Saya anggap saja yang di tabel Chi Square Test. Untuk awal tes ini mengasumsikan dalam tabel 2 x 2, seluruh frekuensi yang diharapkan > 5. Lihatlah pada 'expected counts' dalam tabel crosstabulation hasil SPSS.
      Value Pearson Chi-Square, menunjukkan nilai Chi-Square hitung. Bandingkan ini dengan Chi-Square tabel. Cara mencari Chi-Square tabel adalah: Hitung DF dengan rumus DF = (c-1)(r-1). C adalah kolom, r adalah baris. Misalnya c-nya 2 dan r-nya 2, maka hitungannya (2-1)(2-1)=1x1=1. Tentukan alpha penelitian (misalnya 0,05) --> Lihat tabel Chi-Square ---> (misalnya) untuk DF=1 dan alpha 0,05, nilai Chi-Square tabel adalah 3,841 ---> Bandingkan Chi-Square hitung dengan Chi-Square tabel ---> Hipotesis penelitian (umumnya):
      H0 tidak ada hubungan antara ...
      H1 ada hubungan antara ....
      ---> Pengambilan keputusannya:
      Jika Chi-Square hitung < tabel, H0 diterima, H1 ditolak.
      Jika Chi-Square hitung > tabel, H0 ditolak, H1 diterma.

      Hapus
  5. pak mw nax gmna cara mengintrepetasikan hasil chi squre Chi-Square Tests
    Value df Asymp. Sig. (2-sided) Exact Sig. (2-sided) Exact Sig. (1-sided)
    Pearson Chi-Square .080a 1 .777
    Continuity Correctionb .000 1 1.000
    Likelihood Ratio .079 1 .778
    Fisher's Exact Test 1.000 .545
    Linear-by-Linear Association .078 1 .780
    N of Valid Casesb 36
    a. 1 cells (25.0%) have expected count less than 5. The minimum expected count is 2.67.
    b. Computed only for a 2x2 table

    pada hasil diatas terdpat 1 cell expected count less than 5 berrti x2 yng diliat fisher tdk pak?

    BalasHapus
    Balasan
    1. Pearson Chi Square (PCS) dimaksudkan untuk menguji hubungan antara dua variabel kategoris. Selain PCS juga bisa dilihat dari hasil Likelihood Ratio (LR). Untuk melihat hasilnya, silakan perhatikan tabel output SPSS, khususnya yang bertajuk Chi-Square Test. Di sana, jika Exact Sig. kurang dari 0,05 (pada baris PCS), maka terjadi hubungan signifikan antara kedua variabel kamu. Demikian pula sebaliknya.
      Mengenai Fisher's Exact (FE), adalah verifikasi atas PCS. Apabila jumlah sampel dinilai kecil, PCS kurang stabil. Akibatnya, diadakan tes FE. Output SPSS juga memuat value FE ini. Sifat pembacaan hasilnya mirip dengan PCS.
      Demikian, semoga bermanfaat.

      Hapus
  6. permisi pak saya mau tanya

    sebelum melakukan analisis faktor perlu dilakukan uji statistik apa saja?

    saya menggunakan skala likert untuk jumlah sample 38.. dosen saya menyarankan menggunaka uji korelasi pearson sebelum analisis faktor..

    apakah perlu dilakukan uji normalitas, validitas dan reliabilitas? saya mencoba dan data saya berada dibawah standart ketiga uji tersebut

    pertanyaan saya bisakah melakukan analisis faktor tampa ketiga uji tersebut?

    thanks

    BalasHapus
    Balasan
    1. Sebelum analisis faktor dilakukan, perlu dilakukan serangkaian uji asumsi. Silakan lihat sub uji asumsi analisis faktor pada artikel di atas. Untuk validitas (instrumen) dapat digunakan metode face validity (melibatkan pakar atau yang memahami bidang). Normalitas sebaiknya tetap terpenuhi. Demikian. Semoga bermanfaat.

      Hapus
  7. salam kenal. saya titin, sedang menyelesaikan tesis sy dengan menggunakan program amos 20... saya mengalami sedikit kesulitan di nilai GFI, AGFI dan PGFI yang tidak muncul di outputnya. kalo berkenan, saya mhn saran dan bantuaannya...
    makasih sebelumnya

    BalasHapus
    Balasan
    1. Salam kenal juga. Sayang sekali, Titin. Saya kurang familiar dengan Amos 20. Namun, Anda dapat membuka link di bawah ini guna mencari jawaban:
      http://www.amosdevelopment.com/support/faq/no_gfi.htm
      Mungkin ini yang dapat saya bantu. Semoga bermanfaat.

      Hapus
    2. kalau amos 19 bagaimana pak ?
      terima kasih

      Hapus
  8. makasih mas... jelas dan membantu...

    BalasHapus
  9. Saya ingin bertanya Mas Seta. Apakah kita dapat menggunakan Analisis Faktor untuk menggabungkan/meringkas faktor persepsi (sangat puas...)dan faktor harapan (sangat penting...) dimana masing-masing faktor memiliki variabel-variabel yang sama? Sehingga kita akan dapat memperoleh suatu variabel baru yg dapat sekaligus mencerminkan faktor persepsi dan harapan. Dan bagaimanakah cara menganalisisnya di program SPSS? Apakah per satu variabel dengan dua dimensi/ faktor tersebut(persepsi dan harapan) mengingat setiap variabel memiliki beberapa item pertanyaan yang sama (namun jawaban yg berbeda: persepsi dan harapan)? Karena setelah mendapatkan variabel-variabel baru tersebut, saya berencana untuk mengaitkannya melalui regresi berganda dengan variabel dependen saya (yg menggunakan skala tingkat kepuasan). Terima kasih dan mohon responnya.

    BalasHapus
    Balasan
    1. Sepengetahuan saya, faktor Persepsi dan Harapan dikembangkan secara paralel oleh pengembangnya (Parasuraman, et.al) dan mungkin ini asumsi saja (bisa saja saya salah). Mereka hendak menyelidiki apakah terjadi gap antara Persepsi dengan Harapan dan direkomendasikan pada penyedia jasa layanan untuk melakukan perbaikan (lihat misalnya di sini: http://setabasri01.blogspot.com/2011/04/service-quality-akronimnya-servqual.html
      Dalam implementasinya indikator Persepsi dan indikator Harapan dibuat secara paralel, dan hanya berbeda bahwa yang di variabel Persepsi pernyataan melukiskan kondisi "apa adanya" sementara di variabel harapan kondisi "yang seharusnya." Dengan demikian, apabila Anda hendak melakukan pemaktoran maka hal tersebut merupakan sebuah "modifikasi" teoretik dan sah-sah saja. Hanya, anda perlu melakukan justifikasi teoretik tentunya. Dan (apabila justifikasi teoretik sudah Anda miliki) maka pemaktoran dilakukan di masing-masing variabel, yaitu atas indikator-indikator yang ada dalam variabel Persepsi dan Harapan secara masing-masing. Mengapa? Karena mereka mengukur variabel yang berbeda (satu apa yang terjadi, lainnya apa yang seharusnya). Persoalannya, apabila Persepsi menghasilan 2 variabel dan Harapan menghasilkan 3 variabel, maka regresi biasa tidak bisa dilakukan. Anda punya pilihan melakukan uji Factorial Manova.
      Namun, di luar konteks, terdapat pula analisis menarik untuk sekadar mendeskripsikan kondisi persepsi-harapan ini yaitu Importance Performance Analysis (IPA). Anda dapat melihatnya di sini: http://setabasri01.blogspot.com/2011/04/analisis-deskriptif-dengan-importance.html
      Mungkin demikian pemahaman saya. Sama-sama. Semoga bermanfaat.

      Hapus
    2. Terima kasih banyak atas informasinya, Mas Seta!

      Hapus
  10. salam kenal pak sebelumnya, saya membahas materi tentang analisis faktor untuk skripsi saya.
    yang mau saya tanyakan adalah mayoritas penyelesaian analisis faktor yang saya temui dan saya baca adalah dengan principal component method (metode komponen utama). apakah ada perbedaan hasil akhir jika menggunakan metode berbeda seperti menggunakan metode unweighted atau generalized least square, maximum likelihood estimation (MLE)? lalu bagaimana juga dengan analisis faktor konfimatori?
    mohon penjelasannya pak, terima kasih :)

    BalasHapus
    Balasan
    1. Salam kenal. Hal yang sebaiknya tidak terlupa dalam keputusan penggunaan analisis faktor adalah tujuan penelitian. Terdapat dua tujuan utama dalam penggunaan analisis faktor yaitu (1) Kita hendak membangun generalisasi atau testing hipotesis atau (2) Kita sekadar hendak mengeksplorasi data. Yang pertama dapatlah kita gunakan Confirmatory Factor Analysis/CFA. Yang kedua dapatlah kita gunakan Pricinpal Component Analysis/PCA. Perbedaan antara metode unweighted, gls, ataupun mle didasarkan pada perlakuan peneliti atas sampel/populasi. Misalnya, mle mengasumsikan partisipan penelitian dipilih secara acak dan variabel-variabel yang diukur terdiri atas seluruh variabel yang menarik bagi kita untuk diteliti. Hasilnya, peneliti dimungkinkan untuk membangun teknik penelitian yang nantinya ditujukan untuk menggeneralisasi sampel atas populasi yang lebih besar. Jadi, intinya adalah pastikan terlebih dahulu tujuan penelitian kita. Setelah itu, baru kita pertimbangkan aneka metode analisis faktor yang hendak diterapkan.
      Demikian. Semoga bermanfaat.

      Hapus
  11. Hi pak, salam kenal :) saya sedang mengerjakan tesis di bidang manajemen sistem informasi yaitu mengenai case integrasi Human Resource Management dan Knowledge Management di sebuah perusahaan. Tujuannya ingin mencari faktor-faktor yang mempengaruhi integrasi kedua hal tersebut. Konsepnya adalah beberapa aktivitas HRM memberikan pengaruh atau mendukung proses KM (knowledge sharing, learning dll) misalya recruitment, performance management dan learning. Untnuk masing2 aktivitas ini terdapat indikator-indikator yang akan digunakan sebagai base untuk membuat kuesioner. Pertanyaan saya adalah, apakah metode analisis faktor ini tepat digunakan untuk mengolah data yg saya kumpulkan? Thanks before, ditunggu banget feedbacknya. Makasih ya :)

    BalasHapus
    Balasan
    1. Salam kenal. Kelihatannya Anda dapat menggunakan analisis faktor. Namun, karena tujuannya adalah hendak mengonfirmasi ada atau tidaknya pengaruh (sejumlah faktor HRM terhadap KM) maka analisis faktor yang digunakan sebaiknya yang bercorak Confirmatory Factor Analysis/CFA. Dapatlah kiranya Anda telusuri di komentar-komentar terdahulu atas artikel ini.
      Sama-sama. Semoga bermanfaat.

      Hapus
  12. Atas pencerahan/ informasi yang diberikan Mas Seta, saya putuskan untuk menggunakan analisis IPA untuk mendeskripsikan kondisi persepsi (kepuasan) dan harapan. Setelah itu untuk dimensi persepsi (kepuasan) saya akan hubungkan dengan variabel dependent (juga skala kepuasan) melalui regresi berganda. Berkaitan dengan tema tulisan Mas Seta diatas, saya gunakan faktor analisis ekspolaratori untuk pengelompokan faktornya. Pada baris Anti-Image Correlation, MSA ke 27 variabel lebih besar dari 0.5 (sehingga tidak ada yang dikeluarkan) dan 27 variabel tersebut dikelompokan menjadi 8 faktor, dimana nilai-nilai eigen-nya >1 dan KMO yang saya peroleh .759 dengan sig. 000. Yang saya ingin tanyakan berapakah umumnya minimum factor loading pada Rotated component matrix yang diterima? Apakah bila >0.4 atau >0.5? Kemudian pada tabel component transformation matrix saya peroleh hanya 2 faktor yang memiliki korelasi > 0.5 (0.55 dan 0.74) sedangkan sisanya bernilai negatif atau kurang dari 0.5. Apakah berarti saya hanya dapat menggunakan 2 faktor tersebut untuk dianalisis lebih lanjut (dengan regresi berganda) atau tetap dapat menggunakan 8 faktor? Terima kasih dan mohon pencerahan lebih lanjut!

    BalasHapus
    Balasan
    1. Sejumlah penulis (semisal Andy Field yang mengutip Stevens 2002) masih menganggap 0,4 tetap layak untuk digunakan lebih lanjut. Ketetapan ini jangan lupa untuk ditentukan terlebih dahulu di klik Options pada setting analisis faktor dengan SPSS. Juga sehubungan dengan hanya 2 faktor yang disebut, sebaiknya juga diperhatikan tabel Rotated Component Matrix. Apabila factor loading yang ditetapkan berbatas 0,4 maka hasilnya tentu berbeda. Dan, untuk Component Transformation Matrix sebaiknya digunakan yang > 0,5 tersebut demi kehandalan perhitungan selanjutnya.
      Sama-sama. Semoga bermanfaat.

      Hapus
    2. Terima kasih banyak Mas Seta atas petunjuknya. Sangat membantu!

      Hapus
  13. assalammualaikum pak,, saya sedang menyusun skripsi yang berjudul pengaruh produk, tarif, promosi, dan saluran distribusi terhadap volume penjualan polis asuransi.. menurut bapak lebih baik menggunakan analisis faktor atau regresi berganda? terimakasih pak

    BalasHapus
    Balasan
    1. Wa'alaykumus salaam.
      Melihat kepada pokok masalah Anda, adalah lebih baik apabila keempat VB telah fix digunakan regresi berganda. Apabila diasumsikan keempat VB belum fix, digunakanlah analisis faktor (PCA) untuk menentukannya terlebih dahulu.
      Sama-sama. Semoga bermanfaat.

      Hapus
  14. assalamu'alaikum. pak saya mau tanya. stlah sy lakukan analisa faktor dgn spss untuk mengetahui Uji KMO Dan Bartlet knp d outputny ada tulisan "this matrix is not positive definite" y? apa variabel saya sudah tidak layak lagi untuk diuji? kira2 apa yg salah? terimakasih

    BalasHapus
    Balasan
    1. Wa'alaykumus salaam.
      Matriks tersebut dikatakan Not Positive Definite (NPD) akibat berbagai sebab. Misalnya terdapat kebergantungan linier antar variabel yang ditandai adanya 0 pada nilai Eigenvalues. Juga proporsi antara variabel dengan kasus (sampel) yang tidak berimbang (proporsi variabel lebih besar dari sampel). Dengan demikian mohon untuk dilihat kembali hal-hal tersebut. Hal yang dapat Anda lakukan adalah menambah jumlah sampel atau mengurangi jumlah variabel yang hendak di"faktor"kan. Hal ini harus Anda pertimbangkan dengan baik (mungkin diskusikan dengan pembimbing penelitian Anda) karena KMO and Bartlett tidak bisa terlaksana apabila NPD masih terjadi.
      Sama-sama. Semoga bermanfaat.

      Hapus
  15. Permisi pak, mau tanya nih. Misalnya saya ingin melakukan analisis faktor, namun data saya tidak normal, apakah saya bisa menormalkan data saya terlebih dahulu (mengubah nilai data ke z-score), baru setelah itu dilakukan uji analisis?

    Terima kasih pak.

    BalasHapus
    Balasan
    1. Maaf pak, maksud saya, setelah diubah ke z-score, baru dilakukan analisis faktor. hehe..

      trima kasih sebelumnya pak.

      Hapus
  16. Salam Kenal Pak Seta, Terimakasih atas penjelasan analisis faktornya. Pak mau nanya dikit dalam pembahasan tugas akhir saya menggunakan analisis regresi linear berganda cuman disarankan menambah analisis faktor berhubung faktor independen saya agak banyak (sekitar 20an). Oleh sebab itu, apa saja langkah yang harus saya lakukan apakah saya melakukan analsis faktor (buang faktor2 yang tidak mempunyai korelasi signifikan) kemudian dilanjutkan dengan analisis linear berganda atau sebaliknya?

    Terima kasih

    BalasHapus
    Balasan
    1. Salam kenal juga bagi Anda. Saran yang Anda terima tersebut benar adanya. Karena semakin banyaknya VB akan membuat perhitungan regresi mengalami "redundancy" atau keberlebihan. Analisis faktor yang Anda lakukan adalah sebelum melakukan uji regresi. Dalam analisis faktor (bertipe Principal Component Analysis/PCA) tersebut Anda berupaya "meringkas" variabel yang awalnya "lebih banyak" menjadi "lebih sedikit." Setelah jumlah faktor (calon VB) menjadi "lebih sedikit" barulah dilakukan uji regresi.
      Sama-sama. Semoga bermanfaat.

      Hapus
  17. kalo hasil faktor mau diolah ke regresi berganda, scoringnya gimana? yang tidak termasuk dalam faktor 1 misalnya apakah tetep dimasukkan (discoring) ke faktor 1?

    BalasHapus
    Balasan
    1. Yang tidak termasuk ke dalam faktor 1 seyogyanya tidak boleh dimasukkan ke dalam faktor 1. Tujuan dari analisis faktor bukankah merekonfigurasi "variabel" yang telalu banyak menjadi "lebih sedikit"? Faktor 1 menjadi variabel baru (namai sesuai alasan peneliti), Faktor 2 pun sama, beri nama baru. Dan seterusnya. Faktor Anda sikapi sebagai "variabel baru" dan variabel "lama" menjadi "indikator" di dalam variabel baru tersebut. Cara skoringnya sama seperti uji regresi biasa.
      Demikian. Semoga bermanfaat.

      Hapus
  18. berguna sekali Pak Seta... semoga dibalas-Nya dg pahala dan kebaikan yang melimpah... amiin

    tapi mo tanya pak, kalo analisis faktor juga bisa dijadikan sebagai uji validitas ya ?
    kalo misalnya bisa... apa bisa dilakukan ujia validitas dengan pearson correlation lalu ditambah lagi dengan analisis faktor ???

    terimakasih

    BalasHapus
    Balasan
    1. Amin. Terima kasih. Sepengetahuan saya analisis faktor digunakan untuk melakukan reduksi dan klasifikasi konsep-konsep penelitian (variabel/indikator). Sementara uji validitas (dengan Pearson) digunakan untuk mengetahui korelasi antara skor item (dalam variabel) dengan skor total variabel.
      Sama-sama. Semoga bermanfaat.

      Hapus
  19. mas tau cara dapat angkanya tabel matriks importance? mohon bantuannya mas.. jarang buka net,sms ja mas ke no 089669102647.. trims

    BalasHapus
    Balasan
    1. Silakan Anda klik saja link berikut:
      http://setabasri01.blogspot.com/2011/04/analisis-deskriptif-dengan-importance.html
      Semoga bermanfaat.

      Hapus
  20. selamat malam pa saya sedang mengerjakan skipsi kebetulan tentang analisis faktor saya mau bertanya untuk uji asumsi analisis faktor itu data yang di inputin ke spss nya data yang mana pa?saya udah coba kok hasilnya ga mau keluar ya terimakasih

    BalasHapus
    Balasan
    1. Selamat malam.
      Dalam uji asumsi analisis faktor, yang dimasukkan adalah "seluruh" variabel independen. Masing-masing variabel independen tentu sudah dicari skor totalnya. Misalnya Anda memiliki 9 variabel independen, ya ke-9 variabel tersebut yang dimasukkan dalam proses Data Reduction (Analyze > Data Reduction ... dan seterusnya). Lihat tabel KMO and Bartlett's Test (KMO > 0.5 dan sig. Bartlett's < 0.05) dan Anti Image Matrices (lihat di Anti-image Correlation yang sebaiknya > 0.5 nilainya agar data bisa dianalisis lebih lanjut).
      Demikian. Semoga bermanfaat.

      Hapus
    2. iya pa sudah data saya ada 30 variabel independen tetapi ketika saya masukin data saya semua ke spss nilai KMO nya tidak mau keluar itu kenapah ya pa?oia saya boleh minta email bapa tidak? terimakasih pa

      Hapus
    3. Masalah yang muncul dalam kasus Anda dikenal sebagai NPD (Nonpositive Definite Matrices). Ini salah satunya akibat adanya nilai eigenvalues pada Correlation Matrix yang tidak bernilai positif. Tanda untuk ini adalah footnote pada tabel output bertuliskan "This matrix is not positive definite." Indikasi masalah ini adalah, apabila kita meminta SPSS melakukan KMO atau Bartlett maka tabel Correlation Matrix harus tercetak pada output. Sebab itu pastikan Correlation Matrix terceklis saat kita memilih analisis faktor.
      Selain itu, Correlation Matrix akan mengalami NPD apabila terdapat kebergantungan linier antar variabel yang hendak difaktorkannya (dalam kasus Anda 30 variabel). Cirinya adalah, terdapat satu atau lebih nilai eigenvalues yang 0.
      Juga (mungkin ini penting), apabila variabel yang diteliti "berlebih" (redundant) sementara jumlah kasus (sampel) cukup kecil maka Correlation Matrix akan mengalami kebergantungan linier dan NPD terjadi. Saran saya, kurangi variabel (dari 30 menjadi berkurang) atau tambahkan jumlah sampel. Juga mohon dicek missing cases (jawaban yang kosong atau tidak dijawab oleh responden) hendaklah tidak terlampau banyak.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  21. trima kasih pak Seta atas penjelasannya yang sangat membantu.
    saya sudah mengaplikasikan langkah2nya dan ada sesuatu yang masih mengganjal buat saya. apabila pada tabel rotated component matrix didapatkan 2 faktor, misal faktor 1 dan 2. pada salah 1 variabel memiliki nilai 0.215 untuk faktor 1 dan -0.869 untuk faktor 2, variabel tersebut berarti masuk faktor yang mana ya pak? apa arti tanda (-) di depan nilai tersebut?
    terima kasih pak

    BalasHapus
    Balasan
    1. Tanda plus (tidak bertanda) dan minus (-) pada Principal Component Analysis menunjukkan arah. Dalam kasus Anda, salah satu variabel memiliki dua nilai berbeda ketika diterakan dalam Faktor 1 (F1) dan Faktor 2 (F2). Ketika diterakan dalam F1 nilainya 0,215, sementara di F2 nilainya -0,869. Dengan demikian, variabel tersebut masuk ke dalam F2 dengan sifat hubungan negatif.
      Sama-sama. Semoga bermanfaat.

      Hapus
  22. maaf mau nanya sumbernya dari mana ya?pengarang , judul buku, dan tahunnya.tq
    Nilai MSA berkisar antara 0 hingga 1, dengan ketentuan sebagai berikut:
    MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel yang lain.
    MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut.
    MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut, atau dikeluarkan dari variabel lainnya.

    BalasHapus
    Balasan
    1. Santoso, Singgih. Seri Solusi Bisnis Berbasis TI: Menggunakan SPSS untuk Statistik Multivariat. Jakarta: Elex Media Komputindo, 2006. Khususnya halaman 20.
      Demikian. Semoga bermanfaat.

      Hapus
  23. bagaimana jika comp matrix mnunjukan faktor 5 namun pada rotated mnunjukan faktor 4 mana yg harus d simpulkan? Dan pada comp trans matrix trlihat ada angka d bawah 0,5? Tolong petunjuknya

    BalasHapus
    Balasan
    1. Rotated Component Matrix (RCM) berfungsi sebagai penyederhana Component Matrix (CM). Sebab itu, saya sarankan untuk menggunakan RCM sebagai basis interpretasi. Untuk yang bernilai di bawah 0,5 sebaiknya dipertimbangkan untuk tidak digunakan. Atau, tetap digunakan tetapi dengan catatan khusus peneliti, tentunya. Namun, saya sarankan untuk lebih baik tidak digunakan.
      Demikian. Semoga bermanfaat.

      Hapus
  24. pak saya mau tanya saya menggunakan pembaruan metode IPA yaitu Revised-IPA, disitu saya harus mencari nilai factor loading , eigenvalue sama variance explained, sebagai uji validitasnya, yang saya mau saya tanyakan untuk nilai factor loading apakah saya cukup memasukkan nilai pada component matrik saja? ato rotated aja? kemudian untuk menemukan nilai eigenvalue dan variace namun per-dimensi caranya gmn?

    BalasHapus
    Balasan
    1. Mengenai nilai yang hendak diambil pada factor loading guna menentukan validitas adalah lebih baik menggunakan Rotated Component Matrix (RCM). Pada RCM pola pengelompokan lebih jelas. Peneliti tinggal menentukan batas nilai valid suatu pernyataan saja sementara penempatan pernyataan ke dalam salah satu faktor sudah cukup jelas. Mengenai nilai Eigenvalues dan % of Variance dapat dilihat pada tabel Total Variance Explained.
      Demikian tanggapan dari saya. Semoga bermanfaat.

      Hapus
  25. Pak Seta, terkait dengan jawaban bapak pada tgl 27 Juni di atas, jadi kalau RCM <0.5 tidak digunakan. Berarti pertanyaan dalam questionnaire tersebut dibuang saja atau dikeluarkan dari analysis. Apakah pendapat ini cukup kuat?

    BalasHapus
    Balasan
    1. Mengenai nilai yang tertera pada Rotated Component Matrix (RCM), saya mohon maaf karena hal tersebut adalah pendapat pribadi saya yaitu nilai < 0,5 sebaiknya tidak digunakan (sebab itu tidak menjadi bagian dari analisis faktor selanjutnya). Penjelasannya adalah sebagai berikut:
      Bagaimana menentukan batasan nilai dalam RCM tersebut. Batasan tersebut tidak lain ditentukan oleh ukuran sampel. Semakin besar sampel yang digunakan dalam penelitian, semakin kecil nilai batasan ini. Sebaliknya, semakin kecil sampel yang digunakan dalam penelitian, semakin besar batasan ini. Batasan ini tidak lain digunakan agar nilai faktor yang hendak dibentuk signifikan (bermakna). Sebab itu dilakukan supresi (tekanan). Misalnya, dalam penelitian yang menggunakan sig. penelitian 0,01, untuk sampel berjumlah 50 digunakan batas 0,722, untuk sampel 100 digunakan 0,512, untuk sampel 200 digunakan 0,364, untuk sampel 300 digunakan 0,298, untuk 600 digunakan 0,21 dan untuk 1000 digunakan 0,162. Sekali lagi, ini untuk penelitian dengan signifikansi 0,01 (biasanya untuk ilmu pasti). Untuk ilmu sosial umumnya digunakan 0,05.
      Nah, lalu semua terpulang kepada kebutuhan penelitian. Semakin besar batas semakin besar (kemungkinan) signifikansi hasil faktorial. Untuk informasi mengenai penentuan batasan ini dapat dilihat pada J.P. Stevens, Applied Multivariate Statistics for the Social Sciences, 4th Edition (New Jersey: Erlbaum, 2002). Dan untuk sekadar informasi, Stevens menyarankan digunakan nilai 0,4 sebagai nilai batas umum dalam ilmu sosial.
      Demikian tanggapan dari saya. Semoga bermanfaat.

      Hapus
  26. pak mau tanya apakah untuk jumlah kuesioner 50 nilai df di tabel KMO selalu d bawah 50 (misal 41) sedangkan untuk jumlah kuesioner 100 pasti df d bawah 100 (misal 91)?

    BalasHapus
    Balasan
    1. Hal yang mungkin lebih mampu menggambarkan masalah ini adalah darimana nilai df dalam KMO and Bartlett's Test berasal. Nilai ini diperoleh lewat perhitungan df = p(p-1)/2 . p adalah banyaknya pernyataan dalam kuesioner. Dengan demikian, untuk 23 pernyataan nilai df = 23(23-1)/2 = 23(22)/2 = 506/2 = 253. Untuk pernyataan sejumlah 50 dan 100 kiranya dapat dihitung dengan rumus tersebut.
      Demikian tanggapan dari saya. Semoga bermanfaat.

      Hapus
  27. Terima kasih Pak Seta atas penjelasan mengenai analisis faktor ini.
    Yg saya ingin tanyakan adlh:
    misalnya Setelah mendapatkan 2 faktor di atas, saya ingin melakukan analisis hubungan antara kedua faktor tersebut dgn variabel dependen. Analisis spss apa yg bisa gunakan untuk mengetahui signifikansi hubungan antara kedua faktor itu (variabel independen) dgn variabel dependennya? Terimakasih Pak.

    BalasHapus
    Balasan
    1. Tentu saja, sebelum melangkah pada uji hubungan terlebih dahulu kedua faktor yang terbentuk tadi telah diubah menjadi dua variabel (misalnya A dan B). A dan B ini kemudian hendak diuji hubungannya dengan variabel dependen (misalnya C). Untuk hal tersebut, dapat digunakan uji korelasi Pearson ataupun korelasi Spearman. Pearson digunakan apabila skala yang digunakan dalam variabel-variabel penelitian minimal interval. Spearman digunakan apabila skala yang digunakan dalam variabel-variabel penelitian minimal ordinal. Kedua uji korelasi tersebut terdapat secara lengkap di dalam SPSS.
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
  28. Terima kasih Pak Seta atas penjelasan mengenai analisis faktor ini.
    Yg saya ingin tanyakan adlh:
    misalnya Setelah mendapatkan 2 faktor di atas, saya ingin melakukan analisis hubungan antara kedua faktor tersebut dgn variabel dependen. Analisis spss apa yg bisa gunakan untuk mengetahui signifikansi hubungan antara kedua faktor itu (variabel independen) dgn variabel dependennya? Terimakasih Pak.

    BalasHapus
    Balasan
    1. Kiranya sudah saya tanggapi di bagian atas.

      Hapus
  29. pak saya mau bertanya. saya sedang mengerjakan skripsi tentang pengaruh pengalaman, dan akuntabilitas terhadap kualitas audit di suatu tempat, dan dosen pembimbing saya menyuruh menggunakan uji analisis faktor. nah saya bener2 buta alasan dosen saya tersebut, saya cari2 di internet dan saya dapatkan "analisis faktor tersebut dapat diketahui nilai KMO" saya mohon pencerahan nya pak,,

    BalasHapus
    Balasan
    1. Sesungguhnya analisis faktor ini sekurangnya ada dua macam. Pertama adalah Confirmatory Factor Analysis (CFA). Kedua adalah Principal Component Analysis (PCA). Yang pertama digunakan apabila penelitian bertujuan menguji hipotesis. Yang kedua digunakan apabila penelitian bertujuan mereduksi sejumlah statement (pernyataan) atau indikator yang banyak ke dalam bentuk yang lebih sederhana. Mengenai nilai KMO (Kaiser-Meyer-Olkin) merujuk pada rasio kecukupan sampel. Mengenai nilai ini ada kategorinya (terkait jumlah sampel) yaitu nilai < 0.5 tidak mencukupi, nilai 0,5 - 0,7 agak mencukupi, nilai 0,7 - 0,8 cukup, nilai 0.8 - 0,9 baik, dan > 0,9 sangat mencukupi. Mungkin dapat dibicarakan ulang dengan pembimbing Anda mengenai analisis faktor yang dimaksudkan tersebut.
      Demikian tanggapan dari saya. Semoga bermanfaat.

      Hapus
  30. Selamat pagi Pak, numpang tanya. Apa yang harus saya lakukan jika uji reliabilitas (cronbach alpha) bernilai <0,7 atau bahkan negatif? Oya, apakah Bapak punya tulisan tentang metode CFA? Kalau ada sekalian minta link-nya Pak. Terima kasih sebelumnya.

    BalasHapus
    Balasan
    1. Selamat pagi. Apabila nilai Cronbach Alpha < 0,7 ada di dalam kategori reliabilitas moderat. Reliabilitas seperti ini sesungguhnya dapat dipertimbangkan untuk digunakan saja di dalam suatu penelitian apabila tidak ada keharusan (misalnya dari pihak kampus atau dosen pembimbing) untuk mematok angka > 0,7. Namun, apabila memang ada suatu keharusan untuk > 0.7 dapat dilihat pada tabel Item Statistics, khususnya pada kolom Cronbach's Alpha If Item Deleted. Kolom tersebut memrediksi berapa nilai Alpha Cronbach yang diperoleh apabila item yang bersangkutan dihilangkan. Setelah dihilangkan, uji reliabilitas kembali dilakukan.
      Mengenai Confirmatory Factor Analysis sangat disayangkan bahwa saya tidak memilikinya. Namun, ada sebuah link yang saya sarankan untuk dipelajari lebih lanjut yaitu:
      http://www.iub.edu/~statmath/stat/all/cfa/cfa2008.pdf
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
    2. Komentar ini telah dihapus oleh pengarang.

      Hapus
    3. Sudah saya lakukan Pak. Hasilnya bagus. Saya ada dua poin pertanyaan lagi Pak, semoga Bapak bisa bantu
      1. Kapan saya harus menggunakan metode EFA dan kapan CFA?
      2. Perbedaan rotasi orthogonal (varimax) dgn rotasi oblique? dan kapan digunakan?
      Maaf Pak agak banyak hehe. Atau mungkin Bapak punya rujukan pustaka untuk memperkaya pengetahuan saya? Mohon bantuannya. Terima kasih banyak.

      Hapus
    4. Mungkin per nomor saja:

      1. EFA merupakan suatu teknik analisis faktor yang sifatnya "data-driven". Artinya, ia tidak terpaku kepada berapa banyak faktor-faktor laten ataupun pola hubungan antar faktor-faktor ataupun indikator-indikator yang beragama. Ia mirip studi eksplorasi bercorak deskriptif. Peneliti belum menetapkan indikator/variabel yang hendak diinferensikan, karena dalam EFA peneliti sekadar hendak mereduksi faktor-faktor yang "banyak" menjadi "lebih sedikit". CFA berbeda, karena menghendaki landasan konseptual dan validasi konstruk, dan umumnya merupakan langkah lanjutan dari EFA.
      2. Bilamana Orthogonal Rotation (OrR) digunakan, maka serangkaian faktor diasumsikan bersifat bebas. Akibatnya, factor loading yang terjadi merupakan korelasi antra faktor dengan variabel. Korelasi ini juga sekaligus merupakan koefisien regresi. Bilamana Oblique Rotation (ObR) digunakan maka serangkaian faktor diasumsikan sebagai saling berkorelasi satu sama lain. Hasilnya adalah korelasi antar variabel dan faktor akan berbeda dengan koefisien regresi. Untuk bahan pengaya pemahaman seputar EFA dan CFA dapat dilihat pada:
      http://books.google.co.id/books?id=QTasbvQCZQcC&printsec=frontcover&dq=factor+analysis+efa+cfa&hl=en&sa=X&ei=e9CdUpyqDYiGrQecsYCADw&redir_esc=y#v=onepage&q=factor%20analysis%20efa%20cfa&f=false
      Demikian tanggapan dari saya. Semoga bermanfaat.

      Hapus
    5. sangat bermanfaat. terima kasih pak Seta :)

      Hapus
  31. Halo Mas Seta, terimakasih atas tulisan anda, ini sangat membantu saya dalam menulis thesis, saya masih ada 1 hal yang bingung yaitu mengenai minimum factor loading pada Rotated component matrix 0.4, apakah ada penjelasan khusus hal ini ?
    terimakasih atas bantuannya

    BalasHapus
    Balasan
    1. Maaf kelupaan, nama saya Adi
      terimakasih

      Hapus
    2. Halo juga Adi. Memang mengenai penentuan minimum factor loading pada Rotated Component Matrix (RCM) terdapat sejumlah pendapat yang agak berbeda. Khusus mengenai yang 0,4 (sudah dimuat dalam tanggapan-tanggapan di sebelah atas) dapat digunakan pendapat dari Andy Field. Dengan mengutip Stevens (2002) ia berpendapat bahwa nilai 0,4 ini adalah mencukupi kebutuhan interpretasi, sementara nilai > 0,4 adalah lebih substantif lagi dalam menginterpretasi. Untuk sumber dapat dikutip Andy Field, Discovering Statistics Using SPSS (London: Sage, 2009) pp. 665-666.
      Nah, di atas itu semua, karena 0,5 dan 0,4 memiliki basis argumentasi masing-masing maka jalan tengahnya adalah diskusikan dengan pembimbing Anda mengenai nilai yang lebih tepat untuk penentuan RCM tersebut. Hal ini cukup penting mengingat pembimbing penelitian tentu punya peran signifikan dalam suksesnya penelitian yang kita adakan.
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
  32. keren tulisannya, jelas dan membantu. makasi banyak pak. jangan berhenti menulis pak!

    BalasHapus
    Balasan
    1. Terima kasih atas apresiasinya. Semoga bermanfaat.

      Hapus
  33. Assalamu'alaikum pak...
    mohon maaf, mau tanya...
    saya melakukan analisis faktor dengan jumlah butir 30, tpi nilai KMO dan anti Image tidak muncul, ketika saya coba dengan 20 butir saja, KMO dan Anti Image kembali muncul...
    kira-kira apa yang menjadi masalah dalam analisis saya pak? terimakasih sebelumnya..

    BalasHapus
    Balasan
    1. Wa'alaikum salaam. Apabila kedua nilai ini tidak muncul saat 30 butir tetapi muncul saat 20 butir, ada baiknya untuk dipertimbangkan masalah jumlah sampel' Selain itu, ada baiknya dilakukan penyusunan ulang butir-butir, apakah tetap harus 30 ataukah dapat hanya dengan 20 saja.
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
  34. assalamuaikum pak, saya eka mau brtanya. Sya lg menylsaikan laporan dg menggunakan uji chis squer, tp tdk bsa dlakukan shngga sya hrus menggunakan uji fisher exact. Tp mslahnya sya lupa bgaimana cra utk menggabung tbelnya. Sya menggunakn program kompter SPSS. Trmaksh.

    BalasHapus
    Balasan
    1. Apabila Anda menggunakan SPSS > Descriptives Statistics > Crosstabs > Pilihan Statistics > Klik tombol Exact > Klik salah satu tes.
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
  35. selamat malam Pak Seta, salam kenal dan selamat tahun baru. saya gita, skripsi saya membahas kualitas laba yang dilihat dari 7 aspek dan 7 aspek tsb oleh dosen pembimbing saya disuruh dijadikan 1 menggunakan analisis faktor saja. saya sudah cari2 di gugel n buku tapi rata2 melewati proses kmo&bartletts,dll yang ujung2nya nanti akan membagi variabel2/aspek2 tsb menjadi bbrp faktor gt ya pak? (kalau saya tidak salah tangkap) sedangkan saya hanya ingin jadi 1 faktor saja (faktor kualitas laba). yang ingin saya tanyakan, jika saya hanya ingin menjadikan 1 faktor saja, bagaimana langkah2nya ya pak? mohon bantuannya. trims sebelumnya

    BalasHapus
    Balasan
    1. Selamat malam. Selamat tahun baru juga untuk Anda. Sebelum melakukan analisis faktor, alangkah baiknya apabila dilakukan pengajian ulang, apakah ke-7 faktor tersebut merepresentasiikan Kualitas Laba (KL). Apabila memang seluruhnya telah mewakili, maka lakukan analisis faktor. Apabila terbukti ada yang tidak merepresentasi, lebih baik tidak digunakan dan hanya gunakan yang benar-benar merupakan representasi.
      Lakukan analisis faktor. Karena Anda dikehendaki untuk membuat 1 faktor saja, dapatlah kiranya dinaikkan nilai Eigenvalues-nya saat mengonfigurasi analisis faktor di SPSS. Default adalah 1, Anda bisa naikkan menjadi lebih dari itu. Tujuannya mempersempit kemungkinan faktor yang akan terbentuk.
      Nah, apabila telah diperoleh sebuah faktor maka Anda diharuskan melakukan penggabungan dari aspek-aspek yang masuk ke dalam komposisi faktor.
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
  36. maaf pak, gimana cara menentukan loading faktor dalam CFA ?

    BalasHapus
    Balasan
    1. Banyak pendapat mengenai hal ini. Namun, semua terkembalikan pada tujuan dari CFA. Ada sejumlah sudut pandang. Pertama, dari sisi jumlah sampel, jumlah indikator, dan kompleksnya ruang penelitian (kompetisi antarpeneliti). Dalam hal jumlah sampel misalnya, nilai 0,4 dapat ditetapkan apabila jumlah sampel kita sekitar 300. Nilai 0,6 apabila jumlah sampel kita 150. Semakin besar factor loading, semakin agak kecil jumlah sampel yang harus diambil.
      Kedua, secara teoretik. Factor loading yang kecil mengindikasikan persentase varians yang dapat dijelaskan oleh variabel pengamatan adalah rendah. Akibatnya, presisi menjadi kurang.
      Di atas semua, nilai 0,4, 0,5, dan 0,6 kerap digunakan dan cukup lumrah dalam penentuan factor loading ini.
      Demikian tanggapan dari saya. Semoga bermanfaat.

      Hapus
  37. Malam pak Seta, skripsi saya berjudul hubungan pola asuh orang tua dengan perilaku altruisme. untuk perilaku altuisme saya menggunakan alpha cronchbach untuk menghitung validitas dan reliabilitasnya sedangkan untuk pola asuh orang tua saya menggunakan CVT, namun utk CVTsendiri saya belum paham benar mohon bantuan utk penjelasannya pak..sekaligus bagaimana cara menghubungkan atau mengkorelasikan kedua variable tersebut dengan jenis data yang berbeda dalam hal ini perilaku altruisme (datanya interval) dan pola asuh (nominal) apakah bisa dengan chi square, lalu bagaimana caranya ?..mohon bantuan bapak utk penjelasannya pak...terimakasih banyak sebelumnya...

    BalasHapus
    Balasan
    1. Selamat malam. CVT (Continuing Vocational Training), berhubungan dengan pelatihan (training) yang dilakukan selama waktu kerja atau sekurangnya kegiatan/aktivitas yang untuk melakukannya seseorang diberi bayaran oleh bos/majikan. Agar dapat disebut CVT, pelatihan yang dilakukan harus memenuhi persyaratan berikut:
      - direncanakan secara baik dan harus berbeda dengan pekerjaan yang sehari-hari dilakukan.
      - diorganisir/didukung dengan tujuan tertentu seperti memelajari keahlian baru atau meluaskan wawasan dari keahlian lama.
      - pelatihan harus didanai oleh perusahaan
      - pelatihan harus diikuti oleh orang-orang yang bekerja atau mengalami kontrak dengan perusahaan.
      Skala yang digunakan umumnya interval. Dengan demikian, penelitian Anda berupaya menyelediki hubungan antara varibel nominal dengan interval. Untuk hal tersebut kiranya lebih tepat apabila poin bisserial digunakan. Cara dengan SPSS serupa dengan Anda melakukan uji korelasi biasa yaitu Analyze > Correlate > Bivariate ...
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
  38. Terima kasih banyak pak Seta. referensi saya jadi bertambah.

    BalasHapus
    Balasan
    1. Alhamdulillah. Terima kasih atas apresiasinya. Semoga bermanfaat.

      Hapus
  39. ADMIN mau bertanya
    "Hubungan antara Faktor-Faktor Sosial Ekonomi dengan keputusan petani Tembakau dan petani padi dalam membeli produk-produk input usahatani"

    apa analisi faktor ini bisa di gunakan dalam alat analisi saya ?

    kira kira ini menggunkan alat analisis

    BalasHapus
    Balasan
    1. Studi Anda ada kemungkinannya berlingkup pada studi korelasi, karena diawalnya telah diterakan "hubungan". Dengan demikian, dikembalikan lagi kepada tujuan penelitian: Apakah hendak mencari faktor-faktor sosial ekonomi yang berhubungan dengan keputusan petani tembakau dan petani padi dalam membeli produk-produk input usaha tani; Ataukah hendak menyelidiki hubungan kondisi sosial ekonomi dengan keputusan petani tembakau dan petani padi dalam membeli produk-produk input usaha tani.
      Apabila yang pertama ditetapkan, maka analisis faktor sebaiknya dilakukan dan studi Anda adalah memuat serangkaian faktor sosial ekonomi lalu menyederhakannya ke dalam jumlah faktor yang lebih ringkas. Apabila yang kedua ditetapkan, Anda menetapkan sejumlah variabel sosial ekonomi (misalnya pendapatan, posisi sosial, dan sejenisnya) lalu menghubungkannya dengan keputusan petani tersebut.
      Demikian tanggapan dari saya. Semoga bermanfaat.

      Hapus
  40. selamat pagi pak. saya mau bertanya. saya menggunakan analisis faktor untuk menghitung skor risiko litigasi. setelah data saya run di spss, output menunjukkan angka KMO sebesar 0.518. Akan tetapi, signifikansi Bartlett's test nya sebesar 0.617. menurut bapak bagaimana? apabila KMO nya sudah lebih dari 0.5 tetapi tidak signifikan? apakah bisa untuk dilakukan analisis lebih lanjut?
    terima kasih sebelumnya

    BalasHapus
    Balasan
    1. Selamat pagi Asti. Pada prinsipnya, nilai KMO ini hendak menunjukkan "sampling adequacy" dengan mana sebab itu nilai ini menunjukkan bahwa sampel yang digunakan dalam suatu penelitian sudahlah mencukupi. Nilai Anda yaitu 0,617 sudahlah mencukupi. Namun, kelihatannya perhatian ditujukan pada nilai Sig. Bartlett yang menunjukkan 0,617. Nilai Bartlett seyogyanya haruslah di bawah Sig. penelitian, karena nilai signifikan ini menunjukkan adanya hubungan antarvariabel yang diteliti.
      Lalu, bagaimana dengan penelitian Anda? Mungkin akan sangatlah baik apabila nilai Sig. di Bartlett ini < 0,05. Untuk mencapai nilai tersebut dapatlah dilakukan dengan salah satu dari dua cara. Pertama, menambah jumlah sampel. Kedua, mengurangi jumlah faktor yang hendak dianalisis.
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
    2. terima kasih pak. sangat bermanfaat dan memberikan pencerahan bagi saya :D karena sebelumnya saya tidak tahu nilai KMO dan signifikansi Bartlett's Test itu untuk apa dan mengapa dua angka itu yang harus diperhatikan. sekarang sudah jelas alasannya
      kemudian saya sudah buang beberapa variabel, hingga akhirnya sisa dua variabel. tapi signifikansinya masih tetap di atas 0,05, yaitu 0,055. dan saya juga pernah baca di artikel kalau sebaiknya minimal variabel pembentuk faktor 3 variabel.
      akhirnya saya keluarkan 2 variabel saja dan sisa 3 variabel. awalnya tidak signifikan (dengan 61 data). tetapi setelah saya kurangi data-data yang saya anggap outlier (4 data), saya mencapai hasil nilai KMO 0,550 dan signifikansi Bartlett's Test 0,046 dari hasil analisis faktor 3 variabel dengan 57 data membentuk 1 faktor baru.
      bagaimana menurut bapak? apakah langkah dan hasil tersebut sudah sesuai?

      Hapus
    3. Dalam sebuah penelitian, data adalah elemen pokok yang mengarahkan hasil penelitian. Dari 61 data Anda eliminasi yang bersifat outlier sehingga kini tinggal 57 data. Dari ke-57 data ini nilai sig. KMO 0,055 sementara Bartlettnya 0,046. Sekiranya hal ini relatif menyukupi. Bahkan ada kemungkinan apabila 1 atau 2 data lain yang sekiranya mendekati outlier dibuang maka nilai sig. nya akan lebih kecil lagi. Namun, hal tersebut dikembalikan kepada tujuan penelitian Anda. Apa yang sudah dihasilkan sekarang kiranya memiliki pertanggungjawaban logis yang menyukupi, kok.
      Mengenai langkah-langkah yang Anda lakukan pun (sekiranya uji validitas dan reliabilitas sudah dilakukan) adalah menyukupi. Tentu saja, persoalan kemudian yang tidak kalah penting adalah melakukan analisis berdasarkan hasil analisis data Anda. Jangan lupa menghubungkannya dengan teori yang Anda gunakan di dalam penelitian ini.
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
  41. Selamat siang pak,
    saya sedang menganalisis validitas salah satu variabel, dimana variabel itu terbentuk dari dua indikator dengan total 8 item pernyataan di kuesioner. Setelah saya tes, nilai KMOnya sudah 0,529, namun pada total variance explainednya hanya masuk pada 1 component saja (tidak 2 seperti biasanya). Hal ini juga mengakibatkan rotated component matrix tidak bisa muncul (only one component was extracted. The solution cannot be rotated). Bagaimana impactnya pak? apakah tetap bisa dikatakan valid dan tetap bisa dilanjutkan untuk uji yang lain? mohon penjelasannya Pak, terima kasih

    BalasHapus
    Balasan
    1. Selamat siang Sharip. Sebelumnya perlu terlebih dahulu diyakinkan apakah yang dimasukkan hanya 1 komponen (1 variabel), 2 komponen (2 indikator) ataukah 8 komponen (8 pernyataan). Umumnya pada tabel Total Variance Explained memuat seluruh variabel yang disertakan dalam penelitian. Apabila Anda hanya memasukkan sebuah variabel, tentu saja (kemungkinan besar) hanya 1 komponen saja yang keluar hasilnya. Demikian pula apabila 2 komponen yang dimasukkan (2 indikator Anda) maka kemungkinan besar akan terjadi hal serupa. Dengan demikian ada baiknya apabila Anda tengah menganalisis satu variabel, analisis saja per indikator (yang kemungkinan terdiri atas 3 atau lebih pernyataan) agar "grouping" yang dilakukan SPSS dapat berjalan secara lancar.
      Demikian untuk sementara tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
  42. selamat siang pak

    saya sedang melakukan penelitian, saya sudah melakukan analisis faktor sampai mendapat rotated component matrix, apa kah saya harus melakukan validasi faktor dengan membagi data yang telah terbentuk?

    jika sudah terbentuk tetapi hasil validasi tidak stabil dengan faktor awal gmana solusinya pak?

    BalasHapus
    Balasan
    1. Selamat siang Chalis. Apabila validasi berjalan sesuai harapan tentu Anda tinggal menganalisisnya secara lebih lanjut. Apabila validasi menemui masalah dapat Anda lakukan perhitungan (reanalisis) ulang apabila masalah tersebut menimpa 1 atau 2 variabel. Caranya adalah dengan me-remove variabel tersebut lalu melakukan analisis ulang. Cara lainnya didasarkan pada sifat dari sampel yang kita gunakan. Sampel yang acak kemungkinkan besar memberikan jawaban yang acak pula. Untuk itu, apabila validasi menemui masalah, lakukan validasi ulang atas variabel-variabel (atau indikator, atau pernyataan) yang hanya memiliki pola seragam. Artinya, hanya variabel-variabel yang benar-benar menyukturisasikan teori yang kita gunakanlah yang diambil sebagai obyek analisis. Juga jangan dilupakan masalah "outlier" di dalam setiap pernyataan.
      Demikian tanggapan dari saya. Semoga bermanfaat.

      Hapus
  43. Komentar ini telah dihapus oleh pengarang.

    BalasHapus
  44. malam pak, mau tnya jika nilai dalam anti image yg dibawah 0,5 sudah di buang namun pada kolom component matrix masih tetap ada nilai yg dibawah 0,5. apakah pertanyaan tersbut hrus saya hapus kembali agar valid ???? trmksh

    BalasHapus
    Balasan
    1. Selamat malam Frida. Sebaiknya adalah demikian. Namun, perlu diperhatikan terlebih dahulu apakah tidak ada outlier dalam setiap butir pernyataan? Ini mengingat Analisis Faktor sama sensitifnya dengan Analisis Regresi terhadap Outlier. Apabila memang Anda telah yakin bahwa tidak terdapat outlier dalam setiap pernyataan maka adalah seyogyanya dilakukan eliminiasi atas nilai-nilai yang < 0,5 tersebut.
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
  45. terima kasih infonya pa seta basri saya sdg melauan penelitiaan denga analisa faktor. teguhib

    BalasHapus
    Balasan
    1. Sama-sama. Semoga sukses penelitiannya ya.

      Hapus
  46. Komentar ini telah dihapus oleh pengarang.

    BalasHapus
  47. Selamat sore pak Seta, saya ingin menanyakan terkait tugas akhir yang saya lakukan. Dalam tugas akhir tersebut saya menggunakan data sekunder dengan 21 variabel independen. Setelah menghilangkan faktor dengan anti image kurang dari 0,5 hasil yang diperoleh dengan 7 kali eksibisi hanya 1 faktor saja. Apakah hasil tersebut dapat dipergunakan ya pak? Terima kasih

    BalasHapus
    Balasan
    1. Selamat sore Dian. Sama seperti Analisis Regresi, Analisis Faktor menghendaki proporsional sampel terkait dengan pernyataan (indikator, variabel, item). Maknanya, semakin besar item (atau indikator, atau variabel) yang kita teliti, besaran sampel yang kita gunakan pun semakin besar. Apabila besaran ini sudah menyukupi maka langkah-langkah yang Anda lakukan sudah tepat. Apabila data menyatakan bahwa hanya 1 faktor yang dihasilkan mengapa tidak?
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
  48. Malam pak..mohon bantuannya..saya sdg meneliti pengaruh ios dan struktur modal terhadap return saham..ios kan terdiri dari beberapa proksi..bagaimana cara menghitung faktor tunggal ios tersebut pak..?sy sdh cb analisis faktr ios nya..tapi untuk menghitung faktor tunggal ios tidak tahu rumusnya..mohon bantuannya pak..terimakasih

    BalasHapus
    Balasan
    1. Selamat malam Aisyah. Patut disayangkan bahwa saya tidak terlampau memahami masalah ios dan struktur modal ini. Namun, alangkah lebih baik apabila dalam menentukan faktor dilakukan secara taat azas. Maknanya adalah, dalam desain penelitian ditentukan terlebih dahulu apakah ios disikapi secara umum tanpa memandang proksinya ataukah proksinya yang menentukan ios tersebut. Apabila hal ini telah ditetapkan sebelumnya maka baru diadakan analisis faktor. Dapat mungkin Anda rundingkan dengan pembimbing Anda seputar hal ini.
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
  49. Komentar ini telah dihapus oleh pengarang.

    BalasHapus
  50. selamat siang pak. Setelah terbentuk 2 faktor, bagaimana memasukkan datanya ke dalam spss untuk statistik deskriptif? FYI, penelitian saya tentang good corporate governance. Saya memakai 4 variabel. Bagaimana menyatukan keempatnya menjadi 1 variabel yaitu good corporate governance?

    BalasHapus
    Balasan
    1. Selamat siang. Setelah terbentuk 2 faktor dari 4 variabel, maka dicari skor total masing-masing faktor berdasarkan variabel yang masuk ke dalamnya.
      Demikian tanggapan dari saya. Semoga bermanfaat.

      Hapus
  51. perkenalkan, nama saya imam.
    pak, dimana saya bisa membaca kesimpulan dari tutorial di atas bahwa dari agen sosialisai politih dyg paling mempengaruhi budaya politik siswa itu yg mana?

    terima kasih, sebelumnya

    BalasHapus
    Balasan
    1. Salam kenal, Imam. Kebetulan hasil tersebut diperoleh dari penelitian saya dengan mahasiswa di kelas Pengantar Ilmu Politik. Hasil penelitiannya pun hanya diterbitkan secara internal di lingkungan kampus. Tidak dipublikasi lewat internet.
      Sama-sama. Semoga bermanfaat.

      Hapus
  52. siang pak...
    mohon bantuanyya bapak..saya sedang menyelesaikan penelitan dengan judul 'analisis faktor yang mempengaruhi prestasi belajar mahasiswa'. dalam penelitan ini saya di arahkan mengunakan analisis faktor dan kemuadian d lanjutkan dengan analisis regresi..apakah itu mungkin dilakukan bpk?? mohon juga dengan refensinya ya bpk..terima kasih

    BalasHapus
    Balasan
    1. Selamat siang, Vella. Jawabannya adalah sangat mungkin. Justru analisis faktor bermanfaat untuk mereduksi jumlah variabel bebas yang digunakan dalam penelitian kita. Seperti diketahui, semakin besar jumlah variabel bebas yang digunakan, maka semakin besar potensi "redundancy" dan jumlah sampel yang harus digunakan dalam penelitian. Untuk referensi metode analisis faktor, saya rekomendasikan buku yang singkat tetapi pada dan jelas yaitu Santoso, Singgih. Seri Solusi Bisnis Berbasis TI: Menggunakan SPSS untuk Statistik Multivariat. Jakarta: Elex Media Komputindo, 2006.

      Hapus
    2. terima kasih bapak, sebelumnya saya mw bertnya lagi bapak, tentang proses pengelolahan data, ketika variabel X mengunakan data skala likers dan variabel Y beruapa nilai IPK, apakah keduanya bisa di kombinaksikan bapak, menginat rentang nilai IPK max 4,, mohon bantuanya lagi bapak,,terima kasih

      Hapus
    3. Tentu saja bisa. Pengolahan data dengan Likert Scale dikombinasikan dengan IPK yang Ratio Scale, karena ada pendapat yang memasukkan bahwa Likert Scale ini boleh dianggap interval scale. Interval Scale adalah skala terendah dengan mana regresi linier bisa dilaksanakan.
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
  53. Assalamualaikum pak
    Saya mau tanya. saya sdg melakukan penelitian perilaku konsumen susu bubuk. lalu saya menguji validitas dan reliabilitas 10 atribut produk susu bubuk ( beserta skor dr skala likert) tsb dg spss v16. namun hasil regresi uji validitas saya, nilai KMO tak muncul (this matrix is not positive definite). saya mencoba drop satu atribut, muncul kmo tapi nilainya kecil sekali (hanya 0,221). bagaimana solusinya ya pak? Apakah saya hrs drop satu atribut, mengingat kesepuluh atribut sgt penting bagi produk susu bubuk tsb ?
    Terimakasih pak, mohon bantuannya.

    BalasHapus

Ketik komentar anda. Pada Beri komentar sebagai pilih Name/URL jika anda tak memiliki Google Account. Lalu klik Publikasikan.