MAKALAH

STATISTIK MULTIVARIAT
Analisis Faktor

Disusun Oleh:
Annisa Putri Utami (11140940000033)

Dosen :
Nurmaleni M.Si

Prodi Metematika
Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta
2017
 KATA PENGANTAR

Puji dan syukur senantiasa penulis panjatkan ke hadirat Allah SWT atas rahmat dan
karunia-Nya sehingga penulis dapat menyelesaikan tugas Statistik Multivariat ini. Tugas
akhir ini disusun dengan tujuan untuk lebih memahami Analisis Faktor, khusus nya mengenai
Analisis Faktor Eksploratori metode komponen utama.

Tak lupa penulis ucapkan banyak terima kasih atas dorongan yang diberikan kepada
penulis dalam proses penyelesaian tugas ini. Dosen mata kuliah yang telah memberi berbagai
arahan demi tersusunnya tugas ini, juga tak lupa orang tua yang senantiasa mendoakan saya.

Kepada para pembaca, penulis tak lupa mengharapkan kritik yang bersifat
membangun bilamana terdapat kesalahan dan kekeliruan demi perbaikan tugas akhir ini.

Akhir kata, semoga tugas akhir ini dapat berguna bagi mahasiswa dan bagi semua
nya, semoga apa yang kami penulis di sini dapat dijadikan tambahan ilmu pengetahuan teman
teman semua. Terima kasih.

Penulis
 DAFTAR ISI
KATA PENGANTAR.........................................................................................................i
DAFTAR ISI. .....................................................................................................................ii

BAB I PENDAHULUAN
A. Latar Belakang ..............................................................................................................1
B. Rumusan Masalah .........................................................................................................1
C. Tujuan Penulisan............................................................................................................1
D. Manfaat Penulisan .........................................................................................................2

BAB II TINJAUAN PUSTAKA

2.1. Pengertian Analisis Faktor
2.2. Tujuan Analisis Faktor
2.3. Manfaat Analisis Faktor

BAB III METODOLOGI

3.1. Prosedur Analisis Faktor
3.1.1. Penentuan variabel apa saja yang akan dianalisis
3.1.2. Pembentukan Faktor
3.1.2.1 Analisis Faktor Ekspolaratori (alat eskplorasi data)
3.1.2.2 Analisis Faktor Konfirmatory (alat konfirmasi struktur data)
3.1.2.3. Model Analisis Faktor
3.1.3. Menduga Parameter (loading factor dan ragam sistematik)
3.1.4. Pemilihan Metode Ekstraksi dan Penentuan Jumlah Faktor
3.1.5. Pemilihan Metode Rotasi dan Interpretasi Matrik Faktor

BAB IV PEMBAHASAN

BAB V PENUTUP
A. Kesimpulan...............................
B. Saran.................................

DAFTAR PUSTAKA .................................................................................................

LAMPIRAN.................................................................................................................
 BAB I
PENDAHULUAN

A. Latar Belakang

Analisis statistika multivariate adalah analisis statistika yang dikenakan pada

data yang terdiri dari banyak variabel dan antar variabel saling berkorelasi. Dalam
sebuah penelitian jika variabel-variabel yang terlibat didalamnya merupakan
variabel yang observable atau variabel-variabel yang dapat diukur secara langsung,
misalnya tinggi badan, berat badan, tingkat pendapatan dan lain-lain, maka hal ini
adalah sesuatu yang mudah. Variabel-variabel tersebut dapat langsung dimasukkan
kedalam persamaan dan dirunning dengan menggunakan bantuan software.
Permasalahan diatas akan berbeda jika variabel penelitian yang terlibat
merupakan variabel unsobservable, yaitu variabel yang yang tidak dapat diukur
secara langsung, misalnya motivasi, kepuasan, loyalitas, kinerja dan lainnya. Hal
tersebut dapat ditangani dengan Variabel Laten / Faktor yang menjelaskan struktur
hubungan diantara banyak variabel. Permasalahannya, bagaimana cara memperoleh
data variabel laten tersebut?
Salah satu cara untuk memperoleh data variabel laten tersebut adalah dengan
menggunakan analisis faktor. Analisis Faktor merupakan salah satu dari analisis
ketergantungan (interdependensi) antar variabel. Prinsip dasar analisis faktor adalah
mengekstraksi sejumlah faktor bersama (common faktor) dari gugusan variabel asal
X ,X ,,X , sehingga:
1 2 p
a. Banyaknya faktor lebih sedikit dibandingkan dengan banyaknya variabel asal X
b. Sebagian besar informasi (ragam) variabel asal X tersimpan dalam sejumlah
faktor.

B. Rumusan Masalah
Berdasarkan latar belakang masalah tersebut maka dapat dirumuskan permasalahan
sebagai berikut :
1. Apa itu analisis faktor?
2. Apa tujuan analisis faktor?
3. Apa manfaat analisis faktor?
4. Bagaimana prosedur analisis faktor khususnya Analisis Faktor Eksploratori
metode komponen utama?

C. Tujuan Penulisan
Berdasarkan rumusan masalah tersebut, maka tujuan dari penulisan ini adalah sebagai
berikut :
1. Menjelaskan analisis faktor.
2. Memaparkan tujuan analisis faktor.
3. Memaparkan manfaat analisis faktor.
4. Menjelaskan prosedur analisis faktor khususnya Analisis Faktor Eksploratori
metode komponen utama.
D. Manfaat Penulisan
Hasil dari penulisan makalah ini diharapkan dapat memberikan manfaat, antara lain:
1. Menambah Referensi mengenai analisis faktor bagi mahasiswa.
 BAB II
TINJAUAN PUSTAKA

2.1. Pengertian Analisis Faktor

Analisis faktor adalah analisis statistika yang bertujuan untuk mereduksi dimensi data
dengan cara menyatakan variabel asal sebagai kombinasi linear sejumlah faktor, sedemikian
hingga sejumlah faktor tersebut mampu menjelaskan sebesar mungkin keragaman data yang
dijelaskan oleh variabel asal.

Analisis faktor termasuk analisis dengan teknik interdependensi (interdependence

technique), dimana tidak ada pembagian variabel menjadi variabel bebas dan variabel
tergantung.

Dalam analisis Faktor, variabel-variabel dalam jumlah besar dikelompokan dalam

sejumlah faktor yang mempunyai sifat dan karateristik yang hampir sama, sehingga
mempermudah pengolahan. Pengelompokan dilakukan dengan mengukur korelasi sekumpulan
variabel dan selanjutnya menempatkan variabel-variabel yang berkorelasi tinggi dalam satu
faktor dan variabel-variabel lain yang mempunyai korelasi relatif lebih rendah ditempatkan
pada faktor yang lain.

Jadi, pada prinsipnya analisis faktor digunakan untuk mengelompokkan beberapa

variabel yang memiliki kemiripan untuk dijadikan satu faktor, sehingga dimungkinkan dari
beberapa atribut yang memengaruhi satu komponen variabel dapat diringkas menjadi beberapa
faktor utama yang jumlahnya lebih sedikit.

2.2. Tujuan Analisis Faktor

Pada dasarnya, tujuan analisis faktor adalah:

1. Data Sumarization, yakni mengidentifikasi adanya hubungan antar variabel dengan

melakukan uji korelasi.
2. Data Reduction, yakni setelah melakukan korelasi, maka dilanjutkan dengan proses
membuat sebuah variabel set baru yang dinamakan faktor untuk menggantikan sejumlah
variabel tertentu.
Tujuan umum dari teknik analisis faktor adalah menemukan suatu cara untuk mereduksi
informasi yang terkandung di dalam sejumlah variabel-variabel original/asal ke dalam set
variabel yang lebih kecil.

2.3. Manfaat Analisis Faktor

Manfaat yang bisa diperoleh dari metode analisis faktor, antara lain:

1. Mereduksi variabel X menjadi variabel baru dengan jumlah yang lebih sedikit. Pada
penelitian dengan jumlah variabel yang besar akan menyulitkan dalam pengolahan. Untuk
 memudahkan pengolahan maka variabel-variabel tersebut dikelompokan terlebih dahulu
ke dalam sejumlah faktor yang mempunyai makna bersesuaian.
2. Pemeriksaan validitas dan reabilitas instrument penelitian (berupa kuesioner) dengan
analisis faktor konfirmatori.
3. Mempermudah interpretasi hasil analisis sehingga didapat informasi yang realistis dan
berguna.
4. Dengan diperolehnya skor faktor, maka analisis faktor merupakan langkah awal (sebagai
data input) dari berbagai metode analisis data yang lain, misalnya Analisis Diskriminan,
analisis Regresi, Cluster Analysis, ANOVA, MANCOVA, Analisis Path, Model
Struktural, MDS, dan lain sebagainya.
 BAB III
METODELOGI

3.2. Prosedur Analisis Faktor

3.2.1. Penentuan variabel apa saja yang akan dianalisis
Langkah pertama sebelum dilakukan analisis adalah memilih dan
menyeleksi variabel dengan menilai mana saja variabel yang dianggap layak
untuk dimasukan dalam analisis. Pengujian ini dilakukan dengan memasukan
semua variabel yang ada, dan kemudian pada variabel-variabel tersebut
dikenakan sejumlah pengujian.
Jika peneliti menggunakan alat ukur berupa kuosioner, maka sebelum
dilakukan analisis faktor, pengujian kelayakan variabel dapat dilakukan
dengan melakukan pengujian validitas dan reliabilitas terhadap variabel awal.
Tujuannya adalah agar terpilih variabel yang tepat. Jika terdapat beberapa
variabel tidak relevan maka peneliti membuang variabel tersebut karena dapat
mempengaruhi interpretasi hasil analisis faktor.
Pemilihan variabel-variabel observasi berdasarkan korelasi diantara
variabel. Variabel dengan korelasi yang kuat akan masuk dalam analisis faktor
dan variabel dengan korelasi yang lemah akan dikeluarkan dari analisis faktor.
Jika sebuah atau lebih variabel mempunyai korelasi yang lemah terhadap
variabel lain maka tidak akan terjadi pengelompokan. Dengan kata lain, yang
menjadi fokus dalam analisis ini adalah ukuran korelasi antar variabel-variabel
awal karena tujuan analisis ini sendiri adalah untuk mengidentifikasi hubungan
dalam sekumpulan variabel awal tersebut.
Untuk mengetahui apakah variabel sudah memadai untuk dianalisis lebih
lanjut, digunakan pengukuran Measure of Sampling Adequacy (MSA). Nilai
ini juga berhubungan dengan korelasi yang terjadi pada variabel-variabel awal.
Dalam paket program SPSS, nilai MSA untuk masing-masing variabel
dapat dilihat dalam diagonal pada anti image correlation pada bagian diagonal
matriks. Jika dihitung manual:
2
=
2 +
2

Untuk i j
Keterangan:
2 = koefisien korelasi antara varibel i dan variabel j
2
= koefisien korelasi parsial antara varibel i dan variabel j

Apabila satu atau beberapa variabel awal secara individu mempunyai

nilai MSA yang kurang dari 0,5 maka variabel tersebut dikeluarkan dari proses
analisis. Variabel yang tidak valid harus dikeluarkan satu per satu dari analisis,
diurutkan dari variabel yang nilai MSAnya terkecil.
 Uji MSA angkanya haruslah berada pada interval 0 sampai 1, dengan
kriteria:
a. MSA = 1 , Variabel dapat diprediksi tanpa kesalahan oleh variabel
yang lain.
b. MSA > 0.5 , Variabel masih bisa diprediksi dan bisa dianalisis lebih
lanjut.
c. MSA 0.5 , Variabel tidak bisa diprediksi dan tidak bisa dianalisis
lebih lanjut, atau harus di keluarkan.

Langkah selanjutnya yaitu pengujian Kaiser-Meyer-Olkin (KMO). KMO

merupakan indeks untuk membandingkan besarnya koefisien korelasi amatan
dengan koefisien parsial, yang berarti bahwa besar koefisien korelasi
keseluruhan variabel pada matriks korelasi harus signifikan di antara paling
sedikit beberapa variabel. Angka KMO disyaratkan harus lebih dari 0.5.

2
=
2 +
2

Untuk i j
Keterangan:
2 = koefisien korelasi antara varibel i dan variabel j
2
= koefisien korelasi parsial antara varibel i dan variabel j
Harga KMO ini merupakan indeks untuk membandingkan besarnya koefisien
korelasi dengan besarnya koefisien korelasi parsial, skala nilainya antara lain :

KMO 0,9 = Menyatakan sangat memuaskan

0,8 KMO < 0,9 = Menyatakan sangat baik

0,7 KMO < 0,8 = Menyatakan baik

0,6 KMO < 0,7 = Menyatakan cukup memuaskan

0,5 KMO < 0,6 = Menyatakan jelek

KMO 0,5 = Menyatakan ditolak

Uji selanjutnya yaitu uji hipotesis bahwa matriks korelasi adalah bukan
matriks identitas, dengan menggunakan Barletts Test of Sphericity. Nilai
signifikasi yang diperoleh Barletts Test of Sphericity harus lebih kecil dari
0,05 (sig < 0.05)
Dalam analisis faktor, keterkaitan antar variabel sangat diperlukan,
karena tujuan dari analisis ini adalah menghubungkan suatu kumpulan variabel
agar menjadi satu faktor saja. Bila matriks korelasi yang terbentuk adalah
matriks identitas, berarti tidak ada korelasi antar variabel, sehingga analisis
faktor tidak dapat dilakukan.
3.2.2. Pembentukan Faktor
Setelah variabel ditentukan dan dipilih serta perhitungan korelasinya
telah memenuhi persyaratan untuk dilakukan analisis, langkah selanjutnya
adalah membentuk faktor untuk menemukan struktur yang mendasari
hubungan antar variabel awal tersebut.

Secara umum analisis faktor dibagi menjadi dua bagian, yakni:

i. Principal Component Analysis (PCA) / Analisis Faktor

Eksploratori (alat eskplorasi data)
ii. Common Factor Analysis (CFA) / Analisis Faktor Konfirmatori
(alat konfirmasi struktur data)

3.1.2.1 Analisis Faktor Ekspolaratori (alat eskplorasi data)

Dalam Analisis Faktor Ekspolaratori 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

Berapa F yanga akan terbentuk?

F tersebut merupakan variabel laten apa saja?

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 Analisis
Faktor Eksploratori.
3.1.2.2 Analisis Faktor Konfirmatory (alat konfirmasi struktur data)

Berbeda dengan analisis faktor eksploratori, di dalam analisis faktor

konfirmatori peneliti terlebih dahulu sudah mempunyai gambaran mengenai
struktur atau banyaknya faktor yang diharapkan.

Misalnya kita ingin mengukur Ability dan Aspiration dari karyawan.

Kedua variabel tersebut bersifat unobservable, sehingga perlu dikembangkan
indikator sebagai pengukurnya. Untuk mengukur Ability dikembangkan 4
indikator, yaitu X s/d X dan untuk mengukur Aspiration dibuat dua indikator
1 4
yakni, X dan X . Permasalahannya : Apakah benar X s.d X merupakan
5 6 1 4
pengukur Ability yang valid dan reliabel? Demikian juga : Apakah benar X
5
dan X merupakan alat ukur Aspiration yang valid dan reliabel?
6

Untuk itu, perlu dilakukan konfirmasi lebih lanjut, yaitu memeriksa

validitas dan reliabilitasnya. Hal ini dapat dilakukan dengan Analisis Faktor,
sehingga dinamakan Analisis Faktor Konfirmatori. Pada prinsipnya hanya
akan melakukan konfirmasi berdasarkan teori atau konsep yang sudah ada
terhadap keakuratan (valid dan reliable) instrumen yang kita buat. Secara
visual dapat dilihat pada gambar berikut.

Faktor yang akan terbentuk = 2

Faktor I = Ability

Faktor II = Aspiration

3.1.2.3. Model Analisis Faktor

Secara umum analisis faktor disusun seperti model dalam analisis regresi
multivariat. Setiap variabel awal dinyatakan sebagai kombinasi linear dari
faktor-faktor yang mendasari. Misalkan vektor acak X, dengan banyak
komponen dan mempunyai mean dan matriks kovariansi merupakan
penyusunan model faktor. Variabel 1, 2, , merupakan faktor yang
nilainya tidak terobservasi, 1, 2, , merupakan kesalahan (error) atau
faktor spesifik. Dengan m < p.
Secara matematis model analisis faktor ditulis sebagai berikut:

1 1 = 111 + 122 + + 1 + 1

2 2 = 211 + 222 + + 2 + 2

= 11 + 22 + + + p (3.1)

atau dalam notasi matriks ditulis sebagai berikut:

() () = ()() + () (3.2)

dengan,

L : matriks factor loading.

i : vektor acak yang memiliki komponen pada amatan ke-

: rataan dari variabel ke-

: faktor bersama (common factor) yang ke ke- atau disebut disebut

faktor-faktor umum

: sisaan atau error dari variabel ke- (spesific factor) atau disebut
faktor khusus

Dalam permasalahan analisis faktor yang dilakukan adalah menentukan

faktor-faktor bersama sehingga korelasi di antara unsur vektor x terangkum
pada faktor-faktor yang diperolah.
 Model faktor (3.2) diatas menggunakan asumsi bahwa:

1. () = (), () = [] = () (3.3)
1 0 0
0 0
2. () = () , () = [] = () =[ 2 ] (3.4)
0 0
Dengan > 0

3. dan saling bebas, (, ) = (, ) = ()

Model ortogonal dari sebuah analisis faktor adalah

() = () + ()() + () (3.5)

Model ortogonal dari analisis faktor berakibat kepada struktur kovariansi untuk variabel acak
X, yaitu:

( )( ) = ( + )( + )

= ( + )(() + )

= () + () + + (3.6)

Berdasarkan pada persamaan (3.3) dan (3.4) maka matriks kovariansinya menjadi

= () = ( )( )

= [() + () + + ]

= () + () + () + ()

= . + . 0 + . 0 +

= + (3.7)
atau dapat ditulis sebagai:

( ) = 21 + 22 + + 2 + (3.8)

(, ) = 11 + + (3.9)

Kovariansi untuk variabel acak X dan faktor umum F adalah

( ) = ( + )

= + (3.10)

Berdasarkan pada persamaan (3.3) dan (3.4), maka

(, ) = ( )

= [ + ]

= () + ()

= + 0

= (3.11)

Secara umum dapat ditulis sebagai berikut:

(, ) = dengan = 1,2,, dan = 1,2,, (3.12)

Variansi dari variabel ke- yang disumbangkan oleh common faktor disebut komunalitas
ke-. Nilai () = merupakan nilai komunalitas yang ditambahkan dengan nilai
variansi spesifik atau uniknya. Dari persamaan (3.8) dan persamaan (3.9) diperoleh

= 21 + 22 + + 2 + (3.13)

Komunalitas ke- dinotasikan sebagai 2 , atau dengan menggunakan notasi diatas diperoleh
persamaan

2 = 21 + 22 + + 2 (3.14)

dan

= 2 + , = 1,2,, (3.15)
Nilai komunalitas ke- merupakan jumlah kuadrat dari factor loading variabel ke- pada m
faktor.

var(Xi)= varians yang dijelaskan oleh faktor untuk variabel asal ke-i + var(error)

= communality + specific variance

= hi2 i

= 21 + 22 + + 2 +

3.2.3. Menduga Parameter (loading factor dan ragam sistematik)

Pendugaan parameter:
komponen
utama

faktor utama

non-iteratif
analisis citra
(image analysis)

faktor kanonik
metode
non-iteratif
pendugaan
Harris

kemungkinan
maksimum
iteratif
kuadrat terkecil
tak-terboboti

Metode Komponen Utama

Metode komponen utama pada analisis faktor adalah metode yang paling
sederhana. Metode ini bertujuan untuk menaksirkan parameter pada analisis
faktor, yaitu varian spesifik () , communality () dan matriks faktor
loading () .
 Komponen utama analisis faktor pada matriks varian kovarian
memiliki pasangan nilai eigen dan vektor eigen (1 , 1 ), , ( , ) dimana
1 2 > 0 dengan = + .

Dalam metode komponen utama , diabaikan, sehingga :

= + . = + 0 =

1 1
= [1 1 |2 2 | | ] [ ] + 0

Jika m<p merupakan jumlah dari faktor umum, maka matriks dari
estimasi faktor loading { } dinyatakan sebagai:

L = [1 1 |2 2 | | ]

Matriks diagonal ragam khusus diduga dengan , yaitu matriks

diagonal yang unsurnya diambil dari sehingga :

1 0 0
0
= 0 2

[ 0 0
]

= 1
2

=1

komunalitas dinyatakan sebagai :

2 = 1+
2 2
2+ . +
2
= 2
=

Dengan demikian kita memiliki model k-faktor dengan L diduga oleh
dan diduga dengan , sehingga diperoleh pendekatan bagi R adalah

= +
 Dalam prakteknya kita harus melakukan validasi model, sehingga
sebelum menerima L dan sebagai penduga akhir, perlu dihitung matriks
sisaan

+ )
= (

dan besaran dari unsur-unsurnya diperhatikan menggunakan ukuran

statistik tertentu (secara intuitif).

Matriks sisaan Res selalu memiliki unsur diagonal nol. Pada kasus yang
ideal, Res = 0. Dengan demikian, dalam bahasa intuitif, jika unsur nondiagonal
juga dekat dengan nilai 0 maka penduga dan dianggap cukup bagus dan
dapat diterima. Hal ini memicu munculnya statistik untuk menilai mutu dari
pendugaan.

Secara formal, jika k terpilih sehingga =1 yang merupakan

keragaman total yang diterangkan oleh k buah vektor ciri besar (mendekati p)
maka =+1 akan kecil (mendekati 0). Bisa ditunjukkan bahwa jumlah
kuadrat dari unsur-unsur matriks sisaan Res selalu kurang dari atau sama
dengan =+1 . Sehingga jika =+1 kecil, ini juga menunjukkan
bahwa matriks sisaan itu kecil . Atau besaran

=+1 =+1
=
=1

Dapat dijadikan ukuran kebaikan suai dari model faktor. Semakin kecil
nilainya mengindikasikan kebaikan suai yang tinggi. Perlu ditegaskan bahwa
jika yang digunakan bukan matriks korelasi melainkan matriks ragam
peragam, maka =1 tidak selalu sama dengan p.

Salah satu ukuran untuk menilai kebaikan suai adalah menggunakan

RMS_overall yaitu akar kuadrat tengah dari seluruh unsur non diagonal
matriks Res, atau

1 2
=
(1 )
=1

3.2.4. Pemilihan Metode Ekstraksi dan Penentuan Jumlah Faktor

Ekstraksi faktor bertujuan untuk menghasilkan sejumlah faktor dari data
yang ada. Terdapat dua pendekatan dalam mengekstraksi faktor, metode Analisis
Utama (Principal Component Analysis) dan metode Analisis Faktor Umum
(Common Factor Analysis). Dalam pemilihannya, perlu diketahui lebih dahulu
tipe-tipe variansi data. Total varians (total variance) terdiri dari tiga bagian, yaitu
variansi umum (common variance), variansi unik atau spesifik (specific
variance), dan variansi error (error vaiance). Variansi umum adalah variansi
variabel yang dibagi dengan semua variabel yang ada.

Variansi spesifik adalah variansi yang dimiliki oleh variabel yang bersifat
reliabel secara spesifik dan tidak berhubungan dengan variabel lain. Sedangkan
variansi error adalah variansi yang berhubungan dengan ketidak reliabel, yang
terjadi dari proses pengumpulan data, error pengukuran dan kesalahan acak.
Dalam menentukan jumlah faktor yang diinginkan sebagai hasil ekstrak, terdapat
beberapa kriteria, yaitu :

a. Kriteria Latent Root (Latent Root Criterion)

Hanya faktor-faktor yang memiliki latent root (eigenvalue) minimum 1
yang akan dipertahankan. Ini dapat berarti bahwa sebuah faktor dapat
dianggap sebagai faktor, bila paling sedikit dapat menjelaskan variansi satu
variabel atau setiap variabel menyumbangkan nilai satu pada total eigen value.
maka, hanya faktor dengan eigenvalue > 1 yang dianggap signifikan.

b. Kriteria (Apriori Criterion)

Jumlah faktor ditentukan sendiri oleh peneliti karena peneliti sudah
mempunyai pengalaman sebelumnya tentang beberapa jumlah faktor. Metode
ini digunakan untuk menguji suatu teori yang sudah ada.

c. Kriteria presentase variansi (Percentage of Varience Criterion)

Presentase kumulatif total variansi tertentu diekstraksi dari factor-faktor
terpilih secara berurutan. Tujuannya untuk memastikan signifikansi faktor-
faktor terpilih. Dengan memastikannya terlebih dahulu diketahui dengan pasti
bahwa faktor-faktor tersebut dapat menjelaskan paling sedikit sejumlah
variansi.

d. Kriteria Scree Test ( Scree Test Criterion)

Meskipun semau faktor mengandung paling sedikit beberapa variansi
unik, tetapi pada dasarnya proporsi variansi unik dua factor (dan sesudahnya)
lebih besar dari faktor sebelumnya. Tujuannya untuk mengidentifikasi jumlah
maksimal faktor yang dapat diekstrak sebelum sejumlah variansi unik mulai
mendominasi struktur variansi umum. Pada kurva latent root terhadap jumlah
faktor, titik dimana kurva mulai bergerak lurus merupakan indikasi jumlah
faktor maksimum yang dapat diekstrak.
 e. Kriteria Responden (Heterogenity of Respondent)
Jika sampel heterogen pada paling sedikit satu bagian dari set variabel,
maka faktor pertama akan menjelaskan variabel-variabel tersebut secara
lebih homogen terhadap keseluruhan sampel.

3.2.5. Pemilihan Metode Rotasi dan Interpretasi Matrik Faktor

Jika faktor loading suatu variabel sama-sama cukup tinggi pada beberapa
faktor maka sulit untuk memutuskan ke faktor mana variabel tersebut harus
dimasukkan, sedangkan sasaran analisis faktor adalah agar setiap variabel
hanya masuk ke satu faktor saja. Untuk itu setelah ekstraksi, faktor-faktor yang
terbentuk perlu dirotasi. Tujuan rotasi adalah untuk mengekstrimkan faktor
loading variabel. Rotasi dilakukan dengan memutar sumbu faktor, dari titik
pusatnya menuju titik yang ingin dituju. Beberapa metode rotasi, yaitu :

a. Orthogonal Rotation, dilakukan dengan cara merotasikan sumbu faktor

yang kedudukannya saling tegak lurus satu dengan lainnya, sehingga setiap
faktor saling bebas terhadap faktor lainnya karena sumbunya saling tegak
lurus. Rotasi Orthogonal masih dapat dibedakan menjadi :
1) Quartimax, dengan merotasi faktor awal hasil ekstraksi sehingga
diperoleh hasil rotasi dimana setiap variabel mempunyai faktor
loading yang tinggi di satu faktor dan sekecil mungkin pada faktor
lain.
2) Varimax (paling sering digunakan karena sering terbukti lebih baik
dalam menunjukkan perbedaan antar faktor ), dengan merotasi faktor
awal hasil ekstraksi sehingga diperoleh hasil rotasi dimana dalam
suatu kolom, nilai yang ada sebanyak mungkin mendekati nol. Ini
berarti, di dalam setaip faktor tercakup sesedikit mungkin variabel.
3) Equimax, mengkombinasi metode Quartimax dan Varimax.

b. Oblique Rotation, dilakukan dengan merotasikan sumbu faktor yang

kedudukannya saling membentuk sudut, dengan besar sudut rotasi tertentu.
Dalam hal ini, korelasi antara faktor masih diperhitungkan karena sumbu
faktor tidak saling tegak lurus satu dengan yang lainnya. Rotasi Oblique
masih dapat dibedakan menjadi :
1) Oblimax, merotasi faktor sehingga sejumlah faktor loading yang
tinggi dan rendah meningkat, dengan menurunkan faktor-faktor
loading yang berada dipertengahan.
2) Quartimin, meminimumkan jumlah produk pada struktur loading.
3) Covarimin, seperti varimax pada rotasi orthogonal, yaitu dengan
merotasi faktor awal hasil ekstraksi sehingga diperoleh nilai yang ada
dalam suatu kolom sebanyak mungkin mendekati nol.
4) Oblimin, mengkombinasi metode Quartimin dan Covarimin
 Interpretasi matrik faktor dilakukan dengan mengelompokkan variabel-
variabel ke dalam faktor-faktor hasil. Dasar untuk memutuskan apakah suatu
variabel dimasukkan pada faktor 1, faktor 2, atau faktor lainnya adalah faktor
loadingnya. Sebelum dikelompokkan faktor loading harus memenuhi kriteria
signifikansi praktis dan signifikansi statistik. Kriteria signifikansi praktis
adalah faktor loading lebih besar dari 0.5, karena semakin besar faktor loading
semakin mudah menginterpretasikan faktor tersebut.

Langkah-langkah interpretasi matriks faktor, yaitu :

a. Memeriksa faktor loading terbesar untuk setiap variabel.

b. Mengidentifikasi faktor loading terbesar untuk setiap variabel.
c. Menggabungkan variabel ke dalam faktor. Apabila variabel dengan
faktor loading terbesar terjadi pada faktor 1, maka variabel tersebut
digabungkan ke dalam faktor 1.
d. Menghapus variabel apabila :
Faktor loading variabel signifikansi pada beberapa faktor.
Nilai komunalitas variabel lebih kecil dari 0.5.
e. Memberikan nama atau label pada faktor terbentuk yang
mencerminkan arti gabungan dari variabel-variabel penyusunnya.
 BAB IV

PEMBAHASAN
 BAB V

PENUTUP
A. Kesimpulan

B. Saran
Penulis menyarankan pada pembaca untuk membaca materi Analisis Faktor dari
sumber lain, dikarenakan ketidaksempurnaan makalah yang penulis buat.
 DAFTAR PUSTAKA

Supranto, J. 2004. Analisis Multivariat, Arti dan Interpretasi. Edisi-1. Rineka Cipta. Jakarta.

Johnson, R. A. and Wichern, D. W. 1998. Applied Multivariate Statistical Analysis. Prentice-Hall, Inc.
USA.

Mattjil, Ahmad Ansori, dkk. 2011. Sidik Peubah Ganda Dengan menggunakan SAS. Bogor:
kampus IPB Darmaga