Multivariate Data Analysis

EXPLORATORY FAKTOR ANALYSIS

1. DEFINISI
Faktor Analisis, termasuk variasi seperti analisis komponen dan faktor analisis
umum adalah pendekatan statistik yang dapat digunakan untuk menganalisis
hubungan diantara beberapa variabel dan menjelaskan variabel-variabel ini dalam
keadaaan umumnya berdasarkan dimensi (faktor). Tujuannnya adalah untuk
mencari cara menyingkat informasi yang terdapat dalam beberapa variabel asal
menjadi serangkaian variabel yang lebih kecil (faktor) dengan meminimalkan
kehilangan informasi (Hair).
Faktor analisis adalah salah satu keluarga analisis multivariate yang bertujuan
meringkas atau mereduksi variabel amatan secara keseluruhan menjadi beberapa
variabel atau dimensi baru. Akan tetapi dengan variabel atau dmensi baru yang
terbentuk tetap mampu mempresentasikan variabel utama. Dalam analisis faktor
dikenal 2 pendekatan utama, yaitu Exploratory Factor Analysis (EFA) dan
Confirmatory Factor Analysis (CFA). Kita menggunakan EFA bila banyaknya
faktor yang akan terbentuk tidak ditentukan terlebih dahulu. Sebaliknya CFA
digunakan apabila faktor yang terbentuk telah ditetapkan terlebih dahulu.
(Yamin: 179). Pada pembahasan ini lebih difokuskan pada Exploratory Factor
Analysis.

Factor Analysis

Exploratory Confirmatory
Factor Analysis Factor Analysis
(EFA) (CFA)
1 Exploratory Factor Analysis
 Multivariate Data Analysis

Asumsi mendasar yang harus digarisbawahi dalam analisis faktor adalah variabel-
variabel yang dianalisis memiliki keterkaitan atau saling berhubungan karena
analisis faktor berusaha mencari common dimensions (kesamaan dimensi) yang
mendasari variabel-variabel itu.

2. FUNGSI
Fungsi dari Exploratory Factor Analysis adalah :
1. Untuk mengidentifikasi dimensi mendasar (faktor) yang dapat menjelaskan
korelasi sekumpulan variabel.
2. Untuk mengidentifikasi variabel baru, yang dapat digunakan untuk analisis
lainnya (contohnya: Regresi)
3. Untuk mengidentifikasi satu atau beberapa variabel dari avariabel yang
banyak jumlahnya.

Analisis faktor dapat juga digunakan sebagai salah satu analisa untuk
menganggulangi masalah multikolinieritas dalam regresi berganda, yaitu dengan
merduksi variabel-variabel independen yang mengalami problem multikolinieritas.

3. IMPLEMENTASI FACTOR ANALYSIS PADA KASUS

Contoh:
Seorang manajer riset sebuah pusat perbelanjaan ingin mengetahui persepsi
terhadap pelayanan yang selama ini dilakukan di Mall. Ada 6 atribut yang
ditanyakan kepada pelanggan uyang datang dan diminta untuk menjawab tingkat
kepuasan atau persepsi terhadap keenam atribut tersebut. Atribut tersebut adalah:
Pelayanan Customer service, Luasnya Area Parkir, Kebersihan Area Belanja,
Kelengkapan Penunjuk Arah, Kenyamanana Area Belanja dan Kelengkapan Toko.
(Tabel data terlampir)

2 Exploratory Factor Analysis

 Multivariate Data Analysis

Hasil Olah data menggunakan SPSS

Tabel KMO dan Bartletts test menunjukkan uji kelayakan dari analisis faktor.
Adapun klasifikasi nilai KMO sebagai berikut :
<0,9 : marvelous
0,8-0,9 : meritorious
0,7-0,8 : middling
0,6-0,7 : mediacore
0,5-0,6 : miserable
< 0,5 : unacceptabel
Dalam contoh kasus ini, terlihat nilai KMO sebesar 0,652 (>0,5) dan p-value
Bartletts test sebesar 0,00 (<0,05) sehingga model faktor yang terbentuk layak
digunakan.

Kemudian setelah melihat nilai KMO dan Bartletts Test, kemudian dilihat
juga nilai anti image correlation. Pada tabel ini dilihat nilai MSA yang dibaca dari
kiri atas ke kana bawah secara diagonal. Untuk syaratnya apabila nilai MSA <0,5,
maka variabel tersebut sebaiknya di drop dari sistem analisis dan dilakukan

3 Exploratory Factor Analysis

 Multivariate Data Analysis

analisis ulang hingga mencapai semua nilai MSA >0,5. Dilihat dari tabel, semua
nilai MSA telah memenuhi syarat.

Untuk communalities menunjukkan berapa persen faktor atau variabel baru yang
terbentuk dari analisis faktor dapat menerangkan varians dari variabel tersebut. Di tabel
terlihat bahwa untuk variabel pelayanan customer service, diperoleh nilai communalities
sebesar 0,653 yang berarti 65,3% faktor yang terbentuk mampu menerangkan varians dari
variabel atribut pelayanan customer service dan seterusnya.

Total variance explained menunjukkan nilai persen dari varians yang mampu diterangkan
oleh banyaknya faktor yang terbentuk, nilai ini didasarkan pada nilai eigenvalues, yang
menggambarkan kepentingan relatif setiap faktor dalam menghitung varians dari variabel
yang dianalisis. Nilai eigenvalue dilihat pada kolom initial eigenvalues (total). Nilai
eigenvalues untuk faktor 1 sebesar 2,124, faktor 2 sebesar 1,405, dan seterusnya. Secara
umum nilai eigenvalues yang harus diambil didasarkan pada asumsi nilai eigenvalues > 1
sehingga pada kasus ini diambil 2 faktor saja.

4 Exploratory Factor Analysis

 Multivariate Data Analysis

Scree plot ini menerangkan hubungan antara banyaknya faktor yang terbentuk dengan
nilai eigenvalue dalam bentuk grafik.

Pada tabel rotated component matrix menunjukkan nilai loading factor (besarnya
korelasi antara faktor score dan variabel) dari setiap variabel. Terlihat pada tabel untuk atribut
pelayanan customer service, korelasi antara variabel tersebut dengan faktor 1 sebesar -0,065
dan korelasinya dengan faktor 2 sebesar 0,805 (tanpa melihat nilai +/-). Ini menunjukkan
bahwa variabel pelayanan customer service masuk ke dalam faktor 2 karena nilai korelasinya
lebih besar bila dibandingkan dengan nilai korelasinya ke faktor 1, dan begitu juga seterusnya.
Secara keseluruhan dapat dilihat bahwa faktor 1 terdiri dari variabel luas area parkir,
kebersihan area belanja, kelengkapan penunjuk arah, dan kelengkapan took. Sementara faktor

5 Exploratory Factor Analysis

 Multivariate Data Analysis

2 diisi oleh pelayanan customer service dan kenyamanan area belanja. Kemudian bila
ditampilkan pada chart akan menghasilkan gambar sebagai berikut.

Setelah didapat hasil analisanya, maka dilakukan pengelompokan dengan member

kode nama pada setiap faktor yang terbentuk. untuk kasus ini, anggap saja faktor 1 diberi
nama pelayanan nonfisik dan faktor 2 diberi nama pelayanan fisik.

6 Exploratory Factor Analysis