Analisis faktor adalah analisis yang bertujuan mencari faktor-faktor utama

yang paling mempengaruhi variabel dependen dari serangkaian uji yang

dilakukan atas serangkaian variabel independen sebagai faktornya.
Misalnya, kita hendak menentukan sejumlah agen sosialisasi politik yang
paling besar pengaruhnya atas pembentukan budaya politik siswa.
Khusus untuk Analisis Faktor, sejumlah asumsi berikut harus dipenuhi: (Santoso, 2006: 13)

1.

Korelasi antarvariabel Independen. Besar korelasi atau korelasi

antar independen variabel harus cukup kuat, misalnya di atas 0,5.

2.

Korelasi Parsial. Besar korelasi parsial, korelasi antar dua variabel

dengan menganggap tetap variabel yang lain, justru harus kecil. Pada
SPSS deteksi terhadap korelasi parsial diberikan lewat pilihan Anti-Image
Correlation.

3.

Pengujian seluruh matriks korelasi (korelasi antar variabel), yang

diukur dengan besaran Bartlett Test of Sphericity atau Measure Sampling
Adequacy (MSA). Pengujian ini mengharuskan adanya korelasi yang
signifikan di antara paling sedikit beberapa variabel.

4.

Pada beberapa kasus, asumsi Normalitas dari variabel-variabel atau

faktor yang terjadi sebaiknya dipenuhi.

Uji Asumsi Analisis Faktor

Pada bagian Metode Penelitian telah disebutkan bahwa analisis faktor

membutuhkan terpenuhinya serangkaian asumsi. Peneliti akan menguji
asumsi analisis faktor satu per satu terlebih dahulu sebelum uji analisis
faktor dilakukan.
Korelasi antarvariabel independen, dalam analisis faktor, harus > 0,5
dengan signifikansi < 0,05. Korelasi antarvariabel independen sangat
mudah jika dilakukan dengan SPSS. Caranya adalah klik Analyze > Data
Reduction > Factor > Masukkan seluruh variabel independen > Klik
tombol Descriptives > Pada kotak dialog Factor Analysis: Descriptives,
khususnya pada Correlation Matrix ceklis KMO and Bartletts test of
sphericity dan Anti-image > Klik Continue > Klik OK.
Hasil uji korelasi antarvariabel independen ada pada output KMO and
Bartletts Test, sebagai berikut:

Nilai KMO and Bartletts Test untuk korelasi antarvariabel yang diinginkan
adalah > 0,5. Signifikansi penelitian adalah 0,05. Dari hasil di atas

diperoleh nilai KMO sebesar 0,771 yang artinya lebih besar dari 0,5.
Sementara itu, signifikansi yang dihasilkan dari Bartletts Test of Sphericity
sebesar 0,000. (Santoso, 2006: 22)
Dengan hasil di atas, maka dapat dikatakan bahwa variabel dan sampel
yang digunakan memungkinkan untuk dilakukan analisis lebih lanjut.
Selanjutnya, untuk melihat korelasi antarvariabel independen dapat
diperhatikan tabel Anti-Image Matrices. Nilai yang diperhatikan adalah
MSA (Measure of Sampling Adequacy). Nilai MSA berkisar antara 0 hingga
1, dengan ketentuan sebagai berikut: (Santoso, 2006: 20)
1.

MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel

yang lain.

2.

MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih
lanjut.

3.

MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis
lebih lanjut, atau dikeluarkan dari variabel lainnya.
Hasil pengujian dengan SPSS sebagai berikut:

Perhatikan baris Anti-Image Correlation, di mana nilai MSA ditandai

dengan huruf a. Rincian hasilnya sebagai berikut:
1.

Agen_sekolah : 0,788 > 0,5

2.

Agen_keluarga : 0,673 > 0,5

3.

Agen_teman : 0,741 > 0,5

4.

Agen_media : 0,798 > 0,5

5.

Agen_agama : 0,835 > 0,5

6.

Agen_parpol : 0,784 > 0,5

7.

Agen_pamarentah : 0,745 > 0,5

Berdasarkan hasil MSA di atas, maka seluruh variabel independen dapat
dianalisis lebih lanjut karena masing-masing nilainya > 0,5.
Untuk normalitas data masing-masing variabel, peneliti persembahkan
dalam bentuk grafik Normal P-P Plot, yang peneliti sampaikan dalam

lampiran penelitian ini. Hasil uji normalitas yang dikehendaki adalah data
masing-masing berdistribusi normal yang mengikuti garis Z. Rata-rata
data di tiap variabel cenderung mengikuti garis Z sehingga dapat
dikatakan normal.
Pengelompokan Faktor

Langkah selanjutnya adalah, upaya penelitian ini guna menentukan

apakah variabel-variabel independen bisa dikelompokkan ke dalam satu
atau beberapa faktor. Jadi, ketujuh agen sosialisasi politik dalam variabel
independen
akan
dilihat
apakah
mereka
sesungguhnya
bisa
disederhanakan ke dalam satu atau beberapa faktor. Sekali lagi, upaya ini
lebih mudah menggunakan SPSS.
Cara melakukannya adalah klik Analyze > Data Reduction > Factor >
Pada Factor Analysis masukkan seluruh variabel independen ke kotak
Variables > Klik tombol Extraction > Pada kotak dialog Factor Analysis:
Extraction > Pada Method pilih Principal of components > Ceklis
Correlation Matrix > Pada Display ceklis Unrotated factor solution dan
Scree Plot > Eigenvalues oves biarkan bernilai 1, sehingga variabel yang
punya angka Eigenvalues < 1 akan dikeluarkan > Maximum Iterations for
Convergence tetap pada angka 25 > Klik Continue > Klik Rotation >
Pada kotak dialog Factor Analysis: Rotation tentukan Method yaitu Varimax
> Pada Display ceklis kotak Rotated Solution dan Loading Plot(s) >
Maximum Iterations for Convergence tetap pada angka 25 > Continue >
OK.
Penjelasan Variabel oleh Faktor

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

Hasilnya adalah, faktor mampu menjelaskan variabel agen_sekolah

sebesar 0,556 atau 55,60%, agen_keluarga diterangkan sebesar 69,70%,
agen_teman diterangkan sebesar 66,70%, agen_media diterangkan
sebesar 62,00%, agen_agama diterangkan sebesar 54,50%, agen_parpol
sebesar 66,00%, dan agen_pamarentah diterangkan sebesar 68,20%.
Karena rata-rata penjelasan di atas 50% maka faktor tetap akan
ditentukan.
Faktor yang Mungkin Terbentuk

Guna menentukan seberapa banyak faktor yang mungkin terbentuk dapat

dilihat pada tabel Total Variance Explained sebagai berikut: (Santoso,
2006: 42-3)

Component berkisar antara 1 hingga 7 yang mewakili jumlah variabel

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

Setelah kita mengetahui bahwa faktor maksimal yang bisa terbentuk

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

Dapat kita lihat bersama bahwa korelasi antar variabel independen

dengan faktor yang hendak terbentuk adalah:
1.

agen_sekolah : Faktor 1 korelasi 0,724; Faktor 2 korelasi - 0,179

2.

agen_keluarga : Faktor 1 korelasi 0,535; Faktor 2 korelasi 0,641

3.

agen_teman : Faktor 1 korelasi 0,688; Faktor 2 korelasi 0,441

4.

agen-media : Faktor 1 korelasi 0,781; Faktor 2 korelasi 0,101

5.

agen_agama : Faktor 1 korelasi 0,734; Faktor 2 korelasi 0,080

6.

agen_parpol : Faktor 1 korelasi 0,656; Faktor 2 korelasi - 0,479

agen_pamarentah : Faktor 1 korelasi 0,606; Faktor 2 korelasi -

7.

0,561
Agar lebih jelas variabel mana masuk ke faktor mana, bisa dilihat tabel
Rotated Component Matrix sebagai berikut:

Penentuan input variabel ke faktor tertentu mengikut pada besar korelasi

antara variabel dengan faktor, yaitu kepada yang korelasinya besar.
Dengan demikian maka faktor dan variabel anggotanya adalah :
Faktor 1:
1.

Agen Sosialisasi Politik Sekolah

2.

Agen Partai Politik

3.

Agen Pemerintah
Faktor 2:

1.

Agen Keluarga

2.

Agen Teman

3.

Agen Media

4.

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

Baik Faktor 1 (component) ataupun Faktor 2 memiliki korelasi sebesar

0,719 yang artinya cukup kuat karena 0,719 > 0,5. Dengan demikian
Faktor 1 dan Faktor 2 dapat dikatakan tepat untuk merangkum ke-7
variabel independen.
Faktor yang Terbentuk

Pada analisis sebelumnya telah diperoleh bahwa ada 2 faktor yang

terbentuk yaitu : (1) Faktor 1 dan (2) Faktor 2.
Faktor 1 terdiri atas variabel independen:
1.

Agen Sosialisasi Sekolah

2.

Agen Sosialisasi Partai Politik

3.

Agen Sosialisasi Pemerintah

Faktor 2 terdiri atas variabel independen:

1.

Agen Sosialisasi Keluarga

2.

Agen Sosialisasi Teman

3.

Agen Sosialisasi Agama

4.

Agen Sosialisasi Media

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

Faktor 1 disebut sebagai Agen Formal

Faktor 2 disebut sebagai Agen Informal

KONSEP ANALISIS FAKTOR

Analisis faktor adalah salah satu teknik statistika yang dapat digunakan untuk
memberiikan deskripsi yang relatif sederhana melalui reduksi jumlah peubah yang
disebut faktor. Analisis faktor adalah prosedur untuk mengidentifikasi item atau variabel
berdasarkan kemiripannya. Kemiripan tersebut ditunjukkan dengan nilai korelasi yang
tinggi. Item-item yang memiliki korelasi yang tinggi akan membentuk satu kerumunan
faktor.Prinsip dasar dalam analisis faktor adalah menyederhanakan deskripsi tentang
data dengan mengurangi jumlah variabel/ dimensi.

Analisis faktor memungkinkan peneliti untuk:

1. Menguji ketepatan model (goodness of fit test) faktor yang terbentuk dari itemitem alat ukur.
2. Menguji kesetaraan unit pengukuran antar item,
3. Menguji reliabilitas item-item pada tiap faktor yang diukur,
4. Menguji adanya invarian item pada populasi.

JENIS ANALISIS FAKTOR

a) Analisis Faktor Eksploratori (Exploratory Factor
Analysis)
Seorang peneliti membuat seperangkat item yang mengukur kualitas pelayanan bank.
Item tersebut merupakan operasionalisasi dari teori dan indikator mengenai kualitas
layanan. Peneliti hendak mengidentifikasi berapa faktor yang ada di dalam seperangkat
item 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.

FUNGSI ANALISIS FAKTOR

Analisis faktor memiliki fungsi penting dalam pengembangan alat ukur. Beberapa fungsi
tersebut antara lain sebagai berikut.

a) Pengujian Dimensionalitas Pengukuran

Dimensionalitas pengukuran adalah banyaknya atribut yang diukur oleh sebuah alat
ukur. Alat ukur yang unidimensi mengukur satu atribut psikologis saja sedangkan alat
ukur yang multidimensi mengukur lebih dari satu atribut ukur. Pengukuran dalam bidang
psikologi didominasi oleh pengukuran unidimensi karena alat ukur yang dikembangkan
peneliti psikologi biasanya mengukur satu target ukur saja. Misalnya Skala Kecemasan,
skala ini diharapkan mengukur atribut kecemasan saja dan tidak mengukur atribut yang
lain. Untuk mengetahui apakah alat ukur yang dikembangkan oleh peneliti mengukur
satu atribut atau banyak atribut diperlukan analisis faktor.

b) Pengujian Komponen atau Aspek dalam Alat Ukur

Penyusunan alat ukur psikologi biasanya diawali dari penurunan konsep menjadi
komponen atau aspek konsep sebelum diturunkan menjadi aitem berupa pernyataan
skala. Untuk mengidentifikasi apakah item-item yang diturunkan dari komponen alat
ukur mewakili komponen tersebut maka diperlukan analisis faktor. Analisis faktor juga
dapat menunjukkan apakah antar komponen memiliki keterkaitan ataukah tidak
(independen).

LANGKAH-LANGKAH
FAKTOR

MELAKUKAN

ANALISIS

1. Melakukan uji korelasi antar variabel asal dengan tujuan agar penyusutan variabel
analisis faktor menjadi lebih sederhana dan bermanfaat, tanpa kehilangan banyak
informasi

sebelumnya.

2. Uji kelayakan data (menggunakan basis faktor) apakah cocok dilakukan analisis
faktor.
3.
4.

Mencari
Mengurutkan

akar
akar

ciri
ciiri

yang

dan

matriks

terbentuk

dari

terbesar

atau
sampai

R.
terkecil.

5. Mencari proporsi keragaman atau berguna untuk mengetahui berapa faktor yang
akan

terbentuk.

6. Mengalokasikan setiap variabel asal kedalam faktor sesuai dengan nilai loading.
7. Apabila terdapat nilai loading yang identik atau hampir sama maka lakukan rotasi baik
dengan

cara

orthogonal

ataupun

non

orthogonal.

8. Setelah yakin dengan faktor yang terbentuk , maka berikan penamaan pada faktor
tersebut dengan cara melihat variabel-variabel apa saja yang menyusun faktor tersebut.

MENENTUKAN METODE ANALISIS FAKTOR

Terdapat dua cara yang dapat dipergunakan dalam analisis faktor khususnya koefisien
skor faktor, yaitu Principal component dan Common factor analysis.

1. Principal component
Jumlah varian dalam data dipertimbangkan. Diagonal matrik korelasi terdiri dari angka
satu dan full variance dibawa dalam matriks faktor. Principal component
direkomendasikan jika hal yang pokok adalah menentukan bahwa banyaknya faktor
harus minimum dengan memperhitungkan varians maksimum dalam data untuk
dipergunakan di dalam analysis multivariate lebih lanjut.

2. Common factor analysis

Faktor diestimasi hanya didasarkan pada common variance, communalities dimasukkan
dalam matrik korelasi. Metode ini dianggap tepat jika tujuan utamanya
mengenali/mengidentifikasi dimensi yang mendasari dan common variance yang
menarik perhatian.

PENENTUAN BANYAKNYA FAKTOR

Maksud melakukan analysis faktor adalah mencari variable baru yang disebut faktor
yang tidak saling berkorelasi, bebas satu sama lain, lebih sedikit dari variable asli, tapi
dapat menyerap sebagian besar informasi yang terkandung dalam variable asli atau
yang dapat memberikan sumbangan terhadap varian seluruh variable. Lalu berapa
faktor yang perlu disajikan? Ada beberapa cara;

1. Penentuan Apriori
Kadang karena peneliti sebelumnya sudah mengetahui berapa faktor yang digunakan
maka kita akan menentukan dulu berapa faktor yang akan digunakan.

2. Penentuan Berdasar Eigenvalue

Faktor dengan eigenvalue lebih besar dari satu yang dipertahankan jika lebih kecil dari
satu faktornya tidak diikutsertakan dalam model. Suatu eigenvalue menunjukkan besar
sumbangan dari faktor terhadap varian seluruh variable asli. Hanya faktor dengan varian
lebih dari 1 yang dimasukkan dalam model. Faktor dengan varian kurang dari 1 tidak
baik karena variable asli telah dibakukan yang berarti rata-ratanya 0 dan variansnya 1.
Bila banyak variable asli asli kurang dari 20 pendekatan ini menghasilkan sejumlah
faktor yang konservatif.

3. Penentuan Berdasar Screeplot

Dapat dilihat dari grafik screeplot dimana scree mulai terjadi menunjukkan banyak faktor
yang benar, tepatnya ketika scree mulai mendatar. Kenyataan menunjukkan bahwa
penentuan banyaknya faktor dengan screeplot akan mencapai satu atau lebih banyak
dari penentuan dengan eigenvalue.

4. Penentuan Didasarkan pada Presentase Varian

Banyak faktor diekstraksi ditentukan sedemikian rupa sehingga kumulatif presentase
varian yang diekstraksi oleh faktor mancapai suatu level tertentu yang memuaskan.
Ekstraksi faktor dihentikan jika kumulatif presentase varian sudah mencapai paling
sedikit 60% atau 75% dari seluruh varian variable asli.

Untuk materi lengkapnya bisa didownload

di Materi Lengkap Analisis Faktor. Untuk
Tutorial faktor dengan SPSS di [TUTORIAL]
contoh kasus analisis faktor dengan SPSS.

OUTPUT ANALISIS FAKTOR /CONFIRMATORY FACTOR

ANALYSIS (CFA) DENGAN SATU DAN DUA FACTOR DAN
BAGAIMANAKAH PERBEDAAN INTERPRETASI
KEDUANYA
(Terusan Konsep Analisis Faktor Disertai Contoh
Kasus)
Pagi nih sobat semua hehehe.. Pa kabarnya neh hari ni?
Emm moga sehat-sehat aja yaakk.. Tetap semangat
dooong hehehe... Oiya kemaren malam saya langsung
fall asleep bro jadi baru sekarang deh bisa posting
lanjutan postingan sebelumnya KonsepKomprehensif
Analisis Faktor (Confirmatory Factor Analysis) Disertai
ContohKasus Dengan SPSS
Syarat pertama dalam analisis faktor seperti yang
sudah saya jelasin pada postingan sebelumnya adalah

kelayakan kita pakai analisis faktor.. Pertama kita

harus penuhi dulu kecukupan jumlah observasi (data)
untuk analisis faktor.. Ya, kita lihat apakah nilai Kaiser
Meyer Oikin (KMO) lebih besar dari 0,5.. Berikut
outputnya:

Nah, ternyata nilai KMOnya 0,871 yang pastinya lebih

besar daripada 0,5 sehingga syarat pertama yaitu dasi
sisi kecukupan data sudah terpenuhi sooob.. Next,
syarat kedua seperti pada penjelasan dalam postingan
sebelumnya, analisis faktor ini layak apabila dalam
pengujian korelasi multivariat dengan Bartlett, Sig.
harus lebih kecil daripada Alpha standar 0,05. Kita lihat
dari output bahwa Sig 0,000 lebih kecil dari Alpha 0,05
sehingga dengan demikian kita tolak hipotesis nol
(rho=0) dan terima hipotesis alternatif (rho0) sehingga
disimpulkan ada korelasi antar variabel multivariat.

Selanjutnya untuk melihat nilai korelasi antar variabel

multivariat, lihat output pada Anti Image Matrices
dimana disini perlu kita lihat sisi Measure of Sampling
Adequacy (MSA) saja yaitu yang ada huruf a nya pada
Anti Image Correlationnya ya soob.. Para ahli
mengemukakan kalau nilai MSA ini selalu berkisar
antara 0 hingga 1. Nah, ada juga klasifikasi MSA yang
mereka buat.. Nih dia:
MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh
variabel yang lain.
MSA > 0,5, variabel masih bisa diprediksi dan bisa
dianalisis lebih lanjut.
MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa
dianalisis lebih lanjut, atau dikeluarkan dari variabel
lainnya.
Nah, sekarang coba deh sobat lihat outputnya.. Semua
MSA sudah lebih besar dari 0,5 kan hehehe.. Horeee..
Nah, kita lanjut nih ya ke output selanjutnya.. Ini dia:

Nah, dalam Communality ini kita manfaatkan sebagai

uji validitas faktor yang nanti terbentuk bisa
menjelaskan dan memotret variabel-variabel yang
ada.. Nah, ternyata bisa kita lihat dari output bahwa
variabel bentukan baru ALIAS faktor yang nanti
terbentuk bisa menjelaskan variabel kenyamanan
sebesar 88,6%, bisa menjelaskan variabel strategis
sebesar 92 persen,, Naaah, begitulah seterusnya
sampai terakhir ke variabel promo diskon hehehe..
Next, lihat output selanjutnya..
Explained by Factor(s)

Total

Variance

Nah, disini kita bisa menentukan ada berapa faktor

yang mungkin terbentuk dari sejumlah variabel yang

kita pakai.. Perhatikan sob,, faktor I yang nanti

terbentuk akan mampu menjelaskan variasi data
sebesar 81,623%. Angka ini kita peroleh dari 4,081 per
jumlah variabel dikalikan dengan 100% sehingga
4,081/5*100%=81,6%.. Seterusnya faktor II dengan cara
yang sama atau langsung saja lihat ouput, mampu
menjelaskan variasi data sebesar 7,477%.
Nah, saya kembali sedikit mengungkit teknik pemilihan
pengerjaan (apakah mau pakai nilai eigen value > 1
atau sudah ditetapkan sendiri berapa jumlah faktor
yang mau dibentuk) yang ditetapkan adalah yang lebih
besar 1. Ini kan namanya pilihan ya soobb.. Oiya.. ini
saya tampilkan pemilihannya untuk mengingatkan
sobat kembali.. Inget kann? Hehehe..

Nah, setelah saya trial and error dengan keduanya eh

malah error hahaha,, Becanda nih sooob biar gak stress
hahaha.. Nah, jadi gini saat saya coba pakai standar
Eigen Value Over 1 ya hasilnya hanya ada satu faktor

yang terbentuk (cek lagi output eigen value di atas)..

Begini hasilnya..

Dari Component Matrix kita menentukan seberapa

besar korelasi variabel masing-masing dengan Faktor
yang terbentuk (hanya satu).. Ternyata semuanya
berkorelasi kuat terhadap satu Faktor bentukan
(component) yakni semuanya > 0,5.. Karena faktor
yang dihasilkan hanya 1, tidak bisa dilakukan rotasi
untuk menentukan korelasi yang paling sesuai sehingga
bisa ditentukan suatu variabel itu mau masuknya ke
faktor yang mana..
Hemmh, inilah hebatnya analisis faktor ini dibanding
nenek monyongnya dulu analisis komponen utama..
Dengan komputer bisa dilakukan berapa kali rotasi
sampai ditemukan kejelasan ke faktor mana variabel
akan dimasukan.. Catatan saja, untuk melakukan rotasi
minimal setidaknya ada dua faktor ya soob hehehe..
Nah, selanjutnya lihat output Component Score Coef.
Matrix soob.. Ini dia:

Nah, karena kita pakai pilihan pertama (ekstraksi

dengan eigen value > 1), maka hanya ada satu faktor
yang terbentuk dan setelah kita lihat dari Component
Matriks seluruh variabel berkorelasi kuat dengan satu
faktor bentukan.. Jadi, disimpulkan bahwa kita punya
sebuah Faktor saja yang mencerminkan kelima
variabel.
Pada data view akan muncul data baru dan silahkan
pakailah data itu untuk analisis selanjutnya sesuai
penelitian sobat semua hehehe..

Sekarang masalah yang agak gampang gampang sulit

adalah faktor yang baru kita bentuk itu mau kita
namakan apa ya sehingga dari namanya tercermin
kelima variabel multivariat yang terkandung di
dalamnya.. Nah, itu sih terserah sobat.. Pilih aja nama
yang T.O.P hehehe..
Nah, itu dia kasus kalo saya pakai pilihan berdasarkan
eigen value over 1.. Faktornya Cuma satu dan semua
variabel juga masuk ke dalam satu faktor itu dan
penamaannya agak sulit juga ya hehehe.. Lalu, saya
coba pakai pilihan kedua dengan sudah kita tentukan
kita mau berapa Factor.. Kan, tinggal pakai rotasi ini
dengan komputer hehehe..Mau berapa kali iterasi juga
gak masalah kan hehehe.. Kalau sudah pakai pilihan ini

sih ya nggak usah lagi perhatiin nilai eigen valuenya

(mau satu mau enggak) yang penting intinya nanti ada
rotasi hehehe..

Perhatikan sooob yaa.. Pada Component Matrix yang

belum dirotasi (bagian atas) yang menandakan kuatnya
hubungan variabel dengan faktor yang dibentuk lihat
semua variabel kuatnya kan ke Factor 1.. Nah,
sekarang setelah dirotasi jadi jelas nih soob variabel
mau masuk ke mana, Factor 1 atau 2 neeeh.. Lihat dari
korelasinya.. Jreeng jreenng dan ternyata untuk
variabel nyaman dan strategis masuk ke Factor II
sedangkan untuk variabel cost_per_night, fasilitas dan
promo_diskon masuknya ke Factor I.
Output selanjutnya silahkan lihat
komponen (pembentuk Factor):

koefisien

skor

Pada data view akan muncul 2 buah factor yang baru

dan silahkan sobat pakai data ini nanti untuk analisis
selanjutnya yaaa hehehe.. Ini gambarannya:

Selanjutnya bisa kita simpulkan bahwa dengan terlebih

dulu menentukan 2 buah Faktor, maka diperoleh:

Factor I: mencakup cost_per_night, fasilitas dan

promo_diskon.
Factor II: mencakup kenyamanan dan strategis tempat
penginapan.
Untuk Factor I mencakup biaya untuk menginap satu
malam, terlalu mahalkah atau bagaimana.. Tentu
pelanggan akan melihat kesesuaian biaya dengan
fasilitas yang diberikan oleh pihak penginapan baik di
dalam ruang kamar, di dalam ruang umum penginapan
seperti tempat untuk spa, tempat fitness, dll.. Factor I
ini juga mencakup bagaimana promo diskon yang
ditawarkan kepada pelanggan, misalnya frekuensi
promo/diskon,
perolehan
diskon
dengan
memiliki/memegang suatu jenis kartu kredit tertentu,
nasabah bank tertentu, diskon bagi yang sudah sering
menginap dan menjadi members dll.. Karena itu saya
namakan Factor I ini biaya dan fasilitas.
Untuk Factor II ini kan mencakup kenyamanan suatu
penginapan termasuk pula dari sisi keamanan dan
kondusifnya situasi. Posisi atau keberadaan suatu
tempat yang strategis misal dekat dengan pusat
perbelanjaan, perkantoran, mudah dalam mengakses
sarana transportasi dan lebih dekat (pusat) untuk pergi
kemana-mana.. Karena itu Factor II ini saya namakan
lingkungan

Otreeee deh soob, itu saja yang dulu bisa saya

sampaikan tentang penerapan analisis faktor sebagai
pengkonfirmasi (CFA) dengan contoh kasus.. Kurang

lebihnya, saya mohon maaf ya sob.. Semoga postingan

ini bermanfaat bagi kita semua.. Sukses buat sobat
semua.. Salam :-)

Langkah-langkah dalam Analisis faktor dengan

SPSS
Menyamakan satuan data

1. Buka data yang sudah dimasukkan. Tampilannya seperti berikut.

2. Karena data memiliki variasi yang besar (karena satuan dan rentang data yang
berbeda-beda),

maka

distandardisasi

terlebih

dahulu

dengan

mentransformasikan ke dalam bentuk Z-score, yaitu dengan klikDescriptive

StatisticsDescriptives. Maka akan muncul tampilan berikut.

3. Pada kolom Variable(s) masukkan semua variabel, lalu centang pilihan Save
standardized values as variables. Kemudian Pilih Menu Options maka akan
muncul tampilan berikut.

4. Beri

tanda

cek

pada Mean,

dengan pada Dispersion dicek Standard

Deviation dan Variance, serta beri tanda cek pada Variable List pada Display
Order. kemudian Klik Continue. Maka akan muncul variabel baru seperti berikut.

Melakukan Analisis Faktor

1. Pilih Analyze >> Data Reduction >> Factor. Maka akan muncul jendela Factor
Analysis

2. Pilih

semua

variabel

sebagai

variabel

analisis. Klik Descriptive,

pada

bagian Correlation Matrix beri tanda cek pada Coefficient,significan levels,

invers, Anti image dan KMO and Bartletts test of sphericity. Klik Continue.

3. Kemudian klik pada Extraction dan pastikan pilihan Analyze pada correlation
matrix dan pada bagian Display beri tanda cek pada kedua pilihan. Sebagai
kriteria

ekstaksi

(Extraction)

kita

yaituEigenvalues over: 1. Klik Continue.

akan

menggunakan

eigenvalue,

4. Klik Rotation lalu pilih Varimax dan pada Display pilih Rotated Solution. Klik
Continue

5. Klik Scores,

lalu

beri

tanda

cek Save

as

Variables dengan Method:

Regression dan Display factor score coefficient matrix, agar kita bisa melihat
nilai variabel/faktor baru yang terbentuk. Klik Continue.

6. Setelah itu klik OK, akan muncul kumpulan output yang siap diinterpretasi.

Intrepretasi
Deskripsi
Deskripsi Data

Correlation Matrix
Tabel Correlation Matrix merupakan tabel matriks korelasi yang berisi nilai-nilai korelasi
antara variabel-variabel yang akan dianalisis. Pada bagian Correlation dapat dilihat
besarnya korelasi antarvariabel. Sebagai contoh, korelasi antara variabel ibu tinggal di

desa dengan ibu yang bekerja sebesar -0,573 yang menunjukkan terdapat hubungan
yang cukup kuat dan negative. Artinya, semakin banyak persentase ibu yang tinggal di
desa, maka makin sedikit persentase ibu yang bekerja.

Kemudian pada baris sig.(1-tailed) menunjukkan signifikansi korelasi antara variabelvariabel tersebut. Korelasi antara variabel ibu tinggal di desa dengan ibu yang bekerja
signifikan, terlihat dari nilai p-value sebesar 0,001(<0.05) yang berarti terdapat memang
terdapat hubungan antara variabel ibu tinggal di desa dengan variabel ibu yang bekerja.

Inverse of Correlation Matrix

Sedangkan table Inverse of Correlation Matrix menyatakan nilai-nilai pada matriks
korelasi setelah matriks tersebut diinverskan.

Catatan : Dalam kasus ini, digunakan matriks korelasi untuk keperluan

analisis faktor sebab data yang digunakan memiliki satuan yang berbedabeda,sehingga

distandarisasi

menggunakan

matriks

korelasi

untuk

menghilangkan bias.

Analisis Inferensia
KMO dan Bartletts Test

Berdasarkan Bartletts Tes of Sphericity dengan Chi-Square 94,304 (df 45) dan nilai
sig = 0,000 < 0,05 menunjukkan bahwa matriks korelasi bukan merupakan matriks
identitas sehingga dapat dilakukan analisis komponen utama. Di samping itu,
Nilai KMO yang dihasilkan adalah sebesar 0.574 serta p-value sebesar 0,000 (<0,05) ,
nilai tersebut jatuh dalam kategori lebih dari cukup layak untuk kepentingan analisis
faktor. Oleh karena itu, variabel variabel dapat dianalisis lebih lanjut (AA
Afifi,1990:Dillon dan Goldstein,1984).

Tabel Anti-Image Matrices

Selain pengecekan terhadap KMO and Bartlett test, dilakukan juga pengecekan Anti
Image matrices untuk mengetahui apakah variabel variabel secara parsial layak untuk
dianalisis dan tidak dikeluarkan dalam pengujian. Berdasarkan tabel di atas, terlihat
bahwa dari sepuluh variabel yang akan dianalisis, terdapat dua variabel yang memiliki
nilai MSA (dapat dilihat pada output yang bertanda a pada kolom Anti-Image Correlation)
< 0,5 yaitu variabel ibu tidak bekerja dan variabel bapak yang tidak bekerja. Karena ada
variabel yang nilai MSA nya < 0,5 , maka variabel tersebut tidak dapat dianalisis lebih
lanjut. Meskipun ada dua variabel yang nilai MSA nya < 0,5, namun kita tidak harus
membuang dua variabel sekaligu. Pilih salah satu variabel yang memiliki MSA terkecil,
yaitu bapak tidak bekerja sebesar 0,360 sehingga variabel tersebut dikeluarkan
dan dilakukan pengujian ulang terhadap kesembilan variabel lainnya seperti pada
cara di atas.

Setelah variabel bapak tidak bekerja dikeluarkan, maka nilai KMO meningkat menjadi
0,652 dan tingkat signifikansi 0,000.Pengurangan variabel yang tidak layak
meningkatkan nilai KMO sehingga cukup beralasan untuk melakukan pengurangan
tersebut Hal ini dapat menunjukkan bahwa kesembilan variabel tersebut lebih dari
cukup layak untuk dilakukan analisis faktor.

Communalities
Dari keseluruhan nilai dalam table communalities, diperoleh bahwa kesembilan variabel
awal mempunyai nilai communalities yang besar ( > 0.5). Hal ini dapat diartikan bahwa
keseluruhan variabel yang digunakan memiliki hubungan yang kuat dengan faktor yang
terbentuk. Dengan kata lain, semakin besar nilai dari communalities maka semakin baik
analisis faktor, karena semakin besar karakteristik variabel asal yang dapat diwakili oleh
faktor yang terbentuk.

1. Keeratan hubungan variabel ibu bekerja terhadap faktor yang terbentuk sebesar
0,811 artinya hubungan variabel ibu bekerja terhadap faktor yang terbentuk erat.
Atau dapat juga dikatakan kontribusi variabel ibu bekerja terhadap faktor yang
terbentuk sebesar 81,1 %.
2. Kemudian, keeratan hubungan variabel bapak yang pendidikannya SD ke bawah
sebesar 0,849 artinya hubungan variabel bapak yang pendidikannya SD ke
bawah terhadap faktor yang terbentuk erat. Atau dapat juga dikatakan kontribusi
variabel variabel bapak yang pendidikannya SD ke bawah terhadap faktor yang
terbentuk sebesar 84,9 %.

Total Variance Explained

Table Total Variance Explained menunjukkan besarnya persentase keragaman total
yang mampu diterangkan oleh keragaman faktor - faktor yang terbentuk. Dalam tabel
tersebut juga terdapat nilai eigenvalue dari tiap-tiap faktor yang terbentuk. Faktor 1
memiliki eigenvalue sebesar 2,991, Faktor 2 sebesar 2,120, dan Faktor 3 sebesar 1,323.

Untuk menentukan berapa komponen/faktor yang dipakai agar dapat menjelaskan

keragaman total maka dilihat dari besar nilai eigenvaluenya, komponen dengan
eigenvalue >1 adalah komponen yang dipakai. Kolom cumulative % menunjukkan
persentase kumulatif varians yang dapat dijelaskan oleh faktor. Besarnya keragaman
yang mampu diterangkan oleh Faktor 1 sebesar 33,233 persen, sedangkan keragaman
yang mampu dijelaskan oleh Faktor 1 dan 2 sebesar 56,787 persen. Ketiga faktor
mampu menjelaskan keragaman total sebesar 71,485 persen. Berdasarkan alasan nilai
eigen value ketiga faktor yang lebih dari 1 dan besarnya persentase kumulatif ketiga
faktor sebesar 71,485 persen, dapat disimpulkan bahwa ketiga faktor sudah cukup
mewakili keragaman variabel variabel asal.

Proporsi keragaman data yang dijelaskan tiap komponen setelah dilakukan rotasi terlihat
lebih merata daripada sebelum dilakukan rotasi. Faktor pertama menerangkan
keragaman data dengan proporsi terbesar, yaitu 33,233 persen menurut metode
ekstraksi dengan analisis faktor (sebelum rotasi) dan dengan analisis faktor (setelah
rotasi) keragaman data awal dapat dijelaskan sebesar 26,841 persen. Kemudian untuk
faktor kedua menerangkan keragaman data awal dengan proporsi 23,554 persen
menurut metode ekstraksi dengan analisis faktor (sebelum rotasi) dan dengan analisis
faktor (setelah rotasi) keragaman data awal dapat dijelaskan sebesar 26,315 persen.
Sedangkan untuk faktor ketiga menerangkan keragaman sebesar 14,698 persen
sebelum dilakukan rotasi dan naik menjadi 18,328 persen setelah dirotasi.
Proporsi keragaman data yang lebih merata setelah dilakukan rotasi menunjukkan
keseragaman data awal yang dijelaskan oleh masing-masing faktor menjadi maksimum.

Scree Plot

Scree Plot adalah salah satu alternatif yang dapat digunakan untuk membantu peneliti
menentukan berapa banyak faktor terbentuk yang dapat mewakili keragaman peubah
peubah asal. Bila kurva masih curam, akan nada petunjuk untuh menambahkan
komponen. Bila kurva sudah landai, akan ada petunjuk untuk menghentikan
penambahan komponen, walaupun penilaian curam/landai bersifat subjektif peneliti. Dari
scree plot di atas, terlihat pada saat satu komponen terbentuk, kurva masih
menunjukkan kecuraman, begitu juga pada saat di titik ke-2, garis kurva masih tajam, di
titik ke-3 garis kurva masih tajam namun sedikit berbeda dari pola kedua garis
sebelumnya. Setelah melewati titik ke-3, garis kurva sudah mulai landai, semakin ke
kanan akan semakin landai. Dari penjelasan di atas, dapat kita tarik kesimpulan bahwa
terdapat tiga komponen atau faktor yang terbentuk.

Table component matrix

Table component matrix menunjukkan besarnya korelasi tiap variabel dalam faktor yang
terbentuk. Nilai nilai koefisien korelasi antara variabel dengan faktor - faktor yang
terbentuk (loading factor) dapat dilihat pada table Component Matrix. Ketiga faktor
tersebut menghasilkan matrik loading faktor yang nilai-nilainya merupakan koefisien
korelasi antara variabel dengan faktor-faktor tersebut. Bila dilihat variabel variabel yang
berkorelasi terhadap setiap faktornya, ternyata loading faktor yang dihasilkan belum
mampu memberikan arti sebagaimana yang diharapkan. Hal ini terlihat dari variabel ibu
yang tidak punya KMS dimana korelasi variabel ini dengan faktor 1 sebesar 0,609,
sedangkan dengan faktor 2 sebesar -0,508 (tanda negative hanya menunjukkan arah
korelasi), sehingga kita sulit untuk memutuskan apakah variabel ibu tidak punya KMS
dimasukkan ke faktor 1 atau faktor 2. Tiap faktor belum dapat diinterpretasikan dengan
jelas sehingga perlu dilakukan rotasi dengan metode varimax. Rotasi varimax adalah
rotasi orthogonal yang membuat jumlah varian faktor loading dalam masing-masing
faktor akan menjadi maksimum, dimana nantinya peubah asal hanya akan mempunyai
korelasi yang tinggi dan kuat dengan faktor tertentu saja (korelasinya mendekati 1) dan
tentunya memiliki korelasi yang lemah dengan faktor yang lainnya (korelasinya
mendekati 0). Hal yang demikian belum tercapai pada table component matrix diatas.

Rotated Component Matrix

Setelah dilakukan rotasi faktor dengan metode varimax, diperoleh table seperti yang
tertera di atas yaitu Rotated Component Matrix. Terdapat perbedaan nilai korelasi
variabel dengan setiap faktor sebelum dan sesudah dilakukan rotasi varimax. Terlihat
bahwa loading faktor yang dirotasi telah memberikan arti sebagaimana yang diharapkan
dan setiap faktor sudah dapat diinterpretasikan dengan jelas. Terlihat pula bahwa setiap
variabel hanya berkorelasi kuat dengan salah satu faktor saja (tidak ada variabel yang
korelasinya < 0,5 di ketiga faktor). Dengan demikian, lebih tepat digunakan loading
faktor yang telah dirotasi sebab setiap faktor sudah dapat menjelaskan keragaman
variabel awal dengan tepat dan hasilnya adalah sebagai berikut

1. Faktor 1 , beberapa variabel yang memiliki korelasi yang kuat dengan faktor 1 ,
yaitu variabel ibu yang tinggal di desa, ibu yang mengakses koran, ibu yang
bekerja dan urutan anak.
2. Faktor 2, terdapat beberapa variabel yang memiliki korelasi yang kuat dengan
faktor 2 , yaitu variabel ibu yang mengakses radio, ibu yang mengakses TV, ibu
yang tidak punya KMS, dan bapak yang pendidikannya SD ke bawah.
3. Faktor 3, dalam faktor ini tiga variabel yang memiliki korelasi yang kuat dengan
faktor 3, yaitu variabel ibu yang pendidikannya SD ke bawah.

Component Transformation Matrix

Tabel Component Transformation Matrix berfungsi untuk menunjukkan apakah faktor

faktor yang terbentuk sudah tidak memiliki korelasi lagi satu sama lain atau orthogonal.
Bila dilihat dari table Component Transformation Matrix, nilai nilai korelasi yang
terdapat pada diagonal utama berada di atas 0,5 yaitu -0,606;0,614;0,891. Hal ini
menunjukkan bahwa ketiga faktor yang terbentuk sudah tepat karena memiliki korelasi
yang tinggi pada diagonal diagonal utamanya.
Untuk

lengkapnya

bisa

didownload

disini

beserta

intrepretasi

Tutorial contoh analisis faktor beserta

hasil
intrepretasi
dengan
SPSS
ouputnya

Untuk

sedikit

materi

analisis faktor

analisis

faktor

bisa

dilihat

disini

gan.

teori