Anda di halaman 1dari 6

ANALISIS FAKTOR

A.

Definisi dan Konsep Analisis Faktor


Perencanaan adalah suatu proses yang berkesinambung yang mencakup keputusankeputusan/pilihan-pilihan berbagai alternatif penggunaan sumber daya untuk mencapai
tujuan-tujuan pada masa yang akan datang (Conyers and Hills, 1994). Di dalam
perencanaan adanya data-data yang terlalu banyak dan seringkali kali menjadi
permasalahan. Dari sekian banyak data yang ada tak jarang ternyata ada kemiripan
karakteristik data. Hal ini diperlukan adanya analisis agar data tersebut bisa
disederhanakan. Analisis yang digunakan dalam hal ini yaitu analisis faktor.
Analisis faktor merupakan salah satu metode multivariate dalam statistika yang
digunakan untuk menganalisis variabel-variabel yang memiliki keterkaitan antara satu
sama lain sehingga keterkaitan tersebut dapat dijelaskan atau dikelompokkan pada faktor
dominan yang tepat. Definisi analisis faktor menurut Jhonson dan Wichern (1992) adalah
suatu pengembangan dari Analisis Komponen Utama (AKU) yang lebih terperinci dan
teliti selain itu analisis ini berfungsi mengecek konsistensi data terhadap struktur peubah.
Prinsip dasarnya yaitu menyederhanakan deskripsi tentang data dengan mengurangi
jumlah variabel/dimensi. Di dalam analisis faktor, prosedur analisis yang digunakan
untuk data reduction/ summarization/mereduksi dimensi. Interdependency technique
(teknik interdependen) untuk menguji hubungan sekumpulan variabel. Tujuan dari
analisis faktor yaitu berusaha mengidentifikasi struktur sembunyi yang terdapat dalam
sejumlah variabel yang di amati serta menganalisis data sampel yang bersifat kualitatif
dan ditransformasikan ke bentuk kuantitatif dengan proses penskalaan. Misalnya faktor
intelegensi terdiri atas : kemampuan verbal, numeric, penalaran abstrak, penaralan ruang,
ingatan, dll. Adapun metode pendekatan dalam analisis factor yaitu :
1. Analisis Komponen Utama (Principal Component Analysis / PCA)
Menguji seluruh varian dalam variabel observasi. Pendekatan ini tidak membedakan
variasi data baik data yang umum maupun data yang unik. Dalam perencanaan
wilayah, PCA untuk ekstraksi faktor lebih sering digunakan. Dua hasil utama adalah
component-loading dan factor score. Tujuannya pada saat pengkategorian variabel
ke dalam sejumlah kecil grup dan penyampaian informasi tentang tiap observasi
dalam lingkungan faktor umum. Bentuk Umumnya :
PCm = Wm1X1 + Wm2X2 + + WmpXp
Keterangan :
Wmp
= Koefisien skor faktor (factor score coefficients)
p
= Jumlah variabel.
2. Analisis Faktor Umum (Common Factor Analysis / CFA)
Hanya menguji sebagian varian variabel. Pendekatan ini membedakan variansi data
baik data yang umum maupun data yang unik. Bentuk Umumnya :
Xp = Ap1CF1 + Ap2CF2 + + ApmCFm + Up
Keterangan :
CFm
= Common Factor ke-m, yang dibentuk dari sejumlah variabel.
Disebut common factor karena seluruh variabel dibentuk darinya.
Up
= Unique factor dalam variabel ke-p, yaitu bagian variabel yang tidak
dapat dijelaskan oleh common factor. Unique factor diasumsikan tidak
berkorelasi dengan common factor.

Apm

= Konstanta yang digunakan untuk mengkombinasikan sejumlah m


faktor, juga disebut factor loading.
Analisis faktor memiliki beberapa konsep dasar yang mencirikan metode analisis ini.
Berbeda dengan metode analisis yang umumnya, analisis faktor tidak mengkaitkan antara
variabel bebas dan variabel terikatnya tetapi mereduksi/meringkas dari banyak variabel
ke sedikit variabel. Teknik yang digunakan adalah teknik interdependensi yaitu
menganalisis hubungan/korelasi antar variabel bebas. Teknik interdependensi digunakan
untuk mengidentifikasi variabel yang berkorelasi dan yang tidak berkorelasi. Analisis
faktor menekankan adanya communality (jumlah varian yang disumbangkan oleh suatu
variabel pada variabel lainnya). Kovariasi antar variabel yang diuraikan akan
memunculkan common factors (jumlah sedikit) dan unique factors setiap variabel (faktorfaktor tidak secara jelas terlihat). Adanya koefisien nilai faktor sehingga faktor 1
menyerap sebagian besar seluruh variabel, faktor 2 menyerap sebagian besar sisa varian
setelah diambil untuk factor 1. Faktor 2 tidak berkorelasi dengan faktor 1.
Khusus untuk Analisis Faktor, sejumlah asumsi berikut harus dipenuhi:
Korelasi antarvariabel Independen. Besar korelasi atau korelasi antar independen
variabel harus cukup kuat, misalnya di atas 0,5.
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.
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.
Pada beberapa kasus, asumsi Normalitas dari variabel-variabel atau faktor yang
terjadi sebaiknya dipenuhi.
Dalam analisis faktor dikenal Keiser-Meyers-Oklin (KMO) Measure of Sampling
Adequacy. KMO digunakan untuk mengukur kecukupan sampel dengan cara
membandingkan besarnya koefisien korelasi yang diamati dengan koefisein korelasi
parsialnya. Menurut Wibisono (2003) kriteria kesesuaian dalam pemakaian analisis faktor
adalah:
Jika harga KMO sebesar 0,9 berarti sangat memuaskan,
Jika harga KMO sebesar 0,8 berarti memuaskan,
Jika harga KMO sebesar 0,7 berarti harga menengah,
Jika harga KMO sebesar 0,6 berarti cukup,
Jika harga KMO sebesar 0,5 berarti kurang memuaskan, dan
Jika harga KMO kurang dari 0,5 tidak dapat diterima.
B.

Kegunaan Analisis Faktor dalam Perencanaan Wilayah dan Kota


Proses prencanaan wilayah tentu memerlukan adanya identifikasi variabel untuk
mengetahui hubungan antar variabel sehingga dapat mengetahui variabel apa saja yang
memiliki kemiripan dan dapat disederhanakan. Analisis faktor digunakan untuk
menyederhanakan sejumlah variabel yang saling berkorelasi menjadi kelompokkelompok variabel yang lebih kecil biasa disebut dengan faktor. Jika dalam perencanaan
wilayah, analisis factor khususnya pada metode pendekatan PCA digunakan untuk

ekstraksi faktor lebih sering digunakan. Hal ini dikarenakan tujuannya pada saat
pengkategorian variabel ke dalam sejumlah grup kecil dan penyampaian informasi
tentang tiap observasi dalam lingkunagn faktor umum. PCA ini dianggap sebagai teknik
informasi data.
Input dari suatu data pada suatu analisis terkadang bisa memiliki variabel yang
sangat banyak. Jika keadaannya seperti itu akan mempersulit perencana untuk melakukan
suatu perencanaan berdasarkan data tersebut. Maka dari itu analisis faktor diperlukan
sebagai teknik reduksi data sehingga penyampaian informasi lebih baik dan efektif.
Dengan menggunakan software SPSS, perencana dapat menggunakan analisis faktor
dengan lebih mudah. Proses analisis faktor telah diprogram di dalam SPSS secara
sistematis dari awal input data Pada prinsipnya, analisis faktor mengelompokkan
sejumlah variabel yang memiliki hubungan atau korelasi yang cukup tinggi dengan cara
mereduksi variabel yang memiliki nilai unik tinggi terhadap variabel yang lainnya.
Analisis faktor ini lebih sesuai untuk menganalisis data sampel penelitian yang bersifat
kualitatif dan ditransformasikan ke bentuk kuantitatif dengan proses penskalaan. Pada
tahap output sehingga didapatkan hasil akhir berupa variabel-variabel yang masuk ke
dalam faktor-faktor tertentu.
C. Data dan Jenis Data
Jenis data yang dapat digunakan dalam analisis faktor adalah data nominal, data ordinal,
data interval dan data rasio, berikut ini adalah penjelasannya :
Data nominal atau sering disebut juga data kategori yaitu data yang diperoleh melalui
pengelompokkan obyek berdasarkan kategori tertentu. Perbedaan kategori obyek hanya
menunjukan perbedaan kualitatif. Walaupun data nominal dapat dinyatakan dalam
bentuk angka, namun angka tersebut tidak memiliki urutan atau makna matematis
sehingga tidak dapat dibandingkan. Contoh data nominal antara lain:
Jenis kelamin yang terdiri dari dua kategori yaitu:
(1) Laki-laki
(2) Perempuan
Data ordinal adalah data yang berasal dari suatu objek atau kategori yang telah disusun
secara berjenjang menurut besarnya. Setiap data ordinal memiliki tingkatan tertentu
yang dapat diurutkan mulai dari yang terendah sampai tertinggi atau sebaliknya. Namun
demikian, jarak atau rentang antar jenjang yang tidak harus sama. Dibandingkan dengan
data nominal, data ordinal memiliki sifat berbeda dalam hal urutan. Contoh jenis data
ordinal antara lain:
Tingkat pendidikan yang disusun dalam urutan sebagai berikut:
(1) Taman Kanak-kanak (TK)
(2) Sekolah Dasar (SD)
(3) Sekolah Menengah Pertama (SMP)
(4) Sekolah Menengah Atas (SMA)
(5) Diploma
(6) Sarjana
Data Interval adalah data hasil pengukuran yang dapat diurutkan atas dasar kriteria
tertentu serta menunjukan semua sifat yang dimiliki oleh data ordinal. Kelebihan sifat
data interval dibandingkan dengan data ordinal adalah memiliki sifat kesamaan jarak
(equality interval) atau memiliki rentang yang sama antara data yang telah diurutkan.

Terdapat satu sifat yang belum dimiliki yaitu tidak adanya angka Nol mutlak pada data
interval.
Data rasio adalah data yang menghimpun semua sifat yang dimiliki oleh data nominal,
data ordinal, serta data interval. Data rasio adalah data yang berbentuk angka dalam arti
yang sesungguhnya karena dilengkapi dengan titik Nol absolut (mutlak) sehingga dapat
diterapkannya semua bentuk operasi matematik.
Contoh data yang diambil dalam analisis faktor ini adalah tingkat akses pelayanan
keluarga berencana di tiap kecamatan yang terdapat di Kabupaten Jawa Barat. Analisis faktor
didasarkan pada variabel yang berupa jenis sarana pelayanan keluarga berencana, yaitu KKB
(Klinik Keluarga Berencana), Pos KB Desa, Praktek Dokter, Praktek Bidan, PLKB (Pekerja
Lapangan Keluarga Berencana), PKBRS (Petugas Konseling Keluarga Berencana). Dari
keenam variabel tersebut diharapkan dapat diketahui faktor yang terbentuk yang
mempengaruhi tingkat akses pelayanan keluarga berencana di tiap Kabupaten/ Kota yang
ada di Provinsi Jawa Barat. Selanjutnya, output analisis faktor tersebut dapat dijadikan dasar
atau acuan pengambilan keputusan dalam merumuskan kebijakan pengembangan akses
pelayanan keluarga berencana, yang mana pengembangan tersebut dapat berpengaruh
terhadap kesejahteraan penduduk di tiap kecamatan.
Adapun kriteria pemberian nilai untuk setiap tingkat akses pelayanan keluarga berencana
yang dijadikan variabel input tersebut didasarkan pada asumsi berikut:
1: Baik
2: Cukup Baik
3: Buruk
Berikut merupakan data yang digunakan:
Data Tingkat Akses Pelayanan Keluarga Berencana Tiap Kabupaten/ Kota
Provinsi Jawa Barat

No. Kabupeten/ Kota

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

Kabupaten Bogor
Kabupaten Sukabumi
Kabupaten Cianjur
Kabupaten Bandung
Kabupaten Garut
Kabupaten Tasikmalaya
Kabupaten Ciamis
Kabupaten Kuningan
Kabupaten Cirebon
Kabupaten Majalengka
Kabupaten Sumedang
Kabupaten Indramayu
Kabupaten Subang
Kabupaten Purwakarta
Kabupaten Karawang
Kabupaten Bekasi

KKB (Klinik
Keluarga
Berencana)
1
1
1
1
1
1
1
1
1
2
1
2
1
2
1
2

Pos KB
Desa

Praktek
Dokter

Praktek
Bidan

PLKB

PKBRS

1
1
1
1
1
1
1
1
1
1
2
1
2
2
1
2

1
2
2
1
2
3
2
2
1
3
2
3
2
2
1
1

1
3
1
1
2
3
1
1
1
2
2
1
1
2
3
1

1
2
2
1
2
3
1
2
2
2
3
2
3
3
2
3

3
2
3
1
3
3
1
2
2
3
3
2
3
3
3
2

17.
18.
19.
20.
21.
22.
23.
24.
25.

Kota Bogor
Kota Sukabumi
Kota Bandung
Kota Cirebon
Kota Bekasi
Kota Depok
Kota Cimahi
Kota Tasikmalaya
Kota Banjar

2
3
1
3
2
2
3
3
3

3
3
1
3
3
3
3
3
3

2
3
1
2
1
1
3
3
3

2
3
1
2
1
2
3
2
3

3
3
3
3
3
3
3
3
3

Sumber: BKKBN Provinsi Jawa Barat 2008

D. Tahapan Analisis
Berikut merupakan tahapan dalam analisis faktor yaitu :
1. Memilih variabel yang layak yang dimasukkan dalam analisis faktor. Oleh karena
analisis faktor berupaya mngelompokkan sejumlah variabel maka seharusnya
korelasi yang cukup kuat di antara variabel sehingga akan terjadi pengelompokkan
2. Setelah sejumlah variabel terpilih maka dilakukan ektraksi variabel tersebut hingga
menjadi satu/beberpa faktor. Beberapa metode pencarian faktor yang sering
digunakan yaitu principal component dan maximum likehood. Berikut merupakan
tahapan dalam analisis faktor menggunakan software SPSS :
o Menginput variabel-variabel yang data yang akan digunakan dalam analisis faktor,
kemudian menginput data kualitatif yang berasal dari hasil skoring
o Pilih menu analyze kemudian data reduction lalu klik factor
o Masukan variabel-variabel yang akan dianalisis ke dalam kolom variabel
o Pilih icon deskriptive, pada menu statistic pilih univariate desciptive dan initial
solution. Pada menu correlation matrix pilih coefficients, invers, reproduced, antiimage, dan KMO and barletts test sphericity
o Kemudian pilih icon extraction pada method pilih principal component. Pada
menu analyze pilih correlation matrix, pada bagian display unroated factor
solution dan pada bagian screen plot. extract pilih eigenvalues over 1.
o Pilih icon rotation pada bagian method pilih varimax, pada bagian display pilih
rotated solution. Klik continue.
o Pilih icon scores kemudian pilih display factor score coefficient matrix.
o Terakhir pada icon option pilih exclude cases listwise klik continue. Klik OK
maka akan muncul hasil output.
3. Faktor yang terbentuk pada banyak kasus, kurang menggambarkan perbedaan
diantara faktor-faktor yang ada. Hal tersebut dapat megganggu analisis karena justru
sebuah faktor harus berbeda secara nyata dengan faktor lain. Untuk itu jika isi faktor
masih diragukan maka dapat dilakukan proses rotasi untuk memperjelas apakah
faktor yang terbentuk sudah secara signifikansi berbeda dengan faktor lain.
4. Setelah faktor benar-benar sudah terbentuk maka proses dilanjutkan dengan
menamakan faktor yang ada kemudian dilakukan langkah validasi hasil faktor.

E. Penjelasan Output
a. Tabel descriptive statistic

2
1
2
2
3
3
2
3
3

b.

c.

d.

e.
f.
g.

h.

Tabel ini berisi nilai rata-rata, standar deviasi dari variabel-variabel dan jumlah data
yang di analisis.
Tabel Correlation Matrix
Menunjukan hubungan antar variabel yang dianalisis. Jika angka yang yang dihasilkan
negatif maka menunjukan hubungan yang ada berbanding terbalik antar variabel.
Namun jika angka yang dihasilkan positif maka hubungan yang ada antar variabel
berbanding lurus.
Tabel KMO and Bartlets Test
Tabel KMO menyajikan nilai untuk mengukur suatu tingkat korelasi anatara variabelvariabel yang dianalisis sehingga dapat ditentukan apakah variabel tersebut dapat
dilakukan analisis faktor. Barltelts test digunakan untuk menunjukan ada atau tidaknya
korelasi antar variabel yang dianalisis. Jika nilai KMO > 0,5 maka dapat dilakukan
analisis faktor namun jika nilai KMO < 0,05 maka tidak dapat dilakukan analisis faktor.
Untuk nilai signifikansi bartletts test of sphericity < 0,05 berarti ada korelasi yang kuat
antar variabel, namun jika nilai signifikansinya > 0,05 maka korelasinya tidak cukup
kuat.
Anti Image Matrices
Nilai Meassure of Sampling Adequacy berfungsi melihat interkorelasi antar variabel
dan untuk mengetahui apakah analisis faktor dapat dilakukan. Jangkauan nilai MSA
yaitu dari 0 hingga 1, jika nilai MSA < 0,5 maka variabel tidak dapat dilakukan analisis
faktor serta harus dikelurakan dari analisis.
Total Variance Explained
Berisi jumlah faktor yang sudah dianalisis yaitu yang memiliki nilai eigen value > 1.
Diagram Scree Plot
Menunjukan nilai eigen value dari masing-masing variabel dengan nilai > 1
Tabel Component Matrix
Berisi pengelompokan variabel yang belum dilakukan rotasi ke dalam faktor yang dapat
terbentuk hasil dari analisis yang telah dilakukan.
Rotated Component Matrix
Setelah dilakukan rotasi maka variabel-variabel dapat dikelompokan kembali ke dalam
kelompok faktor-faktor yang telah terbentuk berdasarkan nilai loading faktornya,
kemudian diberikan penamaan faktor setelah variabel dikelompokan.

DAFTAR PUSTAKA
Fajrillah. Analisis Faktor-Faktor yang Menjelaskan Dana Alokasi Umum dalam Jurnal
Penelitian. Medan : STT Harapan
Usman, Husaini & Akbar, P.S. 2006. Pengantar Statistika. Jakarta : Bumi Aksara
_____. 2008. Jumlah Sarana Pelayanan Keluarga Berencana. Jawa Barat: BKKBN
_____. 2008. Jumlah Petugas Pembantu Keluarga Berencana. Jawa Barat: BKKBN