ANALISIS FAKTOR

PAPER
Ditulis untuk Memenuhi Tugas Matakuliah Aplikasi Komputer Statistik 25 Mei 2015
Oleh
Ade Isro (135020200111088)

JURUSAN MANAJEMEN
FAKULTAS EKONOMI & BISNIS
UNIVERSITAS BRAWIJAYA
MALANG
2015

A. 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
B. Pengertian Analisis Faktor
Analisis faktor adalah sebuah teknik yang digunakan untuk mencari faktor-faktor yang
mampu menjelaskan hubungan atau korelasi antara berbagai indikator independen yang
diobservasi.
Analisis faktor merupakan perluasan dari analisis komponen utama. Analisis faktor digunakan
untuk mengidentifikasi sejumlah faktor yang relatif kecil yang dapat digunakan untuk menjelaskan
sejumlah besar variabel yang saling berhubungan.
Sehingga variabel-variabel dalam satu faktor mempunyai korelasi yang tinggi, sedangkan
korelasi dengan variabel-variabel pada faktor lain relatif rendah. Tiap-tiap kelompok dari variabel
mewakili suatu konstruksi dasar yang disebut faktor. Untuk meningkatkan daya interpretasi faktor,
harus dilakukan transformasi pada matriks loading. Transformasi dilakukan dengan merotasi
matriks
tersebut
dengan
metode varimax,
quartimax,
equamax,
quartimin,
biquartimin dan covarimin serta oblimin.

Hasil rotasi ini akan mengakibatkan setiap variabel asal mempunyai korelasi tinggi dengan
faktor tertentu saja dan dengan faktor yang lain korelasi relatif rendah sehingga setiap faktor akan
lebih mudah untuk diinterpretasikan. Untuk mengetahui rotasi mana yang sesuai digunakan Mmin
yang dihasilkan dari analisis procrustes.
Analisis procrustes adalah suatu teknik analisis yang digunakan untuk membandingkan dua
konfigurasi. Dalam hal ini konfigurasi data hasil analisis factor yang sudah dirotasi dibandingkan
dengan data asal. Sebelum kedua data dibandingkan terlebih dahulu kedua data diproses
berdasarkan penetapan dan penyesuaian posisi.
Penetapan dan penyesuaian dengan posisi dilakukan dengan transformasi yaitu transformasi
translasi, rotasi maupun dilasi yang dibuat sedemikian sehingga diperoleh jarak yang sedekat
mungkin. Setelah proses tersebut dilakukan dapat diketahui sejauh mana konfigurasi data analisis
faktor dapat menggambarkan data asal.
C. 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. 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. 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. Untuk menguji valisitas dan reliabilitas instrumen dengan analisis faktor konfirmatori.
4. Validasi data untuk mengetahui apakah hasil analisis faktor tersebut dapat digeneralisasi ke
dalam populasinya, sehingga setelah terbentuk faktor, maka peneliti sudah mempunyai suatu
hipotesis baru berdasarkan hasil analisis faktor.
D. Langkah-langkah Pengerjaan dan Contoh Pengerjaan
Langkah-langkah untuk melakukan analisis faktor pada software SPSS adalah sebagai berikut:
1. Pada menu SPSS, klik Analyze, Data Reduction, Factor. Masukkan semua variabel ke dalam
kotak "Variables".
2. Tekan tombol "Descriptives" kemudian centang "Univariate descriptives", "Initial Solutions",
"Coefficients", "Significance Levels", "Determinant", "KMO and Bartlett`s test of sphericity"
dan "Anti Image". Klik "Continue".
3. Tekan tombol "Extractions" kemudian pilih "Principal components" sebagai method, pada
"Analyze" pilih "Correlation matrix", pada "display" pilih "Unrotated factor solution" dan
"Scree plot". Pada extract, pilih Eigenvalue over dan isi dengan angka "1". Klik "Continue".
4. Tekan tombol "Rotation" kemudian centang "Varimax" dan pada display centang semua, yaitu
"Rotated solutions" dan "Loading plot(s)". Klik "Continue".
5. Tekan tombol "Options" kemudian centang "Sorted by Size". Klik Continue
6. Kemudian tekan OK

Untuk contoh pengerjaannya, pertama adalah mengisi kolom pada variable view seperti berikut ini

Kemudian mengisi data pada data view.

Pilih menu Analyze, pilih Dimension Reduction, kemudian pilih Factor...

Maka akan muncul jendela Factor Analysis, kemudian masukan semua variable. Pada menu
descriptive kemudian centang "Univariate descriptives", "Initial Solutions", "Coefficients",
"Significance Levels", "Determinant", "KMO and Bartlett`s test of sphericity" dan "Anti Image".
Klik "Continue"
Kemudian tekan menu "Extractions" kemudian pilih "Principal components" sebagai method, pada
"Analyze" pilih "Correlation matrix", pada "display" pilih "Unrotated factor solution" dan "Scree
plot". Pada extract, pilih Eigenvalue over dan isi dengan angka "1". Klik "Continue".
Tekan tombol "Rotation" kemudian centang "Varimax" dan pada display centang semua, yaitu
"Rotated solutions" dan "Loading plot(s)". Klik "Continue".
Tekan tombol "Options" kemudian centang "Sorted by Size". Kemudian klik Continue,
kemudian OK.
E. Hasil Pengerjaan
Berikut hasil output dari contoh pengerjaan sebelumnya.

Uji Determinant of Correlation Matrix

Matrik korelasi dikatakan antar variabel saling terkait apabila determinan bernilai mendekati nilai
0. Hasil perhitungan menunjukkan nilai Determinant of Correlation Matrix sebesar 0,006. Nilai
ini mendekatai 0, dengan demikian matrik korelasi antara variabel saling terkait

Kaiser Meyer Olkin Measure of Sampling (KMO)

adalah indek perbandingan jarak antara koefisien korelasi dengan koefisien korelasi parsialnya.
Jika jumlah kuadrat koefisen korelasi parsial di antara seluruh pasangan variabel bernilai kecil jika
dibandingkan dengan jumlah kuadrat koefisien korelasi, maka akan menghasilkan nilai KMO
mendekati 1. Nilai KMO dianggap mencukupi jika lebih dari 0,5. Hasil penelitian menunjukkan
bahwa nilai Kaiser Meyer Olkin Measure of Sampling sebesar 0,580. Dengan
demikianpersyaratan KMO memenuhi persyaratan karena memiliki nilai di atas 0,5.
Measures of Sampling Adequacy (MSA)
Pengujian persyaratan MSA terhadap 9 variabel, dijelaskan pada tabel di bawah ini:
Hasil Uji Persyaratan MSA

Nilai MSA pada tabel di atas ditunjukkan pada baris Anti Image Correlation dengan
tanda "a". Misal X1 nilai MSA = 0,513 dimana > 0,5 maka X1 memenuhi syarat MSA, sedangkan
MSA X2 = 0,450 < 0,5 maka X2 tidak memenuhi syarat MSA. Dari 9 variabel, hanya X2 dengan
MSA < 0,5, maka X2 dikeluarkan dari pengujian. Sehingga anda harus mengulangi langkah
analisis faktor seperti pada artikel sebelumnya, yaitu: analisis faktor dengan SPSS tanpa
mengikutsertakan X2.
Silahkan ulangi lagi, dan kembali lihat nilai Determinant, KMO, Barlett Test of
Spehricity dan MSA.

Setelah diulangi tanpa X2, maka lihat nilai Determinant: 0,009. KMO, yaitu: 0,593. Barlett
Test of Spehricity: 190,949 dengan sig: 0,000. Maka syarat KMO dan Barlett Test of
Spehricity terpenuhi. Selanjutnya kembali lihat nilai MSA:

Berdasarkan tabel di atas, masih ada variabel dengan MSA < 0,5 yaitu X3. Maka ulangi lagi
proses analisis tanpa mengikutsertakan X3.
Kemudian cek ulang, dan hasilnya yaitu:

Setelah diulangi tanpa X3, maka nilai Determinant: 0,013.

Setelah diulangi tanpa X3, maka nilai KMO: 0,609. Barlett Test of Spehricity: 176,562
dengan sig: 0,000. Maka syarat KMO dan Barlett Test of Spehricity terpenuhi. Selanjutnya
kembali lihat nilai MSA:

Dari tabel di atas menunjukkan bahwa 7 variabel diuji memenuhi persyaratan MSA yaitu di
atas 0,5 sehingga dapat digunakan untuk pengujian selanjutnya.

Dari tabel di atas menujukkan 7 variabel diuji memenuhi persyaratan komunalitas yaitu lebih
besar dari 0,5 (komunalitas > 0,5). Perlu diingat bahwa jika ada variabel dengan
nilai Extraction pada tabelCommunalities < 0,5, maka variabel tersebut tidak memenuhi syarat
komunalitas dan harus dikeluarkan dari pengujian serta harus mengulangi langkah analis faktor
dari awal tanpa mengikutsertakan variabel yang tidak memenuhi syarat komunalitas. Pengulangan
tersebut sama dengan cara pengulangan pada syarat MSA yang telah dijelaskan di atas.

DAFTAR PUSTAKA

Asumsi Analisis Faktor dengan SPSS. Uji Statistik. Maret. 2014. <
http://www.statistikian.com/2014/03/asumsi-analisis-faktor-dengan-spss.html>
Analisis Faktor dengan SPSS. Uji Statistik. Maret. 2014. <
http://www.statistikian.com/2014/03/analisis-faktor-dengan-spss.html>
Olah Data Statistik Menjadi Mudah dengan Program Aplikasi SPSS (Statistical Package for the
Social Sciences) Kompasiana. 28 Desember. 2012. <
http://teknologi.kompasiana.com/terapan/2012/12/28/olah-data-statistik-menjadi-mudahdengan-program-aplikasi-spss-statistical-package-for-the-social-sciences-519461.html>