Anda di halaman 1dari 21

SEMINAR BIOSTATISTIK LANJUT

ANALISIS FAKTOR

Oleh:
Sari Arlinda

(1206301406)

Loli Adriani

(1306351443)

PROGRAM STUDI MAGISTER ILMU KESEHATAN MASYARAKAT


FAKULTAS KESEHATAN MASYARAKAT
UNIVERSITAS INDONESIA
2014

ANALISIS FAKTOR
Definisi dan Konsep
Dalam penelitian terkadang kita melakukan pengukuran fenomena yang abstrak, yang
tidak dapat diukur secara langsung.

Seperti contohnya pengukuran kepuasan terhadap

pelayanan RS, motivasi, loyalitas, kinerja dan sebagainya. Pengukuran dilakukan secara
tidak langsung, yaitu melalui pertanyaan/pernyataan yang mewakili konsep abstrak tersebut.
Pengukuran variabel abstrak dapat dilakukan dengan menggunakan analisis faktor, untuk
menentukan hubungan antar sejumlah variabel-variabel yang saling independen satu sama
lain, sehingga juga bisa untuk menguji validitas konstruk, yaitu membuat satu atau beberapa
kumpulan variabel yang lebih sedikit dari jumlah variabel awal, dimana kumpulan variabel
tersebut disebut dengan faktor dan faktor tersebut tetap mencerminkan variabel-variabel
aslinya.
Analisis faktor (factor analysis) adalah analisis multivariat yang merupakan
interdependence tehnique yaitu tidak ada variabel dependen dan independen, dan data yang
dianalisis berupa data numerik. Proses analisis faktor mencoba menemukan hubungan
(interrelationship) diantara sejumlah variabel yang saling independen satu dengan yang lain
(Riyanto, 2012).
Manfaat dari dilakukannya analisis faktor (factor analysis), adalah :
1.

Mengekstrak variabel laten dari variabel konstruk atau mereduksi variabel menjadi
variabel baru.

2.

Mempermudah interpretasi hasil analisis sehingga didapatkan informasi yang realistik


dan sangat berguna.

3.

Pengelompokan dan pemetaan objek (mapping dan clustering) berdasarkan karakteristik


yang terkandung didalam faktor.

4.

Pemeriksaan validitas dan reliabilitas instrumen penelitian.

5.

Dengan diperolehnya skor faktor, maka analisis faktor merupakan langkah awal (sebagai
data input) dari berbagai metode analisis data lain.

Syarat Analisis Faktor


Beberapa hal yang harus diperhatikan ketika melakukan analisis faktor, antara lain
(Ariawan, 2013);
1.

Variabel bersifat ordinal dengan minimal ada tiga tingkatan.

2.

Distribusi variabel normal tidak terlalu ketat (Tabachnick & Fidell, 2001).

3.

Hubungan antar variabel linier.

4.

Antar pertanyaan harus ada korelasi sedang sampai tinggi.

5.

Jumlah sampel; secara umum jumlah sampel yang dianjurkan antara 50 sampai 100
sampel. Dalam terminologi SPSS, berarti antara 50 100 baris, Namun penentuan
sampel dapat pula menggunakan patokan rasio 10 : 1, yang artinya untuk satu variabel
seharusnya ada 10 sampel (Riyanto, 2012).
Sedangkan menurut pendapat lain jumlah sampel harus cukup besar;
Paling tidak 300 responden (Tabachnick & Fidell, 2001 dalam Ariawan, 2013).
Paling tidak 10 dikali jumlah item (Nunally & Bernstein, 1994 dalam Ariawan, 2013).
Kriteria sampel;
50 sampel digolongkan sangat sedikit.
100 sampel digolongkan sedikit.
200 sampel digolongkan cukup.
300 sampel digolongkan bagus.
500 sampel digolongkan sangat bagus.
1000 sampel digolongkan sangat bagus sekali (excellent).
Pada analisis faktor jika ada data missing, maka estimasikan nilai yang missing atau
membuang kasus tersebut.

Tujuan Analisis Faktor


1. Data Summarization, yakni mengidentifikasi adanya hubungan antar variabel dengan
melakukan uji korelasi. Terdapat dua uji korelasi dalam analisis faktror yaitu; R Factor
Analysis, jika korelasi dilakukan antar variabel (dalam pengertian SPSS adalah kolom),
dan Q Factor Analysis/Cluster Analysis, jika korelasi dilakukan antar responden (dalam
pengertian SPSS adalah baris).
2. Data Reduction, setelah melakukan korelasi, dilakukan proses membuat sebuah variabel
set baru yang dinamakan faktor untuk menggantikan sejumlah variabel tertentu.
Kelebihan dan Keterbatasan Analisis Faktor
1. Kelebihan Analisis Faktor
Dapat mereduksi variabel menjadi lebih sedikit.
Dapat menjadikan faktor lebih bermakna.

Dapat mengidentifikasi hubungan antar variabel yang saling independen.


2. Keterbatasan Analisis Faktor
Dalam proses analisis sangat tergantung pada peralatan komputer.
Masih diperlukan metode analisis statistik yang lain.
Tidak dapat menghasilkan model analisis seperti pada model analisis yang lain.
Asumsi Analisis Faktor
Asumsi yang terpenting yang mendasari analisis faktor adalah lebih kepada konseptual
daripada statistikal. Sebagian besar peneliti selalu berfokus pada terpenuhi syarat statistik
pada setiap analisis multivariate, namun pada analisis faktor yang menjadi perhatian yang
sama besarnya dengan kualitas statistik, adalah karakter dan komposisi variabel yang
diikutkan dalam analisis (Hair, 2010).
Asumsi Konseptual
Asumsi konseptual yang mendasari analisis faktor berhubungan dengan variabel yang
dipilih dan pemilihan sampel. Asumsi dasar dari analisis faktor adalah bahwa terdapat suatu
struktur yang mendasari suatu set variabel yang terpilih. Terdapatnya hubungan antar variabel
tidak menjamin bahwa hasil penelitian tersebut relevance, walau telah memenuhi syarat
secara statistik.
Adalah menjadi tanggungjawab peneliti untuk menjamin penelitian tersebut valid secara
konseptual dan sesuai dilakukan dengan menggunakan analisis faktor, karena teknik tidak
menentukan kepantasan/kesesuaian namun hanya berguna untuk melihat korelasi yang terjadi
antar variabel saja. Misalnya, menggabungkan variabel dependen dan independen dalam satu
analisis faktor kemudian digunakan untuk mengukur variabel dependent, hal ini tidak
dibenarkan (Hair, 1998).
Jadi yang perlu digaris bawahi dalam hal ini adalah konsep dasar yang kuat yang
mendukung asumsi dari struktur yang ada, sebelum analisis faktor dilakukan.
Asumsi secara statistik
Oleh karena prinsip utama analisis faktor adalah korelasi, maka asumsi-asumsi akan terkait
dengan metode statistik korelasi adalah:
1.

Besar korelasi atau korelasi antar independen variabel harus cukup kuat, misalnya
diatas 0,5.

2.

Besar korelasi parsial, yaitu korelasi antar 2 variabel dengan menganggap tetap variabel
yang lain harus kecil. (SPSS: Anti-Image Correlation)

3.

Pengujian seluruh matriks korelasi yang diukur dengan besaran Bartlett Test of
Sphericity atau Measure Sampling Adequacy (MSA). Pengujian ini mengharuskan
adanya korelasi yang signifikan diantara paling sedikit beberapa variabel. Agar data
dapat dianalisis lebih lanjut maka angka Bartlett test harus diatas 0.5 dengan P value
lebih kecil dari (0.05). Sedangkan untuk nilai MSA berkisar antara 0 1. Jika nilai
MSA > 0.5, variabel dapat diprediksi dan dapat dianalisis lebih lanjut. Jika nilai MSA
< 0.5 maka variabel tidak dapat diprediksi dan tidak dapat dianalisis lebih lanjut atau
dikeluarkan dari variabel lainnya.

4.

Pada beberapa kasus, asumsi normalitas dari variabel-variabel atau faktor yang terjadi
sebaiknya dipenuhi.

Proses Analisis Faktor


Setelah sampel didapat dan uji asumsi terpenuhi, langkah selanjutnya adalah melakukan
proses analisis faktor. Proses tersebut meliputi :
1. Menentukan variabel apa saja yang akan dianalisis.
2. Menguji variabel-variabel yang telah ditentukan, menggunakan metode Barlett Test of
Sphericity serta pengukuran MSA (Measure Sampling Adequacy).
3. Melakukan proses inti pada analisis faktor, yaitu factoring atau menurunkan satu atau
lebih faktor dari variabel-variabel yang telah lolos uji variabel sebelumnya.
4. Melakukan proses Factor Rotation atau rotasi terhadap faktor yang telah terbentuk .
Tujuan rotasi untuk memperjelas variabel yang masuk ke dalam faktor tertentu.
Beberapa metode rotasi :
Orthogonal Rotation, yaitu memutar sumbu 90o.

Proses rotasi dengan metode

Orthogonal masih bisa dibedakan menjadi quartimax, Varimax dan equimax.


Oblique Rotation, yaitu memutar sumbu ke kanan tetapi tidak harus 90o. Proses rotasi
dengan metode ini masih bisa dibedakan menjadi Oblimin, Promax Orthoblique dan
lain-lain.
5. Interpretasi atas faktor yang telah terbentuk khususnya memberi nama atas faktor yang
terbentuk, yang dianggap bisa mewakili variabel-variabel anggota faktor tersebut.

6. Validasi atas hasil faktor untuk mengetahui apakah faktor yang terbentuk telah valid atau
dapat digeneralisasi ke dalam populasi. Validitas bisa dilakukan dengan berbagai cara
seperti :
Membagi sampel awal menjadi dua bagian, kemudian membandingkan hasil faktor
sampel satu dengan sampel dua. Jika hasil tidak banyak perbedaan, bisa dikatakan
faktor yang terbentuk telah valid.
Dengan melakukan metode Confirmatory Factor Analysis (CFA) dengan Structural
Equation Modelling (SEM).
7. Pembuatan faktor score
Factor score adalah upaya untuk membuat satu atau beberapa variabel yang lebih sedikit
dan berfungsi untuk menggantikan variabel asli yang sudah ada. Pembuatan factor score
berguna jika akan dilakukan analisis lanjutan seperti analisis regresi atau analisis
diskriminan.
Langkah Analisis Faktor
A. Jenis Varian dan Menentukan Metode Ekstraksi
Segera setelah ditetapkan bahwa analisis faktor merupakan teknik yang tepat untuk
menganalisis data yang telah dikumpulkan, maka tahap berikutnya adalah mengidentifikasi
struktur yang mendasari data tersebut. Dalam hal ini yang perlu diperhatikan adalah;
1). Memilih metode dalam mengekstraksi faktor apakah Principal Component
Analysis/PCA atau Common Factor Analysis.
2). Menentukan jumlah faktor yang akan terbentuk.
Pemilihan metode ekstrasi faktor sangat bergantung pada pengetahuan mengenai
karakteristik dasar dari hubungan antar variabel yang ada. Penentuan metode juga bergantung
pada pengetahuan mengenai varian yang ada pada variabel-variabel penelitian. Ketika suatu
variabel dikatakan berkorelasi dengan variabel lain maka dikatakan bahwa variabel ini
berbagi varian dengan variabel yang lain.
Pada analisis faktor, variabel dikelompokkan berdasarkan besarnya korelasi, suatu
variabel termasuk didalam faktor yang sama jika memiliki korelasi yang tinggi diantara
variabelnya. Oleh karena itu, untuk kepentingan analisis faktor, adalah penting untuk
memahami berapa besar varians dari suatu variabel dibagi dengan variabel lainnya pada
faktor yang sama, dan berapa varian yang tidak dapat dibagi (yang tidak dapat dijelaskan oleh
variabel).

Varian total dibagi menjadi tiga:


1. Common variance, varian pada suatu variabel yang dibagi dengan seluruh variabel lainnya
pada analisis. Varians dihitung berdasarkan pada korelasi variabel dengan seluruh variabel
lain pada analisis. Ditunjukkan oleh nilai communality.
2. Spesific variance (unique variance), yakni varian yang berkaitan dengan variabel tertentu
saja, jenis varian ini tidak dapat dijelaskan (diurai) dengan korelasi hingga menjadi bagian
dari variabel lain, namun varian ini masih berkaitan secara unik dengan satu variabel.
3. Error variance, yaitu varian yang tidak dapat dijelaskan melalui proses korelasi, terjadi
karena tidak reliabel dalam proses pengumpulan data, kesalahan dalam pengukuran.
Sehingga total varian adalah gabungan dari ketiga jenis varian diatas, yaitu gabungan
dari common variance, unique variance dan error variance. Jika suatu variabel berkorelasi
erat dengan satu atau lebih variabel maka common variance (communality) meningkat.
Sebaliknya, apabila pengukuran tidak reliabel sehingga terdapat nilai error variance yang
tidak dapat diperkirakan, maka jumlah common variance dan kemampuan untuk mempunyai
hubungan dengan variabel lain akan berkurang.
Setelah memahami konsep varian ini maka akan mudah untuk membedakan metode
ekstrasi faktor yang akan dipilih nantinya.
Terdapat dua metode ekstrasi faktor, yaitu;
(1). Principal Component Analysis
Pada Principal Component Analysis, jumlah varian dalam data diperhitungkan, diagonal
matriks korelasi terdiri dari angka satu (1) dan full variance dibawa ke dalam matriks
faktor. Principal Component Analysis direkomedasikan jika hal yang pokok ialah
menentukan bahwa banyaknya faktor harus minimum dengan memperhitungkan varian
maksimum dalam data untuk dipergunakan di dalam analisis multivariate lebih lanjut,
faktor-faktor tersebut dinamakan Principal Component (Supranto, 2004).
(2). Common Factor Analysis, yang terdiri dari exploratory dan confirmatory factor analysis.
Faktor diestimasi hanya didasarkan pada common variance, communalities dimasukkan
di dalam matriks korelasi. Metode ini dianggap tepat kalau tujuan utamanya ialah
mengenali atau mengidentifikasi dimensi yang mendasari dan common variance yang
menarik perhatian. Metode ini juga dikenal sebagai Principal Axis Factoring (Supranto,
2004) . Terdiri dari;

Exploratory Factor Analysis (EFA).


Dalam Analisis Faktor Eksploratori akan dilakukan eksplorasi dari indikator-indikator
atau variabel-variabel manifest yang ada, yang nantinya akan terbentuk faktor-faktor,
yang kemudian dilakukan interpretasi terhadapnya untuk menentukan variabel-variabel
laten apa yang dapat diperoleh, untuk lebih jelas dapat dilihat pada gambar berikut ini.
Gambar 1. Exploratory Factor Analysis

X1
X2
X3
X4

F?

X5

Berapa F yang akan


terbentuk?
F tersebut merupakan
variabel laten apa saja?

X6
(Sumber: Munir, 2013).

Dalam gambar tersebut terdapat 6 enam variabel manifest, dan dari 6 variabel tersebut
akan membentuk beberapa faktor (F), dan faktor tersebut merupakan variabel laten apa
saja, adalah merupakan tujuan dari Exploratory Factor Analysis (EFA).
Confirmatory Factor Analysis (CFA).
Di dalam Confirmatory Factor Analysis, faktor yang harus terbentuk serta variabelvariabel laten yang termasuk kedalam faktor-faktor tersebut sudah diketahui
berlandaskan teori dan konsep yang ada. Dengan kata lain, di dalam CFA sudah ada
asumsi jumlah konstruk dan juga pertanyaan/pernyataan yang mewakili konstruk
tersebut dan antar konstruk boleh ada korelasi.

Sehingga yang perlu dilakukan adalah konfirmasi lebih lanjut untuk memeriksa
validitas dan relaibilitasnya. Jadi pada prinsipnya Confirmatory Factor Analysis hanya
melakukan konfirmasi berdasarkan teori atau konsep yang sudah ada terhadap
keakuratan instrumen yang kita buat.
Sebagai contoh : Kita ingin mengukur Ability dan Aspiration dari karyawan.
Gambar 2. Confirmatory Factor Analysis

X1
X2

ABILITY

X3
X4
X5

ASPIRATIO
N

Faktor yang terbentuk


adalah 2 faktor.
Faktor 1 = Ability
Faktor 2 = Aspiration

(Sumber, Munir, 2013)


Metode lainnya yang lebih kompleks meliputi; the methods of unwighted least squares,
generalized least squares, maximum likelihood method, aplha method dan image factoring
(Supranto, 2004).
Perbandingan Principal Component dengan Common Factor Analysis:
Principal Component Analysis

Common Factor Analysis

1. Tujuan;
1. Tujuan;
Digunakan jika tujuan utamanya adalah
Dipergunakan jika tujuan utamanya
untuk merangkum (summarize) variabel
adalah untuk mengetahui underlying
original menjadi faktor dengan jumlah
factor atau dimensi yang mencerminkan
yang minimum.
apa yang variabel share secara umum.

2. Varian;
2. Varian;
Perhitungan berdasarkan total varian,
Hanya
memperhitungkan
common
dan menentukan faktor yang masih
variance, mengasumsikan bahwa unique
terdapat sejumlah kecil unique varian
dan error variance tidak ikut serta
dan sebagian kecil lagi error variance.
dalam membentuk struktur variabel.
Peneliti tidak memiliki cukup informasi
dari penelitian terdahulu mengenai
varians yang diukur.
3. Pada PCA tidak ada asumsi konstruk 3. Dibagi menjadi;
(jenis dan jumlah).
- Exploratory Factor Analysis (EFA)
Ada konstruk tetapi dianggap tidak
ada korelasi.
- Confirmatory Factor Analysis (CFA)
Ada konstruk boleh ada korelasi.
Pada prinsipnya Confirmatory Factor
Analysis hanya melakukan konfirmasi
berdasarkan teori atau konsep yang
sudah ada terhadap keakuratan
instrumen yang kita buat (validitas).
Gambar 3.
Perbedaan Penggunaan Varians Pada PCA dan Common Factor Analysis
Total Variance=
PCA

Common

Factor Analysis
(Sumber: Hair, 1998)

Common Variance + Spesific Variance+ Error


Variance

Common Variance

Spesific and Error


Variance

B. Menentukan Jumlah Faktor yang Terbentuk


Setelah mengidentifikasi metode ekstraksi yang akan digunakan pada analisis faktor
maka langkah selanjutnya adalah menentukan jumlah faktor yang terbentuk. Sebenarnya bisa
diperoleh faktor sebanyak variabel yang ada, akan tetapi menjadi tidak berguna untuk
melakukan analisis faktor. Maksud dari melakukan analisis faktor ialah mencari variabel baru
yang disebut faktor yang saling tidak berkolerasi, bebas satu sama lainnya, lebih sedikit
jumlah dari variabel asli, akan tetapi bisa menyerap sebagian besar informasi yang
terkandung dalam variabel asli atau yang bisa memberikan sumbangan terhadap varian
seluruh variabel, misalnya lebih besar dari 75%. Lalu berapa sebenarnya banyaknya faktor
yang harus disarikan (extracted)?
Beberapa prosedur bisa disarankan yaitu penentuan secara aprior, eigenvalues, scree ploot,
presentase varian, dan split half reliability.
a. Penentuan Apriori
Penentuan ini digunakan apabila karena pengalaman sebelumnya peneliti telah tahu berapa
banyaknya faktor yang akan terbentuk sebenarnya, dengan menyebut suatu angka, misalnya 3
atau 4 faktor yang harus disarikan dari variabel atau data asli. Upaya untuk menyarikan
(extract) berhenti, setelah banyaknya faktor yang diharapakan sudah didapat, misalnya cukup
4 faktor saja. Sebagian besar program komputer memungkinkan peneliti untuk menentukan
banyaknya faktor yang diinginkan.
b. Penentuan Berdasarkan Eigenvalues
Di dalam pendekatan ini hanya faktor dengan eigenvalueslebih dari 1 (satu) yang
dipertahankan, jika lebih kecil dari satu faktor tidak diikutsertakan dalam model. Suatu
eigenvaluess menunjukkan besarnya sumbangan dari faktor terhadap varian seluruh variabel
asli.
c. Penentuan Berdasarkan Scree Plot.
Scree Plot merupakan suatu plot dari eigenvalue sebagai fungsi yang memperlihatkan
banyaknya faktor yang terbentuk. Bukti hasil eksperimen memperlihatkan bahwa titik pada
tempat dimana the scree mulai terjadi, menunjukkan banyaknya faktor yang benar.

Gambar 4. Scree Plot

Dari gambar diatas diketahui bahwa jumlah faktor yang terbentuk ada 4 faktor, ada 4
faktor yang nilainya diatas satu (cut off point).
d. Penentuan Didasarkan pada Persentase Varian.
Pada pendekatan ini banyaknya faktor yang diekstraksi ditentukan sedemikian rupa
sehingga kumulatif persentase varian yang diekstraksi oleh faktor mencapai suatu level
tertentu yang memuaskan. Sebenarnya berapa besar nilai kumulatif persentase varian
sehingga dicapai suatu level yang memuaskan? Hal ini tergantung pada masalahnya. Akan
tetapi sebagai pedoman yang disarankan ialah bahwa ekstraksi faktor dihentikan jika
kumulatif persentase varian telah mencapai paling sedikit 60% atau 75% dari seluruh varian
variabel asli.
e. Split-Half Reliability
Sampel dibagi menjadi dua, analisis faktor dilakukan pada masing-masing bagian sampel
tersebut. Hanya faktor dengan faktor loading yang sesuai pada kedua sub-sampel yang
dipertahankan, yaitu faktor loading yang memang tinggi pada masing-masing variabel.

C. Rotasi
Rotasi dilakukan untuk memastikan suatu variabel masuk ke dalam faktor yang mana.
Rotasi terbagi menjadi 2 yaitu; Orthogonal dan Oblique. Yang paling sering digunakan
adalah orthogonal yaitu varimax.
D. Interpretasi
Interpretasi menjelaskan setelah dilakukan analisis faktor maka variabel-variabel analisis
tereduksi menjadi berapa faktor jumlahnya dan dinamai sebagai faktor apa.
E. Validasi
Validasi analisis faktor dilakukan untuk mengetahui apakah hasil analisis faktor tersebut
bisa digeneralisasikan pada populasi. Proses validasi ada berbagai macam cara, namun yang
paling praktis digunakan adalah dengan menguji kestabilan faktor yang telah terbentuk.
Validasi dilakukan dengan membagi sampel menjadi dua, kemudian diuji secara terpisah
apabila tabel pada component transformation matrix pada sampel 1 dan ke 2 menghasilkan
jumlah faktor yang sama maka analisis faktor adalah valid.
F. Membuat Faktor Scores
Factor scores pada dasarnya adalah upaya untuk membuat satu atau beberapa variabel
yang lebih sedikit dan berfungsi untuk menggantikan variabel asli yang sudah ada.
Pembuatan faktor scores berguna untuk melakukan analisis lanjutan seperti analisis regresi
atau analisis diskriminan.
Contoh Kasus:
Suatu instrumen digunakan untuk mengukur kepuasan pasien terhadap pelayanan di
puskesmas di propinsi Sumatera Selatan, Jambi dan Papua. Kepuasan pasien diukur
berdasarkan 5 dimensi kepuasan (Panarusaman) + keterjangkauan fasilitas

Emphaty

Tangible

Reliability

Responsiveness

Assurance

Cost & distance

Tahapannya adalah sebagai berikut;


- Buka file, klik Analyze, lalu pilih Data Reduction, kemudian pilih Factor.

- Kemudian pindahkan variabel yang akan dianalisis ke kotak kanan seperti gambar berikut:

- Lalu klik Descriptive, Intial Solution, Coefficients, Determinant, KMO and Bartletts test
of sphericity, dan Anti-Image.

- Lalu klik continue, kemudian OK. Output yang dihasilkan adalah sebagai berikut:
Correlation Matrixa
Correlation

F3a
F3b
F3c
F3d
F3e
F3f
F3g
F3h
F3i
F3j
F3k
F3l

F3a
1.000

F3b
.900

F3c
.715

F3d
.732

F3e
.767

F3f
.764

F3g
.670

F3h
.737

F3i
.774

F3j
.718

F3k
.613

F3l
.597

.900
.715

1.000
.752

.752
1.000

.770
.800

.800
.752

.799
.737

.699
.712

.767
.741

.790
.733

.737
.711

.631
.569

.616
.587

.732
.767
.764

.770
.800
.799

.800
.752
.737

1.000
.814
.764

.814
1.000
.846

.764
.846
1.000

.728
.737
.755

.783
.786
.784

.778
.813
.816

.752
.784
.794

.639
.685
.658

.662
.668
.639

.670
.737
.774

.699
.767
.790

.712
.741
.733

.728
.783
.778

.737
.786
.813

.755
.784
.816

1.000
.828
.748

.828
1.000
.865

.748
.865
1.000

.726
.790
.864

.647
.663
.691

.642
.643
.660

.718
.613
.597

.737
.631
.616

.711
.569
.587

.752
.639
.662

.784
.685
.668

.794
.658
.639

.726
.647
.642

.790
.663
.643

.864
.691
.660

1.000
.761
.723

.761
1.000
.790

.723
.790
1.000

a. Determinant = 5.36E-007

Nilai determinan mendekati 0, tetapi tidak sama dengan 0, yaitu sebesar 5.36 E-007.
Artinya matrik korelasi antar variabel saling terkait. Berikutnya lihat nilai KMO dan
Barletts test of sphrecity.

KMO bernilai 0.951 atau mendekati 1. Artinya jumlah item-item yang ada mencukupi
untuk dilakukan analisis faktor. Dan nilai Barlett sebesar 39768.5 dengan nilai signifikansi
0.000, artinya memenuhi persyaratan dilakukan analisis faktor.

Pada tabel Anti Image Matrices nilai MSA (nilai diagonal dengan huruf a diatasnya)
tidak ada yang kurang dari 0,5 sehingga dapat dilakukan tahap berikutnya.
- Ekstraksi
Ekstraksi dilakukan untuk mereduksi jumlah variabel yang ada, pada contoh kasus ini
menggunakan Principal Componen Analysis. Langkah-langkahnya adalah sebagai berikut;
Klik Analyze, Factor, Data Reduction, Extraction, method pilih Principal Component.
Untuk Display klik Unrotated Factor Solution dan Scree plot.

Hasil output adalah sebagai berikut.

Communalities menggambarkan jumlah varian variabel yang dapat dijelaskan oleh faktor
yang terbentuk. Semakin besar communalities semakin erat hubungannya dengan faktor
yang terbentuk.

Dari tabel Total Variance Explained diketahui ada 12 variabel yang dimasukkan dalam
proses ekstraksi faktor, dengan masing-masing memiliki varian maka total varian dari 12
variabel adalah 12. Jika 12 variabel tersebut diringkas menjadi 1 faktor maka varians yang
dapat dijelaskan oleh satu faktor tersebut adalah;
9.089/12 x 100% = 75.74 %.
Jika 12 faktor tersebut diekstraksi menjadi 6 faktor maka keenam faktor akan menjelaskan
92.67 % variabilitas dari 12 variabel asli. Angka eigenvalue menunjukkan kepentingan
relatif masing-masing faktor dalam menghitung varian keduabelas variabel, sehingga jika
dijumlahkan semua angka eigenvalues jumlahnya adalah 12.

Kemudian selanjutnya adalah melihat nilai factor loading yang terdapat di component
matrix. Dimana component matrix memperlihatkan distribusi 12 variabel pada faktor yang
terbentuk.

Angka-angka yang terdapat tabelnya disebut sebagai factor loading yang menunjukkan
besaran korelasi setiap variabel dengan masing-masing faktor. Penentuan variabel mana
akan masuk ke faktor apa dilakukan dengan membandingkan besar korelasi setiap baris.
Jika ada nilai yang tidak jelas variabel tersebut masuk ke faktor apa maka perlu dilakukan
rotasi. Seperti variabel alat yang nilai factor loadingnya berdekatan. Rotasi adalah sebagai
berikut.
- Rotasi
Rotasi klik Analyze, Data Reduction, Factor, Rotation dan Varimax.

Output adalah sebagai berikut.

Dari output diatas dapat disimpulkan bahwa faktor-faktor yang terbentuk terdiri dari:
1. biaya dan keterjangkauan fasilitas
2. keramahan dan komunikasi

3. kelengkapan dan kebersihan


4. rasa aman dan kerahasiaan
5. waktu tunggu dan pelayanan cepat
6. penjelasan dan keterampilan petugas
- Interpretasi
Setelah faktor terbentuk maka langkah selanjutnya adalah memberi nama terhadap faktor
tersebut yang menggambarkan variabel-variabel yang ada didalamnya/garis besar dari
variabel (underlying dimension). Maka dinamakan sebagi berikut;
1. biaya dan keterjangkauan fasilitas, dinamakan cost.
2. keramahan dan komunikasi, dinamakan emphaty.
3. kelengkapan dan kebersihan, dinamakan tangible.
4. rasa aman dan kerahasiaan, dinamakan assurance.
5. waktu tunggu dan pelayanan cepat, dinamakan responsiveness.
6. penjelasan dan keterampilan petugas, dinamakan reliabily.
- Validasi
Langkah selanjutnya adalah melakukan validasi. Ketika faktor yang terbentuk pada
validasi sama dengan faktor awal, maka faktor yang terbentuk diawal dapat dikatakan
valid dan dapat digeneralisasi ke populasi.
- Pembuatan Skor Faktor
Pembuatan skor tidak diharuskan pada analisis faktor. Pembuatan factor score berguna
untuk analisis lanjutan, seperti analisis regresi atau diskriminan. Langkahnya adalah
sebagai berikut;
Klik Extraction, method pilih Principal Component. Pada Display pilih Unrotated
Factor Rotation, lalu Continue.
Pada Rotation, klik varimax, rotated solution, loading plot dan continue.
Klik Score aktifkan save as variable, method regression. Aktifkan Display Factor
Score Coefficient Matrix.
Hasil faktor skor yang terbentuk dapat dilihat pada row data.

- Kesimpulan
Dari keduabelas variabel setelah dilakukan analisis faktor, diekstraksi menjadi 6 faktor.
Keenam faktor itu adalah cost, emphaty, tangible, assurance, responsiveness, dan
reliability.

REFERENSI
Ariawan, Iwan . 2013. Analisis Faktor. Materi Kuliah Skala Sikap. Depok: Fakultas
Kesehatan Masyarakat Universitas Indonesia.
Hair, J.F. , Anderson, Rolph. E., Thatam, Ronald. L., Black William, C. 1998. Multivariate
Data Analysis Fifth Edition. New Jersey: Prentice Hall.
http://www.ats.ucla.edu/stat/spss/output/factor1.htm. Diunduh; Oktober2014.
Munir, Abdul Rozak. 2013. Aplikasi Analisis Faktor untuk persamaan Simultan dengan
SPSS versi 12. Makassar: Laboratorium Kompetensi Manajemen Fakultas Ekonomi
Unhas.
Riyanto, Agus. 2012. Penerapan Analisis Multivariat dalam Penelitian Kesehatan.
Yogyakata: Nuhamedika.
Santoso, Singgih. 2014. Statistik Multivariat Edisi Revisi. Jakarta: PT Elex Media
Komputindo.
Supratno J. 2004. Analisis Multivariat Arti dan Interpretasi. Jakarta: Rineka Cipta.