Analisis Faktor

168
BAB VIII.
ANALISIS FAKTOR (FACTOR ANALYSIS)
8.1 Pendahuluan
Pada awalnya teknik analisis faktor dikembangkan pada awal abad ke-20. Teknik
analisis ini dikembangkan dalam bidang psikometrik atas usaha akhli statistikaw Karl
Pearson, Charles Spearman, dan lainnya untuk mendefinisikan dan mengukur
intelegensia seseorang.
Pada analisis faktor (factor analysis) dapat dibagi dua macam yaitu analisis komponen
utama (principal component analysis = PCA) dan analisis faktor (factor analysis = FA).
Kedua analisis di atas bertujuan menerangkan struktur ragam-peragam melalui
kombinasi linear dari variabel-variabel pembentuknya. Sehingga dapat dikatakan bahwa
faktor atau komponen adalah variabel bentukan bukan variabel asli. Secara umum
analisis faktor atau analisis komponen utama bertujuan untuk mereduksi data dan
menginterpretasikannya sebagai suatu variabel baru yang berupa variabel bentukan.
Pada dasarnya analisis faktor atau analisis komponen utama mendekatkan data pada
suatu pengelompokan atau pembentukan suatu variabel baru yang berdasarkan adanya
keeratan hubungan antardemensi pembentuk faktor atau adanya konfirmatori sebagai
variabel baru atau faktor.
Meskipun dari p buah variabel awal atau variabel asal dapat diturunkan atau dibentuk
sebanyak p buah faktor atau komponen untuk menerangkan keragaman total sistem,
namun sering kali keragaman total itu dapat diterangkan secara sangat memuaskan
hanya oleh sejumlah kecil faktor yang terbentuk, katakanlah oleh sebanyak k buah faktor
atau komponen yang terbentuk, di mana k < p; umpamanya dari sejumlah variabel p
yaitu sebanyak 10 demensi atau item, dari 10 demensi tersebut terbentuk sebanyak k = 2
buah faktor atau komponen yang dapat menerakan kesepuluh demensi atau item
semula. Jika demikian halnya, maka akan diperperoleh sebagian terbesar informasi
tentang struktur ragam-peragam dari p buah variabel asal yang dapat diterangkan
oleh k buah faktor atau komponen yang terbentuk. Dalam hal ini k buah faktor atau
komponen utama dapat mewakili p buah variabel asalnya, sehingga lebih sederhana.
Data asli yang dianalisis dalam analisis faktor dinyatakan dalam bentuk matriks
berukuran n x p (di mana n jumlah sampel dan p variabel pengamatan), yang dapat
direduksi ke dalam matriks yang berukuran lebih kecil dan mengandung sejumlah
n pengukuran pada k buah komponen utama atau faktor, sehingga matriks yang
terbentuk berukuran n x k (n jumlah sampel dan k komponen utama atau faktor),
dan k < p. Jumlah faktor yang terbentuk adalah sebanyak variabel asal = p, dan
k adalah sejumlah faktor yang memenuhi kriteria atau aturan.
Analisis faktor sering kali dilakukan tidak saja merupakan analisis akhir dari suatu
pekerjaan analisis statistika atau pengolahan data, tetapi dapat merupakan tahapan atau
langkah awal bahkan langkah antara dalam kebanyakan analisis statistika yang bersifat
lebih besar atau lebih kompleks. Sebagai misalnya dalam analisis regresi faktor (factor
regresion), maka analisis faktor akan merupakan tahap antara suatu analisis statistika
dari data awal untuk membentuk variabel baru yang akan menuju ke analisis regresi.
Oleh karena itu, analisis faktor digunakan sebagai input dalam membangun analisis
regresi yang lebih lanjut, demikian pula dalam analisis gerombol atau cluster analysis di
mana faktor atau variabel baru yang terbentuk dipergunakan sebagai input untuk
melakukan analisis pengelompokan terhadap suatu set data.
PDF created with pdfFactory Pro trial version www.pdffactory.com

169
8.2 Pengertian Dasar Analisis Faktor (FA) atau Analisis
Komponen Utama (PCA)
Telah diketahui bahwa analisis faktor merupakan salah satu teknik analisis statistika
multivariate, dengan menitik beratkan pada data yang mempunyai hubungan yang
sangat erat secara bersama-sama pada segugusan variabel, tanpa membedakan antara
variabel tergantung atau variabel endogen Y dan variabel bebas atau variabel eksogen
X, cara ini disebut sebagai metode antarketergantungan (independence methods).
Analisis faktor dapat pula dipandang sebagai perluasan dari tehnik analisis komponen
utama. Kedua analisis analisis faktor dan analisis komponen utama tersebut merupakan
teknik analisis yang menjelaskan struktur hubungan di antara banyak variabel
antarketergantungan dalam suatu sistem konkret yang sering dinyatakan dengan
keeratan hubungan.
Untuk studi ketergantungan di antara variabel-variabel dapat dipergunakan analisis
faktor selain analisis komponen utama. Analisis faktor atau analisis komponen
utama merupakan salah satu teknik analisis ketergantungan yang sangat populer dan
telah dipergunakan secara luas dalam berbagai bidang ilmu pengetahuan. Oleh karena
itu, peneliti atau mahasiswa harus memperhatikan struktur hubungan secara keseluruhan
di antara variabel-variabel yang mencirikan obyek-obyek atau individu-individu atau
variabel-variabel atau item-item atau dimensi-dimensi pengamatan yang akan
membentuk faktor atau variabel laten atau kontruks.
Dalam pembahasan ini akan diuraikan pengertian dasar analisis komponen utama
atau dan analisis faktor, sedangkan analisis lanjutannya seperti analisis regresi
komponien utama atau analisis faktor dan analisis-analisis selanjutnya akan dihahas
dalam bab-bab berikutnya.
Bayangkan bahwa terdapat sebanyak p buah variabel asal X
i
, yaitu X
1
, X
2
, . . . , X
p
di
mana diasumsikan bahwa:
X ~ N
p
(U, ), X' = (X
1
, X
2
, . . . , X
p
) di mana = adalah rata-rata umum
(E (X)) = , Cov (X) = = adalah ragam-peragam
Dalam bentuk pernyataan di atas, dikatakan bahwa variabel asal atau vektor X
berdistribusi multi-normal dengan nilai harapan X (E (X)) atau nilai rata-rata =
dan matriks varian-kovarian . Apabila didefinisikan [A] sebagai matriks konstanta
berukuran p x p, maka komponen utama atau faktor didefinisikan sebagai kombinasi
linier berbobot dari variabel awal (p buah variabel asal) yang dinyatakan dalam bentuk
persamaan matriks sebagai berikut di bawah ini.
[8.1] Y = A X
Dalam bentuk yang lebih jelasnya, maka persamaan [8.1] dapat dinyatakan sebagi
persamaan seperti berikut :
Y
11
= a
11
X
1
+ a
21
X
2
+ . . . + a
p1
X
p

Y
12
= a
12
X
1
+ a
22
X
2
+ . . . + a
p2
X
p
[8.2]
: : : :

: : : :
: : : :

Y
1p
= a
1p1
+ a
2p
X
2
+ . . . + a
pp
X
p


170
Dari persamaan [8.1], apabila didefinisikan:
Y = A X, sedangkan diketahui hahwa:
Cov (X) = , maka diperoleh persamaan:
Cov (Y) = A A' atau dapat juga dinyatakan sebagai:
Cov (Y) =

= =
P
i
P
i 1 1
a
i
a
j
!
ij
(hal ini dapat dibuktikan dengan perhitungan berikut)

Cov (Y) = E(Y
Y
) (Y -
Y
)'
= E[AX - E(AX)] [AX - E(AX)]'
= EA [(X-)] [A(X-)]'
= A E[X-] [X-]'A'
= A A'
Analisis faktor merupakan teknik analisis statistika yang bertujuan menerangkan struktur
hubungan di antara variabel-variabel yang teramati dengan jalan membangkitkan
beberapa faktor atau komponen atau variabel laten yang jumlahnya lebih sedikit = k dari
sejumlah variabel asalnya = p buah. Bayangkan, bahwa terdapat vektor acak yang
diamati atau diukur secara langsung yang merupakan gabungan dari beberapa item X
dengan p buah variabel sebagai variabel asal atau variabel awal, serta memiliki nilai rata-
rata " dan matriks varians-kovarian S sebagai penduga .
Dalam hal ini berlaku hubungan:
X' = (X
1
, X
2
, . . . , X
p
), X ~ N
p
(", ) Np = berarti menyebar normal
E (X) = " dan Cov (X) = . X menyebar normal dengan rata-rata = " dan
= varians-kovarians
Dalam bentuk pernyataan matriks dikatakan bahwa vektor acak X berdistribusi multi-
normal dengan nilai rata-rata vektor " dan matriks varians-kovarians .
Model umum analisis faktor atau analisis komponen utama adalah seperti:
X
1
= C
11
F
1
+ C
12
F
2
+ . . . + C
1m
F
m
+ !
1
X
2
= C
21
F
1
+ C
22
F
2
+ . . . + C
2m
F
m
+ !
2

[8.3] . . . . .
. . . . .
. . . . .
X
p
= C
p1
F
1
+ C
p2
F
2
+ . . . + C
pm
F
m
+ !
p

Di mana: Fj. (j = 1, 2, . . ., m) merupakan faktor atau komponen bersama ke-j
Cij (i = 1, 2, . . ., p; dan j = 1, 2., . . ., m) merupakan parameter
yang merefleksikan pentingnya faktor komponen ke-j dalam
komposisi dari respons ke-i. Cii dalam analisis faktor atau
analisis komponen utama disebut sebagai bobot (loading)
dari respons ke-i pada faktor/ komponen bersama ke-j.
$i (i = 1, 2, . . . , p) merupakan galat dari respons ke-i, dalam
analisis faktor/komponen utama disebut sebagai faktor/
komponen spesifik ke-i yang bersifat acak.


171
Dari model [8.3] di atas, dalam analisis faktor mempostulatkan bahwa vektor acak X
tergantung secara linear pada beberapa variabel acak yang tidak teramati atau
faktor (unobservable random variables atau factors atau laten variables). Faktor
acak F
1
, F
2
, . . ., F
m
yang disebut faktor bersama (common factors), dengan sejumlah p
sumber kovarians tambahan, $
1,
$
2, . . . ,
$
p
yang disebut sebagai galat atau errors atau
kadang-kadang disebut juga sebagai faktor spesifik (specific factors).
Struktur varians-kovarians untuk model analisis faktor dinyatakan dalam persamaan [8.2]
dan [8.3] dapat dinyatakan pula seperti persamaan [8.4] berikut ini.
Var (X
1
) = "
11
= C
11
2
+ C
12
2
+ . . . + C
1m
2
atau
[8.4] Var (X
i
) = "
1i
= h
i
2
+ #
i

Di mana:
h
i
2
= C
11
2
+ C
12
2
+ . . . + C
1m
2

=
=
m
i
ij
C
1
2
Dari persamaan [8.4] di atas tampak bahwa varians dari variabel eksogen X
j
diterangkan
oleh dua komponen atau faktor yaitu komponen h
i
2
dan komponen #
i
(baca: psi).
Komponen h
i
2
disebut sebagai komunalitas (communality) setipe dengan R
2
yang
pada analisis regresi menunjukkan proporsi varians dari variabel eksogen X
i
yang dapat
menerangkan sejumlah k faktor atau komponen bersama (secara bersama),
sedangkan komponen #
i
; merupakan proporsi varians dari variabel eksogen X
i
, yang
disebabkan oleh faktor spesifik atau galat (error) dan disebut sebagai varians
spesifik (specific variance).
Tampak dari persamaan [8.4] di atas bahwa komunalitas h
i
2
merupakan jumlah kuadrat
berbobot (loadings) dari variabel eksogen X
i
pada k faktor bersama.
Kovarians untuk variabel respons X
i
dan X
k
, di mana i % k (i, k = 1, 2, . . ., p) ditentukan
sebagai berikut:
[8.5] COV (X
i
, X
k
) = C
i1
C
k1
+ . . . + C
im
C
km

=
=
m
i
kj ij
c c
1

Kovarians antara variabel eksogen X
i
dan faktor ke-j (F
j
) ditentukan sebagai berikut:
[8.6] COV (X
i
, F
j
) = C
ij

i = 1, 2, . . . ., m dan j = 1, 2, . . . ., p.
Pada dasarnya terdapat dua metode pendugaan parameter yang umum
digunakan dalam model analisis faktor yaitu metode komponen utama (principal
component analysis/method = PCA) dan metode kemungkinan maksimum
(maximum likelihood method).
Dalam kebanyakan analisis, model analisis faktor diduga berdasarkan metode komponen
utama (PCA), demikian pula dalam kebanyakan paket aplikasi komputer proses
komputasi didasarkan pada metode komponen utama (PCA). Sedangkan, dalam contoh
penerapan analisis faktor akan menggunakan bantuan komputer, dan terdapat banyak
paket aplikasi komputer untuk analisis faktor seperti SPSS, MINITAB, SXW,
STATGRAPHICS, STATISTICA, AMOS, dan lain-lainnya.


172
Untuk dapat memahami secara baik tentang analisis faktor yang diturunkan berdasarkan
metode komponen utama (PCA), maka pembaca terlebih dahulu harus memahami
secara baik tentang konsep matriks, maka model analisis faktor dapat diturunkan dari
matriks varians-kovarians ($) yang diduga berdasarkan matriks varians-kovarians
sampel (S
2
)

atau matriks korelasi ( r ).

Apabila semua variabel yang diamati mempunyai satuan pengukuran yang sama, maka
analisis faktor dapat diturunkan dari matriks koefisien korelasi yang diduga
berdasarkan matriks koefisien korelasi sampel r.
Berdasarkan metode komponen utama, dapat ditentukan banyaknya faktor yang perlu
dilibatkan dalam analisis lanjutan, katakanlah hanya memilih k buah faktor dari p buah
faktor yang mungkin dihasilkan (k<p). Banyaknya faktor yang terbentuk adalah
sebanyak variabel asal = p. Penentuan banyaknya faktor atau komponen yang dilibatkan
dalam analisis lanjutan tergantung pada struktur datanya dan hasil analisis faktor dengan
komponen varians yang lebih besar dari pada satu.
Sebagai contoh untuk kasus yang mempengaruhi pengkajian proses industrialisasi,
maka cukup melibatkan satu faktor dari empat faktor yang dihasilkan dari hasil analisis
faktor yang berdasarkan metode komponen utama, karena berdasarkan analisis faktor
diketahui bahwa keragaman total data yang diterangkan oleh faktor atau komponen
utama pertama adalah cukup besar yaitu 94,23%, dan tiga faktor lainnya menjelaskan
keragaman total hanya 5,77% (= 1 - 94,23%) hal ini adalah sangat kecil. Batas minimal
keragaman total data yang diterangkan oleh faktor bersama atau komponen utama
bersama adalah % 60%.
Dalam situasi lain, mungkin diperlukan dua, tiga, atau lebih faktor untuk digunakan
sebagai faktor awal dalam analisis lanjutan, seperti analisis regresi berganda, analisis
faktor lanjutan (scond factor analysis), atau analisis yang lain.
Apabila pada analisis faktor didasarkan pada matriks varians-kovarians sampel S
2
, maka
besamya keragaman yang dapat diterangkan oleh faktor atau komponen
ke-j (j = 1, 2, ..., k) ditentukan berdasarkan persamaan [8.7] di bawah ini.
[8.7] Peranan F
j
=
pp
pj j j
S S S
C C C
2
22
2
11
2
2 2
2
2
1
. . .
. . .
+ + +
+ + +
x 100%
=
) (
1
2
S tr
C
p
i
ij
=

Di mana: tr (S) = teras dari matriks varians-kovarians S
2
Sedangkan, apabila analisis faktor didasarkan pada matriks koefisien korelasi r, maka
besamya keragaman yang dapat diterangkan oleh faktor atau komponen
ke-j (j = 1, 2, ..., k) ditentukan berdasarkan persamaan dengan menggunakan persamaan
[8.8] seperti uraian berikut di bawah ini.
[8.8] Peranan F
j
=
) (
1
2
r tr
C
p
i
ij
=
x 100%
=
p
C
p
i
ij
=1
2
x 100%
Di mana: tr (r) = teras dari matriks korelasi r; tr (r) = p;
p = banyaknya variabel Xi yang di analisis.

173
Besarnya keragaman dari variabel X
i
yang dapat diterangkan oleh faktor atau komponen
ke-j di mana (j = 1, 2, . . . , k) ditentukan berdasarkan persamaan [8.9] seperti berikut.
[8.9] Var X
i
yang diterangkan F
j
=
=
p
i
ij
ij
C
C
1
2
2
x 100%
Dalam situasi tertentu, apabila k buah faktor yang dilibatkan dalam analisis cukup
banyak, katakanlah k > 4, maka terdapat kesulitan dalam menginterpretasikan hasil
analisis faktor. Hal ini dikarenakan adanya tumpang tindih variabel-variabel X
j
yang
dapat diterangkan oleh k buah faktor bersama tersebut. Untuk mengatasi hal ini, maka
dilakukan rotasi faktor (factor rotation). Rotasi faktor tidak lain merupakan transformasi
ortogonal dari faktor yang telah terbentuk agar tidak terjadi keadaan variabel yang
tumpang tidih dalam menerangkan faktor bersama atau komponen bersama yang dapat
dilihat dari nilai loding faktornya.
8.3 Tujuan Analisis Faktor
Tujuan utama analisis faktor adalah untuk menjelaskan struktur hubungan di antara
banyak variabel dalam bentuk faktor atau vaiabel laten atau variabel bentukan. Faktor
yang terbentuk merupakan besaran acak (random quantities) yang sebelumnya tidak
dapat diamati atau diukur atau ditentukan secara langsung.
Selain tujuan utama analisis faktor, terdapat tujuan lainnya adalah:
1. Tujuan kepertama untuk mereduksi sejumlah variabel asal yang jumlahnya banyak
menjadi sejumlah variabel baru yang jumlahnya lebih sedikit dari variabel asal,
dan variabel baru tersebut dinamakan faktor atau variabel laten atau konstruk
atau variabel bentukan..
2. Tujuan kedua adalah untuk mengidentifikasi adanya hubungan antarvariabel
penyusun faktor atau dimensi dengan faktor yang terbentuk, dengan
menggunakan pengujian koefisien korelasi antarfaktor dengan komponen
pembentuknya. Analisis faktor ini disebut analisis faktor kofirmatori.
3. Tujuan ketiga adalah untuk menguji valisitas dan reliabilitas instrumen dengan
analisis faktor konfirmatori.
4. Tujuan keempat salah satu tujuan analisis faktor adalah validasi data untuk
mengetahui apakah hasil analisis faktor tersebut dapat digeralisasi ke dalam
populasinya, sehingga setelah terbentuk faktor, maka peneliti sudah mempunyai
suatu hipotesis baru berdasarkan hasil analisis faktor.
8.4 Analisis Faktor Ekspolatori atau Analisis Komponen Utama
Analisis faktor dapat dibedakan menjadi dua macam yaitu: 1). Analisis faktor ekspolatori
dan 2). Analisis faktor konfirmatori.
Seringkali analisis faktor eksploratori merupakan analisis awal untuk digunakan pada
analisis lanjutan dari suatu rangkaian analisis dalam suatu penelitian. Dalam melakukan
reduksi data atau mengurangi jumlah variabel, maka dilakuakan proses analisis faktor
eksploratori atau analisis faktor eksplanatori untuk membuat sebuah set variabel baru,
atau variabel komponen, atau variabel laten, atau faktor, atau konstruk yang
menggantikan sejumlah variabel asal, atau item, atau demensi penyusunnya.
Dengan demikian, variabel atau komponen atau faktor yang terbentuk haruslah ada
datanya, yang berupa nilai skor faktor (SF) atau skor komponen. Nilai skor faktor (SF)
dari variabel laten atau faktor yang terbentuk tergantung pada item atau sub-variabel
penyusunnya, yang akan digunakan dalam analisis lanjutan.

174
Analisis lanjutan tersebut dapat berupai: uji t, uji F, atau ANOVA, analisis regresi, analisis
faktor lanjutan, analisis kluter. dan lainnya. Analisis lanjutan akan mempermudah
interpretasi hasil analisis, sehingga didapatkan informasi yang realistik dan sangat
berguna bagi data aslinya. Seperti contohnya dalam analisis regresi faktor atau analisis
regresi komponen utama, dengan tujuan untuk menghilangkan adanya kolinieritas ganda
antarvariabel eksogen atau variabel bebas X
i
.
Untuk mempermudah pengertian dalam analisis faktor perlu pemahaman tentang
istilah-istilah seperti: komponen atau faktor, variabel, dan indikator, sub variabel, atau
item seperti:
1. Variabel adalah data pengamatan atau data bentukan yang nilai-nilainya bervariasi
secara acak atau random.
2. Faktor atau komponen adalah sebuah variabel bentukan yang dibentuk melalui
indikator-indikator atau item-item yang teramati (obserabel variable). Karena
faktor merupakan variabel bentukan maka faktor disebut variabel laten (latent
variable) atau unobserabel variable. Faktor merupakan variabel baru yang
bersifat unobservable variable atau variabel tidak teramati atau variabel laten
atau konstruks atau ada yang menyebut non visible variable, karena sifatnya
yang abstrak yaitu variabel tersebut tidak dapat diukur atau diamati secara
langsung oleh peneliti.
Akan tetapi, pada analisis faktor, di mana faktor merupakan kumpulan atau
gabungan yang bersifat linier berbobot dari beberapa pengukuran, atau beberapa
indikator, atau beberapa variabel pengamatan (obserabel variable).
3. Sub-variabel juga disebut variabel pengamatan (obserabel variable) atau
variabel manifest, atau indikator adalah suatu konsep yang merupakan variabel
yang dapat diukur atau diamati secara langsung, sehingga disebut observable
variable atau variabel manifest atau indikator, atau item, dan hasil
pengukurannya adalah bervariasi dan nyata.
Sebagai misal, faktor atau variabel laten kepandaian seseorang tidak dapat diamati atau
diukur secara langsung, tetapi dapat diketahui atau diukur melalui berbagai variabel
pengukuran kepandaian seperti: kepasihan membaca, kecakapan berhitung,
kepandaian ilmu sosial, kepadaian menulis, kepasisan berbahasa, pintar mengarang,
dan lain-lain sebagainya yang diukur dari nilai rapor. Hasil analisis faktor berbeda dengan
nilai kepandaian yang dinyatakan dengan IP = indeks prestasi.
8.5 Analisis Faktor Eksploratori dan Analisis Faktor Konfirmatori
Analisis faktor pada dasarya dapat dibedakan secara nyata menjadi dua macam yaitu:
1. Analisis faktor eksploratori atau analisis komponen utama (PCA)
Analisis faktor eksploratori atau analisis komponen utama (PCA = principle
component analysis) yaitu suatu teknik analisis faktor di mana beberapa faktor
yang akan terbentuk berupa variabel laten yang belum dapat ditentukan sebelum
analisis dilakukan.
Pada prinsipnya analisis faktor eksploratori di mana terbentuknya faktor-faktor atau
variabel laten baru adalah bersifat acak, yang selanjutnya dapat diinterprestasi
sesuai dengan faktor atau komponen atau konstruk yang terbentuk. Analisis
faktor eksploratori persis sama dengan anlisis komponen utama (PCA).
Dalam analisis faktor eksploratori di mana sipeneliti tidak atau belum mempunyai
pengetahuan atau teori atau suatu hipotesis yang menyusun struktur faktor-faktornya
yang akan dibentuk atau yang terbentuk, sehingga dengan demikian pada analisis
faktor eksploratori merupakan teknik untuk membantu membangun teori baru.

175
Analisis faktor eksploratori merupakan suatu teknik untuk mereduksi data dari
variabel asal atau variabel awal menjadi variabel baru atau faktor yang jumlahnya
lebih kecil dari pada variabel awal. Proses analisis faktor eksploratori mencoba
untuk menemukan hubungan antarvariabel baru atau faktor yang terbentuk yang
saling independen sesamanya, sehingga bisa dibuat satu atau beberapa kumpulan
variabel laten atau faktor yang lebih sedikit dari jumlah variabel awal yang bebas
atau tidak berkorelasi sesamanya. Jadi antarfaktor yang terbentuk tidak berkorelasi
sesamanya.
Analisis faktor eksplanatori menggunakan matriks korelasi ( r ) untuk mengestimasi
faktor strukturnya. Pada analisis faktor ekplanatori umumnya dikembangkan untuk
menjelaskan adanya korelasi yang sangat erat di antara variabel pembentuk
faktornya. Sebagai contoh, jika semula terdapat sepuluh variabel awal yang saling
dependen sesamanya, dengan analisis faktor ekplanatori mungkin bisa diringkas
atau terbebtuk hanya menjadi satu atau dua kumpulan variabel laten atau variabel
baru atau komponen baru atau faktor, Selanjutnya, kumpulan variabel baru tersebut
dikenal dengan nama faktor atau komponen atau konstruk. Faktor yang terbentuk
tetap mewakili atau mencerminkan variabel asli atau variabel awalnya.
Analisis faktor eksploratori atau analisis komponen utama (PCA) yang menitik
beratkan pada bagian variasi total yang dapat diterangkan oleh faktor bersama yang
terbentuk, di mana item-item pembentuknya berkontribusi dengan item lainnya
membentuk himpunan variabel baru atau faktor atau komponen atau variabel laten.
2. Analisis faktor konfirmatori (CFA)
Analisis faktor konfirmatori yaitu suatu teknik analisis faktor di mana secara
apriori berdasarkan teori dan konsep yang sudah diketahui dipahami atau
ditentukan sebelumnya, maka dibuat sejumlah faktor yang akan dibentuk, serta
variabel apa saja yang termasuk ke dalam masing-masing faktor yang dibentuk dan
sudah pasti tujuannya. Pembentukan faktor konfirmatori (CFA) secara sengaja
berdasarkan teori dan konsep, dalam upaya untuk mendapatkan variabel baru atau
faktor yang mewakili beberapa item atau sub-variabel, yang merupakan variabel
teramati atau observerb variable. Sebagai misal faktor kepandaian diukur secara
langsung, melalui variabel kepasihan membaca, kecakapan berhitung, kepandaian
ilmu sosial, kepadaian menulis, kepasisan berbahasa, pintar mengarang. Contoh lain
faktor keberhasilan seseorang dapat diukur dengan variabel: kepandaian, keuletan,
kekayaan, dan kamujuran.
Pada dasarnya tujuan analisis faktor konfirmatori adalah: kepertama untuk
mengidentifikasi adanya hubungan antarvariabel dengan melakukan uji korelasi.
Tujuan kedua untuk menguji valisitas dan reliabilitas instrumen. Dalam pengujian
terhadap valisitas dan reliabilitas instrumen atau kuisner untuk mendapatkan data
penelitian yang valid dan reliabel dengan analisis faktor konfirmator.
Teknik analisis faktor konfirmatori persis sama dengan tehnik analisis faktor
eksploratori dengan menghitung factor loading atau koefisien faktor atau nilai
lamda (&
i
) yang serupa dengan nilai koefisien regresi '
i
yaitu faktor loding antara
indikator X
i
dengan faktor F
j
yang terbentuk.
Apabila nilai loding faktor atau nilai lamda (&
i
) yang diperoleh lebih besar atau sama
dengan setengah (&
i
% 0,5) atau dapat diuji dengan uji t, dan apabila variabel
menunjukkan signifikan berarti variabel X
i
atau instrumen atau item tersebut sahih
untuk dijadikan sebagai anggota faktor yang bersangkutan.
Pada dasarnya teknik analisis faktor konfirmatori (FCA), sebagai lawan dari analisis faktor
eksploratori (PCA). Tehnik analisis konfirmatori digunakan unt uk menguji sebuah
konsep atau teori secara teoritis. Mungkin sebuah teori yang baru dikembangkan oleh
penel ili atau teori yang sudah dikembangkan sejak lama oleh orang lain, yang untuk

176
pembuktiannya dibutuhkan sebuah pengujian empirik.
Pengujian empirik i tul ah kadangkala di l akukan mel akui analisis SEM (Sistem
Equation Modeling). Analisis SEM digunakan unt uk menguji kausalitas yang sudah
jelas ada dasar teorinya. Akan tetapi, bukan digunakan unt uk membentuktikan sebuah
teori kausalitas. Oleh karena itu, pengembangan sebuah teori yang berdasarkan landasan
i l mi ah adal ah syarat utama dan pertama sebelum menggunakan analisis SEM.
8.6 Tahapan Analisis Faktor Konfirmatori (FCA)
Dalam merancang sebuah model analisis faktor perlu diperhatikan untuk dapat
membentuk sebuah faktor paling tidak mewakili tiga variabel terobservasi atau item atau
sub-variabel. Walaupun terdapat beberapa contoh hasil penelitian di mana faktor hanya
dibentuk oleh dua variabel terobservasi, tetapi sangat disarankan berdasarkan
pertimbangan problem indentifikasi, sebaiknya faktor dibentuk lebih dari dua item.
Untuk proses uji validasi reliabilitas dengan metode analisis faktor konfirmatori ada
beberapa macam syarat hang harus dipenuhi yaitu:
1. Pada tahap kepertama menilai apakah semua sub-variabel atau item atau indikator
pembentuk faktor layak untuk diikutkan pada analisis faktor atau tidak. Apabila
tidak layak maka sub-variabel tersebut tidak diikutkan sertakan pada analisis faktor,
dan sebaliknya apabila sub-variabel tersebut layak maka diikutkan pada analisis.
2. Pada tahap kedua, item-item yang tidak layak untuk difaktorkan, maka dilakukan
faktoring atau mereduksi item dengan jalan sub-variabel yang tidak layak
difaktorkan dikeluarkan dari analisis faktor. Selanjutnya, dilakukan analisis ulang,
sehingga terbentuk satu faktor yang dapat mewakili sub-variabel dengan item
pembentuk faktor yang baru.
3. Pada langkah selanjutnya, setelah faktornya terbentuk, maka dapat dilakukan
analisis data lanjutan dengan menggunakan nilai skor faktor (SF).
8.7 Contoh Analisis Faktor Eksploratori dan Analisis Faktor Konfirmatori
8.7.1 Contoh analisis faktor eksploratori (CPA)
Apa yang dijelaskan pada sub Bab 8.2 adalah analisis faktor eksploratori, dan
selamjutnya akan dijelaskan pada aplikasi praktis dalam penelitian. Suatu penelitian yang
ingin mengetahui faktor apa saja yang sebenarnya membuat seseorang ingin membeli
barang pada suatu pertokoan.
Untuk itu dilakukan penelitian dan responden diminta pendapatnya mengenai atribut
pertokoan seperti: layout pertokoan, kelengkapan barang yang dijual, harga barang,
pelayanan karyawan toko, pelayanan kasir, promosi, image, dan kebersihan toko.
Hasil output komputer sebagai berikut dan datanya tidak ditampilkan:
Tabel 8.1 KMO and Bartletts Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy (MSA) 0,552
Approximate Chi-Square 87,437
Bartletts Test of Sphericity Degree of fredom 28
Significant 0,000

Angka KMO-MSA (Kaiser-Meyer-Olkin and Measure of Sampling Adequacy) berkisar
antara 0 sampai dengan 1 yang menunjukkan apakah sampel bisa dianalisis lebih lanjut
atau tidak.

177

Apabila nilai KMO-MSA sama dan lebih besar dari setengah dan dengan nilai
signifikan (sig) atau peluang (p) lebih kecil dari setengah; maka dikatakan bahwa item-
iem yang dianalisis dalam analisis faktor sudah layak untuk difaktorkan.
Dari Tabel 8.1 di atas didapatkan nilai Kaiser-Meyer-Olkin-Measure of Sampling
Adequacy sebasar 0,552 dengan nilai sig atau peluang (p) = 0,000. Ternyata dari
Tabel 8.1 nilai KMO-MSA > 0,5 dan dengan nilai peluang (p) < 0,05. Sebagai kriteria
umum apabila tingkat kemaknaan yaitu p < 0,05 dan angka KMO-MSA > 0,5; sehingga
analisis faktor yang dilakukan menunjukkan sampel tersebut layak untuk difaktorkan dan
faktornya dapat dianalisis lebih lanjut.
Kemudian perhatikan dari Tabel 8.2 berikut di mana nilai matriks anti image correlation,
khususnya nilai pada angka koefisien korelasi yang berada pada off diagonal (nilai
yang ditebalkan). Apabila nilai matriks anti image correlation lebih kecil dari setengah,
maka variabel tersebut harus dikeluarkan atau dieliminasi dari analisis faktor. Perhatikan
nilai yang diberi tanda dengan
a

atau yang ditebalkan.
Tabel 8.2 Anti Image Matrices
Layout Lengkap Harga Pelkar Pelkasir Promosi Image Bersih
Layout ,5280
a
-,1030 -,1210 ,0044 ,1580 ,45130 ,4631 -,1040
Lengkap -,1030 ,5130
a
,1290 -,4150 ,1300 ,2030 ,1500 -,2670
Harga -,210 ,1290 ,6240
a
-,1700 -,1300 -,4882 -,2570 ,0503
Pelkar ,0044 -,4150 -,1700 ,4740
a
-,1930 -,0587 -,1580 ,0467
Pelkasir ,1580 ,1300 -,1300 -,1930 ,4760
a
-,5095 ,0598 -,2520
Promosi ,0451 ,2030 -,0488 -,0587 -,0510 ,7080
a
-,2070 ,0474
Image ,0463 ,1500 -,2570 -,1580 ,0599 ,2070 ,6140
a
-,09.30
Bersih -,1040 -,2670 ,05034 ,0667 -,2520 ,4735 ,09301 ,5050
a

a Measures of Sampling Adequacy (MSA)
Apabila nilai anti image correlation lebih kecil dari setengah, maka variabel tersebut
tidak layak dianalisis lebih lanjut. Dari hasil analisis faktor, variabel yang tidak layak
dianalisis lebih lanjut adalah: pelkar dan pelkasir. Variabel yang layak dianalisis lebih
lanjut adalah: layout, lengkap, harga, promosi, image, dan bersih seperti Tabel 8.2.
Analisis lebih lanjut adalah melakukan reduksi terhadap variabel yang tidak layak
difaktorkan atau dikenal dengan istilah faktoring atau eliminasi. Setelah sub-variabel
pelkar dan pelkasir di faktoring dan dianalisis kembali, dan hasilnya seperti
pada Tabel 8.3 di bawah..
Dari Tabel 8.3 di bawah ini, menunjukkan bahwa ke enam variabel: layout, lengkap,
harga, promosi, image, dan bersih telah dianalisis dan terbentuk menjadi dua faktor
yaitu komponen faktor-1 dan komponen faktor-2 (Component-1 dan Component-2).
Cara memasukkan sub-variabel ke dalam faktor dapat dilihat dari angka koefisien
komponennya yaitu apabila nilainya > 0,5; sehingga sub-variabel terukur atau item
tersebut dimasukan ke dalam faktor yang bersangkutan. Hasil analisis faktor
menunjukkan bahwa yang tergolong ke dalam faktor-1 atau komponen-1 yang
selanjutnya disebut dengan faktor internal (FI) adalah sub-variabel layout, lengkap,
dan bersih. Perhatikan Tabel 8.3 berikut.


178

Tabel 8.3 Component Matrix
Item Component
1 2
Layout 7,304 E
-03
0,555
Lengkap -0,331 0,683
Harga 0,735 9,035 E
-02

Promosi 0,622 -0,280
Image 0,774 -6,156 E
-03

Bersih 7,148 E
-02
0,737

Sedangkan, yang termasuk ke dalam faktor-2 atau komponen-2 yang selanjutnya
disebut faktor eksternal (FE) adalah sub-variabel atau item harga, promosi, dan
image. Variabel pelkar dan pelkasir telah dikeluarkan dari analisis faktor (faktoring),
semenjak analisis faktor dilakukan karena nilai anti image correlation-nya <0,05.
Analisi faktor yang dilakukan di atas adalah analisis faktor eksploratori
8.7.2 Contoh analisis faktor konfirmatori (CFA)
Pada analisis faktor konfirmatori, peneliti secara apriori telah dapat membuat atau
membangun suatu hipotesis berdasarkan konsep dan teori dengan faktor strukturnya
yang telah ditentukan. Sebagai contoh faktor struktur digambarkan seperti di bawah ini.

Contoh Gambar 8.1 berbeda dengan uraian dari Tabel 8.3 di atas. Dari Gambar 8.1 di
atas, faktor skunder penjualan dihipotesiskan ditentukan oleh faktor internal (FI) dan
faktor eksternal (FE). Selanjutnya, faktor internal (FI) dan faktor eksternal (FE)
adalah berupa variabel unobserable atau variabel yang tidak teramati atau berupa faktor.
Sehingga, faktor internal (FI) dan faktor eksternal (FE) disebut variabel laten atau
faktor tingkat ke-pertama. Faktor yang dibentuk oleh faktor internal (FI) dan faktor
eksternal (FE) disebut variabel laten atau faktor primer yang dapat membentuk faktor
lanjutan atau faktor skunder dan sterusnya. Variabel laten atau faktor yang dibentuk oleh
faktor internal (Fi) dan faktor eksternal (FE) merupakan variabel laten atau faktor
baru yang terbentuk yaitu faktor penjualan (FP) yang disebut faktor tingkat ke-dua
atau faktor skunder.
Suatau hal yang harus diperhatikan bahwa, dalam analisis faktor konfirmatori satu
sub-dimensi atau satu indikator seperti layout, lengkap, dan bersih hanya mengukur
FE
FI
Lengkap Layout Bersih
Harga Promosi Image
Gambar 8.1 Pola Analisis Faktor Konfirmatori


179
untuk satu faktor saja, sedangkan satu faktor bisa terdiri atas beberapa indikator.
Jadi faktor internal (FI) dan faktor eksternal (FE) membentuk sebuah faktor skunder
yang dinamakan faktor penjualan (FP) lihat Gambar 8.2.
Permasalahanya sekarang, apakah benar-benar indikator layout, lengkap, dan bersih
merupakan alat pengukur faktor intenal (FI) dan apakah indikator harga, promosi, dan
image merupakan alat pengukur faktor eksternal (FE) yang valid dan reliabel.

Faktor internal (FI) yang merupakan variabel laten atau variabe unobserable dengan
tiga sub-dimensi atau sub-faktor atau indikator atau item. Masing-masing sub-dimensi
yang diukur dengan indikator atau variabel manifes atau variabel obserable atau sub-
variabel terukur atau sub-variabel teramati secara langsung. Demikian juga, faktor
eksternal (FE) yang merupakan variabel laten atau variabel unobserable dibentuk
dengan tiga sub-dimensi atau sub-faktor atau item atau indikator. Faktor internal (FI) dan
faktor eksternal (FE) dikatakan variabel laten, karena variabel tersebut tidak bisa diukur
secara langsung, sehingga perlu ditentukan indikator atau sub-demensi sebagai
pengukurnya yaitu suatu nialai skor-faktor (SF).
Untuk mengukur faktor internal (FI) yang dihipotesiskan terdiri atas tiga indikator, yaitu:
layout, lengkap, dan bersih. Dan faktor eksternal (FE) yang juga dihipotesiskan
terdiri atas tiga indikator seperti, yaitu: harga, promosi, dan image.
Untuk itu perlu konfirmasi lebih lanjut dengan memeriksa validitas dan reliabilitas masing-
nasing faktor internal dan faktor ekternal seperti yang telah disebutan di atas.
Hal inilah yang harus dilakukan dalam analisis faktor seperti di atas, sehingga analisis
fator tersebut dinamakan analisis faktor konfirmatori. Jadi pada perinsipnya hanya
melakukan konfirmasi berdasarkan teori atau konsep untuk membentuk sebuah faktor
yang telah dihipotesiskan.
Pada analisis faktor konfirmatori, faktor dari hasil analisis dapat dipandang sebagai
variabel laten eksogen (variabel bebas) atau variabel endogen (variabel tergantung), dan
untuk selanjutnya dapat dilakukan analisis lanjutan seperti analisis regresi, korelasi,
faktor skunder, dan analisis lainnya. Perhatikan Gambar 8.3 di abawah ini yang
merupakan analisis korelasi antara faktor internal (FI) dengan faktor ekstrnal (FE).
FI
Layout
FE
Bersih
Lengkap
Harga
Promosi
Image
Gambar 8. 3
Pembentukan Faktor KOnvirmatori Sekunder Penjualan
Penjualan

Gambar 8.2
Pembentukan Faktor Skuder Penjualan


180

Pada model analisis faktor konfirmatori, analisisnya menggunakan matriks korelasi atau
matriks varians-kovarians. Akan tetapi, secara teori pada umumnya menggunakan
prosedur maksimum likelihood bukan yang lain, maka direkomendasikan pada model
analisis faktor konfirmatori menggunakan matriks varians-kovarians.
Pada analisis faktor konfirmatori, selain penggunakan matriks korelasi anti image,
pengujian sub-demensi yang membentuk faktor dapat dilakukan dengan uji-t, untuk
pendugaan parameternya.
Ternyata dari uji signifikansi-t terhadap sub-variabel layout dan bersih tidak signifikan.
Apabila dibandfingkan dengan t-tabel pada taraf nyata () = 0,05 dengan derajat
bebas (db) = n-1; sehingga variabel tersebut dapat dikatakan bahwa kedua variabel
bukan indikator atau sub-demensi pembentuk faktor internal (FI).
Pada analisis faktor eksternal (FE) ternyata semua parameternya menunjukkan hasil
yang signifikan pada uji-t dengan = 0,05; hal ini berarti bahwa variabel harga, promosi,
dan image tersebut dapat dianggap sebagai indikator atau sub-demensi faktor eksternal.
Cara lain untuk mengkofirmasi sub-dimensi pembentuk faktor dapat menggunakan
analisis dengan AMOS. Apabila dari signifikansi model menunjukkan nilai uji chi-square
dengan nilai yang & 0,05 artinya model analisis faktor tersebut adalah Fit (cara
pembuktian dengan AMOS). Artinya sub-variabel atau demensi penyusun faktor adalah
layak untuk difaktorkan.
Ada pula yang mengatakan bahwa apabila nilai koefisien komponen matriks setiap
sub-variabel bernilai & 0,5; maka sub-variabel atau demensi teramati atau item atau
indikator tersebut dapat diterima sebagai sub-variabel pembentuk faktor. Ada juga yang
memakai nilai koefisien komponen matriks setiap sub-variabel atau dimensi bernilai &
0,3 maka item tersebut dapat dikatakan ikut membentuk fator yang dimaksud, yang ini
bersifat relatif dan tergantung pada sipeneliti.
FI
Layout
FE
Bersih
Lengkap
Harga
Promosi
Image
Gambar 8. 2.
Pembentukan Faktor FE dan FI
Gambar 8.3
Korelasi antara FE dengan FI

181
8.9 Aplikasi Analisis Faktor
Suatu kelompok peternak pemelihara sapi ingin mengetahui keberhasilan pemeliharaan
ternak sapinya yang didasarkan pada berat bibit awal yang dipeliharanya (X1), jumlah
makanan hijauan (X2), makanan kering jerami (X3), makanan dedak (X4), jenis
suplemen (X5), jenis obat-obatan (X6), tenaga kerja yang dicurahkan pada usaha
ternaknya (X6), dan jenis kandang (D) yang digunakan pada pemeliharaan
ternaknya. Kandang yang digunakan adalah kandang permanen D = 1, dan kandang
tradisional D = 0. Keberhasilan diukur dengan berat sapi yang dijualnya (Y) setelah
pemeliharaan. Cobalah lakukan analisis faktor ekspolatori dan analisis faktor konfirmatori
dari data pada Tabel 8.1 di bawah ini.
Tabel 8.4 Data Pemeliharaan Ternak Sapi
No.
Berat
bibit
(Kg)
Hijauan
( Kg)
Jerami
(Kg)
Dedak
(Kg)
Suplemen
(Kg)
Obat
(Dosis)
Tenaga
Kerja
(Jam)

Jenis
kandang
Output
(Kg)
(X1) (X2) (X3) (X4) (X5) (X6) (X7) (D) (Y)
1 555,00 14400,00 7200,00 360,00 1,00 2,00 112,50 0 785,00
2 575,00 16200,00 6480,00 360,00 14,40 2,00 101,25 0 817,00
3 600,00 18000,00 5400,00 360,00 12,60 3,00 99,00 0 822,00
4 525,00 17280,00 7200,00 180,00 1,00 1,00 90,00 0 796,00
5 575,00 18000,00 5400,00 180,00 12,60 2,00 92,25 0 804,00
6 575,00 14400,00 7200,00 360,00 10,80 3,00 90,00 0 781,00
7 584,00 16200,00 6480,00 360,00 14,40 2,00 90,00 0 813,00
8 575,00 18000,00 5760,00 180,00 1,00 3,00 101,25 0 809,00
9 865,00 21600,00 9720,00 540,00 18,00 3,00 90,00 0 1167,00
10 885,00 23400,00 9000,00 540,00 19,80 4,00 99,00 0 1214,00
11 862,00 23400,00 9720,00 540,00 16,20 3,00 101,25 0 1238,00
12 875,00 25200,00 10800,00 720,00 18,00 2,00 90,00 0 1252,00
13 875,00 27000,00 9000,00 540,00 21,60 1,00 103,50 0 1251,00
14 883,00 21600,00 10800,00 540,00 21,90 3,00 99,00 0 1186,00
15 870,00 25920,00 8640,00 540,00 18,20 2,00 90,00 0 1211,00
16 1158,00 32400,00 12600,00 720,00 27,00 4,00 112,50 0 1609,00
17 1065,00 30600,00 12960,00 720,00 28,80 4,00 101,25 0 1551,00
18 1138,00 34200,00 12600,00 900,00 30,60 5,00 123,75 0 1598,00
19 1117,00 34560,00 11520,00 900,00 27,00 3,00 108,00 0 1558,00
20 1125,00 36000,00 9000,00 900,00 25,20 2,00 112,50 0 1544,00
21 1200,00 34560,00 12960,00 720,00 28,80 3,00 117,00 0 1628,00
22 1171,00 32400,00 14400,00 900,00 30,60 2,00 112,50 0 1695,00
23 1419,00 36000,00 16200,00 1080,00 32,40 4,00 126,00 0 2042,00
24 1460,00 34200,00 16200,00 1080,00 36,00 6,00 148,50 0 2041,00
25 1455,00 43200,00 10800,00 1080,00 36,00 5,00 135,00 0 1990,00
26 1731,00 54000,00 14400,00 1080,00 43,20 6,00 126,00 0 2381,00
27 1682,00 45000,00 21600,00 1080,00 43,20 5,00 148,50 0 2369,00
28 1771,00 46800,00 19800,00 1260,00 43,20 6,00 137,25 0 2052,00
29 2001,00 57600,00 21900,00 1260,00 50,40 6,00 157,50 0 2803,00
30 2200,00 63000,00 27000,00 1460,00 61,21 8,00 194,50 0 3082,00
31 546,00 23400,00 12600,00 1080,00 36,00 5,00 171,90 1 976,00
32 566,00 21600,00 16200,00 1080,00 36,00 7,00 149,85 1 973,00
33 544,00 21600,00 14400,00 1080,00 36,00 6,00 149,40 1 989,00
34 534,00 23400,00 17280,00 1080,00 36,00 6,00 160,60
1
938,00

182
Tabel 8.4 Data Pemeliharaan Ternak Sapi (lanjutan)
No.
Berat
bibit
(Kg)
Hijauan
( Kg)
Jerami
(Kg)
Dedak
(Kg)
Suplemen
(Kg)
Obat
(Dosis)
Tenaga
kerja
(Jam)

Jenis
kandang
Output
(Kg)
(X1) (X2) (X3) (X4) (X5) (X6) (X7) (D) (Y)
35 807,00 33400,00 23760,00 1620,00 45,00 7,00 157,50 1 1460,00
36 799,00 32400,00 21600,00 1620,00 45,00 6,00 180,00 1 1430,00
37 798,00 32400,00 23400,00 1620,00 45,00 7,00 157,50 1 1451,00
38 793,00 33400,00 21600,00 1620,00 45,00 8,00 168,75 1 1431,00
39 794,00 34200,00 23400,00 1620,00 45,00 7,00 135,00 1 1443,00
40 807,00 36000,00 21600,00 1620,00 45,00 6,00 168,75
1
1460,00
41 783,00 30600,00 27000,00 1620,00 45,00 6,00 191,25 1 1417,00
42 813,00 36000,00 21600,00 1620,00 45,00 9,00 172,35 1 1447,00
43 1140,00 36000,00 36000,00 2160,00 72,00 10,00 187,20 1 2007,00
44 1065,00 45000,00 28800,00 2160,00 72,00 11,00 209,00
1
1778,00
45 1061,00 39600,00 32400,00 2160,00 72,00 12,00 187,20
1
1937,00
46 1172,00 43200,00 36000,00 2160,00 72,00 10,00 198,45 1 1985,00
47 1131,00 37800,00 34200,00 2160,00 72,00 8,00 175,95 1 1994,00
48 1113,00 41400,00 34200,00 2160,00 72,00 13,00 164,60 1 1985,00
49 1157,00 36000,00 39600,00 2160,00 72,00 12,00 175,95
1
1914,00
50 1090,00 45000,00 30600,00 2160,00 72,00 11,00 187,20 1 1891,00
51 1477,00 54000,00 39000,00 2700,00 90,00 13,00 193,00 1 2532,00
52 1299,00 57600,00 41400,00 2700,00 90,00 12,00 216,00 1 2350,00
53 1334,00 50400,00 43200,00 2700,00 90,00 15,00 182,25 1 2390,00
54 1359,00 55800,00 41400,00 2700,00 90,00 10,00 171,00 1 2413,00
55 1648,00 64400,00 46800,00 3240,00 108,00 14,00 225,00 1 2880,00
56 1690,00 63000,00 45000,00 3240,00 108,00 15,00 202,00 1 2923,00
57 1781,00 66600,00 39600,00 3240,00 108,00 14,00 180,00 1 2989,00
58 1932,00 75600,00 54000,00 3780,00 126,00 16,00 232,20 1 3429,00
59 1938,00 88200,00 45000,00 3780,00 126,00 15,00 209,70 1 3423,00
60 1946,00 90000,00 43200,00 3780,00 126,00 16,00 209,70
1
3361,00
D = jenis kandang ; kandang permanen D = 1 dan kandang tradisional D = 0.
Untuk menjawab pertanyaan di atas, ada dua macam analisis faktor yaitu: 1). Analisis
faktor eksploratori dan 2). Analisis faktor konfirmatori, masing-masing dengan uraian:
1. Analisis faktor eksploratori
Untuk menjelaskan data Tabel 8.4 di atas dapat digunakan hasil perhitungan seperti:
(1) Kaiser-Meyer-Olkin (KMO test), (2) anti-image correlassion test, (3) total variance
explained test, (4) cumunality, (5) component matrix, (6) component scor coefisient
matrix, dan (7) factor rotation.
(1). Kaiser-Meyer-Olkin and Bartlett's Test. Yang perlu diperhatikan dalam KMO and
Bartlett's test yaitu nilai KMO-MSA dan nilai peluang (sig. = p.), dengan uraian
seperti berikut. Dari hasil analisis kelayakan faktor di atas, didapatkan nilai KMO-
MSA (Kaiser-Meyer-Olkin measure of sampling adequacy) sebesar 0,853 > 0,05
dan dengan nilai peluang (p) < 0,05 ini berarti bahwa semua sub-variabel
pengukuran atau dimensi yang menentukan keberhasilan pemeliharaan ternak
sapi (dari X
1
sd D) syah untuk difaktorkan seperti pada Tabel 8.5 berikut.


183
Tabel 8.5 Hasil Analisis Kelayakan Faktor (KMO and Bartlett's Test)
pada Pemeliharaan Ternak Sapi
Kaiser-Meyer-Olkin Measure of Sampling Adequacy
0,853
Bartlett's Test of sphericity Approx. Chi-Square
1031,679
Degree of fredom 28,000
Significant
0,000
(2). Anti-image correlassion test. Selanjutnya, dari Tabel 8.6 di bawah ternyata dari
delapan sub-variabel pengukuran atau dimensi yang difaktorkan menunjukkan
semua variabel pengukuran mempunyai nilai anti image korelasi > 0,5 yang berarti
bahwa semua sub-variabel pengukuran atau dimensi berhak dijadikan komponen
faktor bersama penentu keberhasilan pemeliharaan ternak sapi. Dan apabila nilai
anti-image < 0,5 maka variabel pengukuran tersebut harus dikeluarkan dari
komponen faktor bersama dan data dianalisis ulang tanpa mengikut sertakan data
yang nilai anti-image-nya < 0,5.
Tabel 8.6 Anti-image Matrices Correlation
Anti-image
correlation
X1 X2 X3 X4 X5 X6 X7 D
X1 ,697(a) -,691 -,406 ,335 -,098 -,039 -,284 ,538
X2 -,691 ,795(a) ,586 -,486 -,199 ,125 -,128 ,081
X3 -,406 ,586 ,869(a) -,405 -,257 -,085 -,208 ,024
X4 ,335 -,486 -,405 ,848(a) -,584 -,015 ,148 -,300
X5 -,098 -,199 -,257 -,584 ,904(a) -,337 ,041 ,033
X6 -,039 ,125 -,085 -,015 -,337 ,971(a) -,065 -,101
X7 -,284 -,128 -,208 ,148 ,041 -,065 ,887(a) -,657
D ,538 ,081 ,024 -,300 ,033 -,101 -,657 ,792(a)
(3). Total variance explained test. Tabel 8.7, jumlah faktor bersama yang terbentuk
adalah sebanyak variabel penyusunnya atu dimensi, dalam hal contoh ini
sebanyak delapan faktor bersama. Faktor bersama dengan nilai initial eigenvalue
total yang & 1, merupakan faktor yang mewakili sub-variabel pembentuknyua.
Sumbangan faktor bersama yang terbentuk dalam analisis dapat dilihat dari nilai
Total variance explained.
Ternyata dari Tabel 8.7 diketahui bahwa dari tujuh variabel pengukuran atau
dimensi (X
1
sd D) terbentuk dua faktor bersama, yaitu faktor berama satu (F1)
dengan persentase variansnya = 81,61 dan faktor bersama dua (F2) dengan
persentase varians = 14,46 serta komulatif persentase varians yang terbentuk dari
ke-dua faktor bersama adalah sebesar = 96,07 dan sisanya 3,97% terdiri atas
enam faktor bersama yang masing-masing nilainya dapat dilihat pada Tabel 8.7.
Jadi jumlah faktor bersama yang mewakili delapan sub-variabel pengukuran atau
dimensi (X
1
sd D) ditentukan oleh nilai initial eigenvalue total yang & 1 yaitu
sebanyak dua buah faktor yaitu F1 dan F2.

184
Tabel 8.7 Total Variance Explained (Sumbangan Komponen Faktor)
Component

Initial
Eigenvalues
Extraction Sums
of Squared Loadings
Total
Persentase
Variance
Cumula-
tive (%) Total
Persentase
Variance
Cumula-
tive (%)
1
6,529 81,610 81,610 6,529 81,610 81,610
2
1,157 14,460 96,070 1,157 14,460 96,070
3
0,140 1,746 97,816
4
0,077 0,967 98,783
5
0,049 0,614 99,397
6
0,031 0,387 99,784
7
0,011 0,139 99,924
8
0,006 0,076 100,000
Extraction Method: Principal Component Analysis.
(4) Communalities atau peranan faktor). Pada penjelasan (3) di atas bahwa
terbentuk dua faktor bersama F1 dan F2. Dalam komunaliti (Communalities)
faktor yang terbentuk merupakan satu kesatuan, sehingga peranan atau
sumbangan masing-masing dimensi atau sub-variabel penyusun terhadap faktor
secara bersama yaitu F1 dan F2 seperti pada Tabel 8.8.
Tabel 8.8 Communalities (Peranan Variabel)
Variable Initial Extraction
X1
1,000 0,978
X2
1,000 0,964
X3
1,000 0,957
X4
1,000 0,979
X5
1,000 0,983
X6
1,000 0,946
X7
1,000 0,903
D
1,000 0,975
Extraction Method: Principal Component
Perhatikan nilai initial dan extraction. Nilai initial mencerminkan peranan atau
sumbangan kalau variabel penyusun faktor secara individual membentuk faktor
tersebut, sedangkan extraction menjelaskan persentase peranan atau sumbangan
masing-masing dimensi atau sub-variabel penyusun faktor secara individual
terhadap vaktor. Dari Tabel 8.8 diketahui bahwa peranan dimensi yang terbesar
adalah sub-variabel X5 sebesar 0,983 atau 98,3% dan yang terkecil adalah X7
sebesar 0,907 atau 90,7%.
(5) Component matrix (dimensi penyusun faktor). Pada penjelasan (3) di atas
bahwa terbentuk dua faktor bersama F1 dan F2, masing-masing dimensi
penyusun faktornya terdapat pada Tabel 8.9. Perhatikan nilai-nilai pada setiap
komponen faktor.


185
Tabel 8.9 Component Matrix (Variabel Penyusun Faktor)
Component
Dimensi 1 (F1) 2 (F2)
X1
0,679 0,719
X2
0,892 0,411
X3
0,976 -0,073
X4
0,988 -0,051
X5
0,991 0,034
X6
0,967 -0,108
X7
0,930 -0,194
D
0,750 -0,643
a 2 components extracted.
Perhatikan komponen faktor satu (F1) dari X1 sd D, apabila nilai komponen
faktornya & 0,5 berarti bahwa dimensi atau sub-variabel pengukuran faktor tersebut
merupakan anggota faktor yang terbentuk, Sebaliknya, jika nilai komponen
faktor < 0,5 berarti bahwa dimensi sub-variabel pengukuran bukan anggota
faktor tersebut.
Apabila antara komponen faktor satu dan komponen faktor dua terdapat nilai-nilai
dalam satu variabel pengukuran yang & 0,5 pada kedua faktor maka analisis faktor
harus diulang dan dilakukan rotasi faktor dengan metode varimax atau yang lain
sampai tidak terdapat nilai-nilai komponen bersama yang & 0,5 pada dua komponen
faktor atau lebih. Nilai komponen faktor dapat pula diartikan sebagai korelasi antara
faktor yang terbentuk dengan komponennya (r
FjXi
). Sebagai contoh korelasi antara
F1 dengan X1 dan F2 dengan X1 masing-masing komponen faktor sebesar 0,679
dan 0,719; dan nilai korelasi yang tertinggi pada F1 adalah korelasi antara F1
dengan X5 (r
F1X5
) sebesar 0,991. Ternyata dari Tabel 8.4 data tidak dapat dirotasi,
karena setelah itersasi ke-3 kalinya menjadi konvergen, sehingga data selanjutnya
diinterprestasi apa adanya pada analisis pertama.
(6) Component scor coefient matrix atau koefisien dimensi penyusun faktor.
Pada penjelasan pembicaraan ini, menekankan pada bentuk hubungan atau model
atau persamaan antara faktor dengan variabel penyusunnya Tabel 8.10.
Scor coefient merupakan kontanta atau koefisien serupa dengan koefisien
regresi (!
i
) pada persamaan regresi berganda.
Tabel 8.10 Component Scor Coefisien Matrix (Koefisien Dimensi
Penyusun Faktor)
Component
Dimensi 1 (F1) 2 (F2)
X1
0,104 0,621
X2
0,137 0,355
X3
0,149 -0,063
X4
0,151 -0,044
X5
0,152 0,029
X6
0,148 -0,093
X7
0,143 -0,168
D
0,115 -0,555


186
Perlu dipahami bahwa pada analisis faktor semua dimensi atau sub-variabel
penyusun faktor atau item telah ditranspormasi ke dalam data standar atau data Z
(data Z mempunyai rata-rata = 0, varians = 1, dan data tanpa satuan atau relatif).
Rumus umum Z adalah: i
i i
X X Z = .
Nilai faktor untuk setiap sampel disebut dengan nilai skor faktor (SF) dan setiap
nilai skor faktor merupakan data baru yang menyusun sebuah variabel baru dari
sub-variabel penyusun atau dimensi atau itemnya.
Persamaan umum skor faktor F
j
= a
1
ZX
1
+ a
2
ZX
2
+ . . . + a
p
ZX
p
+ $
j

Di mana:
Fj (j = 1, 2, . . ., k) merupakan skor faktor atau komponen bersama ke-j
ZXi = sub-variabel atau dimensi atau item yang distandarkan
ai (i = 1, 2, . . ., p; dan j = 1, 2., . . ., k) merupakan parameter yang
merefleksikan pentingnya faktor komponen ke-j. ai dalam analisis
faktor disebut bobot (loading) atau Component Scor Coefisien
Matrix dari respons ke-i pada faktor bersama ke-j.
$j (i = 1, 2, . . . , k) merupakan galat dari respons ke-j, dalam analisis
disebut sebagai faktor/ komponen spesifik ke-i yang bersifat acak.

Nilai koefisien scor matrix atau bobot faktor diambil dari Tabel 8.10 di atas,
sehingga persamaan skor faktor dari contoh analisis menjadi:
Untuk skor faktor satu -> F
1
= 0,104 ZX
1
+ 0,137 ZX
2
+ 0,149 ZX
3
+ 0,151 ZX
4
+
0,152 ZX
5
+ 0,148 ZX
6
+ 0,143 ZX
7
+ 0,115 ZD
Untuk skor faktor duau -> F
2
= 0,621 ZX
1
+ 0,355 ZX
2
- 0,063 ZX
3
- 0,044 ZX
4
+
0,029 ZX
5
- 0,093 ZX
6
- 0,168 ZX
7
- 0,555 ZD
(7) Factor rotation. Apabila antara komponen faktor yang satu dan komponen faktor
yang lain terdapat nilai-nilai komponen faktor dalam satu variabel pengukuran
yang & 0,5 pada kedua faktor bersaama, maka analisis faktor harus diulang dengan
cara lain atau dilakukan rotasi faktor (factor rotation). Rotasi faktor dilakukan
dengan metode varimax atau equamax atau yang lain sampai tidak terdapat
nilai komponen bersama yang ada pada sub-variabel & 0,5 pada dua komponen
faktor atau lebih.
Sebagai contoh dimensi atau item X1 pada faktor F1 dan faktor F2 dengan nilai
komponen faktor maing-masing sebesar 0,679 dan 0,719 keduanya & 0,5 seperti
pada Tabel 8.9 baris pertama.
Demikian pula dimensi atau item D pada faktor F1 dan faktor F2 dengan nilai
komponen faktor maing-masing sebesar 0,650 dan -0,643 keduanya & |0,5|;
sehingga perlu dilakukan rotasi seperti pada Tabel 8.9 baris kedelapan.
Ternyata dari Tabel 8.4 data tidak dapat dirotasi, karena setelah itersasi
ke-3 menjadi konvergen, sehingga data diinterprestasi apa adanya seperti
pada analisis pertama.
2. Analisis faktor konfirmatori
Untuk menjelaskan data pada Tabel 8.4 dengan analisis faktor konfirmatori pola
perhitungannya hampir sama seperti analisis faktor eksploratori yang telah dibicarakan.
Kecuali tidak melakukan rotasi faktor sehinga yang ditentukan: (1) Kaiser-Meyer-
Olkin (KMO test), (2) anti-image correlassion test, (3) cumunality, (4) cumunality,
(5) component matrix,

dan (6) component scor coefisient matrix.


187
Yang membedakan analisis faktor konfirmatori dengan analisis faktor eksploratori adalah
penentuan sub-variabel pengukuran sudah ditentukan jauh sebelum analisis dilakukan,
seperti pada data Tabel 8.8. Faktor makanan yang dapat dibentuk dari makanan
hijauan (X2), makanan jerami kering (X3), makanan dedak (X4), jenis suplemen (X5),
dan jenis obat-obatan (X6).
Selanjutnya, faktor makanan dapat dipilah menjadi: (1) faktor makanan utama yang
terdiri atas: makanan hijauan (X2), makanan jerami kering (X3), dan makanan dedak
(X4); dan (2) faktor makanan utambahan yang terdiri atas jenis suplemen (X5) dan jenis
obat-obatan (X6). Tergantung pada teori dan konsep yang diajukan atau dipostulatkan.
Hasil analisis faktor konfirmatori faktor makan menjadi:
(1). Kaiser-Meyer-Olkin and Bartlett's Test. KMO and Bartlett's test dan nilai
peluang (sig. = p.), sebesar 0, 853 > 0,05 dan dengan nilai peluang (p) < 0,05 ini
berarti bahwa semua sub-variabel pengukuran makanan layak sebagai faktor
makanan (dari X
2
sd X
6
) seperti pada Tabel 8.11 berikut.
Tabel 8.11 Hasil Analisis Kelayakan Faktor Makanan pada
Pemeliharaan Ternak Sapi
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy
0,853
Bartlett's Test of Sphericity Approx. Chi-Square 649,644
Df
10,000
Sig. 0,000

(2). Anti-image correlassion test. Dari Tabel 8.12 di bawah ternyata dari enam sub-
variabel pengukuran penyusun faktor makanan (X
2
sd

X
6)
menunjukkan semua
variabel mempunyai nilai anti image korelasi > 0,5 yang berarti bahwa semua
variabel tersebut syah untuk difaktorkan menjadi faktor makanan
Tabel 8.12 Anti-image Matrices Correlation Hasil Analisis Faktor
Makanan pada Pemeliharaan Ternak Sapi
Anti-image
Correlation
X2 X3 X4 X5 X6
X2 .802(a) 0,369 0,143 -0,673 0,313
X3
0,369 ,912(a) -0,211 -0,368 -0,132
X4
0,143 -0,211 ,875(a) -0,660 -0,110
X5
-0.673 -0,368 -0,660 0,763(a) -0,325
X6
0,313 -0,132 -0,110 -0,325 0,936(a)
a. Measures of Sampling Adequacy (MSA)
(3). Total variance explained test. Seperti pada Tabel 8.13, terlihat bahwa hanya
sebuah faktor bersama makanan yang terbentuk dari sub-variabel penyusunnya.
Faktor bersama makanan tersebut dengan nilai initial eigenvalue total sebesar 4,679
& 1, merupakan faktor yang mewakili sub-variabel pembentuknyua. Sumbangan
faktor bersama makanan yang terbentuk dari dimensi X
2
sd X
6
dengan persentase
varians sebesar 93,580.
Jadi jumlah faktor bersama yang mewakili lima sub-variabel pengukuran atau
dimensi X
2
sd X
6
ditentukan oleh satu faktor bersama makanan.

188
Tabel 8.13 Sumbangan Komponen Faktor Makanan
Component
Initial
Eigenvalues
Extraction Sums
of Squared Loadings

Total
% of
Variance
Cumula-
tive (%)
Total
% of
Variance
Cumula-
tive (%)
1
4,679 93,580 93,580 4,679 93,580 93,580
2
,240 4,804 98,384
3
,049 ,984 99,368
4
,024 ,479 99,847
5
,008 ,153 100,000
(4). Communalities atau peranan faktor. Dalam komunaliti faktor makanan yang
terbentuk merupakan satu kesatuan, sehingga peranan atau sumbangan masing-
masing dimensi atau sub-variabel penyusun faktor terhadap faktornya, seperti
peranan sub-variabel makanan terhadap variabel makanan tertinggi ditentukan oleh
sub variabel X5 (jenis suplemen) sebesar 99,2% dan terkecil oleh sub variabel
X
2
(makanan hijauan) sebesar 81,8% seperti pada Tabel 8.14 di bawah ini.
Tabel 8.14 Communalities (Peranan Variabel =R
2
)
Variable Initial Extraction
X2
1,000 0,818
X3
1,000 0,951
X4
1,000 0,982
X5
1,000 0,992
X6
1,000 0,936
Extraction Method: Principal Component

(5) Component matrix (dimensi penyusun faktor). Pada penjelasan total variance
explained test di bawah bahwa terbentuk satu faktor bersama makanan, semua
dimensi penyusun faktornya (X
2
sd X
6
) terdapat pada Tabel 8.15 di bawah ini.
Perhatikan nilai-nilai pada setiap komponen faktor.
Perhatikan komponen faktor makanan X
2
sd X
6
, ternyata nilai komponen
faktor & 0,5 berarti bahwa dimensi faktor makanan X
2
sd X
6
tersebut merupakan
anggota faktor makananan yang terbentuk. Ternyata dari Tabel 8.15 tidak perlu
dirotasi, karena terbentuk satu faktor bersama makanan.
Tabel 8.15 Component matrix (dimensi penyusun faktor)
Dimensi faktor atau
komponen penysun faktor
Component
Faktor makanan
X2
0,905
X3
0,975
X4 0,991
X5
0,996
X6 0,968
a One components extracted.


189
(5) Component scor coefient matrix atau fungsi hubungan dimensi-faktor. Nilai
skor faktor untuk setiap dimemsi skor faktor (SF) atau nilai koefisiennya = CFC.
Nilai skor faktor untuk setiap dimemsi skor faktor (SF) makanan dengan
persamaan umum skor faktor (perhatikan cara penulisan persamaannnya selalu
memakai nilai baku atau nilai standar Z) adalah sebagai berikut;:
F
makanan
= 0,193 ZX
2
+ 0,208 ZX
3
+ 0,212 ZX
4
+ 0,213 ZX
5
+ 0,207 ZX
6
.

Tabel 8.15 Component scor coefient matrix (dimensi penyusun faktor)
Dimensi faktor atau
komponen penysun faktor
Component scor coefient (CSC)
Faktor makanan
X2 0,193
X3 0,208
X4 0,212
X5 0,213
X6 0,207


Analisis Faktor

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Faktor

Diunggah oleh

Hak Cipta:

Format Tersedia

168

Anda mungkin juga menyukai