BAB II

TINJAUAN PUSTAKA

2.1

Definisi Analisis Faktor

Analisis faktor adalah suatu analisis yang mereduksi data yaitu meringkas

sejumlah variabel menjadi lebih sedikit. untuk mereduksi data, yaitu proses untuk
meringkas sejumlah variabel menjadi lebih sedikit dan menamakannya sebagai
faktor. Dari faktor tersebut, akan memunculkan tingkat varian yang menjelaskan
seluruh makna yang terkandung di dalam data yang ada. Untuk menjelaskan nilai
variasi dari sejumlah komponen.(indikator), dapat digambarkan sebagai berikut :
Totale _ eigenvalue
x 100% = Total variance explained.
jumlahkomponen

Adapun untuk eigenvalue faktor menjelaskan mengenai kepentingan relatif

masing-masing faktor dalam menghitung varians sejumlah variabel yang disusun
selalu berurutan mulai dari yang terbesar hingga yang terkecil, dengan kriteria
bahwa angka eigenvalue di bawah 1 (satu) tidak digunakan dalam menghitung
jumlah faktor yang terbentuk.
Pengolahan data hasil dari jawaban kuesioner diolah dengan menggunakan
bantuan alat komputer SPSS (Santoso dan Fandy:2001). Hasil jawaban kuesioner
pada setiap indikator yang menguji korelasi antar variabel atau faktor, akan
dijumlahkan dan dibagi sesuai banyaknya indikator antara 2 hingga 4 untuk
mengetahui rata-rata dari jumlah jawaban per-responden. Hal ini diasumsikan
bahwa antara satu indikator dengan indikator lain dalam satu variabel tidak

LABORATORIUM OPTIMASI DAN STATISTIK INDUSTRI

MODUL 8 ( ANALISIS FAKTOR)
SENIN / MEJA I

memiliki hubungan antara satu dengan lainnya dan berdiri sendiri (independen),
namun nilai bobot antar indikator di dalamnya memiliki nilai yang sama.
Tahap pertama analisa faktor ialah memilih variabel yang layak dimasukkan
dalam analisis faktor. Oleh karena analisis faktor berupaya mengelompokkan
sejumlah variabel, maka seharusnya ada korelasi yang cukup kuat di antara
variabel, sehingga akan terjadi pengelompokan. Jika sebuah variabel atau lebih
berkorelasi lemah dengan variabel lainnya, maka variabel tersebut akan
dikeluarkan dari analisis faktor.

2.2

Tujuan Analisa 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.

LABORATORIUM OPTIMASI DAN STATISTIK INDUSTRI

MODUL 8 ( ANALISIS FAKTOR)
SENIN / MEJA I

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.
Analisis faktor pada dasarya dapat dibedakan secara nyata menjadi dua
macam yaitu:
Analisis faktor eksploratori atau analisis komponen utama (PCA = principle
component analysis) yaitu suatu teknik analisis faktor di mana beberapa faktor
yang akan terbentuk berupa variabel laten yang belum dapat ditentukan sebelum.
Pada prinsipnya analisis faktor eksploratori di mana terbentuknya faktor-faktor
atau variabel laten baru adalah bersifat acak, yang selanjutnya dapat
diinterprestasi sesuai dengan faktor atau komponen atau konstruk yang terbentuk.
Analisis faktor eksploratori persis sama dengan anlisis komponen utama
(PCA). Dalam analisis faktor eksploratori di mana peneliti tidak atau belum
mempunyai pengetahuan atau teori atau suatu hipotesis yang menyusun struktur
faktor-faktornya yang akan dibentuk atau yang terbentuk, sehingga dengan
demikian pada analisis faktor eksploratori merupakan teknik untuk membantu.
Analisis faktor eksploratori merupakan suatu teknik untuk mereduksi data dari
variabel asal atau variabel awal menjadi variabel baru atau faktor yang jumlahnya
lebih kecil dari pada variabel awal. Proses analisis faktor eksploratori mencoba
untuk menemukan hubungan antarvariabel baru atau faktor yang terbentuk yang
saling independen sesamanya, sehingga bisa dibuat satu atau beberapa kumpulan

LABORATORIUM OPTIMASI DAN STATISTIK INDUSTRI

MODUL 8 ( ANALISIS FAKTOR)
SENIN / MEJA I

variabel laten atau faktor yang lebih sedikit dari jumlah variabel awal yang bebas
atau tidak berkorelasi sesamanya. Jadi antar faktor yang terbentuk tidak
berkorelasi sesamanya.
Analisis faktor konfirmatori yaitu suatu teknik analisis faktor di mana
secara apriori berdasarkan teori dan konsep yang sudah diketahui dipahami atau
ditentukan sebelumnya, maka dibuat sejumlah faktor yang akan dibentuk, serta
variabel apa saja yang termasuk ke dalam masing-masing faktor yang dibentuk
dan sudah pasti tujuannya. Pembentukan faktor konfirmatori (CFA) secara sengaja
berdasarkan teori dan konsep, dalam upaya untuk mendapatkan variabel baru atau
faktor

yang

mewakili

beberapa

item

atau

sub-variabel.

Pada dasarnya tujuan analisis faktor konfirmatori adalah: pertama untuk

mengidentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi.
Tujuan kedua untuk menguji validitas dan reliabilitas instrumen. Dalam pengujian
terhadap validitas dan reliabilitas instrumen atau kuesioner untuk mendapatkan
data penelitian yang valid dan reliabel dengan analisis faktor konfirmatori.
Di dalam melakukan analisis faktor, keputusan pertama yang harus diambil oleh
peneliti adalah menganalisis apakah data yang ada cukup memenuhi syarat di
dalam analisis faktor. Langkah pertama ini dilakukan dengan mencari korelasi
matriks antara indicator-indikator yang diobservasi. Ada beberapa ukuran yang
bisa digunakan untuk syarat kecukupan data sebagai rule of thumb yaitu:
1. Korelasi matriks antar indikator: Metode yang pertama adalah memeriksa
korelasi matriks. Tingginya korelasi antara indikator mengindikasikan
bahwa indikator-indikator tersebut dapat dikelompokkan ke dalam sebuah
indikator yang bersifat homogen sehingga setiap indikator mampu

LABORATORIUM OPTIMASI DAN STATISTIK INDUSTRI

MODUL 8 ( ANALISIS FAKTOR)
SENIN / MEJA I

membentuk faktor umum atau faktor konstruk. Sebaliknya korelasi yang

rendah antara indikator megindikasikan bahwa indikator-indikator tersebut
tidak homogen sehingga tidak mampu membentuk faktor konstruk.
2. Korelasi parsial: Metode kedua adalah memeriksa korelasi parsial yaitu
mencari korelasi satu indikator dengan indikator lain dengan mengontrol
indikator lain. Korelasi parsial ini disebut dengan negative anti-image
correlations.
3. Kaiser-Meyer Olkin (KMO) : Metode ini paling banyak digunakan untuk
melihat syarat kecukupan data untuk analisis faktor. Metode KMO ini
mengukur kecukupan sampling secara menyeluruh dan mengukur
kecukupan sampling untuk setiap indikator.
2.3

Macam-Macam Analisis Faktor :

1.

Memilih variabel yang layak dimasukkan dalam analisis faktor. Oleh karena
analisis faktor berupaya mengelompokkan sejumlah variabel, maka
seharusnya ada korelasi yang cukup kuat di antara variabel, sehingga akan
terjadi pengelompokan. Jika sebuah variabel atau lebih berkorelasi lemah
dengan variabel lainnya, maka variabel tersebut akan dikeluarkan dari
analisis faktor.

2.

Setelah jumlah variabel terpilih, maka dilakukan ekstraksi variabel

tersebut hingga menjadi satu atau beberapa faktor.

3.

Faktor yang terbentuk, pada banyak kasus, kurang menggambarkan

perbedaan diantara faktor-faktor yang ada. Namun apabila isi faktor masih
diragukan, dapat dilakukan proses rotasi untuk memperjelas apakah faktor
yang terbentuk sudah secara signifikan berbeda dengan faktor lain.
LABORATORIUM OPTIMASI DAN STATISTIK INDUSTRI
MODUL 8 ( ANALISIS FAKTOR)
SENIN / MEJA I

4.

Setelah faktor benar-benar sudah terbentuk, maka proses dilanjutkan dengan

menamakan faktor yang ada. Kemudian beberapa langkah akhir juga perlu
dilakukan, yaitu validasi hasil faktor.
Pengolahan data hasil dari jawaban kuesioner diolah dengan menggunakan

bantuan alat komputer SPSS (Santoso dan Fandy:2001). Hasil jawaban kuesioner
pada setiap indikator yang menguji korelasi antar variabel atau faktor, akan
dijumlahkan dan dibagi sesuai banyaknya indikator antara 2 hingga 4 untuk
mengetahui rata-rata dari jumlah jawaban per-responden. Hal ini diasumsikan
bahwa antara satu indikator dengan indikator lain dalam satu variabel tidak
memiliki hubungan antara satu dengan lainnya dan berdiri sendiri (independen),
namun nilai bobot antar indikator di dalamnya memiliki nilai yang sama.
Setelah melakukan pengolahan data, maka data tersebut dianalisis
menggunakan metode analisis faktor dengan rotasi equamax. Metode equamax
berusaha menseleksi jumlah indikator dengan cara memilih indikator yang
mempunyai nilai loading besar dengan faktor penilaian. Telah dijelaskan
sebelumnya bahwa jumlah faktor penilaian untuk masing-masing variabel laten
mempunyai sepuluh penilaian. Karena jumlah kesepuluh faktor telah diketahui,
maka yang diseleksi adalah seluruh indikator yang mempunyai nilai loading besar
terhadap faktor. Hal ini cukup beralasan untuk dasar penentuan penggunaan
metode rotasi equamax. Pada prinsipnya, analisis faktor digunakan
Dengan menggunakan empat macam software statistika yaitu SPSS,
Minitab, SAS dan R, akan diperoleh komponen jumlah faktor. Keputusan
pengambilan jumlah faktor sebanyak didasarkan pada nilai eigenvalue dari
matriks korelasi antar variabel dan pengelompokan variabel dilakukan dengan

LABORATORIUM OPTIMASI DAN STATISTIK INDUSTRI

MODUL 8 ( ANALISIS FAKTOR)
SENIN / MEJA I

membandingkan nilai loading faktor secara mutlak diantara faktor-faktor yang

terbentuk.
Seperti yang dijelaskan di atas penentuan banyak faktor di dasarkan pada
nilai eigenvalue dari matriks korelasi antar variabel. Dengan software SPSS dan
SAS diperoleh output nilai eigenvalue seperti yang ditampilkan pada tabel 3
berikut.
Tabel 2.1 Output SPSS dan SAS nilai Eigenvalue Matriks Korelasi
Eigenvalue
SPSS
SAS
4.44
55.47
1.42
17.69
0.81
10.18
0.51
6.36
0.37
4.61
0.31
3.84
0.11
1.36
0.04
0.49

Variabel
1
2
3
4
5
6
7
8

Nilai eigenvalue yang diambil untuk menentukan berapa banyaknya faktor

yang terbentuk adalah nilai eigenvalue yang lebih besar dari satu (Subhash
Sharma, 1996). Jika mengacu pada tabel 2.1 maka jumlah faktor yang terbentuk
sebanyak dua faktor. Untuk software minitab dan R tidak terdapat output nilai
eigenvalue matriks korelasi.
Scree plot adalah grafik yang menggambarkan plot nilai eigenvalue dari
masing-masing variabel. Software yang menyediakan output scree plot adalah
SPSS, dan Minitab. Dibawah ini adalah output scree plot dari minitab.

Scree Plot of S3, ..., Link

5

Eigenvalue

LABORATORIUM OPTIMASI DAN STATISTIK INDUSTRI

MODUL 8 ( ANALISIS
FAKTOR)
1
SENIN / MEJA I
0
1

4
5
Factor Number

Gambar 2.1 Output Scree Plot Minitab

Seperti pada pembahasan sebelumnya, untuk menentukan banyak faktor
yang terbentuk dapat dilihat pada nilai eigenvalue yang lebih dari satu. Pada
gambar 1, dapat dilihat bahwa ada dua variabel yang mempunyai nilai eigenvalue
lebih dari satu, jadi ada dua faktor yang terbentuk.
Pada software SPSS metode ekstraksi yang digunakan untuk pembagian
variabel adalah principal componen faktoring analysis. Pembagian variabelvariabel ke dalam kelompok faktor tertentu didasarkan pada perbandingan nilai
loading faktor secara mutlak mana yang lebih besar antar loading faktor dari
faktor 1 dan faktor 2. Pada tabel 4 di bawah ini merupakan output SPSS yang
telah melalui proses rotasi varimax dan nilai loading faktor yang dibawah atau
sama dengan 0.4 tidak ditampilkan. Apabila belum melalui proses rotasi varimax
terdapat nilai loading faktor variabel yang terletak pada faktor 1 dan faktor 2.
Tabel 2.2 Output SPSS Nilai Loading Faktor dari Faktor 1 dan Faktor 2
Rotated Component Matrixa
Component
1
S3
Prof
Web_Dosen
Judul
English
Download
Material
Link

2
.903
.768
.857
.940
.898
.597
.763
.813

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
LABORATORIUM OPTIMASI DAN STATISTIK INDUSTRI
MODUL 8 ( ANALISIS FAKTOR)
SENIN / MEJA I

Hasil pada tabel 2.2 adalah hasil pengelompokan variabel-variabel

kedalam masing-masing faktor setelah dirotasi varimax, sehingga dengan jelas
dapat diketahui anggota variabel-variabel pada faktor 1 dan faktor 2. Nilai
loading faktor pada masing-masing faktor 1 dan faktor 2 yang dibawah 0.5
dihapuskan.
Seperti yang dapat dilihat pada tabel 4 dapat disimpulkan bahwa pada faktor
1 dan faktor 2 telah mempunyai anggota variabelnya masing-masing. Pada faktor
1 variabel-variabel yang ada adalah Web_Dosen, Judul, English, Download,
Material dan Link. Variabel-variabel terebut berhubungan dengan konten atau
pengisian dari web personal dosen ITS, maka faktor 1 dapat diberi nama tingkat
keaktifan dosen dalam mengisi web personal dosen. Faktor 2 mempunyai anggota
variabel S3 dan Prof, semua variabel ini berkaitan dengan jumlah dosen dengan
gelar S1 sampai Profesor. Faktor 2 dapat diberi nama Penilaian rasio dosen
berdasarkan gelar. Pemberian nama faktor merupakan ketentuan dari peneliti,
pemebrian nama tersebut berdasarkan variabel yang dapat diukur langsung untuk
menggambarkan faktor yang merupakan variabel yang tidak dapt diukur secara
langsung.
Mereduksi variabel ke dalam dua faktor tentu akan mengurangi informasi
dari variabel-variabel utama, namun dengan terbentuknya dua faktor tersebut
memudahkan peneliti untuk mengklasifikasikan variabel dan dapat mengukur
variabel yang tidak dapat diukur secara langsung berdasarkan dua faktor tersebut.

2.4

Proses Analisis Faktor

LABORATORIUM OPTIMASI DAN STATISTIK INDUSTRI

MODUL 8 ( ANALISIS FAKTOR)
SENIN / MEJA I

Secara garis besar tahapan pada analisis faktor adalah sebagai berikut :
1.

Memilih variabel yang layak dimasukan dalam analisis faktor. Oleh

karena analisis faktor berupaya mengelompokan sejumalah variabel, maka
seharusnya ada korelasi yang cukup kuat diantara variabel, sehingga akan
terjadi pengelompokan. Jika sebuah variabel atau lebih berkorelasi lemah
denagn variabel lainnya, maka variabel tersebut akan dikeluarkan daria
analisis faktor.

2.

Setelah sejumalah variabel terpilih, maka dilakukan ekstraksi variabel

tersebut hingga menjadi satu atau beberapa faktor. Beberapa metode
pencarian faktor yang populer adalah pricipal component dan maximum
likehood.

3.

Faktor yang terbentuk, pada banyak kasus, kurang menggambarkan

perbedaan diantara faktor-faktor yang ada.

4.

Setelah faktor benar-benar terbentuk, maka proses dilanjutakan dengan

menamakan faktor yang ada, kemudian beberapa langkah akhir juga perlu
dilakukan, yaitu validasi hasil faktor.

LABORATORIUM OPTIMASI DAN STATISTIK INDUSTRI

MODUL 8 ( ANALISIS FAKTOR)
SENIN / MEJA I