8

BAB 2
LANDASAN TEORI

2.1. Analisis Faktor
Analisis Faktor merupakan salah satu teknik analisis ketergantungan
yang sangat popular dan telah dipergunakan secara luas dalam berbagai ilmu
pengetahuan. Tujuan utama dari analisis faktor adalah menjelaskan hubungan
diantara banyak variabel dalam bentuk beberapa faktor. Faktor- faktor tersebut
merupakan besaran acak (random quantities) yang tidak dapat diamati (diukur)
secara langsung. Misalnya faktor proses industrialisasi di berbagai daerah tidak
dapat diamati (diukur) secara langsung tetapi ia diukur melalui berbagai
variabel ukuran industrialisasi, seperti konstribusi industri manufaktur dalam
pembentukan produk domestic regional bruto (PDRB), presentase tenaga kerja,
sector industri, dll.
Didalam analisis faktor, variabel tidak dikelompokan menjadi variabel
bebas dan tak bebas, sebaliknya penggantinya seluruh set hubungan
interdependen antar variabel diteliti. Analisis faktor dapat pula dipandang
sebagai perluasan dari analisis komponen utama. Keduanya, merupakan teknik
analisis yang menjelaskan struktur hubungan diantara banyak variabel dalam
sistem konkret.
Analisis faktor bisa digunakan untuk dua fungsi utama dalam data
analisis. Pertama, digunakan untuk mengidentifikasikan struktur dasar dalam
9

data. Yang kedua, analisis faktor mudah digunakan untuk mereduksi ukuran
variable agar lebih mudah dianalisis.

2.1.1 Konsep Dasar
analisis faktor merupakan teknik statistika yang bertujuan
menerangkan struktur hubungan diantara variabel variabel yang diamati
dengan jalan membangkitkan beberapa faktor yang jumlahnya lebih sedikit
dari pada banyaknya variabel asal( mereduksi data dari banyak variabel
menjadi sedikit variabel), misalnya dari 15 variabel menjadi 5 variabel baru
yang disebut faktor dan masih memuat sebagian besar informasi yang
terkandung dalam variabel asli (original variabel) (supranto 2004, p114).
Analisis faktor dipergunakan dalam situasi sebagai berikut :
a. Mengenali atau mengidentifikasi dimensi yang mendasari atau faktor
yang menjelaskan korelasi antara suatu set variabel.
b. Mengenali atau mengidentifikasi suatu set variabel baru yang tidak
berkorelasi, yang lebih sedikit jumlahnya untuk menggantikan suatu set
variabel asli yang saling berkorelasi didalam analisis multivariate
selanjutnya.
c. Mengenali atau mengidentifikasi satu set variabel yang penting dari suatu
set variabel yang lebih banyak jumlahnya untuk dipergunakan didalam
analisis multivariate selanjutnya.



10

2.1.2 Model Analisis Faktor
Secara matematis, analisis faktor agak mirip dengan regresi linear
berganda, yaitu bahwa setiap variabel dinyatakan sebagai suatu kombinasi
linear dari faktor yang mendasari (underlying factors). Jumlah (amount)
varian yang disumbangkan oleh suatu variabel dengan variabel lainnya yang
tercakup dalam analisis disebut communality. Kovariasi antara variabel yang
diuraikan, dinyatakan dalam suatu common factors yang sedikit jumlahnya
ditambah dengan faktor yang unik untuk setiap variabel. Faktor faktor ini
tidak secara jelas terlihat.
Kalau variabel- variabel dibakukan (distandardized), model faktor
bisa ditulis sebagai berikut :
i i j ij i i i i
V F B F B F B F B X + + + + + = ...
3 3 2 2 1 1

X
i
: variabel ke i yang dibakukan (rata-ratanya nol, standar deviasinya
satu).
B
ij
: koefisien regresi parsial yang dibakukan untuk variabel i pada
common factor ke j.
F
j
: common factor ke j
V
i
: koefisien regresi yang dibakukan untuk variabel ke i pada faktor
yang unik ke i (unique factor).

i
: Faktor unik variabel ke i.
m : Banyaknya common factor.
Faktor yang unik tidak berkorelasi dengan sesama faktor yang unik
dan juga tidak berkorelasi dengan common factor. Common factor sendiri
11

bisa dinyatakan sebagai kombinasi linier dari variabel-variabel yang terihat /
terobservasi ( the observed variable) hasil penelitian lapangan.

k ik i i i i
X W X W X W X W F + + + + = ...
3 3 2 2 1 1


Dimana :
F
i
: Perkiraan faktor ke i (didasarkan pada nilai variabel X dengan
koefsiennya Wi).
W
i
: timbangan atau koefisien nilai faktor ke i.
K : Banyak Variabel.
Dimungkinkan untuk memilih timbangan (weight) atau koefisien
nilai faktor (factor score coefficient) sehingga faktor yang pertama
menjelaskan sebagian besar varian seluruh variabel.
Kemudian set timbangan yang kedua dapat dipilih, sehingga faktor
yang kedua menyerap sebagian besar sisa varian, setelah diambil faktor yang
pertama, dengan syarat bahwa faktor yang kedua tidak berkorelasi
(orthogonal) dengan faktor pertama. Prinsip yang sama dapat dipergunakan
untuk memilih faktor selanjutnya, sebagai faktor tambahan, yaitu faktor
ketiga. Jadi, faktor bisa diperkirakan/ diestimasi sehingga nilai faktor yang
satu tidak berkorelasi dengan dengan nilai faktor lainnya. Faktor yang
diperoleh merupakan variabel baru yang tidak berkorelasi antara satu faktor
dengan faktor lainnya, artinya tidak terjadi multicollinearity. Banyaknya
faktor, lebih sedikit daripada banyaknya variabel aslinya yang dianalisis
12

faktor, sebab analisis faktor memang mereduksi jumlah variabel yang banyak
menjadi variabel baru yang jumlahnya lebih sedikit.

2.1.2.1 Model matematik dalam analisis faktor
Persamaan dasar pada analisis faktor
Didalam model analisis faktor, komponen hipotesis diturunkan dari
hubungan antara variabel terobservasi. Model analisis faktor mensyaratkan
bahwa hubungan antar-variabel terobservasi harus linier dan nilai koefisien
korelasi tak boleh nol, artinya benar-benar harus ada hubungan.komponen
hipotesis yang diturunkan harus memiliki sifat-sifat sebagai berikut:
1. Komponen hipotesis tersebut diberi nama faktor.
Faktor-faktor ini membentuk linearly independent set variable. Tak
ada faktor yang menjadi kombinasi linear dari faktor lain, sebab
faktor-faktor tersebut dibuat sedemikian rupa sehingga bebas satu
sama lain.
2. variabel komponen hipotesis yang disebut faktor tersebut bisa
dikelompokkan menjadi dua yaitu : common faktors dan unique
faktors. Dua komponen ini bisa dibedakan kalau dinyatakan dalam
timbangan (weights) di dalam persamaan linier, yang menurunkan
variabel terobservasi dari variabel komponen hipotesis. Suatu
common faktors mempunyai lebih dari satu variabel dengan
timbangan yang bukan nol nilainya atau faktor loading yang terkait
dengan faktor.
13

3. common faktor selalu dianggap tidak berkorelasi dengan faktor unik.
Faktor unik biasanya dianggap saling tidak berkorelasi (mutually
uncorrelated), akan tetapi common faktor mungkin dan tidak
mungkin berkorelasi satu sama lain.
4. umuumnya dianggap bahwa jumlah common faktor lebih sedikit dari
jumlah variabel asli. Akan tetapi, banyaknya faktor unik biasanya
dianggap sama dengan banyaknya variabel asli.
Notasi berikut akan dipergunakan
X = suatu n x 1 vektor acak dari variabel acak (random) sebanyak
n X
1
, X
2
, . . . , X
n

dianggap bahwa :
E(X) = (), harapan atau expected X = nol
E(XX`) = R
xx
suatu matriks korelasi dengan angka 1 pada diagonal
pokok n = 3 n = 4.






F = suatu m x 1 vektor dari common faktor yaitu :F
1,
F
2, . . . ,
F
m
juga dianggap bahwa E(F) = () dan E (EF) = R
11
suatu matriks korelasi.
X
1
X
2
X
3
X
1
1
X
2
r
21
1
X
3
R
31
R
32
1
X
1
X
2
X
3
X
4
X
1
1
X
2
R
21
1
X
3
R
31
R
32
1
X
4
R
41
R
42
R
43
1
14

R
xx
= E(XX)
= E{(AF+V) (AF+V)}
= E{(AF+V) (AF+V)}
= E {(AFFA+AFV+AFV+VV}
= AR
ff
A + AF
f
V+ VR
fA
+ V
2

= suatu n x 1 vektor acak dari n variabel faktor unik
n
,..., ,
2 1
dianggap
bahwa suatu E () = () dan E () = 1(identity matrix).
Faktor unik dinormalkan (normalized) sehingga mempunyai unit varian dan
saling tidak berkorelasi atau mutually uncorrelated. Kalau A suatu matrix
koefisien n x m disebut faktor pattern matrix.
V = matriks koefisien diagonal n x n untuk faktor unik variabel yang
terobservasi yang merupakan koordinat dari X merupakan kombinasi
common faktor dan faktor unik yang tertimbang persamaan fundamental
dari analisis faktor kemudian bisa ditulis sebagai berikut.
X = AF + V
Korelasi antara variable yang dinyatakan dalam faktor bisa diuraikan
sebagai berikut.




Diketahui bahwa common factor tidak berkorelasi dengan faktor unik, kita
peroleh:
R
f
= R
f
= 0
Jadi R
xx
= AR
ff
A + V
2

Kita telah mendefinisikan matriks faktor pola A atau the factor
pattern matrix A. koefisien matriks faktor pola merupakan timbangan
(weights) yang diperuntukkan bagi common factor. Kalau variabel
15

terobservasi dinyatakan sebagai kombinasi linier common factor dan unique
factor. Sekarang kita definisikan matrik faktor struktur.
Koefisien matriks faktor struktur merupakan kovarian antara variable
terobservasi dan faktor. Matriks faktor struktur sangat membantu didalam
interpretasi faktor, ketika menunjukkan variabel yang mirip dengan variabel
common factor.
2.1.3 Melakukan Analisis Faktor
Langkah-langkah yang diperlukan didalam analisis faktor:

I

II

III


IV


V


VI


Gambar 2.1 langkah analisis faktor

Merumuskan Masalah
Bentuk matriks korelasi
Menentukan metode analisis
faktor
Lakukan rotasi
Interpretasikan faktor
Hitung skor factor
16

Langkah pertama dalam analisis faktor ialah merumuskan masalah faktor
analisis dan mengidentifikasi/mengenali variabel-variabel asli yang akan
dianalisis faktor. Kemudian suatu matriks korelasi dari varabel-variabel ini
dibentuk dan metode analisis faktor dipilih. Peneliti menentukan banyaknya
faktor yang akan disarikan (extracted) dari variable yang banyak tersebut dan
metode rotasi yang akan dipergunakan. Langkah berikutnya harus
menginterpretasikan faktor hasil rotasi. Kemudian dihitung skor faktor. Dan
pada akhirnya model analisis faktor yang cocok/tepat dapat ditentukan.

2.1.3.1 Identifikasi Masalah dalam analisis faktor
Dalam analisis faktor, perlu dilakukan identifikasi masalah yang akan
dibahas dengan tahapan sebagai berikut.:
1. Tujuan analisis faktor harus diidentifikasi.
2. Variabel yang akan dipergunakan di dalam analisis faktor harus
dispesifikasi berdasarkan penelitian sebelumnya, teori dan pertimbangan
dari peneliti.
3. Pengukuran variable berdasarkan skala interval atau rasio.
4. Banyaknya elemen sampel (n) harus cukup/memadai, sebagai petunjuk
kasar, kalau k banyaknya jenis variabel (atribut) maka n = 4 atau 5 kali k.
Artinya kalau variable 5, banyaknya responden minimal 20 atau 25 orang
sebagai sample acak.



17

2.1.3.2 Bentuk Matriks Korelasi
Proses analisis didasarkan pada suatu matriks korelasi agar variable
pendalaman yang berguna bisa diperoleh dari penelitian matrik ini. Agar
analisis faktor bisa tepat dipergunakan variabel-variabel yang akan dianalisis
harus berkorelasi. Di dalam praktiknya memang demikian halnya. Apabila
koefesien korelasi antar variabel lainnya. Juga berkorelasi dengan faktor
sebagai variabel baru yang disaring dari variabel-variabel asli. Banyaknya
faktor lebih sedikit daripada banyaknya variabel.
Statistik formal tersedia untuk menguji ketepatan model faktor
bartletts test of sphericity bisa dipergunakan untuk menguji hipotesis bahwa
variabel tak berkorelasi di dalam populasi. Dengan perkataan lain, matriks
korelasi populasi merupakan matriks identity, dimana pada diagonal pokok,
angkanya satu, di luar diagonal pokok angkanya nol. Uji statistik untuk
sphericity didasarkan pada suatu transformasi khi kuadrat dari determinan
matriks korelasi.
Nilai yang besar untuk uji statistic, berarti hipotesis nol harus ditolak.
Kalau hipotesis nol diterima, ketepatan analisis faktor harus dipertanyakan.
Statistik lainnya yang berguna ialah KMO ( Kaiser-Meyer-Olkin) mengukur
kecukupan sampling (sampling adequacy). Indeks ini membandingkan
besarnya koefesien korelasi terobservasi dengan besarnya koefesien korelasi
parsial. Nilai KMO yang kecil menunjukkan bahwa korelasi antar-pasangan
variabel tidak bisa diterangkan oleh variabel lainnya dan analisis faktor
mungkin tidak tepat.

18

2.1.3.3 Menentukan Metode Analisis Faktor
Segera setelah ditetapkan bahwa analisis faktor merupakan teknik
yang tepat untuk menganalisis data yang sudah dikumpulkan, kemudian
ditentukan atau dipilih metode yang tepat untuk analisis faktor. Sebetulnya
ada dua cara atau metode yang bisa dipergunakan dalam analisis faktor,
khususnya untuk menghitung timbangan atau koefisien skor faktor, yaitu
principal components analysis dan common factor analysis.
Di dalam principal component analysis, jumlah varian dalam data
dipertimbangkan. Diagonal matriks korelasi terdiri dari angka satu (1) dan
full variance dibawa ke dalam matriks faktor. Principal component analysis
direkomendasikan kalau hal yang pokok ialah menentukan bahwa banyaknya
faktor harus minimum dengan memperhitungkan varian maksimum dalam
data untuk dipergunakan didalam analisis multivariate lebih lanjut. Faktor-
faktor tersebut dinamakan principal components.
Didalam common factors analysis, faktor diestimasi hanya
didasarkan pada common variance, commulaties dimasukan didalam
matriks korelasi. Metode ini dianggap tepat kalau tujuan utamanya ialah
mengenali/ mengidentifikasi dimensi yang mendasari dan common
variance yang menarik perhatian. Metode ini juga dikenal sebagai principal
axis factoring.

2.1.3.4 Penentuan banyaknya faktor
Sebetulnya bisa diperoleh faktor sebanyak variabel yang ada, akan
tetapi lalu tidak ada gunanya melakukan analisis faktor. Maksud
19

melakukan analisis faktor ialah mencari variabel baru yang disebut faktor
yang saling tidak berkorelasi, bebas satu sama lainnya, lebih sedikit
jumlahnya daripada variabel asli, akan tetapi bisa menyerap sebagian
informasi yang terkandung dalam variabel asli atau yang bisa memberi
sumbangan terhadap varian seluruh variabel.
Beberapa prosedur bisa disarankan yaitu penentuan secara a priopri
atau berdasarkan eigenvalues, screeplot, split- half reliability, dan
significance test.
a. Penentuan a priori
Kadang kadang karena pengalaman sebelumnya, penehiti sudah
tahun berapa banyaknya faktor sebenarnya, dengan menyebut suatu angka,
misalnya 3 atau 4 faktor yang harus disarikan dan variabel atau data asli.
Upaya untuk menyarikan (to extract) berhenti, setelah banyaknya faktor
yang diharapkan sudah didapat, misalnya cukup 4 faktor saja. Kebanyakan
program komputer memungkinkan peneliti untuk menentukan banyaknya
faktor yang diinginkan.
b. Penentuan berdasarkan eigenvalues
Di dalam pendekatan ini, hanya faktor dengan eigenvalues besar dan
1 (satu) yang dipertahankan, kalau lebih kecil dari satu, faktornya tidak
diikutsertakan dalam model. Suatu eigenvalues menunjukkan besarnya
sumbangan dari faktor terhadap varian seluruh variabel asli. Hanya faktor
dengan varian lebih besar dan satu, yang dimasukkan dalam model. Faktor
dengan varian lebih kecil dari satu tidak lebih baik dari asli, sebab variabel
asli telah dibakukan (standardized) yang berarti rata-ratanya nol dan
20

variannya satu. Apabila banyaknya variabel asli kurang dari 20, pendekatan
ini akan menghasilkan sejumlah faktor yang konservatif.
c. Penentuan berdasarkan screeplot
Scree plot merupakan suatu plot dan eigenvalue sebagai fungsi
banyaknya faktor, dalam upaya untuk ekstraksi (mengambil saripatinya).
Bentuk scree plot dipergunakan untuk menentukan banyaknya faktor. Scree
plot seperti garis yang patah-patah.
Bukti hasil eksperimen menunjukkan bahwa titik pada tempat di
mana the scree mulai terjadi, menunjukkan banyaknya faktor yang benar.
Tepatnya pada saat scree mulai mendapat/merata. Kenyataan menunjukkan
bahwa penentuan banyaknya faktor dengan scree plot akan mencapai satu
atau lebih banyak daripada penentuan dengan eigenvalues.
d. Penentuan berdasarkan persentase varian
Di dalam pendekatan ini, banyaknya faktor yang diekstraksi
ditentukan sedemikian rupa sehingga kumulatif persentase varian yang
diekstraksi oleh faktor mencapai suatu level tertentu yang memuaskan.
Sebetulnya berapa besarnya kumulatif persentase varian sehingga dicapai
suatu level yang memuaskan? Hal ini sangat tergantung pada masalahnya.
Akan tetapi sbagai pedoman/petunjuk yang disarankan ialah bahwa
ekstraksi faktor dihentikan kalau kumulatif persentase varian sudah
mencapai paling sedikit 60% atau 75% dan seluruh varian variabel asli.
e. Penentuan berdasarkan split half reliability
Sampel dibagi menjadi dua, analisis faktor dilakukan pada masing -
masing bagian sampel tersebut. Hanya faktor dengan faktor loading yang
21

sesuai pada kedua sub-sampel yang dipertahankan, maksudnya faktor-faktor
yang dipertahankan memang mempunyai faktor loading yang tinggi pada
masing-masing bagian sampel.
f. Penentuan berdasarkan uji signifikan
Dimungkinkan untuk menentukan signifikansi statistik untuk
eigenvalues yang terpisah dan pertahankan faktor-faktor yang memang
berdasarka uji statistik eigenvalue-nya signifikan pada = 5% atau 1%.
Penentuan banyaknya faktor dengan cara ini ada kelemahannya,.
khususnya dengan ukuran sampel yang besar, katakan di atas 200 responden,
banyak faktor menunjukkan hasil uji yang signifikan, walaupun dan
pandangan praktis, banyak faktor yang rnempunyai sumbangan terhadap
seluruh varian hanya kecil.
Interpretasi pemecahan lebih baik kalau didasarkan atas hasil rotasi
faktor-faktor.

2.1.3.5 Rotasi faktor-faktor
Suatu hasil atau output yang penting dan analisis faktor ialah apa
yang disebut matriks faktor pola (factor pattern matrix). Matriks faktor
memuat/berisi koefisien yang dipergunakan untuk mengekspresikan variabel
yang dibakukan (standardized) dinyatakan dalam faktor.
Koefisien-koefisien ini yang disebut muatan faktor atau the factor
loading, mewakili korelasi antar-faktor dan variabel. Suatu koefisien dengan
nilai absolute/mutlak yang besar menunjukkan bahwa faktor dan variabel
22

berkorelasi (terkait) sangat kuat. Koefisien dan matriks faktor bisa
dipergunakan untuk menginterpretasikan faktor.
Meskipun matriks faktor awal yang belum dirotasi menunjukkan
hubungan antar-faktor masing-masing (individu) variabel, jarang
menghasilkan faktor yang bisa diinterpretasikan (diambil kesimpulannya),
oleh karena faktor-faktor tersebut berkorelasi atau terkait dengan banyak
variabel (lebih dari satu).
Di dalam melakukan rotasi faktor, kita menginginkan agar setiap
faktor mempunyai muatan (loading) atau koefisien yang tidak not (non zero)
atau yang signifikan untuk beberapa variabel saja. Demikian halnya kita juga
menginginkan agar setiap variabel mempunyai muatan (loading) yang tidak
nol atau signifikan dengan beberapa faktor saja, kalau mungkin hanya
dengan satu faktor saja. Kalau terjadi bahwa beberapa faktor mempunyai
muatan tinggi (high loading) dengan variabel yang sama, sangat sulit untuk
membuat interpretasi tentang faktor tersebut. Akan tetapi, persentase varian
sebagai sumbangan setiap faktor terhadap seluruh varian (dan seluruh
variabel asli) mengalami perubahan. Jadi, dengan demikian metode rotasi
yang berbeda akan menghasilkan pengenalan atau identifikasi faktor yang
berbeda. Ada dua metode rotasi yang berbeda yaitu orthogonal and oblique
rotation seperti dijelaskan dalam uraian berikut.
Rotasi disebut: orthogonal rotation kalau sumbu dipertahankan tegak
lurus sesamanya (bersudut 90 derajat). Metode rotasi yang banyak
dipergunakan ialah varimax procedure. Prosedur mi merupakan metode
orthogonal yang berusaha meminimumkan (membuat sedikit mungkin)
23

banyaknya variabel dengan muatan tinggi (high loading) pada satu faktor,
dengan demikian memudahkan pembuatan interpretasi mengenai faktor.
Rotasi orthogonal menghasilkan faktor-faktor yang tidak berkorelasi satu
sama lain (uncorrelated each other).
Sebaliknya rotasi dikatakan: Oblique rotation kalau sumbu tidak
dipertahankan harus tegak lurus sesamanya (bersudut 90 derajat) dan faktor-
faktor tidak berkorelasi. Kadang-kadang, dengan membolehkan korelasi
antar-faktor bisa menyederhanakan matriks faktor pola (factor pattern
matrix). Oblique rotation harus dipergunakan kalau faktor dalam populasi
berkorelasi sangat kuat. dengan membandingkan the varimax rotated factor
matrix dengan unrotated matrix (entitled factor matrix), kita bisa melihat
bagaimana hasil suatu rotasi bisa mencapai kesederhanaan (simplicity) dan
meningkatkan interpretability.

2.1.3.6 Interpretasi faktor
Interpretasi dipermudah dengan mengenali/mengidentifikasi variabel
yang muatannya (loadingnya) besar pada faktor yang sama. Faktor tersebut
kemudian bisa diinterpretasikan, dinyatakan dalam variabel yang mempunyai
high loading padanya. Manfaat lainnya di dalam membantu untuk membuat
interpretasi ialah menge-plot variabel, dengan menggunakan factor loading
sebagai koordinat (sumbu ).
Variabel pada ujung atau akhir suatu sumbu ialah variabel yang
mempunyai high loading hanya pada faktor tertentu Sedangkan variabel
24

yang dekat dengan titik asal (perpotongan sumbu mempunyai muatan rendah
low loading .
Variabel yang tidak dekat dengan sumbu salah satu faktor berarti
berkorelasi dengan kedua faktor tersebut. Kalau suatu faktor tidak bisa
dengan jelas didefinisikan dinyatakan dalam variabet aslinya, seharusnya
diberi label sebagai faktor tidak tendefinisikan atau faktor umum (undefined
or a general factor). Variabel-variabel yang berkorelasi kuat (nilai faktor
loading yang besar) dengan faktor tertentu akan memberikan inspirasi nama
faktor yang bersangkutan.

2.1.3.7 Menghitung skor atau nilai faktor
Setelah membuat interpretasi (kesimpulan) dan menghasilkan print
out computer, perlu menghitung skor atau nilai faktor. Sebetulnya analisis
faktor tidak harus dilanjutkan dengan menghitung skor, atau nilai faktor,
sebab tanpa menghitung pun hasil analisis faktor sudah bermanfaat yaitu
mereduksi/mengambil saripati dan variabel yang banyak menjadi variabel
baru yang lebih sedikit dan variabel aslinya. Namun demikian kalau tujuan
analisis faktor untuk mencari variabel baru yang independent (bebas satu
sama lain, tidak terjadi multicollinearity), yang disebut faktor untuk
dipergunakan dalam analisis multivariate lainnya seperti analisis regresi
linear berganda atau multidiscriminant analysis, maka perlu dihitung
skor/nilai faktor.
25

Suatu faktor sebetulnya merupakan kombinasi linear dan variabel-
variabel asli. Skor atau nilai faktor ke I bisa dihitung dengan menggunakan
rumus:

F
i
= w
i1
X
1
+ w
i2
X
2
+ w
i3
X
3
+ ... + w
ij
X
j
+ ... + w
ij
X
k

F = skor (nilai) faktor yang ke i,
i = 1, ..,banyaknya faktor yang dihasilkan
w = weight or factor score coefficient
k = banyaknya variabel

Timbangan (weights) atau koefisien skor faktor dipergunakan untuk
menggabung variabel yang dibakukan (standardized) diperoleh dan the
factor score coefficient matrix Hampir seluruh program komputer seperti
SPSS 10 (statistical program for social science) bisa memberikan skor
(nilai) faktor, kalau diminta. Hanya dalam kasus principal component
analysis, dimungkinkan untuk menghitung exact factor score. Lain daripada
itu, di dalam principal component analysis, skor ini tidak berkorelasi (bebas
satu sama lain, tak terjadi multicollinearity).
Di dalam common factor analysis, estimasi atau perkiraan dan skor ini
diperoleh, akan tetapi tidak ada jaminan bahwa faktor-faktor tersebut tidak
akan berkorelasi satu sama lain. Skor faktor bisa dipengunakan sebagai
pengganti variabel asli yang banyak jumlahnya, di dalam analisis
multivariate lainnya.

26

2.1.3.8 Menentukan model fit
Langkah terakhir dalam analisis faktor ialah menentukan ketepatan/
kecocokan model (model fit). Asumsi dasar yang mendasari analisis faktor
ialah bahwa korelasi terobservasi antara variabel dapat dicirikan/
dikarakteristikkan (attributed) pada common factor.
Oleh karena, korelasi antar-variabel dapat direproduksi dan korelasi
yang diestimasi antara variabel dan faktor. Perbedaan antara korelasi yang
terobservasi (seperti telah diberikan dalam input matriks korelasi dan
korelasi) yang direproduksi (seperti diperkirakan dan matriks faktor) dapat
dikaji (examined) untuk menentukan model fit. Perbedaan ini disebut: sisa
atau residuals. Kalau residual yang besar, model faktor tidak bisa
memberikan a good fit pada data dan model perlu dipertanyakan.

2.2 Eigen Value dan Eigen Vector
Eigen value dapat ditemukan untuk matrik segi empat yang simetrik.
Pada matrik tersebut terdapat banyak eigenvalue yang bisa dipilih
berdasarkan baris, ataupun kolom pada matrik. Deskripsi yang realistic dari
eigen value bergantung pada pengetahuan dari aljabar linier. Bagaimanapun,
berdasarkan konsep eigen value dapat digunakan sebagai ukuran kekuatan
atau panjang relative dari sebuah axis (diturunkan dari matrik segi empat
yang simetrik). Eigen value juga dikenal sebagai variabel laten.
Setiap eigen value mempunyai hubungan dengan eigen vector. Eigen
value adalah panjang sebuah axis, dan eigen vector menjelaskan orientasi
dalam ruangnya. Nilai dalam eigen vector bukan unik karena kordinasi yang
27

lain yang mengambarkan orientasi yang sama dapat diterima. Biasanya
eigen vector distandarkan dalam suatu cara. Misalnya, hasil penambahan dari
nilai eigen vector pangkat dua, menghasilkan satu. eigen vector biasanya
digunakan untuk menjelaskan interpretasi dari analisis multivariate.

2.3 Analisa Laporan Keuangan
Analisa laporan keuangan perusahaan pada dasarnya merupakan
penghitungan ratio-ratio untuk menilai keadaan keuangan perusahaan di
masa lalu, saat ini, dan kemungkinannya di masa depan. (syamsuddin , 2001,
p37). Analisis laporan keuangan yang sangat popular dan digunakan secara
luas adalah analisis rasio. Dengan segala kelemahannya, analisis rasio
menjadi pilihan untuk menganalisis suatu perusahaan karena kemudahannya
dalam menghasilkan informasi keuangan untuk dianalisis. Akan tetapi, rasio
yang dihasilkan meskipun mudah didapatkan tetapi penafsirannya lebih sulit
dan kompleks. Untuk membuat rasio yang dihitung menjadi lebih bermakna,
harus dirangkaikan dengan informasi lain dan ditempatkan dalam kerangka
yang lebih luas. Hasil analisis rasio berorentasi ke masa depan meskipun
rasio yang dihasilkan dari nilai historis, yaitu data keuangan pada periode
yang berlalu, namun proses analisisnya harus tetap ditempatkan dalam
kerangka berpikir masa depan.




28

2.3.1 The Debt Ratio
Ratio ini mengukur berapa besar aktiva perusahaan yang dibiayai
oleh kreditur. Semakin tinggi debt ratio, semakin besar jumlah modal
pinjaman yang digunakan didalam menghasilkan keuntungan saham.
Debt ratio = Total liabilities
Total Assets

2.3.2 Debt Equity Ratio
Debt to Equity Ratio (DER) merupakan perbandingan antara
hutang dengan modal sendiri yang dimiliki oleh perusahaan. DER mengukur
kemampuan modal sendiri perusahaan untuk dijadikan semua hutang
perusahaan. Jika DER sangat tinggi, biaya modal menjadi meningkat dengan
hutang yang digunakan dalam keadaan ini perusahaan cenderung menahan
diri untuk perluasan usaha, kecuali jadi mendapatkan dana dalam bentuk
equity(modal sendiri).

2.3.3 Return on Equity (ROE)
Return on Equity (ROE) merupakan suatu pengukuran dari
penghasilan (income) yang tersedia bagi para pemilik perusahaan (baik
pemegang saham biasa maupun pemegang saham preferen) atas modal yang
meraka investasikan didalam perusahaan. Secara umum semakin tinggi
return atau penghasilan yang diperoleh semakin baik kedudukan pemilik
perusahaan.
Return on Equity dihitung sebagai berikut :
29

Return on Equity = Net Profit after Taxes
Stockholders equity

2.3.4 Return on Investment (ROI) atau Return on Assets (ROA)
Return On Investment (ROI) atau yang sering juga disebut dengan
return on total assets adalah merupakan pengukuran kemampuan
perusahaan secara keseluruhan di dalam menghasilkan keuntungan dengan
jumlah keseluruhan aktiva yang tersedia di dalam perusahaan. Semakin
tinggi ratio ini, semakin baik keadaan suatu perusahaan
(syamsuddin,p63,1985). Hal ini dapat diinterpretasikan sebagai 2 hal.
Pertama, rasio ini mengukur kemampuan pihak manajemen perusahaan dan
tingkat efisiensi dalam menggunakan aset perusahaan untuk menghasilkan
keuntungan. Kedua, rasio ini menggambarkan tingkat pengembalian total
akan diterima oleh semua pihak penyedia modal (hutang dan saham),
terlepas dari mana sumber modal tersebut berasal. Semakin tinggi nilai ROA,
akan mengindikasikan pihak manajemen perusahaan dapat mengelola aset
perusahaan secara efektif dan semakin baik pihak manajemen dalam
menghasilkan tingkat pengembalian bagi pemilik modal.
Return on Investment dihitung sebagai berikut :
Return on Investment = Net Profit after Taxes
Total Assets



30

2.3.5 Net Profit Margin (NPM)
Net Profit Margin adalah merupakan rasio antara laba bersih (net
profit) yaitu penjualan sesudah dikurangi dengan seluruh expenses termasuk
pajak dibandingkan dengan penjualan. Semakin tinggi NPM, semakin baik
operasi suatu perusahaan. Suatu NPM yang dikatakan baik akan sangat
tergantung dari jenis industri didalam mana perusahaan berusaha.
Net Profit Margin dihitung sebagai berikut :
Net Profit Margin = Net Profit after taxes x 100 %
Sales

2.3.6 Operating Profit Margin (OPM)
Rasio ini menggambarkan apa yang biasanya disebut pure profit
yang diterima atas setiap rupiah dari penjualan yang dilakukan. Operating
profit disebut murni (pure) dalam pengertian bahwa jumlah tersebutlah yang
benar-benar diperoleh dari hasil operasi perusahaan dengan mengabaikan
kewajiban-kewajiban financial berupa bunga serta kewajiban terhadap
pemerintah berupa pembayaran pajak. Semakin tinggi ratio operating profit
marginakan semakin baik pula operasi suatu perusahaan.
Operating profit margin dihitung sebagai berikut:
Operating Profit Margin = Operating Profit x 100 %
Sales



31

2.4 R Language
R adalah bahasa pemrograman berorientasi objek, yang artinya semua
peubah, data, fungsi, hasil dan sebagainya disimpan dalam memori aktif
komputer dalam bentuk objek yang mempunyai nama. Pengguna dapat
melakukan aksi terhadap objek ini dengan menggunaka operator (aritmatik,
logikal, dan pembanding) dan fungsi (yang dia sendiri merupakan objek).
Semua aksi R dilakukan pada objek-objek yang ada pada memori aktif
komputer: tampa menggunakan file temporer (temporary file). Proses
membaca dan menulis file hanya digunakan untuk input dan ouput data dan
hasil (grafik,). Pengguna mengeksekusi fungsi melalui serangkaian
perintah dan hasilnya ditampilkan langsung pada layar, disimpan pada objek
atau ditulis ke hard disk (khususnya grafik). Karena hasil itu sendiri
merupakan objek, maka ia dapat dipandang sebagai data dan dianalisa
sebagaimana halnya data. File-file data dapat dibaca dari disk lokal atau
server malalui internet.
Fungsi-fungsi yang tersedia untuk pengguna disimpan pada sebuah
library di disk dalam sebuah direktori bernama R_HOME/library (R_HOME
adalah direktori dimana R terpasang). Direktori ini berisi fungsi-fungsi
packages, yang mana mereka tersusun dalam direktori-direktori. Package
yang bernama base merupakan inti dari R, yang berisi fungsi-fungsi dasar
dari bahasa R untuk membaca dan memanipulasi data, beberapa fungsi-
fungsi grafik, dan sebagian fungsi-fungsi statistik. Setiap package berada
pada direktori R dan direktorinya diberi nama sama dengan nama package
32

tersebut. Misal package base file-filenya ada pada
R_HOME/library/base/R/base.

2.5 Penelitian Yang Relevan
Adapun penelitian penelitian yang pernah dilakukan sebelumnya antara lain :
1. Analisis Pengaruh Return on Assets (ROA), Return on Equity (ROE), Price
Earning Ratio (PER), Price to Book Value (PBV), Debt to Assets Ratio
terhadap Return Saham pada LQ-45. Penelitian ini ditulis oleh Erlina
Taufik, Goby, dan Sanny Gaddafi yang ketiganya merupakan lulusan
program pascasarjana Magister Manajemen Universitas Bina Nusantara.
2. Analisis dan Perancangan Program Aplikasi Pengelompokan Sektor
Perbankan Untuk Penentuan Prospek Saham Mengunakan Analisis
Cluster . Penelitian ini ditulis oleh Willy Kusmanto yang merupakan
lulusan Universitas Bina Nusantara jurusan Teknik Informatika dan
Statistika.
3. Aplikasi Analisis faktor penentu indeks daya saing kabupaten/kota di jawa
timur. Penelitian ini ditulis oleh Suhandojo yang merupakan staf pengajar
FMIPA-UBINUS.