ANALISIS FAKTOR

(FACTOR ANALYSIS)

Teori Singkat
Analisis faktor adalah analisis statistika yang bertujuan untuk mereduksi dimensi
data dengan cara menyatakan variabel asal sebagai kombinasi linear sejumlah faktor,
sedemikian hingga sejumlah faktor tersebut mampu menjelaskan sebesar mungkin
keragaman data yang dijelaskan oleh variabel asal.
Model analisis faktor adalah :
X1 = c11 F1 + c12 F2 + c13 F3 + ... + c1m Fm +
X2 = c21 F1 + c22 F2 + c23 F3 + ... + c2m Fm +
X3 = c31 F1 + c32 F2 + c33 F3 + ... + c3m Fm +
...
Xp = cp1 F1 + cp2 F2 + cp3 F3 + ... + cpm Fm + p
atau

 X1 c1 c12 c13 . c1m F1 1

X 2 c21 c2 c23 . c2m F2 2
X3 c31 c32 c3 . c3m F3 3

. . . . . . . .
X c c c . c F
p p1 p2 p3 pm m p

(p x 1)

(p x m)

(m x1)

dan
X1, X2,..., Xp adalah variabel asal
F1, F2,..., Fm adalah faktor bersama (common factor)
cij adalah bobot (loading) dari variabel asal ke-i pada faktor ke-j
p adalah error

Hubungan antara varians variabel asal dengan, varians faktor dan varians error
adalah sebagai berikut :
var(Xi)= varians yang dijelaskan oleh faktor untuk variabel asal ke-i + var(error)
= communality + specific variance
2
= hi i
= (ci1 ci 2 ci 3 ... cim ) i
Besarnya bobot cij dapat diduga dengan menggunakan metode komponen utama
ataupun kemungkinan maksimum (maximum likelihood). Metode komponen utama
terbagi menjadi dua metode yaitu non-iteratif dan iteratif. Nilai dugaan cij yang diperoleh
dengan metode non-iteratif adalah :
2

cij

a ji j
s xi

atau

c ij a ji

untuk variabel asal yang dibakukan

dan
c uj adalah bobot (loading) dari variabel asal ke-i pada faktor ke-j
a ji adalah koefisien variabel asal ke-i untuk komponen utama ke-j

j adalah eigen value untuk komponen utama ke-j

s xi adalah simpangan baku (standard of deviation) variabel asal ke-j

Algoritma untuk metode komponen utama iteratif adalah sebagai berikut :
1. Mulai
2
2. Tentukan nilai awal communality untuk seluruh variabel asal ( hi , i=1,...,p),
0 hi2 1

Ganti nilai diagonal matriks korelasi dengan nilai hi ( rii hi )

Tentukan nilai eigen-value dan eigen-vector dari matriks korelasi
Tentukan nilai bobot (loading) cij a ji j
2
2
2
2
2
Temtukan nilai communality hi (ci1 ci 2 ci 3 ... cim )
Jika nilai communality pada dua iterasi terakhir dianggap sama maka pergi ke
9
8. Pergi ke 3
9. Selesai
Untuk kepentingan intepretasi, seringkali diperlukan untuk memberi nama
masing-masing faktor sesuai dengan besar harga mutlak bobot cuj . Diharapkan setiap
variabel asal hanya dominan di salah satu faktor saja (Nilai harga mutlak bobot variabel
asal mendekati 1 di salah satu faktor dan mendekati o untuk faktor lainnya). Harapan ini
kadang-kadang tidak dapat dipenuhi, untuk mengatasi hal ini diperlukan rotasi dari
matriks bobot C. Beberapa macam teknik rotasi yang tersedia di program paket statistika
adalah : varimax, quartimax, equamax, parsimax (MINITAB). Formula untuk masingmasing rotasi i ni adalah :
1 m p c 2 p c 2
ij
ij
max
p i 1 hi
p j 1 i 1 hi

Rotasi

3.
4.
5.
6.
7.

0
1
m/2

p (m 1)
pm2

Quartimax
Varimax
Equamax
Parsimax

Matriks bobot hasil rotasi (C*) dapat dinyatakan sebagai C*=CT, T adalah matriks
transformasi.
Besarnya skor faktor dapat dinyatakan sebagai :
F C' S 1 ( X j X) , j=1,...,n

Kegiatan Praktikum
Analisis komponen utama dari data kependudukan negara-negara di Asia
MTB > pca c2-c8;
SUBC> ncomp 2.
Eigenanalysis of the Correlation Matrix
Eigenvalue
5.3171
1.1709
0.2921
Proportion
0.760
0.167
0.042
Cumulative
0.760
0.927
0.969
Eigenvalue
0.0027
Proportion
0.000
Cumulative
1.000
Variable
PC1
PC2
DENSITY
0.257
-0.668
URBAN
0.393
-0.277
LIFEEXPF
0.422
0.198
LIFEEXPM
0.423
0.136
LITERACY
0.354
0.485
BABYMORT
-0.412
-0.233
GDP_CAP
0.357
-0.360

0.1163
0.017
0.985

0.0813
0.012
0.997

0.0195
0.003
1.000

Amalisis Faktor dari data kependudukan Negara-negara di Asia

MTB > factor c2-c8;
SUBC> nfactor 2.
Principal Component Factor Analysis of the Correlation Matrix
Unrotated Factor Loadings and Communalities
Variable
Factor1
Factor2 Communality
DENSITY
0.593
-0.723
0.874
URBAN
0.905
-0.299
0.909
LIFEEXPF
0.972
0.214
0.991
LIFEEXPM
0.976
0.147
0.974
LITERACY
0.817
0.525
0.943
BABYMORT
-0.951
-0.252
0.967
GDP_CAP
0.823
-0.389
0.829
Variance
5.3171
1.1709
6.4880
% Var
0.760
0.167
0.927

Besarnya bobot untuk faktor1 adalah : 1 (koefisien PC1)

.0 257 .0 593
.0 393 .0 905

.0 422 .0 972

.5 3171 .0 423 .0 976
.0 354 .0 817

.0 412 .0 951
.0 357 .0 823

Besarnya bobot untuk faktor2 adalah :
Variable
DENSITY
URBAN
LIFEEXPF
LIFEEXPM
LITERACY
BABYMORT
GDP_CAP

Factor1
0.593
0.905
0.972
0.976
0.817
-0.951
0.823

2 (koefisien PC2)

Factor2
-0.723
-0.299
0.214
0.147
0.525
-0.252
-0.389

Variabel asal (density, urban, lifeexpf, lifeexpm, literacy, babymort, gdp_cap)

dapat dinyatakan dalam kombinasi linear faktor 1 dan faktor 2 sebagai berikut :

 density 0.593 0.723

urban 0.905 0.29

lifeexp f 0.972 0.214
Faktor1
lifeexpm 0.976 0.147 Faktor2
literacy 0.817 0.525

babymort 0.951 0.252
gdp _ cap 0.823 0.389

Nilai communality untuk density adalah : 0.5932 +(-0.723)2 = 0.874 yang berarti
faktor1 dan faktor2 mampu menjelaskan sebesar 87.4 % keragaman data yang dijelaskan
oleh variabel density.
Dari harga mutlak nilai bobot tiap variable pada tiap faktor, dapat diintepretasikan
bahwa faktor 2 adalah faktor kepadatan penduduk dan faktor 1 adalah faktor urbanisasi
dan kualitas penduduk. Kualitas penduduk semakin baik dicirikan oleh semakin
tingginya lifeexpf, lifeexpm, literacy, gdp_cap dan semakin rendahnya babymort. Dari
contoh ini terlihat bahwa analisis faktor dapat digunakan untuk tujuan pengelompokan
variabel. Hasil pengelompokan variabel dengan menggunakan analisis faktor ini sesuai
dengan hasil pengelompkam variabel dengam menggunakan metode single-linkage.
MTB > Cluv 'DENSITY'-'GDP_CAP';
SUBC>
Abscorr;
SUBC>
Dendrogram.

Nilai bobot setelah dilakukan rotasi varimax adalah :

MTB > factor c2-c8;
SUBC> nfactor 2;
SUBC> vmax.
Variable
DENSITY
URBAN
LIFEEXPF
LIFEEXPM
LITERACY
BABYMORT
GDP_CAP

Factor1
0.058
0.559
0.914
0.878
0.969
-0.918
0.44

Factor2
-0.933
-0.772
-0.395
-0.452
-0.052
0.352
-0.797

Hasil pengelompokan variabel dengan menggunakan analisis faktor rotasi

varimax sesuai dengan hasil pengelompokan dengan menggunakan metode completelinkage
MTB > Cluv 'DENSITY'-'GDP_CAP';
SUBC>
Complete;
SUBC>
Abscorr;
SUBC>
Dendrogram.

Nilai skor faktor untuk setiap negara di Asia adalah sebagai berikut :
MTB > Factor 'DENSITY'-'GDP_CAP';
SUBC>
NFactors 2;

SUBC>
Scores c9-c10.
MTB > name c9 'FACT1' C10 'FACT2'
MTB > PRINT C1 C9 C10
Nomer
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

COUNTRY
Afghanistan
Bangladesh
Cambodia
China
Hong Kong
India
Indonesia
Japan
Malaysia
N. Korea
Pakistan
Philippines
S. Korea
Singapore
Taiwan
Thailand
Vietnam

FACT1
-1.80314
-1.16613
-1.34366
-0.11590
1.54091
-0.72722
-0.35320
1.40112
0.17626
0.39556
-0.92428
-0.01959
0.66625
1.52131
0.86501
0.05224
-0.16554

FACT2
-1.21553
-0.83735
-0.60378
0.81265
-2.13451
-0.12959
0.53269
0.18927
0.70587
1.00416
-0.57199
0.74105
0.50490
-1.65357
0.55149
1.13501
0.96922

Nilai skor faktor dengan menggunakan rotasi varimax untuk setiap negara di Asia
adalah sebagai berikut :
MTB > Factor 'DENSITY'-'GDP_CAP';
SUBC>
NFactors 2;

SUBC>
VMax;
SUBC>
Scores c11-c12.
MTB > name c11 'F1' c12 'F2'
MTB > print c1 c11 c12
Nomer
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

COUNTRY
Afghanistan
Bangladesh
Cambodia
China
Hong Kong
India
Indonesia
Japan
Malaysia
N. Korea
Pakistan
Philippines
S. Korea
Singapore
Taiwan
Thailand
Vietnam

F1
-2.17348
-1.43562
-1.44293
0.38149
0.00072
-0.66557
0.02525
1.24700
0.55594
0.90832
-1.08422
0.41770
0.83572
0.26622
1.02417
0.70646
0.43284

F2
0.06927
0.00324
0.29653
0.72684
-2.63258
0.32040
0.63865
-0.66630
0.46930
0.58290
0.07693
0.61242
0.01964
-2.23110
-0.05887
0.88988
0.88286

Secara visual, hasil pengelompokan Negara-negara di Asia dengan menggunakan

skor komponen ataun skor faktor adalah sama.
Hasil pengelompokan negara-negara di Asia dengan menggunakan analisis
komponen utama dan analisis faktor ternyata sama dengan hasil dari cluster analysis
dengan menggunakan metode complete linkage

* * * * * * H I E R A R C H I C A L

C L U S T E R

A N A L Y S I S * * * * *

Dendrogram using Complete Linkage

Rescaled Distance Cluster Combine
C A S E
Label

Num

China
Philippines
Vietnam
Malaysia
Indonesia
N. Korea
Thailand
S. Korea
Taiwan
Japan
Hong Kong
Singapore
Bangladesh
Cambodia
Pakistan
India
Afghanistan

4
12
17
9
7
10
16
13
15
8
5
14
2
3
11
6
1

0
5
10
15
20
25
+---------+---------+---------+---------+---------+