ANALISIS FAKTOR EKSPLORATORI

Pengertian Analisis Faktor

Analisis faktor merupakan pendekatan statistika yang dapat digunakan untuk menganalisis
interrelationship di antara sejumlah variabel dengan mengelompokkan variabel-variabel yang
berhubungan erat satu sama lain atau yang disebut sebagai faktor. Analisis faktor tergolong
metode interdependence, yaitu metode yang digunakan untuk menganalisis hubungan antar
obyek dimana semua variabel berstatus sama, tidak ada variabel independen yang menjadi
prediktor bagi variabel dependence, seperti yang terdapat pada regresi. Contoh lain dari
metode interdependence adalah analisis cluster dan multidimension scaling. Pada dasarnya
analisis faktor mencoba memberikan dimensi evaluasi yang lebih luas terhadap variabelvariabel yang terkait dengan permasalahan sehingga memudahkan interpretasi melalui
penggambaran pola hubungan ataupun reduksi data. Hal ini dilakukan dengan cara
mengidentifikasi hubungan yang terdapat dalam set variabel terobservasi.
Tujuan utama seorang peneliti menggunakan tools analisis faktor adalah untuk
merangkum informasi-informasi yang terkandung dalam setiap variabel sehingga
menjadi suatu set yang lebih ringkas (faktor) untuk memudahkan interpretasi dengan
meminimalkan informasi yang hilang dari masing-masing variabelnya.
Analisis faktor memungkinkan peneliti untuk menguji ketetapan model (goodness of fit test)
faktor yang terbentuk dari item-item alat ukur. Selain itu juga dapat digunakan untuk menguji
reliabilitas item-item pada tiap faktor yang diukur dan menguji adanya invarian item pada
populasi.
Jenis Analisis Faktor
Analisis faktor dibagi menjadi dua jenis, yaitu :
1. Analisis Faktor Eksploratori (Exploratory Factor Analysis)
Seorang peneliti membuat seperangkat item yang mengukur kualitas pelayanan bank. Item
tersebut merupakan operasionalisasi dari teori dan indikator mengenai kualitas layanan.
Peneliti hendak mengidentifikasi berapa faktor yang ada di dalam seperangkat item tersebut.
Dari analisis faktor kemudian didapatkan ada 4 faktor yang menggambarkan kualitas layanan
bank, antara lain faktor fitur layanan, fasilitas gedung, keramahan karyawan, serta jaminan
keamanan.
2. Analisis Faktor Konfirmatori (Confirmatory Factor Analysis)
Seorang peneliti merancang sebuah alat ukur mengenai dukungan sosial. Alat ukur tersebut
berisi seperangkat aitem yang diturunkan dari lima dimensi dukungan sosial. Peneliti
berusaha memastikan apakah alat ukur yang dibuatnya benar-benar menjelaskan kelima

dimensi tersebut. Ia kemudian melakukan analisis faktor konfirmatori. Hasil dari analisis
faktor menunjukkan bahwa pembagian kelima faktor akhirnya dibuktikan.

Tahapan Analisis Faktor

1. Masalah Penelitian
Tahap pertama analisis faktor adalah menentukan masalah penelitian atau tujuan yang akan
dicapai dari penelitian yang akan dilakukan. Terdapat 2 tipe tujuan yang dapat dicapai dari
suatu penelitian :

Penelitian eksploratori
Penelitian eksploratori adalah penelitian yang bertujuan untuk mencari ide-ide atau
hubungan-hubungan yang baru. Dalam analisis faktor, penelitian eksploratori
merupakan penelitian dimana peneliti tidak menset batasan-batasan apriori estimasi
komponen atau jumlah faktor yang akan diekstraksi (take what data the data give
you).

Penelitian konfirmatori
Penelitian konfirmatori adalah penelitian yang bertujuan untuk menguji hipotesis atau
kerangka konsep yang telah dirumuskan sebelumnya. Penelitian konfirmatori ini juga
bertujuan untuk menguji derajat kesesuaian data dengan struktur yang telah dibuat
sebelumnya.

2. Tipe Analisis Faktor

Analisis faktor sebenarnya merupakan model yang dapat mengidentifikasikan hubungan yang
terdapat di antara sejumlah variabel maupun yang terdapat dalam sejumlah responden. Jika
analisis faktor dilakukan untuk mengidentifikasikan hubungan yang terdapat di antara
sejumlah variabel, maka analisis faktor yang dilakukan adalah analisis faktor R (R factor
analysis). Jika analisis faktor dilakukan untuk mengidentifikasikan hubungan yang terdapat
di antara sejumlah responden, maka analisis faktor yang dilakukan adalah analisis faktor Q
(Q factor analysis). Pengelompokkan sejumlah responden ini dapat juga dilakukan dengan
menggunakan analisis cluster. Perbedaan antara analisis faktor Q dengan analisis cluster
terdapat pada dasar pengelompokkan yang digunakan, yaitu analisis faktor Q
mengelompokkan responden berdasarkan kesamaan struktur atau interkorelasi antar
responden sedangkan analisis cluster mengelompokkan responden berdasarkan jarak aktual
antar responden (distance-based similarity). Untuk lebih jelasnya, perbedaan antara analisis
faktor Q dan analisis cluster dijelaskan melalui ilustrasi berikut,
Misalkan terdapat sejumlah responden yang memiliki nilai untuk sejumlah variabel penilaian
sebagai berikut:

Tabel Data Responden

Diagram Data
Responden
Jika pengelompokkan
responden dilakukan dengan analisis faktor Q maka akan diperoleh 2 kelompok dimana
kelompok pertama terdiri dari responden A dan responden C, sedangkan kelompok kedua
terdiri dari responden B dan responden D. Jika pengelompokkan responden dilakukan dengan
analisis cluster maka akan diperoleh 2 kelompok dimana kelompok pertama terdiri dari

responden A dan responden B, sedangkan kelompok kedua terdiri dari responden C dan
responden D.
3. Desain Penelitian
Desain analisis faktor meliputi tiga hal berikut:
1. Penentuan Input untuk Analisis Faktor
Penentuan variabel-variabel dilakukan sesuai dengan landasan teoritis tertentu dan
relevan dengan tujuan penelitian, serta sebaiknya satuan yang digunakan untuk
mengukur variabel-variabel tersebut adalah sama. Jika tidak dimungkinkan digunakan
satuan pengukuran yang sama, input nilai ini harus distandardisasikan terlebih dahulu
(memiliki rataan sama dengan nol dan deviasi standar sama dengan satu). Sedapat
mungkin, jenis skala yang digunakan adalah metrik (interval atau rasio), namun skala
nonmetrik bisa juga digunakan dengan mengubahnya ke dalam variabel dummy yaitu
variabel yang bernilai 0 atau 1.Input data mentah pada analisis faktor pada umumnya
berupa satu set nilai variabel-variabel untuk masing-masing individu atau objek dalam
sampel. Kemudian diolah menjadi matriks berukuran p (jumlah variabel orisinal)
yang akan menjadi input algoritma dalam analisis faktor.Matriks data mentah n p (n
obyek dan p variabel) diubah menjadi matriks variansi-kovariansi atau matriks
korelasi. Pada umumnya pendekatan yang digunakan adalah menggunakan matriks
korelasi. Penggunaan matriks korelasi menghilangkan perbedaan yang diakibatkan
oleh mean dan dispersi variabel. Penggunaan matriks kovariansi dapat dilakukan jika
variansi pada masing-masing variabel tidak jauh berbeda atau pada data mentah telah
dilakukan standardidasi (sedemikian hingga variansi dari masing-masing variabel
menjadi seragam).Perbandingan penggunaan antara matriks korelasi dan matriks
kovariansi:
a. Alasan utamanya adalah karena variabel-variabel yang diukur biasanya mempunyai
unit dan skala pengukuran yang berbeda. Penggunaan matriks korelasi menghilangkan
perbedaan yang diakibatkan oleh mean dan dispersi variabel. Jadi variabel yang
tadinya mempunyai skala dan satuan yang berbeda siap untuk dibandingkan.
b. Penggunaan matriks kovariansi dapat dilakukan jika variansi pada masing-masing
variabel tidak jauh berbeda atau pada data mentah telah dilakukan standardidasi
(sedemikian hingga variansi dari masing-masing variabel menjadi seragam).
c. Pendekatan dengan matriks kovariansi lebih jarang digunakan, walaupun input ini
memberikan keuntungan, antara lain sifat-sifat sampling Principal Component
(variabel) yang diperoleh dari matriks kovariansi lebih dapat ditelusuri.

Matriks Korelasi antar Variabel Awal

Koefisien korelasi:
Koefisien korelasi yang ditampilkan dalam Tabel 2.1. menggambarkan seberapa kuat
hubungan antar dua variabel. Nilai korelasi 1 menunjukkan hubungan linier sempurna
dari dua buah variabel (nilai satu variabel dapat diramalkan secara tepat dari nilai
variabel pasangannya). Tanda (-) menunjukkan hubungan tersebut berlawanan. Di sini
terlihat bahwa variabel X4 berkorelasi kuat dengan variabel X3 (dalam arah negatif)
dan X5. Responden yang memberi nilai tinggi pada variabel X4 pada umumnya
memberikan nilai tinggi pada variabel X5 dan sebaliknya memberi nilai rendah pada
variabel X3.
Koefisien korelasi parsial:
Indikator yang menunjukkan kekuatan hubungan antar variabel. Jika variabel-variabel
tergabung dalam faktor bersama, maka koefisien korelasi parsial antar-pasang
variabel seharusnya kecil jika efek linier dari variabel lain dihilangkan. Korelasi
parsial merupakan estimasi korelasi antar-faktor unik dan seharusnya mendekati 0
agar asumsi analisis faktor terpenuhi.
2. Penentuan jumlah variabel, pengukuran variabel, dan tipe variabel
Variabel yang dipilih adalah yang relevan dengan tujuan penggunaan analisis faktor
dalam penelitian yang dilakukan. Variabel yang dipilih dalam analisis faktor juga
harus merupakan variabel-variabel yang memiliki hubungan keterkaitan antara satu
variabel dengan variabel lainnya. Dalam menggunakan analisis faktor, variabel yang
diikutsertakan harus diusahakan sesedikit mungkin jumlahnya. Namun, jumlah
variabel yang terkelompok dalam setiap faktor harus tetap masuk akal sehingga
ditetapkan variabel yang dilibatkan dalam analisis faktor minimal berjumlah
lima.Data mentah variabel ini sebaiknya merupakan hasil pengukuran metrik. Jika
terdapat variabel dengan data yang bersifat nonmetrik yang harus diikutsertakan
dalam analisis faktor, maka digunakan variabel dummy.
3. Ukuran sampel
Sebuah penelitian awal dengan menggunakan analisis faktor sebaiknya memiliki
sampel tidak kurang dari 50 buah, dan lebih baik jika mencapai 100 buah. Namun
terdapat aturan umum yang dapat dipegang, yaitu jumlah sampel minimum lima kali
dari jumlah variabel yang ada. Jadi jika suatu penelitian melibatkan 20 variabel awal,
maka jumlah sampel minimumnya adalah 100 buah. Dalam beberapa kejadian,
perbandingan jumlah sampel dan jumlah variabel sebesar 2 : 1 masih dapat
memberikan output yang cukup baik. Namun dalam hal ini, interpretasi harus
dilakukan dengan hati-hati.Secara statistik, kecukupan jumlah sampel secara
keseluruhan dapat dilihat dari angka Kaiser-Meyer-Olkin (KMO). Nilai ukuran
KMO yang kecil mengindikasikan bahwa penggunaan analisis faktor perlu
dipertimbangkan. Kaiser (1974) mencirikan ukuran KMO sebagai berikut:

Kriteria Ukuran KMO

Selain angka KMO, kecukupan data pada analisis faktor dapat dilihat pada matriks
korelasi anti-image (anti-image correlation matrix). Kalau angka KMO
menggambarkan kecukupan data secara keseluruhan, maka diagonal matriks korelasi
anti-image menunjukkan kecukupan data untuk masing-masing variabel. Jika nilainya
kurang dari 0,50 maka penyertaan variabel tersebut perlu dipertimbangkan kembali.
4. Asumsi
Terdapat 2 jenis asumsi yang digunakan dalam analisis faktor yaitu asumsi berdasarkan
conceptual issues dan asumsi berdasarkan statistical issues.
Asumsi berdasarkan conceptual issues
Dalam analisis faktor, asumsi berdasarkan isu konseptual lebih kritis dibandingkan dengan
asumsi berdasarkan isu statistik. Asumsi ini berhubungan dengan adanya hubungan yang
mendasari set variabel atau sampel yang dipilih oleh peneliti, dimana peneliti disini
bertanggung jawab untuk memastikan bahwa variabel-variabel yang dianalisis dengan
menggunakan analisis faktor ini valid dan layak untuk dipelajari secara konseptual. Hal ini
penting karena penggunaan analisis faktor hanya menentukan korelasi antar variabel-variabel
yang dianalisis tanpa memperhatikan apakah variabel-variabel tersebut layak untuk
dikorelasikan. Sebagai contoh, misalnya terdapat satu jenis set variabel yang penilaiannya
berbeda karakteristiknya untuk gender yang berbeda. Set variabel tersebut akan diambil
sampelnya sebanyak 100 buah dengan cara 50 sampel diambil dari populasi respoden yang
berjenis kelamin pria dan 50 lainnya diambil dari responden yang berjenis kelamin wanita.
Disini kita tidak boleh melakukan analisis faktor untuk set variabel tersebut dengan cara
menggabungkan semua sampel karena telah diketahui sebelumnya bahwa karakteristik
variabel akan berbeda berdasarkan gender. Analisis faktor tidak bisa mengidentifikasi
kesalahan ini, jadi disinilah pentingnya peran peneliti untuk mengerti asumsi konseptual ini.
Asumsi berdasarkan statistical issues

Data berasal dari populasi yang berdistribusi normal univariat, bersifat

homoscedasticity, dan linearity.
Dalam set-data terdapat multikolinearitas karena tujuan dari analisis faktor ini adalah
mengukur keterkaitan antar variabel. Beberapa metode untuk melihat ada atau
tidaknya multikolinearitas antara lain :

Anti-image correlation matrix

Anti-image correlation matrix merupakan matriks yang menunjukkan angka negative
dari korelasi parsial yang terdapat antar variabel sehingga jika nilai anti-image
correlation (semakin negatif) antarvariabel semakin besar, maka penggunaan analisis
faktor harus kembali dipertimbangkan.

Bartletts Test of Sphericity

Bartletts Test of Sphericity merupakan salah satu metode yang digunakan untuk
melihat korelasi antar variabel secara keseluruhan atau sekaligus. Bartletts Test of
Sphericity menguji hipotesis bahwa matriks korelasi adalah matriks identitas. Jika
hipotesis ini diterima, maka penggunaan analisis faktor perlu dipertimbangkan (model
faktor yang dipergunakan tidak sesuai).

5. Metode Faktor
Pada tahap keempat ini dilakukan dua hal yaitu menentukan model faktor dan menentukan
jumlah faktor. Terdapat dua prosedur analisis faktor yang paling banyak digunakan, yaitu:
principal component analysis dan common factor analysis. Principal component analysis
digunakan apabila peneliti ingin mengekstraksi sejumlah besar variabel penelitian menjadi
beberapa variabel penelitian saja agar lebih mudah tertangani. Adapun common factor
analysis digunakan mengidentifikasikan struktur hubungan antarvariabel dengan
mengungkapkan konstruksi (dimensi-dimensi) yang mendasari hubungan tersebut. Perbedaan
antara principal component analysis dan common factor analysis digambarkan pada Gambar
berikut.

Perbedaan antara
Principal
Component
Analysis dan
Common Factor
Analysis
Perbedaan antara
PCA dan CFA
Dari gambaran
awal, di sini
dipertegas
perbedaan antara analisis komponen utama (PCA) dan analisis faktor umum (CFA) dalam
bentuk matematisnya:

Principal Component Analysis (PCA):

Secara matematis model PCA , dapat dituliskan sebagai:

di mana:
PCm
wm
Xp

: skor faktor untuk faktor ke-m

: koefisien skor faktor untuk faktor ke-m
: variabel awal (orisinal) ke-p

Perhatikan bahwa masing-masing principal component (komponen utama) merupakan

kombinasi linier dari variabel-variabel orisinal.

Common Factor Analysis (CFA)

Secara matematis model CFA, dapat dituliskan sebagai:

Keterangan:
CFm
: skor faktor untuk faktor ke-m
vpm
: bobot (loading) faktor ke-m untuk variabel ke-p
Xp
: variabel awal (orisinal) ke-p
ep
: variansi-variansi errorPerhatikan bahwa masing-masing variabelvariabel orisinal merupakan kombinasi linier dari principal component (komponen
utama).Ada beberapa kelemahan yang terdapat pada Common Factor Analysis (CFA):
1. Factor indeterminancy, yaitu setiap responden dapat memiliki beberapa skor
yang berbeda yang dihasilkan dari model yang dihasilkan (faktor loading
dapat berbeda antar responden).
2. Communalities tidak selalu dapat dicari, kalaupun bisa, hasilnya dapat invalid
(lebih besar dari 1). Dengan adanya kelemahan-kelemahan tersebut,
pemakaian principal component analysis menjadi lebih luas.
Secara garis besar, metodologi analisis faktor berupa proses transformasi variabel-variabel
orisinal (awal) menjadi variabel-variabel baru yang saling tidak berkorelasi. Variabel baru ini
disebut dengan faktor. Masing-masing faktor merupakan kombinasi linier dari variabel
orisinal.
Salah satu ukuran jumlah informasi yang dibawa atau diteruskan oleh masing-masing faktor
adalah variansinya. Sehubungan dengan hal ini, faktor-faktor disusun dengan urutan variansi
yang menurun. Faktor pertama merupakan faktor yang paling informatif (memiliki variansi
terjelaskan yang maksimum) dan faktor terakhir adalah faktor yang paling sedikit
meneruskan informasi (memiliki variansi terjelaskan yang minimum).
Jumlah faktor yang dibangkitkan adalah maksimum sebanyak jumlah variabel awal. Namun
dikaitkan dengan tujuannya, pada umumnya jumlah faktor yang dibangkitkan adalah
sejumlah kecil faktor yang dinilai mencukupi oleh peneliti.
Penentuan Jumlah Faktor yang Diekstraksi:
Terdapat beberapa kriteria yang dapat digunakan dalam menentukan jumlah faktor yang akan
dibentuk, antara lain:
1. Kriteria nilai eigen.
Nilai eigen menggambarkan jumlah variansi yang dapat dijelaskan oleh sebuah faktor.
Telah dibahas bahwa nilai-nilai dari sebuah variabel, setelah distandardisasikan akan
memiliki variansi sebesar 1. Hal ini berimplikasi bahwa jika sebuah faktor memiliki
nilai eigen < 1, artinya faktor tersebut membawa informasi yang lebih sedikit
dibandingkan variabel awal. Atau dengan kata lain, kemampuan menjelaskan variansi
data (yang diukur dengan variansi) oleh faktor tersebut lebih buruk dibandingkan
dengan kemampuan variabel awal. Jika faktor ini dimasukkan dalam analisis lebih
lanjut, maka akan bertentangan dengan tujuan penggunaan analisis faktor.

Kesimpulannya, akan sangat beralasan jika faktor yang diekstraksi dibatasi pada
faktor-faktor dengan nilai eigen > 1.
2. Kriteria scree plot.
Sebuah scree plot adalah plot dari nilai eigen terhadap jumlah faktor, dalam urutan
proses ekstraksi (sebagai contoh lihat Gambar di bawah). Bentuk dari plot dapat
digunakan untuk menentukan jumlah faktor yaitu dengan memperhatikan kecuraman
garis yang ada. Proses ekstraksi berhenti pada titik di mana garis menjadi relatif lebih
landai. Proses ekstraksi berhenti pada titik yang merupakan pangkal garis yang
mengalami penurunan yang paling tajam. Pada Gambar di bawah, terlihat bahawa
setelah faktor 2 terjadi penurunan nilai eigen value yang cukup tajam ke faktor 3.
Oleh karena itu, faktor yang valid hanya sampai faktor 2.

Contoh Scree
Plot
3. Kriteria variansi
yang
terjelaskan.
Pada kriteria ini
faktor-faktor
akan diekstraksi
sampai dengan
jumlah proporsi
nilai eigen kumulatifnya melebihi suatu batas yang dianggap cukup memuaskan
(salah satu pedoman umum: untuk ilmu pasti 80 % dan untuk ilmu sosial 65 %).
4. Kriteria a priori.
Analisis faktor dapat digunakan pada penelitian yang bersifat eksploratori atau
konfirmatori. Pada penelitian yang bersifat eksploratori, peneliti belum mengetahui
terdapat berapa faktor yang akan terbentuk. Sebaliknya, pada penelitian yang bersifat
konfirmatori sudah terdapat penelitian atau teori atau hipotesis tertentu yang
menyatakan bahwa akan terdapat sekian faktor. Pada penelitian konfirmatori ini,
secara a priori (sesuai kerangka teoritis) ditetapkan jumlah faktor yang akan
diekstraksi. Contoh: konsep ServQual dari Zeithaml dan Parasuraman menyatakan
bahwa dimensi kualitas layanan ada lima, yaitu keandalan (reliability), aspek-aspek
berwujud (tangibles), daya tangkap (responsiveness), jaminan (assurance), dan
empati (empathy). Sudah tentu, kalau kita melakukan analisis faktor terhadap atributatribut kualitas layanan, jumlah faktor yang kita minta lima, karena konsep
mengatakan demikian.
6. Interpretasi Output Analisis Faktor
Terdapat tiga tahap dalam melakukan interpretasi faktor :
1. Perhitungan matriks faktor inisial (yang belum dirotasikan).
Matriks faktor:

Bobot Faktor (Tanpa Rotasi)

Bobot Faktor (Faktor loading). Bobot faktor menggambarkan hubungan (korelasi)
antara suatu variabel dengan suatu faktor. Pada Tabel 2 angka 0.30 menunjukkan
bahwa variabel awal X1 memiliki korelasi negatif yang tidak cukup besar dengan
Faktor 1. Sebaliknya, variabel awal X1 memiliki korelasi yang cukup besar (0.85)
dengan Faktor 2. Ini menunjukkan bahwa Faktor 2 lebih mampu menjelaskan variansi
nilai yang terjadi pada variabel awal X1 dibandingkan dengan Faktor 1. Pada
umumnya, pada bobot faktor 0.3 masih dapat dianggap bahwa terdapat korelasi yang
signifikan. Beberapa variabel dengan bobot faktor yang signifikan dapat digabungkan
dan diberi nama baru yang sedapat mungkin mencerminkan variabel-variabel
penyusunnya tersebut.
Komunalitas. Masing-masing variabel awal memiliki nilai variansi yang terkait
dengan variabilitas respons dari tiap responden. Jumlah variansi variabel X1 yang
dijelaskan atau diteruskan oleh faktor-faktor yang ada (Faktor 1 dan Faktor 2) disebut
dengan komunalitas. Dari output pada Tabel di atas, tampak bahwa 81 persen variansi
variabel X1 dapat dijelaskan oleh faktor-faktor yang ada. Jadi, komunalitas adalah
persentase variansi dari sebuah variabel yang berkontribusi terhadap korelasi dengan
variabel-variabel lain atau yang umum (common) bagi variabel yang lain.
2. Ekstraksi faktor
Ekstraksi faktor adalah tahap yang bertujuan untuk menghasilkan sejumlah faktor dari
data yang ada. Matriks faktor setelah dirotasi dapat mempermudah interpretasi dalam
menentukan variabel-variabel mana saja yang dapat tercakup dalam suatu faktor.
Rotasi faktor dapat menghasilkan output beberapa solusi (bobot dan nilai faktor).
Solusi ini tidak selalu mudah diinterpretasikan. Idealnya suatu variabel memiliki
bobot faktor yang tinggi untuk sebuah faktor dan bobot faktor yang rendah untuk
faktor-faktor lainnya. Ini dapat diinterpretasikan bahwa variabel tersebut dapat
diwakili oleh faktor dengan bobot faktor yang tinggi tersebut.Solusi dengan variabelvariabel bernilai bobot faktor menengah untuk semua faktor akan sulit
diinterpretasikan. Untuk mengatasi hal ini dilakukanlah rotasi faktor. Rotasi faktor
berarti merotasikan dimensi. Hasil rotasi ini tidak mengurangi komunalitas. Artinya,
informasi masing-masing variabel yang diteruskan oleh keseluruhan faktor tidak
berubah. Yang dapat berubah adalah nilai eigen. Namun, umumnya tidak berbeda
jauh. Karena lebih mudah diinterpretasikan, pada umumnya hasil rotasi faktor inilah
yang digunakan untuk analisis lebih lanjut.

Bobot Faktor (Rotasi

Varimax)
Rotasi Orthogonal vs
Rotasi Oblique.
Rotasi dapat
dilakukan secara orthogonal (siku-siku) atau oblique (tidak siku-siku). Rotasi
orthogonal menghasilkan faktor-faktor baru yang tetap orthogonal (masing-masing
faktor saling independen atau memiliki korelasi nol), sedangkan pada rotasi oblique,
masing-masing faktor dapat memiliki korelasi yang nilainya kecil. Terdapat banyak

sekali metode rotasi, misalnya varimax, quartimax, dan equimax untuk rotasi
orthogonal dan oblimax, quartimin, oblimin, dan promax untuk rotasi oblique.
Ilustrasi untuk kedua jenis rotasi digambarkan pada Gambar berikut.

Rotasi Faktor Orthogonal (kiri) dan Rotasi Faktor Oblique (kanan)

3. Interpretasi matriks faktor.
Setelah diolah (dengan bantuan beberapa jenis program statistika), input data mentah
akan menghasilkan beberapa output sebagai berikut:

Nilai
Eigen
dari
Masingmasing
Komponen Utama

Variansi yang
Terjelaskan
oleh Masing-masing Faktor

Koefisien Skor
Faktor
(Standardized)

Skor Faktor
Beberapa
interpretasi dapat
dilakukan atas
output analisis
faktor yang
ditampilkan
dalam keempat
Tabel di atas.
Nilai Eigen
(Eigen value):
Nilai eigen
menggambarkan
jumlah variansi
yang diteruskan
oleh sebuah faktor. Nilai eigen dapat diperoleh dengan menjumlahkan kuadrat dari
bobot faktor untuk seluruh variabel (jumlah kuadrat dalam satu kolom faktor). Nilai
eigen Faktor 1 yang sebesar 2,7546 menunjukkan bahwa variansi yang terjelaskan
oleh Faktor 1 adalah sebesar 2,7546 dari keseluruhan nilai variansi awal yang sebesar
5 (karena terdapat 5 buah variabel yang masing-masing memiliki nilai variansi sama
dengan 1). Atau proporsi variansi yang terjelaskan oleh Faktor 1 adalah sebesar
0.5509 atau 55.09% (lihat baris proportion). Variansi sisanya dijelaskan oleh Faktor 2
(0.3550 atau 35.5%) dan faktor-faktor lainnya. Faktor 1 dan Faktor 2 secara bersamasama mampu menjelaskan 0.9059 atau (90.59%) dari total variansi yang ada (lihat
baris cumulative). Dari sini tampak cukup beralasan untuk menggunakan Faktor 1 dan
Faktor 2 sebagai variabel pengganti kelima variabel awal.
Variansi Terjelaskan (Explained Variance):
Angka pada Tabel kedua. ini menunjukkan jumlah variansi yang dapat dijelaskan atau
diteruskan oleh masing-masing faktor. Sebelum rotasi, variansi terjelaskan ini sama
dengan nilai eigen (lihat Tabel pertama.) dan sesudah rotasi sedikit berkurang. Total
variansi terjelaskan dari kedua faktor setelah rotasi adalah sebesar 4.529 atau masih
terdapat 0.471 variansi yang belum terjelaskan. Ini berarti apabila digunakan kedua
faktor untuk menggantikan kelima variabel awal maka akan terjadi kehilangan
informasi sebesar 0.471 nilai variansi yang menjadi tidak terjelaskan.
Skor Faktor (Factor Scores):
Meskipun faktor-faktor yang diperoleh tidak teramati/terukur sebagaimana kelima
variabel awal, namun faktor-faktor ini juga dapat berlaku sebagai variabel. Pada
analisis lebih lanjut, hasil dari analisis faktor ini dapat digunakan untuk menggantikan
kelima variabel awal tadi. Nilai dari masing-masing faktor yang menggantikan
informasi dari kelima variabel awal ini disebut dengan skor faktor.
Koefisien Skor Faktor:
Menunjukkan nilai koefisien dari masing-masing variabel awal (yang telah

distandardisasikan) pada model faktor yang digunakan. Contohnya untuk Responden

1 pada Faktor 1:
-0.916 = -0.039X1 + 0.089X2 0.315X3 + 0.359 X4 + 0.359X5
7. Validasi
Salah satu cara mem-validasi hasil analisis faktor adalah dengan melihat replicability hasil
analisis faktor. Hal ini dapat dilakukan dengan menggunakan data yang sama dengan data
yang dianalisis yaitu dengan membagi dua data tersebut, atau dengan menggunakan data lain
yang terpisah. Kemudian bandingkan hasilnya dengan hasil analisis faktor yang telah didapat
sebelumnya.

Aplikasi Analisis Faktor dengan SPSS 16

Asumsi Analisis Faktor dengan SPSS
Sebelumnya kita telah melakukan proses analisis faktor dengan SPSS, maka saatnya untuk mempelajari asumsi analisis faktor dengan membaca output dari
analisis tersebut.
Perlu diingat kembali bahwa pada analisis faktor, asumsi yang harus terpenuhi adalah:
1. Korelasi antar variabel Independen. Besar korelasi atau korelasi antar independen variabel harus cukup kuat, misalnya di atas 0,5.
2. 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.
3. 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.
4. Pada beberapa kasus, asumsi Normalitas dari variabel-variabel atau faktor yang terjadi sebaiknya dipenuhi.
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.
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
Bartlett's Test of
Approx. Chi-Square
Sphericity
df
Sig.

,725
1949,42
3
253
,000

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 0,725. Dengan demikian persyaratan 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:
Nilai MSA pada tabel Anti-image Matrices ditunjukkan pada baris Anti Image Correlation dengan tanda "a". Misal X1 nilai
MSA = 0,775 dimana > 0,5 maka X1 memenuhi syarat MSA, sedangkan MSA X2 = 0,266 < 0,5 maka X2 tidak memenuhi
syarat MSA. Dari 23 variabel, terdapat 4 variabel yang nilai MSAnya kurang dari 0,5 yaitu : X2, X7, X8 dan X15. Keempat
variabel tersebut dikeluarkan dari pengujian. Harus diulangi lagi analisis faktor hingga didapatkan output hingga tidak ada
variabel yang MSA nilainya kurang dari 0,5.
Didapatkan KMO and Bartlett's Test baru sebagai berikut :
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
Bartlett's Test of
Approx. Chi-Square
Sphericity
df
Sig.

,786
1651,574
171
,000

Setelah diulangi tanpa mengikut sertakan X2, X7, X8 dan X15 nilai KMO adalah 0,786. Bartletts test of sphricity : 1651,574 dengan sig 0,000.
Maka syarat KMO dan Bartletts test terpenuhi.
Tabel Anti-image Matrices yang baru menunjukkan nilai anti image correlation masing-masing variabel dengan tanda a semua memnuhi nilai
diatas 0,5, sehingga ada 19 variabel yang diuji memenuhi persyaratan.

Communalities
Initial
X1 - Customer Type
X3 - Firm Size
X4 - Region
X5 - Distribution System
X6 - Product Quality
X9 - Complaint
Resolution
X10 - Advertising
X11 - Product Line
X12 - Salesforce Image
X13 - Competitive
Pricing
X14 - Warranty &
Claims
X16 - Order & Billing
X17 - Price Flexibility
X18 - Delivery Speed
X19 - Satisfaction
X20 - Likely to
Recommend
X21 - Likely to Purchase
X22 - Purchase Level
X23 - Consider Strategic
Alliance

Extraction

1,000
1,000
1,000
1,000
1,000

,790
,687
,736
,578
,761

1,000

,848

1,000
1,000
1,000

,375
,796
,784

1,000

,569

1,000

,532

1,000
1,000
1,000
1,000

,738
,853
,917
,897

1,000

,740

1,000
1,000

,744
,799

1,000

,596

Extraction Method: Principal Component

Analysis.

Dari tabel di atas menujukkan 19 variabel diuji memenuhi persyaratan komunalitas yaitu lebih besar dari 0,5
(komunalitas > 0,5) kecuali variabel X10. Karena nilai Extraction pada tabel variabel X10: 0,375 menunjukkan
Communalities < 0,5, maka variabel tersebut tidak memenuhi syarat komunalitas dan harus dikeluarkan dari pengujian
serta anda 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. Sehingga
hanya ada 18 variabel tersisa yang akan diuji.
Hasil KMO and Bartlett's Test baru sebagai berikut :
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
Bartlett's Test of
Sphericity

Approx. Chi-Square
df
Sig.

.787
1.610E3
153
.000

Setelah diulangi tanpa mengikut sertakan X2, X7, X8, X15 dan X10 nilai KMO adalah 0,787. Bartletts test of sphricity : 1610,000 dengan sig
0,000. Maka syarat KMO dan Bartletts test terpenuhi.
Tabel Anti-image Matrices yang baru menunjukkan nilai anti image correlation masing-masing variabel dengan tanda a semua memenuhi nilai
diatas 0,5, sehingga ada 18 variabel yang diuji memenuhi persyaratan.

Communalities
Initial

Extractio
n

X1 - Customer Type

1.000

.805

X3 - Firm Size

1.000

.685

X4 - Region

1.000

.762

X5 - Distribution
System

1.000

.614

X6 - Product Quality

1.000

.776

X9 - Complaint
Resolution

1.000

.851

X11 - Product Line

1.000

.797

X12 - Salesforce
Image

1.000

.715

X13 - Competitive
Pricing

1.000

.576

X14 - Warranty &

Claims

1.000

.547

X16 - Order & Billing

1.000

.744

X17 - Price Flexibility

1.000

.852

X18 - Delivery Speed

1.000

.916

X19 - Satisfaction

1.000

.896

X20 - Likely to
Recommend

1.000

.755

1.000

.749

X21 - Likely to

tabel di atas menujukkan 18 variabel diuji memenuhi persyaratan komunalitas yaitu lebih besar dari 0,5 (komunalitas
> 0,5. Analisis lebih lanjut dapat dilakukan. Tabel di atas menunjukkan seberapa besar sebuah variabel dapat menjelaskan
faktor. Misal X1 nilainya 0,805, artinya variabel X1 dapat menjelaskan faktor sebesar 80,5%. Begitu pula dengan variabel
lainnya, di mana semuanya > 50%, oleh karenanya dapat disimpulkan bahwasanya semua variabel dapat menjelaskan
faktor.

Faktor Yang Sekiranya Dapat Terbentuk

Initial Eigenvalues
Comp
onent

Total

% of
Variance

Extraction Sums of Squared Loadings

Cumulative
%

Total

% of
Variance

Cumulative
%

Rotation Sums of Squared Loadings

Total

% of
Variance

Cumulative
%

6.829

37.938

37.938

6.829

37.938

37.938

4.197

23.317

23.317

3.544

19.691

57.630

3.544

19.691

57.630

4.137

22.983

46.301

1.790

9.945

67.575

1.790

9.945

67.575

3.640

20.221

66.522

1.305

7.252

74.828

1.305

7.252

74.828

1.495

8.306

74.828

.833

4.626

79.454

.632

3.509

82.963

.538

2.990

85.953

.491

2.728

88.681

.463

2.572

91.253

10

.334

1.856

93.109

11

.292

1.620

94.729

12

.257

1.427

96.155

13

.215

1.194

97.349

14

.169

.939

98.288

15

.133

.738

99.027

16

.096

.532

99.559

17

.071

.393

99.952

18

.009

.048

100.000

Extraction Method: Principal Component

Analysis.

Berdasarkan tabel di atas, lihat kolom "Component" yang menunjukkan bahwa ada 18 komponen yang dapat mewakili
variabel. Perhatikan kolom "Initial Eigenvalues" yang dengan SPSS kita tentukan nilainya 1 (satu). Varians bisa diterangkan
oleh oleh faktor 1 adalah 6,829/18 x 100% = 37,938. Oleh faktor 2 sebesar 3,544/18 x 100% = 19,691. Sementara oleh
faktor 3 sebesar 1,790/18 x 100% = 9,945 dan faktor 4 1,305/18x 100% = 7,252. Sehingga total keempat faktor akan
mampu menjelaskan variabel sebesar 37,938 + 19,691+9,945+7,252 = 74,828 Dengan demikian, karena nilai Eigenvalues
yang ditetapkan 1, maka nilai Total yang akan diambil adalah yang > 1 yaitu component 1, 2, 3 dan 4.
Factor Loading
Setelah kita mengetahui bahwa faktor maksimal yang bisa terbentuk adalah 4 faktor, selanjutnya kita melakukan penentuan
masing-masing variabel akan masuk ke dalam faktor mana, apakah faktor 1, 2, 3 atau 4. Cara menentukan tersebut adalah
dengan melihat tabel Component Matrix seperti di bawah ini:

Component Matrixa
Component
1

X1 - Customer Type

.823

-.181

-.101

-.290

X3 - Firm Size

.101

.603

.400

-.389

-.253

.821

.146

.045

X5 - Distribution
System

.460

-.245

.316

.493-

X6 - Product Quality

.551

-.543

.297

-.300

X9 - Complaint
Resolution

.755

.307

-.431

.034

X11 - Product Line

.757

-.408

-.237

.003

X12 - Salesforce
Image

.307

.560

.362

.419

X13 - Competitive
Pricing

-.356

.653

.136

-.061

X14 - Warranty &

Claims

.232

-.224

-.171

.643

X16 - Order & Billing

.660

.313

-.448

.099

X17 - Price Flexibility

.033

.872

-.301

-.006

X18 - Delivery Speed

.747

.368

-.472

.005

X19 - Satisfaction

.894

.120

.267

.105

X20 - Likely to
Recommend

.781

.117

.362

.034

X4 - Region

X21 - Likely to

Component Matrixa
Component
1

X1 - Customer Type

.823

-.181

-.101

-.290

X3 - Firm Size

.101

.603

.400

-.389

-.253

.821

.146

.045

X5 - Distribution
System

.460

-.245

.316

.493-

X6 - Product Quality

.551

-.543

.297

-.300

X9 - Complaint
Resolution

.755

.307

-.431

.034

X11 - Product Line

.757

-.408

-.237

.003

X12 - Salesforce
Image

.307

.560

.362

.419

X13 - Competitive
Pricing

-.356

.653

.136

-.061

X14 - Warranty &

Claims

.232

-.224

-.171

.643

X16 - Order & Billing

.660

.313

-.448

.099

X17 - Price Flexibility

.033

.872

-.301

-.006

X18 - Delivery Speed

.747

.368

-.472

.005

X19 - Satisfaction

.894

.120

.267

.105

X20 - Likely to
Recommend

.781

.117

.362

.034

X4 - Region

X21 - Likely to

Tabel di atas menunjukkan seberapa besar sebuah variabel berkorelasi dengan faktor yang akan dibentuk. Misal: X5
berkorelasi sebesar 0,460dengan faktor 1 -0,245 dengan faktor 2, 0,316 dengan faktor 3 dan 0,493 dengan faktor 4.
Secara jelasnya dapat anda lihat pada tabel Rotated Component Matrix di bawah ini untuk menentukan variabel mana
akan masuk faktor yang mana.

Rotated Component Matrixa

Component
1

X1 - Customer Type

.445

.584

-.496

-.143

X3 - Firm Size

.388

.023

.447

-.578

X4 - Region

.033

-.014

.848

-.205

X5 - Distribution
System

.559

-.039

-.192

.513

X6 - Product Quality

.494

.023

-.712

-.156

X9 - Complaint
Resolution

.254

.881

.028

.097

X11 - Product Line

.304

.532

-.615

.209

X12 - Salesforce
Image

.577

.088

.569

.225

X13 - Competitive
Pricing

-.075

-.117

.694

-.273

X14 - Warranty &

Claims

.074

.132

-.109

.715

X16 - Order & Billing

.185

.825

.078

.152

X17 - Price Flexibility

-.086

.497

.755

-.165

X18 - Delivery Speed

.225

.926

.074

.061

X19 - Satisfaction

.829

.434

-.100

.101

X20 - Likely to
Recommend

.811

.301

-.080

.009

X21 - Likely to

Rotated Component Matrixa

Component
1

X1 - Customer Type

.445

.584

-.496

-.143

X3 - Firm Size

.388

.023

.447

-.578

X4 - Region

.033

-.014

.848

-.205

X5 - Distribution
System

.559

-.039

-.192

.513

X6 - Product Quality

.494

.023

-.712

-.156

X9 - Complaint
Resolution

.254

.881

.028

.097

X11 - Product Line

.304

.532

-.615

.209

X12 - Salesforce
Image

.577

.088

.569

.225

X13 - Competitive
Pricing

-.075

-.117

.694

-.273

X14 - Warranty &

Claims

.074

.132

-.109

.715

X16 - Order & Billing

.185

.825

.078

.152

X17 - Price Flexibility

-.086

.497

.755

-.165

X18 - Delivery Speed

.225

.926

.074

.061

X19 - Satisfaction

.829

.434

-.100

.101

X20 - Likely to
Recommend

.811

.301

-.080

.009

X21 - Likely to

Penentuan variabel masuk faktor mana ditentukan dengan melihat nilai korelasi terbesar.
Maka dapat disimpulkan anggota masing-masing faktor:
Faktor 1: X6, X19, X20, X21, X22, X23
Faktor 2: X1, X9, X16, X18, X22
Faktor 3: X3, X4, X12, X13, X17
Faktor 4 : X5, X11, X14
Langkah terakhir untuk penentuan faktor adalah melihat tabel Component Transformation Matrix.

Component Transformation Matrix

Comp
onent

.688

.658

-.293

.086

.121

.311

.910

-.245

.709

-.678

.091

-.173

.098

-.103

.278

.950

Extraction Method: Principal Component

Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
Tabel di atas menunjukkan bahwa pada component 1 nilai korelasi 0,688> 0,5, component 2: 0,311 < 0,5 dan component 3:
0,091 < 0,5 dan component 4 : 0,950 >0,5. Karena tidak semua komponen menunjukkan nilai korelasi diatas 0,5, maka
hanya faktor 1 dan faktor 4 yang dapat dikatakan tepat dalam merangkum ke 18 variabel yang ada.