Rev 1 - Labsi - Kel 46 - Lapres - Modul 8 - Yahya

LABORATORIUM STATISTIK DAN MANAJEMEN INDUSTRI
PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
JAWA TIMUR
LAPORAN RESMI
MODUL VIII
ANALISIS MULTIVARIAT FAKTOR
I. Pendahuluan
1.1 Latar Belakang
Metode analisis multivariat adalah suatu metode statistika yang tujuan
digunakannya adalah untuk menganalisis data yang terdiri dari
banyak variabel serta diduga antar variabel tersebut saling berhubungan satu sama
lain. Dimana variabel-variabel yang dimaksud tersebut saling terkait satu sama
lain. Analisis multivariat adalah salah satu dari teknik statistik yang diterapkan
untuk memahami struktur data dalam dimensi tinggi. Dimana variabel-variabel
yang dimaksud tersebut saling terkait satu sama lain.
Analisis faktor adalah sebuah teknik yang digunakan untuk mencari faktor-
faktor yang mampu menjelaskan hubungan atau korelasi antara berbagai indikator
independen yang diobservasi. Analisis faktor merupakan perluasan dari analisis
komponen utama. Analisis faktor digunakan untuk mengidentifikasi sejumlah
faktor yang relatif kecil yang dapat digunakan untuk menjelaskan sejumlah besar
variabel yang saling berhubungan. Sehingga variabel-variabel dalam satu faktor
mempunyai korelasi yang tinggi, sedangkan korelasi dengan variabel-variabel
pada faktor lain relatif rendah. Confirmatory Factor Analysis (CFA) adalah
metode yang digunakan untuk menguji seberapa baik variabel yang diukur dapat
mewakili construct atau faktor yang terbentuk sebelumnya. (CFA) sendiri dikenal
sebagai alat statistik yang berguna dalam menemukan bentuk konstruk dari
kumpulan variabel manifesnya.
Observasi yang kami lakukan berada pada lingkup daerah Surabaya.
Dengan memberikan kuesioner kepada para masyarakat sekitar dan dapat menguji
kevalidan sebuah data dan mengetahui apakah data tersebut dapat dikatakan
reliabel. Metode penelitian yang digunakan adalah menggunakan analisis faktor
dan confirmatory factor anaysis. Sehingga kita dapat mengetahui apakah fitur
pada aplikasi facebook sangat membantu. Dengan menggunakan aplikasi software
IBM SPSS 20 dan SmartPls kita dapat menyelesaikan permasalahan tersebut.
PRAKTIKUM STATISTIK INDUSTRI

MODUL VIII (ANALISIS MULTIVARIAT FAKTOR))
SESI SENIN / KELOMPOK 46
1.2 Rumusan Masalah
Adapun rumusan masalah pada modul 8 adalah:
“Bagaimana menentukan, mengelopokkan, dan mereduksi data
berdasarkan karakteristik diantara objek, serta bagaimana penerapan PLS pada
uji validitas dan reliabilitas indeks pengaruh penggunaan smartphone di era
globalisasi?’’
1.3 Tujuan Praktikum

Adapun tujuan yang didapat dari modul 8 adalah:
1. Untuk mereduksi data, yaitu proses untuk meringkas sejumlah variabel
menjadi lebih sedikit dan menamakannya sebagai faktor.
2. Mengelompokkan setiap objek dalam dua atau lebih kelompok berdasarkan
pada kriteria tertentu.
3. Untuk menjelaskan struktur hubungan di antara banyak variabel dalam
bentuk faktor atau variabel laten atau variabel bentukan.
1.4 Manfaat Praktikum

Adapun manfaat yang didapat dari modul 8 adalah:
1. Mahasiswa dapat mengelompokkan apakah suatu objek dapat
dikelompokkan berdasarkan persamaan karakteristik diantara objek-objek
yang ada.
2. Mahasiswa dapat menggunakan software SPSS 20 dan SmartPLS dalam
pengolah data statistic.
3. Mahasiswa dapat memahami teori mengenai analisis faktor.
1.5 Batasan Masalah

Adapun batasan masalah yang digunakan dalam modul 8 adalah:
1. Data yang dianalisis adalah variabel yang dinyatakan pada responden
2. Dalam menyelesaikan data tersebut dengan program IBM SPSS 20 dan
SmartPLS.
3. Dalam pemilihan responden dan pengambilan data kuisioner hanya di ruang
lingkup tertentu.

1.6 Asumsi-asumsi
Asumsi-asumsi yang digunakan dalam modul 8 adalah:
1. Semua data yang ada merupakan data yang siap untuk diolah Analisa faktor.
2. Sampel yang diambil dapat mewakili populasi yang ada.
3. Software ini mampu membuat hasil representatife karena telah di uji
kevalidannya yakni mengukur dengan cara manual.
II. Tinjauan Pustaka

2.1 Analisis Multivariat Faktor
Analisis Faktor adalah suatu metode analisis untuk menemukan apakah
terdapat satu atau beberapa variabel yang bersifat latent (tak dapat diamati secara
langsung) yang menjadi penyebab mengapa sehimpunan variabel saling
berkorelasi. Istilah ini pertama kali dikemukakan oleh Spearman (1904) ketika ia
berteori tentang adanya suatu variabel (common factor) yang menjadi penyebab
mengapa sehimpunan skor hasil tes kemampuan kognitif saling berkorelasi, yang
dinamakannya “General Intelligence”. Selanjutnya, dengan metode ini, para ahli
psikologi berhasil menemukan berbagai faktor (dimensi) dari variabel seperti
“basic abilities”, “personality traits”, dan sebagainya. Nama-nama seperti
Thurstone (1947), Cattell (1978), Guilford (1952), Comrey (1973) dan banyak
lagi lainnya, merupakan orang-orang yang mengembangkan metode analisis
faktor menjadi makin canggih. Namun demikian, selama sekitar 70 tahun metode
analisis faktor tidak dianggap sebagai metode yang ilmiah oleh para ahli statistika
karena setiap langkahnya yang bersifat subjektif. Seperti diketahui, analisis faktor
pada waktu itu umumnya terdiri dari tiga langkah, yaitu (1) menentukan
banyaknya faktor (factor extraction), (2) jika ditentukan lebih dari satu faktor, lalu
dilakukan rotasi faktor (secara geometrik) untuk mendapatkan “simple structure”
di mana suatu variabel hanya terkait dengan satu faktor saja, dan (3) menetapkan
“nama” dari variabel latent (faktor) yang ditemukan. Pengambilan keputusan pada
setiap langkah ini dilakukan tanpa adanya suatu kriteria yang objektif. Yang
dilakukan adalah menghitung korelasi antarvariabel kemudian menghitung “eigen
value” dari matriks korelasi tersebut, disertai dengan masing-masing “eigen
vector”nya. Keputusan diambil berdasarkan “pertimbangan subjektif” terhadap

besaran dan komposisi eigen value dan eigen vector tersebut. Untuk suatu data
yang sama, setiap peneliti dapat menghasilkan keputusan yang jauh berbeda
padahal prosedur dan metodenya sama. Juga tidak ada kegiatan “statistical”
seperti uji hipotesis dengan tes signifikan, dsb (Umar, 2020).
Analisis faktor adalah alat analisis statistik yang dipergunakan untuk
mereduksi faktor-faktor yang mempengaruhi suatu variabel menjadi beberapa set
indikator saja, tanpa kehilangan informasi yang berarti. Sebagai ilustrasi, terdapat
50 indikator yang diidentifikasi mempunyai pengaruh terhadap keputusan
pembelian konsumen. Dengan analisis faktor, ke-50 indikator tersebut akan
dikelompokkan menjadi beberapa sub set indikator yang sejenis. Masing-masing
kelompok sub set tersebut kemudian diberi nama sesuai dengan indikator yang
mengelompok. Pengelompokan berdasarkan kedekatan korelasi antar masing-
masing indikator dan penentuan banyaknya sub set berdasarkan nilai eigenvalues,
yang biasanya diambil dengan nilai di atas. Analisis faktor digunakan untuk
penelitian awal di mana faktor-faktor yang mempengaruhi suatu variabel belum
diidentifikasikan secara baik (explanatory research). Selain itu, analisis faktor
juga dapat digunakan untuk menguji validitas suatu rangkaian kuesioner. Sebagai
gambaran, jika suatu indikator tidak mengelompok kepada variabelnya, tetapi
malah mengelompok ke variabel yang lain, berarti indikator tersebut tidak valid.
Analisis faktor juga digunakan dalam Structural Equation Modelling (SEM) dan
sering disebut dengan Confirmatory Faktor Analysis (CFA). Data yang digunakan
adalah hasil kuesioner yang terdiri dari 11 butir pertanyaan (q1 sampai dengan
q11). Tabulasi data dalam bentuk data editor spss. Dalam contoh ini kita ingin
mengelompokkan 11 butir tersebut menjadi beberapa kelompok, sehingga
memudahkan untuk melakukan ilustrasi hubungan dan analisis selanjutnya yang
diperlukan. Dalam analisis faktor dikenal istilah konstrak empirik dan konstrak
laten. Aitem adalah konstrak empirik karena didapatkan langsung dari skor
empirik. Faktor merupakan konstrak yang bersifat laten karena tidak ada data
empirik yang menunjukkan besarnya faktor tersebut. Faktor adalah konstrak
buatan peneliti berdasarkan aitem-aitem dalam faktor tersebut. Karena faktor
didapatkan dari seperangkat aitem yang memiliki interkorelasi yang tinggi,
peneliti kemudian harus merasionalisasi seperangkat aitem kemudian memberi

label untuk menggambarkan seperangkat aitem aitem tersebut (Artaya, 2018).
2.2 Analisis Faktor

Analisis Faktor adalah suatu metode analisis untuk menemukan apakah
terdapat satu atau beberapa variabel yang bersifat latent (tak dapat diamati secara
langsung) yang menjadi penyebab mengapa sehimpunan variabel saling
berkorelasi. Istilah ini pertama kali dikemukakan oleh Spearman (1904) ketika ia
berteori tentang adanya suatu variabel (common factor) yang menjadi penyebab
mengapa sehimpunan skor hasil tes kemampuan kognitif saling berkorelasi, yang
dinamakannya “General Intelligence”. Selanjutnya, dengan metode ini, para ahli
psikologi berhasil menemukan berbagai faktor (dimensi) dari variabel seperti
“basic abilities”, “personality traits”, dan sebagainya. Nama-nama seperti
Thurstone (1947), Cattell (1978), Guilford (1952), Comrey (1973) dan banyak
lagi lainnya, merupakan orang-orang yang mengembangkan metode analisis
faktor menjadi makin canggih. Namun demikian, selama sekitar 70 tahun metode
analisis faktor tidak dianggap sebagai metode yang ilmiah oleh para ahli statistika
karena setiap langkahnya yang bersifat subjektif. Seperti diketahui, analisis faktor
pada waktu itu umumnya terdiri dari tiga langkah, yaitu (1) menentukan
banyaknya faktor (factor extraction), (2) jika ditentukan lebih dari satu faktor, lalu
dilakukan rotasi faktor (secara geometrik) untuk mendapatkan “simple structure”
di mana suatu variabel hanya terkait dengan satu faktor saja, dan (3) menetapkan
“nama” dari variabel latent (faktor) yang ditemukan. Pengambilan keputusan pada
setiap langkah ini dilakukan tanpa adanya suatu kriteria yang objektif. Yang
dilakukan adalah menghitung korelasi antarvariabel kemudian menghitung “eigen
value” dari matriks korelasi tersebut, disertai dengan masing-masing “eigen
vector”nya. Keputusan diambil berdasarkan “pertimbangan subjektif” terhadap
besaran dan komposisi eigen value dan eigen vector tersebut. Untuk suatu data
yang sama, setiap peneliti dapat menghasilkan keputusan yang jauh berbeda
padahal prosedur dan metodenya sama. Juga tidak ada kegiatan “statistical”
seperti uji hipotesis dengan tes signifikan, dsb (Umar, 2020).
Analisis faktor dapat digunakan untuk mengidentfikasi struktur hubungan
antarvariabel ataupun responden antar responden. Misalnya kita punya 10

variabel. Dengan melihat korelasi antarvariabel, kita dapat mengetahui dimensi-
dimensi yang mendasari. Dalam contoh terdahulu, memang variabel pekerjaan,
pendapatan, dan kekayaan dapat disatukan menjadi kelas sosial. Namun, tidak
selalu mudah menemukan dimensi-dimensi laten kalau belum ada teori yang
melandasinya. Analisa Faktor dapat menolong kita untuk menemukan dimensi-
dimensi yang mendasari jumlah variabel.
Analisis Faktor juga dapat digunakan untuk mencari korelasi antar
responden. Dengan kata lain, dengan analisis faktor, kita dapat mengelompokkan
responden berdasarkan kesamaan karakteristik yang dimilikinya. Analisis faktor
juga dapat digunakan untuk mengurangi data (data reduction). Ada tiga cara yang
dapat dilakukan untuk mengurangi variabel, pertama menggunakan faktor yang
dihasilkan, kedua memakai surrogogate varibles, dan ketiga menggunakan
summated scales.
Dengan analisis faktor, kita dapat menemukan faktor-faktor (disebut juga
dimensi atau komponen) yang dapat mewakili variabel variabel asli. Anggaplah
kita temukan tiga faktor. Ketiga faktor, ini dapat dijadikan variabel baru yang
mewakili kesepuluh variabel asli, dengan catatan informasi yang hilang
diminimalkan. Bisa pula beberapa variabel diwakili faktor, sementara variabel lain
tetep dalam bentuk aslinya ( Simamora, 2005).
Analisis faktor digunakan untuk menemukan hubungan (interrelationship)
antar sejumlah variabel-variabel yang saling bebas (independen) satu dengan yang
lain sehingga dapat dibuat satu atau beberapa kumpulan variabel yang lebih
sedikit dari variabel awal (Santoso, 2003:93). Analisis ini menilai variabel mana
saja yang dianggap layak untuk dimasukkan dalam analisis selanjutnya.
Dalam lingkup perencanaan, analisis faktor digunakan untuk melihat
variabel yang paling menentukan dan mempengaruhi suatu kejadian. Namun,
banyaknya jumlah variabel bebas akan menjadi terlalu kompleks. Dengan
meringkas variabel-variabel penting, maka akan menjadi lebih efisien. Seperti
pada penentuan karakteristik desa kota suatu daerah. Dengan menggunakan
analisis ini, dapat diketahui keterkaitan antar aspek penentu suatu daerah dapat
dikatakan sebagai desa ataupun kota sehingga analisis ini berfungsi untuk
memudahkan dalam identifikasi masalah.

Analisis faktor bertujuan untuk mendefinisikan struktur data matriks dan
menganalisis struktur saling hubungan (korelasi) antar sejumlah besar variabel
(test score, test items, jawaban kuesioner) dengan cara mendefinisikan satu set
kesamaan variabel atau dimensi yang disebut juga faktor. Dengan analisis faktor,
peneliti mengidentifikasi tiap dimensi suatu struktur kemudian menentukan sejauh
mana tiap variabel dapat dijelaskan oleh setiap dimensi. Setelah dimensi dan
penjelasan setiap variabel diketahui, maka tujuan utama dapat dilakukan
yaitu summarization, dan data reduction. Analisis faktor ingin menemukan cara
meringkas informasi yang ada dalam variabel asli menjadi satu set dimensi baru
atau variate (faktor) (Ghozali, 2006: 267).
Dalam analisis faktor tidak terdapat pembedaan antara variabel dependen
(terikat) dan bebas (independent) karena analisis faktor bermaksud mencari
hubungan interdependensi antar variabel agar dapat mengidentifikasikan dimensi-
dimensi atau faktor-faktor yang menyusunnya.
Kegunaan analisis faktor adalah sebagai berikut.
 Mengidentifikasi underlying dimensi (faktor) yang dapat menjelaskan
korelasi sekumpulan variabel.
 Mengidentifikasi variabel baru, yang digunakan untuk analisis lainnya
seperti regresi.
 Mengidentifikasi satu atau beberapa variabel yang banyak jumlahnya.
 Mengkonfirmasi kontruksi suatu variabel laten.
(Savi, 2018).
Analisis faktor bisa dibedakan menjadi dua, yaitu:
1. Analisis faktor eksplorasi adalah jika kita tidak mengetahui tentang struktur
berbagai jenis data penelitian yang kita miliki atau berapa banyak dimensi
yang ada dalam sekumpulan variabel.
2. Analisis Faktor Konfirmatori digunakan untuk verifikasi selama kita
memiliki gagasan khusus tentang struktur data yang kita miliki atau berapa
banyak dimensi yang ada dalam satu set variabel. Dari penjelasan yang
dikemukakan, penting dipahami bahwa analisis faktor ini pada umumnya
merupakan metode eksplorasi/deskriptif yang membutuhkan banyak
penilaian subjektif. Hal ini tentusaja adalah alat yang banyak digunakan dan

seringkali kontroversial karena model, metode, dan subjektivitasnya sangat
fleksibel sehingga perdebatan tentang interpretasi dapat terjadi. Metode ini
mirip dengan Principal Component Analysis (PCA) meskipun, seperti yang
ditunjukkan buku teks, analisis faktor lebih rumit. Di satu sisi, analisis
faktor adalah kebalikan dari Principal Component. Dalam analisis faktor,
kita memodelkan variabel yang diamati sebagai fungsi linier dari “faktor”.
Dalam Principal Component, kita membuat variabel baru yang merupakan
kombinasi linier dari variabel yang diamati. Akan tetapi, baik dalam PCA
dan FA, dimensi data dikurangi. Ingatlah bahwa di PCA, interpretasi
komponen utama seringkali tidak terlalu bersih. Variabel tertentu terkadang
dapat berkontribusi secara signifikan pada lebih dari satu komponen.
Idealnya kita ingin setiap variabel berkontribusi secara signifikan hanya
untuk satu komponen. Teknik yang disebut rotasi faktor digunakan. (Hayati,
2020)
a) Analisis Faktor Eksploratori (Exploratory Factor Analysis) Seorang peneliti
membuat seperangkat aitem yang mengukur kualitas pelayanan bank. Aitem
tersebut merupakan operasionalisasi dari teori dan indikator mengenai
kualitas layanan. Peneliti hendak mengidentifikasi berapa faktor yang ada di
dalam seperangkat aitem tersebut. Dari analisis faktor kemudian didapatkan
ada 4 faktor yang menggambarkan kualitas layanan bank, antara lain faktor
fitur layanan, fasilitas gedung, keramahan karyawan, serta jaminan
keamanan.
b) Analisis Faktor Konfirmatori (Confirmatory Factor Analysis). Seorang
peneliti merancang sebuah alat ukur mengenai dukungan sosial. Alat ukur
tersebut berisi seperangkat aitem yang diturunkan dari lima dimensi
dukungan sosial. Peneliti berusaha memastikan apakah alat ukur yang
dibuatnya benar-benar menjelaskan kelima dimensi tersebut. Ia kemudian
melakukan analisis faktor konfirmatori. Hasil dari analisis faktor
menunjukkan bahwa pembagian kelima faktor akhirnya dibuktikan.
Setelah sampel didapat dan uji asumsi terpenuhi, langkah selanjutnya adalah
melakukan proses Analisa faktor. Proses tersebut meliputi:
 Menentukan variabel apa saja yang akan dianalisis.

 Menguji variabel – variabel yang telah ditentukan.
 Melakukan proses inti pada analisis faktor, yakni factoring, atau
menurunkan satu atau lebih faktor dari variabel-variabel yang telah lolos
pada uji variabel sebelumnya.
 Melakukan proses faktor rotation atau rotasi terhadap faktor yang telah
terbentuk. Tujuan rotasi untuk memperjelas variabel yang masuk ke dalam
faktor tertentu.
 Interpretasi atas faktor yang telah terbentuk, khusus-nya memberi nama atas
faktor yang terbentuk, yang dianggap bisa mewakili variabel-variabel
anggota faktor tersebut.
 Validasi atas hasil faktor untuk mengetahui apakah faktor yang terbentuk
telah valid. Validasi bisa dilakukan dengan berbagai cara seperti:
a. Membagi sampel awal menjadi dua bagian, kemudian membandingkan hasil
faktor sampel satu dengan sampel dua. Jika hasil tidak banyak perbedaan,
bisa dikatakan faktor yang terbentuk telah valid.
Dengan melakukan metode confirmatory Factor Analysis (CFA) dengan
cara Structural Equation Modelling (SEM). Proses ini bisa dibantu dengan
software khusus, seperti LISREL atau AMOS (Santoso, 2020).
2.3 CFA
CFA adalah analisis faktor yang digunakan dengan tujuan untuk menguji
atau mengkonfirmasikan secara empiris model pengukuran (measurement model)
sebuah atau beberapa konstruk. Model pengukuran atau disebut juga model
deskriptif (Ferdinand, 2002 : 14) adalah operasionalisasi variabel laten atau
konstruk menjadi satu atau beberapa indikator atau beberapa variabel manifes
yang dirumuskan menurut kajian teori tertentu. Dengan demikian, CFA tidak
dimaksudkan untuk menghasilkan model, melainkan menguji model pen Analisis
faktor confirmatori (CFA) sendiri dikenal sebagai alat statistik yang berguna
dalam menemukan bentuk konstruk dari kumpulan variabel manifesnya, atau
menguji suatu variabel atas asumsi manifes yang membangunnya. Sehingga
analisis confirmatori sangat cocok untuk mengujikan suatu teori variabel atas
manifes atau indikator-indikator yang membangunnya, dimana variabel tersebut

diasumsikan hanya dapat diukur dengan indikator-indikator tersebut.gukuran yang
dikembangkan atas dasar kajian teori tertentu.
Analisis faktor konfirmatori (CFA), sebagaimana dijelaskan Tabachnick dan
Fidell (1996:637) adalah “.. sophisticated techniques used in the advanced stages
of the research process to test a theory about latent process”. Menurut Bachrudin
dan Tobing (2003 : 6), “analisis faktor konfirmatori bertujuan untuk mengevaluasi
pola-pola hubungan antara beberapa konstruk. Setiap konstruk dibangun oleh
indikator-indikator. Model analisis konfirmatori biasanya tidak diasumsikan arah
hubungan antar konstruk, tetapi hanya adanya hubungan korelatif antar konstruk”.
Dan menurut Ferdinand (2002 : 127-128), “analisis faktor konfirmatori berangkat
dari adanya teori dasar yang digunakan dalam sebuah penelitian. Kajian terhadap
teori menghantarkan peneliti untuk mengenali kembali konsep-konsep lama
menjadi dasar membangun teori dasar … dan mengembangkan konsep dan teori
yang lebih sempurna ….”.
Jadi, CFA adalah analisis faktor yang digunakan dengan tujuan untuk
menguji atau mengkonfirmasikan secara empiris model pengukuran
(measurement model) sebuah atau beberapa konstruk. Model pengukuran atau
disebut juga model deskriptif (Ferdinand, 2002 : 14) adalah operasionalisasi
variabel laten atau konstruk menjadi satu atau beberapa indikator atau beberapa
variabel manifes yang dirumuskan menurut kajian teori tertentu. Dengan
demikian, CFA tidak dimaksudkan untuk menghasilkan model, melainkan
menguji model pengukuran yang dikembangkan atas dasar kajian teori tertentu
(Maruyama, 1998 : 139 – 140).
Sesuai dengan pendapat di atas, maka masalah penelitian dalam kerangka
CFA berkisar pada dua pertanyaan berikut:
1. Apakah model pengukuran konstruk yang diusulkan sesuai atau fit dengan
data?
2. Dilihat dari indikator atau variabel-variabel manifesnya, karakteristik
dominan apa yang membentuk kosntruk tersebut?
Untuk menjawab kedua pertanyaan di atas, di dalam CFA jawaban
pertanyaan pertama, diuji dengan menggunakan uji kesesuaian model (overall
model fit test) dan pertanyaan kedua, diuji dengan menggunakan statistik t (t

student). Untuk melihat indikator atau variabel manifes mana yang dominan
membentuk suatu konstruk, ditentukan oleh besar kecilnya koefisien bobot faktor
(lambda-λ). Menurut beberapa pakar, batas minimal koefisien bobot faktor
(lambda-λ) yang dianggap layak dalam penelitian yang bersifat konfirmatori
adalah tidak kurang dari 0.5 (Hair, Anderson, Tatham dan Black, 1998; Ghozali,
2004).
Koefisien bobot faktor pada dasarnya menunjukkan keeratan hubungan atau
korelasi antara variabel laten dengan variabel manifesnya (Maruyama, 1998;
Bachrudin & Tobing, 2003). Berdasarkan koefisien bobot faktor, selanjutnya
dapat diidentifikasi reliabilitas dari model pengukuran yang diusulkan.
Sebagaimana diketahui, reliabilitas menunjukkan kemantapan dan kekonsistenan
dari indikator-indikator untuk mendefinisikan secara unidimensional sebuah
konstruk yang diukur (Kerlinger, 1990). Dalam format CFA, reliabilitas
diindikasikan oleh dua ukuran yaitu Construct Reliability dan Variance Extracted.
Koefisien construct reliability dan variance extracted memiliki nilai antara
0 dan 1. Semakin tinggi koefisien contruct reliability dan variance extracted,
megindikasikan semakin reliable model pengukuran yang dikembangkan.
Menurut para pakar seperti Hair, Anderson, Tatham dan Black (1998, 612)
maupun Bacharudin dan Tobing (2003,48) sependapat bahwa suatu instrumen
penelitian diindikasikan memiliki reliabilitas yang memadai apabila
koefisien construct realiability dan variance extracted tidak kurang dari 0.5.
Confirmatory Factor Analysis (CFA) merupakan bentuk analisis faktor
dengan menkorfirmasikan beberapa konstruk empirik yang diasumsikan sebagai
faktor dari konstruk laten. Tujuan dari analisis faktor ini adalah menjelaskan dan
menggambarkan dengan mereduksi jumlah parameter yang ada (Richie, 2017).
Metode dalam CFA yaitu menggunakan software LISREL:
1. Dilakukan uji CFA dengan model undimensional (satu faktor) dan dilihat nilai
Chi- Square yang dihasilkan. Jika nilai Chi-Square tidak signifikan (p>0.05)
berarti semua item telah mengukur sesuai dengan yang diteorikan, yaitu hanya
mengukur satu faktor saja. Jika ini terjadi maka analisis dilanjutkan ke langkah
ketiga, yaitu melihat muatan faktor pada masingmasing item. Namun jika nilai
Chi-Square signifikan (p<0.05), maka diperlukan modifikasi terhadap model

pengukuran yang diuji langkah kedua ini.
2. Jika nilai Chi-Square signifikan, maka dilakukan modifikasi model
pengukuran dengan cara mengestimasi korelasi antar kesalah pengukuran
pada beberapa item yang mungkin bersifat multidimensional. Ini berarti
bahwa selain suatu item mengukur konstruk yang seharusnya diukur (sesuai
dengan teori), juga dapat dilihat apakah item tersebut mengukur hal yang
lain (mengukur lebih dari satu hal). Jika setelah beberapa kesalahan
pengukuran dibebaskan untuk saling berkorelasi dan akhirnya diperoleh
model fit, maka model terakhir inilah yang digunakan pada langkah
selanjutnya,
3. Setelah diperoleh model pengukuran yang fit (undimensional) maka dilihat
apakah ada item yang muatan faktornya negatif. Jika ada, item tersebut
harus di drop atau tidak diikutsertakan dalam analisis perhitungan factor
score.
4. Dengan menggunakan SPSS dan model unidimensional (satu faktor)
kemudian dihitung (destimasi) nilai skor faktor (true score) bagi setiap
orang untuk variabel yang bersangkutan. Dalam hal ini yang dianalisis
faktor hanya item yang baik saja (tidak didrop)
(Hartono, 2017).
2.4 SPSS
Nama IBM SPSS telah dapat kita temukan pada spss versi 20. IBM spss
mulai versi 0 ini sangat diminati orang sehingga banyak yang mencoba download
spss crack, terutama versi download spss 20 full crack. Nyatanya spss versi 20
masih sangat populer dan setelah itu masih ada SPSS 21 dengan download SPSS
21 Anda bisa mendapatkan spss yang lebih baru dan versi seterusnya berkembang
sesuai zaman hingga sekarang telah berkembang pada SPSS 24. Sama seperti
pengertian SPSS sebelumnya fungsi SPSS 24 adalah untuk melakukan survei data,
analisis data, mining data, mengolah dokumentasi data, dan membuat survey.
Selain itu fungsi SPSS 24 lainnya adalah merepresentasikan data statistik,
melakukan riset dalam pemasaran dan banyak lagi keunggulannya. Meski spss
versi 20 hingga keatasnya banyak diminati namun spss versi sebelumnya masih

ada yang memakai contohnya masih ada yang menggunakan SPSS 17 dalam
mengolah data.
SPSS adalah sebuah software pengolah data statistik atau yang digunakan
untuk analisis statistik interaktif, atau batch. SPSS merupakan kepanjangan dari
Statistical Package for the Social Sciences. SPSS memiliki tampilan yang user
friendly dengan cara penggunaan yang mudah. SPSS biasa digunakan untuk
pengolahan dan menganalisis data yang memiliki kemampuan analisis statistik
serta sistem manajemen data dengan lingkungan grafis. Aplikasi ini biasanya
digunakan untuk ilmu sosial saja, namun perkembangan berikutnya digunakan
untuk berbagai disiplin ilmu.
SPSS adalah software yang dapat membaca berbagai jenis data atau
memasukkan data secara langsung ke dalam SPSS Data Editor. Bagaimanapun
struktur dari file data mentahnya, maka data dalam Data Editor SPSS harus
dibentuk dalam bentuk baris (cases) dan kolom (variables). Case berisi informasi
untuk satu unit analisis, sedangkan variable adalah informasi yang dikumpulkan
dari masing-masing kasus. Hasil-hasil analisis muncul dalam SPSS Output
Navigator. Kebanyakan prosedur Base System menghasilkan pivot tables, di mana
kita bisa memperbaiki tampilan dari keluaran yang diberikan oleh SPSS. Untuk
memperbaiki output, maka kita dapat memperbaiki output sesuai dengan
kebutuhan. SPSS adalah program komputer yang dipakai untuk analisis statistika.
SPSS adalah kependekan dari Statistical Package for the Social Sciences. SPSS
biasa digunakan untuk pengolahan dan menganalisis data yang memiliki
kemampuan analisis statistik serta sistem manajemen data dengan lingkungan
grafis. Aplikasi SPSS menyediakan library untuk perhitungan statistika dengan
antarmuka interaktif yang menjadikannya sebagai software analisis data tingkat
lanjut paling populer di berbagai universitas, instansi, dan perusahaan. Aplikasi
ini memiliki tampilan user friendly yang sangat memudahkan penggunanya. Tak
heran bila SPSS juga digunakan oleh peneliti pasar, kesehatan, perusahaan survei,
pemerintah, pendidikan, organisasi pemasaran, dan sebagainya. SPSS adalah
program aplikasi bisnis yang berguna untuk menganalisa data statistik. Versi
terbaru program ini adalah SPSS 20, yang dirilis pada tanggal 16 Agustus 2011.
Software SPSS dibuat dan dikembangkan oleh SPSS Inc. yang kemudian

diakuisisi oleh IBM Corporation. Perangkat lunak komputer ini memiliki
kelebihan pada kemudahan penggunaannya dalam mengolah dan menganalisis
data statistik. Program SPSS banyak diaplikasikan dan digunakan oleh kalangan
pengguna komputer di bidang bisnis, perkantoran, pendidikan, dan penelitian.
Analisis faktor SPSS adalah sebuah cara yang dilakukan untuk membentuk
faktor-faktor dalam rangka analisis faktor dengan menggunakan aplikasi SPSS.
Dengan analisis faktor, kita akan memperoleh hasil sebagai berikut:
1. Identifikasi dimensi-dimensi atau faktor-faktor mendasar yang dapat
menjelaskan korelasi dari serangkaian variabel.
2. Identifikasi variabel-variabel baru yang lebih kecil untuk menggantikan
variabel yang tidak berkorelasi dari serangkaian variabel asli (asal) yang
berkorelasi dari analisa multivariate (analisis regresi atau analisis
diskriminan).
3. Identifikasi variabel-variabel kecil yang menonjol (dari variabel yang lebih
besar) dari suatu analisis multivariate.
(Hidayat, 2017).
2.5 SmartPLS
Digunakan untuk menguji validitas konstruk dari sebuah tes/alat ukur
psikologi. Dengan CFA, bisa diuji (dikonfirmasi) sejauh mana seluruh item dari
tes tersebut memang mengukur/memberikan informasi tentang satu hal saja, yaitu
apa yang hendak diukur. Sebagai ilustrasi, misalkan ada sebuah tes “kemampuan
verbal” yang terdiri dari 20 butir soal (item), yang berarti “diteorikan bahwa 20
butir soal tersebut semuanya hanya mengukur satu hal (faktor) saja” yaitu
“kemampuan verbal”. Artinya, jika memang teori ini benar maka seharusnya
“model satu faktor” akan “fit” dengan data. Model satu faktor disebut juga “model
unidimensional”, dan setiap alat ukur harus memenuhi azas ini. Dalam sebuah alat
ukur psikologi, semua itemnya harus mengukur hanya satu hal saja yaitu konstruk
yang hendak diukur. Jika ada satu atau sebagian itemnya mengukur hal lain, maka
berarti item tersebut tidak valid (Umar, 2020).

III. Pengumpulan Data
3.1 Identifikasi Variabel
Identifikasi variabel untuk laporan resmi praktikum modul 8 adalah:
1. Variabel Terikat
Variabel terikat adalah variabel yang dapat dipengaruhi oleh variabel bebas,
dalam studi kasus ini variabel terikatnya adalah skala linkert dan untuk
confirmatory factor analysis ialah keputusan penggunaan aplikasi.
2. Variabel Bebas
Variabel bebas adalah variabel yang mempengaruhi variabel terikat, dalam
studi kasus modul ini variabel bebasnya adalah responden dan variabel
confirmatory factor analysis diantaranya kepuasan pelanggan, kualitas, dan
keamanan.
3.2 Soal Laporan Resmi

1. Analisis Faktor
Peneliti di perusahaan aplikasi Facebook ingin mengetahui tingkat kepuasan
pelanggan dalam menggunakan aplikasi Facebook dengan tujuan untuk
meningkatkan kualitas aplikasi. Untuk itu, kepada setiap pelanggan diberikan
daftar kuisioner yang memuat pertanyaan tentang pendapat pelanggan terhadap
variabel-variabel tentang aplikasi Facebook.
1. Aplikasi mudah di install Skala:
2. Aplikasi mudah diakses 1 = Sangat tidak
setuju
3. Tampilan aplikasi yang menarik
2 = Tidak setuju
4. Fitur aplikasi Facebook yang sangat beragam 3 = Biasa
5. Fitur messenger yang mudah digunakan 4 = Setuju
6. Aplikasi Facebook menyediakan game yang bervariasi 5 = Sangat setuju
7. Di dalam aplikasi Facebook dapat membuat grup atau komunitas besar

8. Facebook menyediakan aplikasi Facebook lite yang memiliki ram kecil
9. Aplikasi Facebook menyediakan fitur jual beli yang sangat bermanfaat
10. Fitur reels di aplikasi Facebook yang tidak membosankan
11. Fitur cari teman di aplikasi Facebook yang sangat membantu pengguna
12. Aplikasi Facebook menampilkan banyak foto dan video yang menghibur

13. Fitur stories di aplikasi Facebook yang unik
14. Menonton atau membuat live video tidak membosankan di aplikasi
Facebook
15. Fitur lokasi teman terdekat di aplikasi Facebook yang sangat membantu
2. Confirmatory Factor Analysis
Perusahaan Facebook selalu mengutamakan kepuasan pelanggan. Agar
pelanggan merasa puas dengan aplikasi Facebook, aplikasi Facebook
menyediakan berbagai macam fitur yang berguna dan mempermudah pengguna
dalam menggunakan aplikasi Facebook. Perusahaan Facebook juga sering
memperbarui berbagai fitur baru dan mengupdate penampilan aplikasi Facebook
menjadi lebih baru, agar tidak kalah saing dengan aplikasi sosial media lainnya.
Berikut adalah pertanyaan pada kuisioner.
KEPUASAN PELANGGAN
1. Anda merasa nyaman ketika berinteraksi dengan seseorang menggunakan
aplikasi Facebook?
2. Anda merasa senang ketika menggunakan aplikasi Facebook?
3. Apakah menggunakan aplikasi Facebook dapat menghilangkan stress?
4. Fitur yang beragam di aplikasi Facebook sangat membantu para pengguna?
KUALITAS
1. Anda sudah mengikuti style ketika menggunakan aplikasi Facebook?
2. Anda merasa menggunakan aplikasi Facebook bisa mengganti teman ketika
merasa kesepian?
3. Anda sering lupa waktu ketika menggunakan aplikasi Facebook?
4. Anda merasa jadwal istirahat Anda berkurang ketika tidak menggunakan
aplikasi Facebook?
KEAMANAN
1. Apakah Anda merasa data privasi Anda aman di aplikasi Facebook?
2. Apakah aplikasi Facebook aman digunakan untuk anak-anak
3. Apakah banyak penipu yang bermodus menjual suatu produk di aplikasi
Facebook?
4. Apakah banyak hacker yang mengambil alih akun orang lain di aplikasi
Facebook?

KEPUTUSAN PENGGUNAAN APLIKASI
1. Anda merasa mudah bergaul ketika menggunakan aplikasi Facebook?
2. Anda merasa komunikatif ketika menggunakan aplikasi Facebook?
3. Anda selalu memeriksa aplikasi Facebook Anda agar tidak ketinggalan
berita terkini?
3.3 Pengumpulan Data

1. Analisa Faktor
Tabel 3.1 Rekapan Pengumpulan Data
Fitur lokasi teman terdekat

Membuat komunitas
Mudah di install
Fitur cari teman

Mudah diakses
Foto dan video

Facebook lite
Messenger
Live video
Tampilan
Jual beli
Gender
Stories
Nama
game
Reels
Fitur
Usia
No
1 Amalia 5 5 3 5 3 3 5 5 3 2 3 3 5 1 3 P 18
2 Pratama 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 L 19
3 arel 5 5 4 4 5 5 5 5 5 5 5 5 5 5 5 P 20
4 Endang 4 3 4 4 4 4 4 3 3 4 3 4 4 4 4 P 58
5 Nanang 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 L 55
6 Tania 5 5 4 4 5 4 5 4 5 5 5 4 3 3 3 P 18
7 Ammar 5 5 4 5 5 5 5 5 5 4 4 5 3 4 5 L 19
8 Zulfikar 4 5 3 4 5 4 5 3 5 5 4 5 5 4 3 L 20
9 Farhan 3 5 3 3 4 3 3 3 5 3 3 5 3 5 4 L 19
10 Bellavia 4 4 2 3 4 4 4 4 4 4 5 4 4 4 4 P 30
11 Eyang 5 5 3 5 3 4 5 5 5 5 5 5 3 5 3 P 50
12 William 5 5 3 4 5 5 5 5 5 1 5 5 1 3 5 L 20
13 Agung 5 5 4 4 4 4 4 4 4 4 4 4 4 4 4 L 18
14 Hanif 5 5 3 3 2 4 5 5 5 3 3 5 4 5 5 L 20
15 Tito dwi 5 4 4 5 4 4 4 4 4 5 4 5 4 5 4 L 20
16 Yahya 4 4 3 3 3 1 3 3 4 3 4 4 4 3 3 L 19
17 Khansa 4 4 3 3 4 4 4 4 4 4 4 4 4 4 4 P 19
18 Khabib 4 4 5 5 3 5 3 5 3 5 5 5 3 5 3 L 18
19 Gilang 5 5 2 5 5 5 5 5 1 1 3 3 2 1 4 L 18
20 Aufa 3 4 4 5 4 4 5 4 4 4 3 3 3 4 3 L 19
21 Giyo 5 5 4 5 4 4 5 5 4 3 3 5 4 4 5 L 20
22 Fery 3 3 3 3 3 3 3 2 2 3 2 2 2 3 3 L 19
23 fifik 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 P 20
24 astri 3 4 4 5 5 4 5 3 4 4 5 5 4 4 5 P 19
25 Vania 5 5 2 4 4 4 4 3 4 4 5 5 3 2 4 P 22
26 Adelia 5 5 3 4 3 3 4 4 2 3 3 4 3 4 4 P 18

Fitur lokasi teman terdekat
Membuat komunitas
Mudah di install
Fitur cari teman

Mudah diakses
Foto dan video

Facebook lite
Messenger
Live video
Tampilan
Jual beli
Gender
Stories
Nama
game
Reels
Fitur
Usia
No
27 Bima 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 L 20
28 Tiara 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 P 20
29 Fuad 5 4 3 3 4 4 5 4 4 2 2 4 4 4 4 L 19
30 Bhisma 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 L 20
31 Ekowati 3 3 2 5 3 3 5 4 3 4 5 5 2 1 4 P 55
32 Farid 5 5 4 5 3 4 4 5 2 4 3 2 4 3 5 L 18
33 Lino 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 L 18
34 Angela 5 5 2 5 3 4 5 4 2 2 3 2 1 1 4 P 22
35 Nabila 5 5 3 5 4 4 4 4 3 3 4 3 3 2 3 P 22
36 Octa 5 5 3 4 5 4 3 4 5 4 4 3 5 4 5 P 22
37 Shafira 5 5 1 5 5 5 5 5 1 1 3 3 1 1 3 P 22
38 Lana 5 5 3 5 4 4 4 5 4 3 4 3 4 3 4 L 23
39 Panji 5 5 4 5 5 5 5 5 4 4 5 5 4 4 5 L 25
40 Gendhis 5 5 3 5 5 3 5 5 3 2 4 3 2 2 4 P 21
41 Dhafin 5 5 3 5 5 5 5 5 5 3 3 5 3 3 4 L 19
42 Devio 5 5 4 3 5 2 3 4 5 4 4 3 5 2 3 L 18
43 Galang 4 4 1 3 4 3 2 3 4 5 3 2 4 3 5 L 18
44 Yulia 4 4 5 4 3 4 3 5 5 4 3 4 4 5 4 P 20
45 Pandhu 2 3 5 2 3 2 3 2 5 5 3 2 5 5 2 L 26
46 Akbar 1 2 3 4 5 4 3 1 1 2 3 4 5 4 3 L 19
47 Gischa 1 5 4 3 1 2 3 4 5 1 1 1 2 2 3 P 13
48 Firnanda 3 1 2 3 5 4 5 5 3 2 3 3 2 3 4 P 19
49 Dhani 5 5 4 5 5 5 5 5 4 3 4 5 3 4 3 L 24
50 Bobby 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 L 23

Tabel 3.2 Rekapan Pengumpulan Data CFA
KEPUASAN PELANGGAN
No. Ks1 Ks2 Ks3 Ks4
1 5 5 3 5
2 5 5 5 5
3 5 5 4 4
4 4 3 4 4
5 5 5 5 5
6 5 5 4 4
7 5 5 4 5
8 4 5 3 4
9 3 5 3 3

No. Ks1 Ks2 Ks3 Ks4
10 4 4 2 3
11 5 5 3 5
12 5 5 3 4
13 5 5 4 4
14 5 5 3 3
15 5 4 4 5
16 4 4 3 3
17 4 4 3 3
18 4 4 5 5
19 5 5 2 5
20 3 4 4 5
21 5 5 4 5
22 3 3 3 3
23 5 5 5 5
24 3 4 4 5
25 5 5 2 4
26 5 5 3 4
27 5 5 5 5
28 5 5 5 5
29 5 4 3 3
30 5 5 5 5
31 3 3 2 5
32 5 5 4 5
33 5 5 5 5
34 5 5 2 5
35 5 5 3 5
36 5 5 3 4
37 5 5 1 5
38 5 5 3 5
39 5 5 4 5
40 5 5 3 5
41 5 5 3 5
42 5 5 4 3
43 4 4 1 3
44 4 4 5 4
45 2 3 5 2
46 1 2 3 4
47 1 5 4 3
48 3 1 2 3
49 5 5 4 5
50 5 5 5 5
KUALITAS
No. Ku1 Ku2 Ku3 Ku4
1 3 3 5 5
2 5 5 5 5
3 5 5 5 5
4 4 4 4 3
5 5 5 5 5
6 5 4 5 4

No. Ku1 Ku2 Ku3 Ku4
7 5 5 5 5
8 5 4 5 3
9 4 3 3 3
10 4 4 4 4
11 3 4 5 5
12 5 5 5 5
13 4 4 4 4
14 2 4 5 5
15 4 4 4 4
16 3 1 3 3
17 4 4 4 4
18 3 5 3 5
19 5 5 5 5
20 4 4 5 4
21 4 4 5 5
22 3 3 3 2
23 5 5 5 5
24 5 4 5 3
25 4 4 4 3
26 3 3 4 4
27 5 5 5 5
28 5 5 5 5
29 4 4 5 4
30 5 5 5 5
31 3 3 5 4
32 3 4 4 5
33 5 5 5 5
34 3 4 5 4
35 4 4 4 4
36 5 4 3 4
37 5 5 5 5
38 4 4 4 5
39 5 5 5 5
40 5 3 5 5
41 5 5 5 5
42 5 2 3 4
43 4 3 2 3
44 3 4 3 5
45 3 2 3 2
46 5 4 3 1
47 1 2 3 4
48 5 4 5 5
49 5 5 5 5
50 5 5 5 5
KEAMANAN
No. Ke1 Ke2 Ke3 Ke4
1 3 2 3 3
2 5 5 5 5
3 5 5 5 5

No. Ke1 Ke2 Ke3 Ke4
4 3 4 3 4
5 5 5 5 5
6 5 5 5 4
7 5 4 4 5
8 5 5 4 5
9 5 3 3 5
10 4 4 5 4
11 5 5 5 5
12 5 1 5 5
13 4 4 4 4
14 5 3 3 5
15 4 5 4 5
16 4 3 4 4
17 4 4 4 4
18 3 5 5 5
19 1 1 3 3
20 4 4 3 3
21 4 3 3 5
22 2 3 2 2
23 5 5 5 5
24 4 4 5 5
25 4 4 5 5
26 2 3 3 4
27 5 5 5 5
28 5 5 5 5
29 4 2 2 4
30 5 5 5 5
31 3 4 5 5
32 2 4 3 2
33 5 5 5 5
34 2 2 3 2
35 3 3 4 3
36 5 4 4 3
37 1 1 3 3
38 4 3 4 3
39 4 4 5 5
40 3 2 4 3
41 5 3 3 5
42 5 4 4 3
43 4 5 3 2
44 5 4 3 4
45 5 5 3 2
46 1 2 3 4
47 5 1 1 1
48 3 2 3 3
49 4 3 4 5
50 5 5 5 5

KEPUTUSAN PENGGUNAAN
No. Kp1 Kp2 Kp3
1 5 1 3
2 5 5 5
3 5 5 5
4 4 4 4
5 5 5 5
6 3 3 3
7 3 4 5
8 5 4 3
9 3 5 4
10 4 4 4
11 3 5 3
12 1 3 5
13 4 4 4
14 4 5 5
15 4 5 4
16 4 3 3
17 4 4 4
18 3 5 3
19 2 1 4
20 3 4 3
21 4 4 5
22 2 3 3
23 5 5 5
24 4 4 5
25 3 2 4
26 3 4 4
27 5 5 5
28 5 5 5
29 4 4 4
30 5 5 5
31 2 1 4
32 4 3 5
33 5 5 5
34 1 1 4
35 3 2 3
36 5 4 5
37 1 1 3
38 4 3 4
39 4 4 5
40 2 2 4
41 3 3 4
42 5 2 3
43 4 3 5
44 4 5 4
45 5 5 2
46 5 4 3
47 2 2 3
48 2 3 4

No. Kp1 Kp2 Kp3
49 3 4 3
50 5 5 5
3.4 Flowchart
MULAI
Studi Pustaka Studi Lapangan
Rumusan Masalah
Tujuan Penelitian
Identifikasi Variabel Operasional
Pengumpulan data :
A. Analisa Faktor
1. Data Mudah di Install
2. Data Mudah diakses
3. Data Tampilan
4. Data Fitur
5. Data Messenger
6. Data Game
7. Data Membuat Komunitas
8. Data Facebook Lite
9. Data Jual Beli
10. Data Reels
11. Data Fitur Cari Teman
12. Data Foto dan Video
13. Data Stories
14. Data Live Video
15. Data Fitur Lokasi Teman
Terdekat

A
Pengumpulan data :
B. Confirmatory Factor Analysis
1. Y : Keputusan Penggunaan
Aplikasi
2. X1 : Kepuasan Pelanggan
3. X2 : Kualitas
4. X3 : Keamanan
Analisis Multivariat Faktor dan SPSS dan SmartPls

Confirmatory Factor Analysis
Pengolahan data:
1. Analisa Faktor
a. KMO and Bartlett’s Test
b. Anti-Image Matrices
c. Communalities
d. Total Variances Explained
e. Components Matrix
a. Convergent Validity
b. Determinant Validity
c. Uji Reliabilitas
Ya
Tidak
Valid
Hasil dan Pembahasan
Kesimpulan dan Saran
SELESAI
Gambar 3.1 Flowchart

Penjelasan Langkah-Langkah Pemecahan Masalah:
1. Survey Lapangan
Survey lapangan sangat diperlukan karena pada tahap ini dimaksudkan
untuk mengetahui kondisi nyata objek yang akan teliti.
2. Studi Pustaka
Studi pustakan merupakan tahap pencarian referensi naik dari buku, jurnal
maupun penelitian sebelumnya.
3. Batasan Masalah
Batasan masalah diberikan agar permasalahan tidak melebar terlalu jauh.
4. Tujuan Penelitian
Setelah batasan masalah dilanjutkan dengan perumusan tujuan penelitian
agar tujuan yang diharapkan bisa menyelesaikan permasalahan.
5. Identifikasi Variabel
Variabel adalah segala sesuatu yang mempunyai variasi atau perbedaan nilai
terukur. Misalnya variabel bebas dan terikat. Variabel bebas pada studi kasus ini
untuk analisa faktor adalah nilai skala kuisioner/linkert dan untuk confirmatory
factor analysis adalah keputusan penggunaan. Variabel terikatnya untuk analisis
faktor adalah nilai responden dan untuk confirmatory factor analysis adalah
kepuasan pelanggan, kualitas, dan keamanan.
6. Pengumpulan Data
Pengumpulan data merupakan data sekunder dimana terdapat 15 data yang
dikumpulkan. Data-data yang diambil yaitu dari tingkat kepuasan pelanggan
terhadap aplikasi Facebook yang 15 datanya terdiri dari mudah di install, mudah
diakses, tampilan, fitur, messenger, game, membuat komunitas, facebook lite, jual
beli, reels, fitur cari teman, foto dan video, stories, live video dan, fitur lokasi
teman terdekat. Data yang diambil untuk confirmatory factor analysis adalah dari
kepuasan pelanggan, kualitas, keamanan, dan keputusan penggunaan.
7. Analisis Data
Analisis data adalah suatu proses atau upaya pengolahan data menjadi
sebuah informasi baru agar karakteristik data tersebut menjadi lebih mudah
dimengerti dan berguna untuk solusi suatu permasalahan, khususnya yang
berhubungan dengan penelitian. Pada praktikum ini data dianalisis dengan

menggunakan software IBM SPSS dan SmartPls.
8. Pengolahan Data
Pengolahan data adalah manipulasi data menjadi bentuk sebuah informatif.
Pada praktikum ini memuat data-data dengan menentukan analisa faktor dan
confirmatory factor analysis.
9. Hasil dan Pembahasan
Hasil dan pembahasan dalam sebuah laporan penelitian merupakan inti dari
sebuah tulisan ilmiah. Di dalam hasil dan pembahasan disajikan secara cermat dan
jelas mengenai hasil analisis data serta pembahasannya berdasarkan kajian
pustaka dan kerangka teori.
10. Kesimpulan dan Saran
Di dalam kesimpulan dan saran berisi pernyataan singkat, jelas, dan
sistematis dari keseluruhan hasil analisis, pembahasan, dan pengujian hipotesis
dalam sebuah penelitian serta usul atau pendapat dari peneliti yang berkaitan
dengan pemecahan masalah yang menjadi objek penelitian ataupun kemungkinan
penelitian lanjutan.
IV. Pengolahan Data

4.1 Print Out dan Analisis Output
4.1.1 Analisis Faktor
1. KMO and Bartlett’s Test
Gambar 4.1 KMO and Bartlett’s Test

Analisis:
Parameter :
MSA ≥ 0,5 = maka kumpulan variabel dapat diproses lebih lanjut
MSA < 0,5 = maka kumpulan variabel tidak dapat diproses lebih lanjut
Sig > 0,05 = maka data tersebut belum dapat dianalisis lebih lanjut

Sig ≤ 0,05 = maka data tersebut sudah dapat dianalisis lebih lanjut
Kesimpulan:
 Nilai MSA adalah 0,679 > 0,5 maka kumpulan variabel dapat diproses lebih
lanjut.
 Nilai Sig adalah 0,000 ≤ 0,05 maka data tersebut sudah dapat dianalisis
lebih lanjut.
2. Anti-Image Matrices
Gambar 4.2 Anti-image Matrices

Variabel yang memiliki nilai MSA > 0,5 adalah Mudah di install, Mudah
digunakan, Tampilan, Fitur, Messenger, Game, Membuat komunitas, Facebook
lite, Jual beli, Reels, Fitur cari teman, Foto dan video, Stories, Live video, dan
Fitur lokasi teman terdekat.
Tidak terdapat variabel dengan nilai MSA < 0,5 pada data di atas.

3. Communalities
Gambar 4.3 Communalities

Analisa:
 Untuk variabel Mudah di install, nilai extractionnya adalah 0,721 hal ini
berarti sekitar 72,1% varian dari variabel lokasi bisa dijelaskan dari faktor
yang terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang
artinya variabel tersebut memiliki hubungan yang kuat dengan faktor yang
terbentuk.
 Untuk variabel Mudah digunakan, nilai extractionnya adalah 0,782 hal ini
terbentuk.
 Untuk variabel Tampilan, nilai extractionnya adalah 0,602 hal ini berarti
sekitar 60,2% varian dari variabel lokasi bisa dijelaskan dari faktor yang
terbentuk dan nilai initialnya mendekati atau sama dengan 1 yang artinya
variabel tersebut memiliki hubungan yang kuat dengan faktor yang
terbentuk.

 Untuk variabel Fitur, nilai extractionnya adalah 0,626 hal ini berarti sekitar
62,6% varian dari variabel lokasi bisa dijelaskan dari faktor yang terbentuk
dan nilai initialnya mendekati atau sama dengan 1 yang artinya variabel
tersebut memiliki hubungan yang kuat dengan faktor yang terbentuk.
 Untuk variabel Messenger, nilai extractionnya adalah 0,609 hal ini berarti
terbentuk.
 Untuk variabel Game, nilai extractionnya adalah 0,761 hal ini berarti sekitar
 Untuk variabel Membuat komunitas, nilai extractionnya adalah 0,656 hal ini
terbentuk.
 Untuk variabel Facebook lite, nilai extractionnya adalah 0,747 hal ini berarti
terbentuk.
 Untuk variabel Jual beli, nilai extractionnya adalah 0,688 hal ini berarti
terbentuk.
 Untuk variabel Reels, nilai extractionnya adalah 0,722 hal ini berarti sekitar

 Untuk variabel Fitur cari teman, nilai extractionnya adalah 0,621 hal ini
terbentuk.
 Untuk variabel Foto dan video, nilai extractionnya adalah 0,659 hal ini
terbentuk.
 Untuk variabel Stories, nilai extractionnya adalah 0,646 hal ini berarti
terbentuk.
 Untuk variabel Live video, nilai extractionnya adalah 0,767 hal ini berarti
terbentuk.
 Untuk variabel Fitur lokasi teman terdekat, nilai extractionnya adalah 0,425
hal ini berarti sekitar 42,5% varian dari variabel lokasi bisa dijelaskan dari
faktor yang terbentuk dan nilai initialnya mendekati atau sama dengan 1
yang artinya variabel tersebut memiliki hubungan yang kuat dengan faktor
yang terbentuk.

4. Total Variances Explained
Gambar 4.4 Total Variances Explained

Analisa:
Banyaknya factor yang terlihat dari total nilai > 1 maka dilihat dari table
ada komponen yang memiliki nilai > 1, jadi 15 variabel yang ada diringkas
menjadi 3 factor.
5. Components Matrix
Gambar 4.5 Components Matrix

Analisa:
 Mudah di install berkorelasi sebesar 0,650 dengan faktor 1.
 Mudah digunakan berkorelasi sebesar 0,652 dengan faktor 3.
 Tampilan berkorelasi sebesar 0,571 dengan faktor 1.
 Fitur berkorelasi sebesar 0,596 dengan faktor 1.
 Messenger berkorelasi sebesar 0,575 dengan faktor 1.
 Game berkorelasi sebesar 0,745 dengan faktor 1.
 Membuat komunitas berkorelasi sebesar 0,594 dengan faktor 1.
 Facebook lite berkorelasi sebesar 0,627 dengan faktor 1.
 Jual beli berkorelasi sebesar 0,534 dengan faktor 1.
 Reels berkorelasi sebesar 0,619 dengan faktor 2.
 Fitur cari teman berkorelasi sebesar 0,755 dengan faktor 1.
 Foto dan video berkorelasi sebesar 0,759 dengan faktor 1.
 Stories berkorelasi sebesar 0,660 dengan faktor 2.
 Live video berkorelasi sebesar 0,671 dengan faktor 2.
 Fitur lokasi teman terdekat berkorelasi sebesar 0,648 dengan faktor 1.
4.1.2 Print Out dan Analisa Output Confirmatory Factor Analysis
1. Uji Validitas (Convergent Validity)
a. Outer Loading First-Order Confirmatory Factor Analysis
Tabel 4.1 Nilai Outer Loading First-Order CFA
Parameter:
 Nilai Outer Loading > 0,7 : Hubungan indikator dengan konstruknya baik

 Nilai Outer Loading < 0,7 : Hubungan indikator dengan konstruknya sangat
lemah
Analisa:
 Indikator keamanan 1 memiliki outer loading 0,763 yang menandakan
hubungan kemampuan verifikasi dengan konstruk X3 baik, maka indikator
keamanan 1 adalah valid.
 Indikator keputusan penggunaan 1 memiliki outer loading 0,883 yang
menandakan hubungan kemampuan verifikasi dengan konstruk Y baik,
maka indikator keputusan penggunaan 1 adalah valid.
menandakan hubungan kemampuan verifikasi dengan konstruk Y sangat
lemah, maka indikator keputusan penggunaan 3 adalah tidak valid.
 Indikator kepuasan pelanggan 1 memiliki outer loading 0,454 yang
menandakan hubungan kemampuan verifikasi dengan konstruk X1 sangat
lemah, maka indikator kepuasan pelanggan 1 adalah tidak valid.

menandakan hubungan kemampuan verifikasi dengan konstruk X1 baik,
maka indikator kepuasan pelanggan 3 adalah valid.
 Indikator kualitas 1 memiliki outer loading 0,792 yang menandakan
kualitas 1 adalah valid.
hubungan kemampuan verifikasi dengan konstruk X2 sangat lemah, maka
indikator kualitas 3 adalah tidak valid.
hubungan kemampuan verifikasi dengan konstruk X2 sangat lemah, maka
indikator kualitas 4 adalah tidak valid.
Gambar 4.6 Nilai Outer Loading dalam First-Order CFA

Karena terdapat indikator yang tidak valid, maka perlu dilakukan Analisa
kembali pada second-order CFA setelah indikator tidak valid tersebut dibuang.

b. Nilai Outer Loading dalam Second-Order Confirmatory Factor Analysis
Tabel 4.2 Nilai Outer Loading Second-Order CFA
Analisa :
menandakan hubungan kemampuan verifikasi dengan konstruk X1 baik,
maka indikator kepuasan pelanggan 3 adalah valid.

Gambar 4.7 Nilai Outer Loading dalam Second-Order CFA

Karena tidak terdapat indikator yang tidak valid, maka dapat diketahui
bahwa berdasarkan nilai outer loading seluruh indikator adalah valid.
2. Uji Validitas (Discriminant Validity)
a. Fornell Lacker Criterion or HTMT
Tabel 4.3 Nilai Fornell Lacker Criterion
Analisa:
 Nilai korelasi antara variabel X1 dengan variabel X1 sendiri memiliki nilai
lebih besar dari korelasi antara variable X1 dengan variabel lainnya, yaitu
sebesar 1. Sehingga, dapat dinyatakan bahwa variabel X1 adalah valid.
sebesar 0,890. Sehingga, dapat dinyatakan bahwa variabel X2 adalah valid.

sebesar 0,793. Sehingga, dapat dinyatakan bahwa variabel X3 adalah valid.
 Nilai korelasi antara variabel Y dengan variabel Y sendiri memiliki nilai
lebih besar dari korelasi antara variable Y dengan variabel lainnya, yaitu
sebesar 0,896. Sehingga, dapat dinyatakan bahwa variabel Y adalah valid.
b. Cross Loading
Tabel 4.4 Nilai Cross Loading
Analisa:
 Nilai cross loading yang melambangkan tingkat korelasi variabel pada
konstruk X1 bernilai lebih besar pada indikator kepuasan pelanggan 1
sampai kepuasan pelanggan 4 (indikator itu sendiri) dibandingkan dengan
nilai cross loading pada indikator lainnya, yaitu kepuasan pelanggan 1
memiliki cross loading 1. Sehingga, dapat dinyatakan variabel dan
indikatornya adalah valid.
konstruk X2 bernilai lebih besar pada indikator kualitas 1 sampai kualitas 4
(indikator itu sendiri) dibandingkan dengan nilai cross loading pada
indikator lainnya, yaitu kualitas 1 memiliki cross loading 0,878, dan
kualitas 2 memiliki cross loading 0,902. Sehingga, dapat dinyatakan
variabel dan indikatornya adalah valid.
konstruk X3 bernilai lebih besar pada indikator keamanan 1 sampai
keamanan 4 (indikator itu sendiri) dibandingkan dengan nilai cross loading
pada indikator lainnya, yaitu keamanan 1 memiliki cross loading 0,772, dan
keamanan 3 memiliki cross loading 0,789. Sehingga, dapat dinyatakan

konstruk Y bernilai lebih besar pada indikator keputusan penggunaan 1
sampai keputusan penggunaan 3 (indikator itu sendiri) dibandingkan dengan
nilai cross loading pada indikator lainnya, yaitu keputusan penggunaan 1
memiliki cross loading 0,877, dan keamanan 2 memiliki cross loading
0,915. Sehingga, dapat dinyatakan variabel dan indikatornya adalah valid.
3. Uji Reliabilitas
a. Composite Reliability
Tabel 4.5 Nilai Composite Reliability
Analisa:
 Nilai composite reliability X1 > 0,7, yaitu sebesar 1. Sehingga, dapat
dinyatakan variabel X1 adalah reliabel.
 Nilai composite reliability X2 > 0,7, yaitu sebesar 0,884. Sehingga, dapat
 Nilai composite reliability X3 > 0,7, yaitu sebesar 0,871. Sehingga, dapat
 Nilai composite reliability Y > 0,7, yaitu sebesar 0,891. Sehingga, dapat
dinyatakan variabel Y adalah reliabel.
b. Cronbach’s Alpha
Tabel 4.6 Nilai Cronbach’s Alpha
Analisa:
 Nilai cronbach’s alpha X1 < 0,7, yaitu sebesar 1. Sehingga, dapat
dinyatakan variabel X1 adalah tidak reliabel.

 Nilai cronbach’s alpha X2 > 0,7, yaitu sebesar 0,739. Sehingga, dapat
 Nilai cronbach’s alpha X3 > 0,7, yaitu sebesar 0,808. Sehingga, dapat
 Nilai cronbach’s alpha Y > 0,7, yaitu sebesar 0,756. Sehingga, dapat
dinyatakan variabel Y adalah reliabel.
V. Kesimpulan dan Saran

5.1 Kesimpulan
1. Analisa Faktor
 KMO and Barlett,s Test
Nilai MSA adalah 0,679 > 0,5 maka kumpulan variabel dapat diproses lebih
lanjut. Nilai Sig adalah 0,000 ≤ 0,05 maka data tersebut sudah dapat dianalisis
lebih lanjut.
 Anti-Image Matrices
Variabel yang memiliki nilai MSA > 0,5 adalah Mudah di install, Mudah
digunakan, Tampilan, Fitur, Messenger, Game, Membuat komunitas, Facebook
lite, Jual beli, Reels, Fitur cari teman, Foto dan video, Stories, Live video, dan
Fitur lokasi teman terdekat.
Tidak terdapat variabel dengan nilai MSA < 0,5 pada data Anti-Image
Matrices.
 Communalities
Untuk variabel Mudah di install, Mudah diakses, Tampilan, Fitur,
Messenger, Game, Membuat komunitas, Facebook lite, Jual beli, Reels, Fitur cari
teman, Foto dan video, Stories, Live video, dan Fitur lokasi teman terdekat
mendapat nilai extraction berturut-turut sebesar 0,721; 0,782; 0,602; 0,626; 0,609;
0,761; 0,656; 0,747; 0,688; 0,722; 0,621; 0,659; 0,646; 0,767; dan 0,425.
 Total Variances Explained
Banyaknya factor yang terlihat dari total nilai > 1 maka dilihat dari table
ada komponen yang memiliki nilai > 1, jadi 15 variabel yang ada diringkas
menjadi 3 factor.

 Components Matrix
Untuk kelompok faktor 1 beranggotakan Mudah di install yang berkolerasi
sebesar 0,605; Tampilan yang berkolerasi sebesar 0,571; Fitur yang berkolerasi
sebesar 0,596; Messenger yang berkolerasi sebesar 0,575; Game yang berkolerasi
sebesar 0,745; Membuat komunitas yang berkolerasi sebesar 0,594; Facebook lite
yang berkolerasi sebesar 0,627; Jual beli yang berkolerasi sebesar 0,534; Fitur cari
teman yang berkolerasi sebesar 0,755; Foto dan video yang berkolerasi sebesar
0,759; dan Fitur lokasi teman terdekat yang berkolerasi sebesar 0,648. Untuk
kelompok faktor 2 beranggotakan Reels yang berkolerasi sebesar 0,619; Stories
yang berkolerasi sebessar 0,660; dan Live video yang berkolerasi sebesar 0,671.
Untuk kelompok faktor 3 hanya beranggotakan Mudah digunakan yang
berkolerasi sebesar 0,652.
a. Uji Validitas (Convergent Validity)
 Outer Loading First-Order Confirmatory Factor Analysis
Indikator keamanan 1 memiliki outer loading 0,763 yang menandakan
keamanan 1 adalah valid. Indikator keamanan 2 memiliki outer loading 0,841
yang menandakan hubungan kemampuan verifikasi dengan konstruk X3 baik,
maka indikator keamanan 2 adalah valid. Indikator keamanan 3 memiliki outer
loading 0,804 yang menandakan hubungan kemampuan verifikasi dengan
konstruk X3 baik, maka indikator keamanan 3 adalah valid. Indikator keamanan 4
memiliki outer loading 0,770 yang menandakan hubungan kemampuan verifikasi
dengan konstruk X3 baik, maka indikator keamanan 4 adalah valid. Indikator
keputusan penggunaan 1 memiliki outer loading 0,883 yang menandakan
hubungan kemampuan verifikasi dengan konstruk Y baik, maka indikator
keputusan penggunaan 1 adalah valid. Indikator keputusan penggunaan 2
dengan konstruk Y baik, maka indikator keputusan penggunaan 2 adalah valid.
Indikator keputusan penggunaan 3 memiliki outer loading 0,597 yang
menandakan hubungan kemampuan verifikasi dengan konstruk Y sangat lemah,
maka indikator keputusan penggunaan 3 adalah tidak valid. Indikator kepuasan

pelanggan 1 memiliki outer loading 0,454 yang menandakan hubungan
kemampuan verifikasi dengan konstruk X1 sangat lemah, maka indikator
kepuasan pelanggan 1 adalah tidak valid. Indikator kepuasan pelanggan 2
dengan konstruk X1 sangat lemah, maka indikator kepuasan pelanggan 2 adalah
tidak valid. Indikator kepuasan pelanggan 3 memiliki outer loading 0,911 yang
menandakan hubungan kemampuan verifikasi dengan konstruk X1 baik, maka
indikator kepuasan pelanggan 3 adalah valid. Indikator kepuasan pelanggan 4
dengan konstruk X1 sangat lemah, maka indikator kepuasan pelanggan 4 adalah
tidak valid. Indikator kualitas 1 memiliki outer loading 0,792 yang menandakan
kualitas 1 adalah valid. Indikator kualitas 2 memiliki outer loading 0,927 yang
menandakan hubungan kemampuan verifikasi dengan konstruk X2 baik, maka
indikator kualitas 2 adalah valid. Indikator kualitas 3 memiliki outer loading
0,699 yang menandakan hubungan kemampuan verifikasi dengan konstruk X2
sangat lemah, maka indikator kualitas 3 adalah tidak valid. Indikator kualitas 4
dengan konstruk X2 sangat lemah, maka indikator kualitas 4 adalah tidak valid.
Karena terdapat indikator yang tidak valid, maka perlu dilakukan Analisa
kembali pada second-order CFA setelah indikator tidak valid tersebut dibuang.
 Outer Loading Second-Order Confirmatory Factor Analysis
Indikator keamanan 1 memiliki outer loading 0,763 yang menandakan
keamanan 1 adalah valid. Indikator keamanan 2 memiliki outer loading 0,841
yang menandakan hubungan kemampuan verifikasi dengan konstruk X3 baik,
maka indikator keamanan 2 adalah valid. Indikator keamanan 3 memiliki outer
konstruk X3 baik, maka indikator keamanan 3 adalah valid. Indikator keamanan 4
dengan konstruk X3 baik, maka indikator keamanan 4 adalah valid. Indikator
keputusan penggunaan 1 memiliki outer loading 0,883 yang menandakan

hubungan kemampuan verifikasi dengan konstruk Y baik, maka indikator
keputusan penggunaan 1 adalah valid. Indikator keputusan penggunaan 2
dengan konstruk Y baik, maka indikator keputusan penggunaan 2 adalah valid.
Indikator kepuasan pelanggan 3 memiliki outer loading 0,911 yang menandakan
kepuasan pelanggan 3 adalah valid. Indikator kualitas 1 memiliki outer loading
0,792 yang menandakan hubungan kemampuan verifikasi dengan konstruk X2
baik, maka indikator kualitas 1 adalah valid. Indikator kualitas 2 memiliki outer
konstruk X2 baik, maka indikator kualitas 2 adalah valid.
Karena tidak terdapat indikator yang tidak valid, maka dapat diketahui
bahwa berdasarkan nilai outer loading seluruh indikator adalah valid.
b. Uji Validitas (Driskiminant Validity)
 Fornell Lacker Criterion or HTMT
Nilai korelasi antara variabel X1 dengan variabel X1 sendiri memiliki nilai
lebih besar dari korelasi antara variable X1 dengan variabel lainnya, yaitu sebesar
1. Sehingga, dapat dinyatakan bahwa variabel X1 adalah valid. Nilai korelasi
antara variabel X2 dengan variabel X2 sendiri memiliki nilai lebih besar dari
korelasi antara variable X2 dengan variabel lainnya, yaitu sebesar 0,890.
Sehingga, dapat dinyatakan bahwa variabel X2 adalah valid. Nilai korelasi antara
variabel X3 dengan variabel X3 sendiri memiliki nilai lebih besar dari korelasi
antara variable X3 dengan variabel lainnya, yaitu sebesar 0,793. Sehingga, dapat
dinyatakan bahwa variabel X3 adalah valid. Nilai korelasi antara variabel Y
dengan variabel Y sendiri memiliki nilai lebih besar dari korelasi antara variable
Y dengan variabel lainnya, yaitu sebesar 0,896. Sehingga, dapat dinyatakan
bahwa variabel Y adalah valid.
 Cross Loading
Nilai cross loading yang melambangkan tingkat korelasi variabel pada
konstruk X1 bernilai lebih besar pada indikator kepuasan pelanggan 1 sampai
kepuasan pelanggan 4 (indikator itu sendiri) dibandingkan dengan nilai cross
loading pada indikator lainnya, yaitu kepuasan pelanggan 1 memiliki cross

loading 1. Sehingga, dapat dinyatakan variabel dan indikatornya adalah valid.
Nilai cross loading yang melambangkan tingkat korelasi variabel pada konstruk
X2 bernilai lebih besar pada indikator kualitas 1 sampai kualitas 4 (indikator itu
sendiri) dibandingkan dengan nilai cross loading pada indikator lainnya, yaitu
kualitas 1 memiliki cross loading 0,878, dan kualitas 2 memiliki cross loading
0,902. Sehingga, dapat dinyatakan variabel dan indikatornya adalah valid. Nilai
cross loading yang melambangkan tingkat korelasi variabel pada konstruk X3
bernilai lebih besar pada indikator keamanan 1 sampai keamanan 4 (indikator itu
sendiri) dibandingkan dengan nilai cross loading pada indikator lainnya, yaitu
keamanan 1 memiliki cross loading 0,772, dan keamanan 3 memiliki cross
loading 0,789. Sehingga, dapat dinyatakan variabel dan indikatornya adalah valid.
Nilai cross loading yang melambangkan tingkat korelasi variabel pada konstruk Y
bernilai lebih besar pada indikator keputusan penggunaan 1 sampai keputusan
penggunaan 3 (indikator itu sendiri) dibandingkan dengan nilai cross loading pada
indikator lainnya, yaitu keputusan penggunaan 1 memiliki cross loading 0,877,
dan keamanan 2 memiliki cross loading 0,915. Sehingga, dapat dinyatakan
c. Uji Reliabilitas
 Composite Reliability
Nilai composite reliability X1 > 0,7, yaitu sebesar 1. Sehingga, dapat
dinyatakan variabel X1 adalah reliabel. Nilai composite reliability X2 > 0,7, yaitu
sebesar 0,884. Sehingga, dapat dinyatakan variabel X2 adalah reliabel. Nilai
composite reliability X3 > 0,7, yaitu sebesar 0,871. Sehingga, dapat dinyatakan
variabel X3 adalah reliabel. Nilai composite reliability Y > 0,7, yaitu sebesar
0,891. Sehingga, dapat dinyatakan variabel Y adalah reliabel.
 Cronbach’s Alpha
Nilai cronbach’s alpha X1 < 0,7, yaitu sebesar 1. Sehingga, dapat
dinyatakan variabel X1 adalah tidak reliabel. Nilai cronbach’s alpha X2 > 0,7,
yaitu sebesar 0,739. Sehingga, dapat dinyatakan variabel X2 adalah reliabel. Nilai
cronbach’s alpha X3 > 0,7, yaitu sebesar 0,808. Sehingga, dapat dinyatakan
variabel X3 adalah reliabel. Nilai cronbach’s alpha Y > 0,7, yaitu sebesar 0,756.
Sehingga, dapat dinyatakan variabel Y adalah reliabel.

5.2 Saran
Adapun saran untuk modul 8 ini adalah:
1. Agar laporan ini semakin lengkap perlu dasar teori yang lebih banyak dari
berbagai sumber.
2. Laporan ini diharapkan dapat ditinjau kembali, dengan analisis dan
perhitungan agar lebih bermanfaat.
3. Sebaiknya praktikan lebih teliti dalam melakukan perhitungan manual agar
hasil yang diperoleh sama dengan hasil yang didapatkan di program IBM
SPSS dan SmartPls.

DAFTAR PUSTAKA
Anwar Hidayat. (2018). Analisis Faktor SPSS. Diakses pada tanggal 10

November 2022, dari https://www.statistikian.com/2017/03/analisis-faktor-
dengan-spss.html.
Bilson Simamora. (2005). Analisis Multivariat Pemasaran. Jakarta: PT Gramedia
Pustaka Utama.
I Putu Artaya. (2018). Qualitative Research Analysis Method Segmentasi Produk
UMKM Melalui Modernisasi Kemasan Dalam Meningkatkan Daya Serap
Pasar. Vol 1, No 2.
Richie. (2017). Analisis Faktor Konfirmatori. Diakses pada tanggal 10 November
2022, dari https://www.mobilestatistik.com/analisis-faktor-konfirmatori-cfa/
Rini Hayati. (2020). Pengertian Analisis Faktor, Tahapan, Cara Hitung, dan
contohnya. Diakses pada tanggal 10 November 2022, dari https://
penelitianilmiah .com /analisis-faktor/.
Satrio Hartono dan Desi Yustari Muchtar. (2017). Uji Validitas Konstruk Pada
Instrumen Dengan Metode Confirmatory Factor Analysis (CFA). Vol VI No
6.
Savi. (2018). Analisis Faktor/factor analysis. Diakses pada tanggal 10 November
2022, dari https://savinotes.wordpress.com/2018/08/27/analisis-faktor-
factor-analysis/
Singgih Santoso. (2020). Seri Solusi Bisnis Berbasis Ti : Menggunakan Spss
Untuk Statistik Multivariat. Jakarta: PT Elex Media Komputindo Kelompok
Gramedia.
Jajah Umar dan Yunita Faela Nisa. (2020). Uji Validitas Konstruk Dengan CFA
dan Pelaporanya. Vol 9 No 2.

LAMPIRAN
Screenshot hasil kuisioner
Screenshot kuisioner
Screenshot literatur

Rev 1 - Labsi - Kel 46 - Lapres - Modul 8 - Yahya

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Rev 1 - Labsi - Kel 46 - Lapres - Modul 8 - Yahya

Uploaded by

Copyright:

Available Formats

LABORATORIUM STATISTIK DAN MANAJEMEN INDUSTRI

PROGRAM STUDI TEKNIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

1.3 Tujuan Praktikum

1.4 Manfaat Praktikum

1.5 Batasan Masalah

PRAKTIKUM STATISTIK INDUSTRI

II. Tinjauan Pustaka

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

2.2 Analisis Faktor

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

3.2 Soal Laporan Resmi

7. Di dalam aplikasi Facebook dapat membuat grup atau komunitas besar

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

3.3 Pengumpulan Data

Fitur lokasi teman terdekat

Fitur cari teman

Foto dan video

PRAKTIKUM STATISTIK INDUSTRI

Fitur cari teman

Foto dan video

2. Confirmatory Factor Analysis

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

Studi Pustaka Studi Lapangan

Identifikasi Variabel Operasional

PRAKTIKUM STATISTIK INDUSTRI

Analisis Multivariat Faktor dan SPSS dan SmartPls

Hasil dan Pembahasan

Kesimpulan dan Saran

Gambar 3.1 Flowchart

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

IV. Pengolahan Data

Gambar 4.1 KMO and Bartlett’s Test

PRAKTIKUM STATISTIK INDUSTRI

Gambar 4.2 Anti-image Matrices

PRAKTIKUM STATISTIK INDUSTRI

Gambar 4.3 Communalities

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

Gambar 4.4 Total Variances Explained

Gambar 4.5 Components Matrix

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

PRAKTIKUM STATISTIK INDUSTRI

Gambar 4.6 Nilai Outer Loading dalam First-Order CFA

PRAKTIKUM STATISTIK INDUSTRI