I.

Pendahuluan :
TEORI ANALISIS MULTIVARIAT
 Metode statistik yang memungkinkan melakukan
penelitian terhadap lebih dari 2 variabel secara
bersamaan.
 Dapat menganalisis pengaruh beberapa variabel
terhadap variabel lain secara bersamaan
KLASIFIKASI TEKNIK ANALISIS
MULTIVARIT
 DEPENDENSI: menerangkan variabel tergantung dengan
menggunakan 2/lebih variabel bebas (regresi linear
berganda,diskriminan, varian multivariat,korelasi
kanonikal)
 INTERDEPENDENSI: seperangkat variabel/membuat
kelompok-kelompok secara bersamaan (analisis faktor,
kluster, multidimensional scaling parametrik,
multidimensional scaling non parametrik)
Measurement Scales
 Data Nonmetric: data yang memberikan
deskripsi ada atau tidaknya suatu
karakteristik tertentu.
 Misal: variable gender  seorang responden
laki-laki, maka dia bukan perempuan. “Kadar
atau jumlah” gender juga tidak dapat diukur,
misal: seberapa laki-laki responden tersebut.
Nonmetric scales
 Data nonmetric dapat dalam bentuk:
 skala nominal: angka yang digunakan untuk
representasi kategori, tidak memiliki arti secara
kuantitatif (misal: 1= laki-laki, 2= perempuan)
 skala ordinal: nilai dapat diranking, tetapi tidak
bisa ditentukan selisihnya (misal: 1=Tidak Puas,
2=Puas, 3=Sangat Puas).
Metric scales
 Data metric, data berupa nilai angka yang memiliki
makna dan digunakan ketika subyek berbeda jumlah
atau tingkat .
 Skala dalam data metric bisa berupa skala interval dan
skala rasio.
 Perbedaannya pada penggunaan titik 0.
 Intervaltitik 0 secara bebas, misal: ukuran skala temperature
celcius & Fahrenheit.
 Rasio titik 0 absolut, misal: ukuran berat, panjang, dll. Karena
titik 0 absolut, suatu nilai bisa ditulis sebagai skala dari nilai yang
lain. Misal, 10 kg sama dengan 2 kali 5 kg.
 Pemilihan Metode Analisis Multivarite

Multivariate
Methods

Dependence Interdependence
Methods Methods
Multiple
Relationships -
Structural
One Several Equations Metric Nonmetric
Dependent Dependent
Variable Variables
SEM CFA

Factor Cluster Nonmetric

Metric Nonmetric Metric Nonmetric Analysis Analysis MDS and
Correspon-
Multiple Discriminant MANOVA Canonical dence
Regression Analysis And Correlation, Analysis
and Conjoint Dummy Metric
and Logit Canonical
Analysis Variables MDS
Analisis Faktor
Analisis Faktor
 Analisis Faktor adalah pendekatan statistik
untuk analisis hubungan di antara beberapa
variabel dan menjelaskan variabel-variabel
tersebut secara umum berdasarkan dimensi
(faktor).
Analisis Faktor
 Prinsip dasar: menyederhanakan deskripsi
tentang data dengan mengurangi jumlah
variabel/dimensi
maka tujuan Analisis faktor :
1. menjelaskan struktur di antara variabel
analisis (data summarizations)
2. menganalisis struktur keterkaitan antar
variabel (interrelation)/korelasi antar
sejumlah variabel-variabel (Data reduction)
 Faktor: suatu konstruk hipotesis/variabel
laten yang mendasari sejumlah tes, skala,
item, dsb.
 Contoh:Variabel apa saja yang mempengaruhi
pergerakan IHSG ?
 Variabel : inflasi, suku bunga,deposito,SBI, Indeks
harga saham sektoral, indeks harga saham asing,
nilai tukar, jumlah uang beredar
 Faktor yang terbentuk :
 Faktor saham (indeks saham, asing dan sektoral)
 Faktor ekonomi (inflasi, suku bunga, JUB, dsb)
Common Factor Model
Dua pendekatan dalam FA
1. Exploratory FA
 Digunakan jika jumlah faktor yang akan terbentuk
tidak ditentukan terlebih dahulu.
2. Confirmatory FA
 Digunakan untuk mengestimasi parameter dan
menguji hipotesis tentang sejumlah faktor yang
mendasari hubungan di antara suatu set indikator.
 Jika faktor yang terbentuk telah ditetapkan terlebih
dahulu.
Proses Pengambilan Keputusan

Tahapan Pertama
1. Apakah EFA atau CFA?
EFA – Structural Equation Model
CFA – ikuti tahapan selanjutnya
2. Pilih variabel :
 Penyimpulan data dan identifikasi struktur
 Reduksi data
Tahapan Kedua
1. Pilih apa yang dikelompokkan (variabel atau responden
?)
 Jika Variabel (karakteristik) – matrik korelasi (R Faktor
analisis)
 Jika responden – Q faktor analisis / cluster analisis

Q faktor : interkorelasi antar responden

Cluster : jarak ukuran kemiripan antar responden
2. Research Design
 Variabel apa yang dipilih : metric, jika non-metric maka gunakan
dummy (misalnya: kode 1 dan 0)
 Berapa banyak variabel (misalnya: 5 variabel per faktor)
 Ukuran sampel (min 50 observasi)
Tahapan Ketiga
Asumsi :
1. Isu Konsep – konsep dasar/teori
2. Isu statistik
- Normalitas syarat penting
– multikolinearitas
 Bartlett test of sphericity (sig < 0.05) maka indikasi
korelasi
 MSA (measure of sampling adequacy)
Range 0 – 1 ( 1 perfectly predicted without error by
other variables)
Kurang dari 0.05 harus dicabut dari FA
Tahapan Keempat
1. Metode pemilihan faktor :
 Apakah yang dianalisis total varians atau common
variance?
 Total variance – ekstrak faktor dengan Principal
Component Analysis. Tepat jika reduksi data
penting (spesific variance dan error variance kecil)
 Common variance – ekstrak dengan common
factor analysis. Tepat untuk well specified
theoritical aplications
Dengan cara apakah
pengelompokannya ?
 Pemahaman : sebuah variabel berkorelasi
dengan variabel lain maka variabel tersebut
berbagi varian dengan variabel lain dengan
jumlah varian yang dibagikan adalah besar
korelasi pangkat dua (R2)
 Contoh : variabel 1 dan 2 berkorelasi sebesar 0,4
maka variabel 1 membagi 16% (0,42) dari varian
dengan variabel 2
 Varian adalah akar dari deviasi standar yakni
jumlah penyimpangan data dari rata-ratanya
Varians
 Common variance : varians yang dibagi dengan varians
lainnya/ jumlah varians yang dapat diekstraks dengan
factoring
 Spesific variance : varians yang berkaitan dengan variabel
tertentu saja, varians ini tidak dapat dijelaskandengan
korelasi hingga menjadi variabel lain namun masih
berkaitan dengansecara unik denan satu variabel
 Error variance : varians yang tidak dapat dijelaskan lewat
proses korelasi, muncul dari proses pengambilan data
yang salah, pengukuran variabel yang tidak tepat
2. Jumlah faktor :
 Eigen value lebih dari 1

 Research objective dan prior research

 Nilai 60% atau lebih untuk variance yang

dapat dijelaskan
 Scree test untuk menunjukkan faktor yang
memiliki jumlah common variance yang
cukup besar
 Jika ada heterogenitas maka butuh faktor
tambahan
Tahapan Kelima
1. Pemilihan Metode Rotasi
Metode Rotasi : setelah satu/lebih faktor terbentuk dengan
sebuah faktor berisi sejumlah variabel , jika variabel
sulit ditentukan untuk masuk ke faktor mana maka
lakukan rotasi
a. Orthogonal (Faktor Tidak berkorelasi) : VARIMAX,
EQUIMAX, QUATIMAX
- paling banyak digunakan
- data reduction
b. Oblique (Faktor Berkorelasi) : Oblimin, Priomax,
Orthoblique
- Tepat digunakan jika tujuannya adalah memperoleh
beberapa faktor teoritis
2. Interpretasi Rotated Factor Matrix
a. Apakah hasil signifikan?
b. Apakah faktor dapat diberi nama?
Jawab : jika tidak kembali ke tahap 4, Jika YA :

a. Apakah ada variabel yang dihapus

b. Apakah ada perubahan jumlah faktor
c. Rotasi baru
Jawab : Jika Tidak validasi data
Validasi : proses validasi hasil faktor
apakah faktor yang terbentuk telah valid

 Membagi sampel awal menjadi 2 lalu

membandingkan hasil faktor sampel 1 dengan
sampel 2
 Confirmatory Factor Analysis dengan cara
Structural Equation Modelling - LISREL
Contoh Kasus
Faktor apa saja yang membuat seseorang membeli sepeda
motor.
 Diambil sampel 50 orang
 Pertanyaan penelitian :
1. Keiritan sepeda motor
2. Ketersediaan suku cadang (termasuk kualitas)
3. Harga sepeda motor
4. Model dan desain sepeda motor
5. Kombinasi warna
6. Keawetan
7. Promosi
8. Sistem pembayaran secara kredit
 1 = setuju, 5 = sangat tidak setuju
responden memberi tanda diantara 1 dan 5.
Skala pengukuran interval karena memungkinkan
hasil berupa desimal

1 5
Tahap 1: proses penyaringan (variabel2 yang
memenuhi syarat untuk dianalisis
`

KMO dan Bartlett’s

test serta anti image
digunakan untuk uji
awal apakah data
dapat diurai menjadi
sejumlah faktor
Output KMO dan Bartlett’s test
 Hipotesis :
H0 = sampel (variabel) belum memadai untuk
dianalsis lebih lanjut
H1 = sampel (variabel) sudah memadai untuk
dianalisis lebih lanjut
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. ,560

Bartlett's Test of Approx. Chi-Square 57,339

Sphericity df 28
Sig. ,001
 Hipothesis:
 H0: Sampel (variabel) belum memadai untuk
dianalisis lebih lanjut
 H1: Sampel (variabel) sudah memadai untuk
dianalisis lebih lanjut
 Jika:
 probabilitas (sig.) >0.05  H0 tidak ditolak
 probabilitas (sig.) <0.05  H0 ditolak
 Yang dicari adalah H0 ditolak  sampel
memadai untuk analisis lebih lanjut.
 MSA (measure of sampling adequacy)
MSA = 1 variabel tersebut dapat diprediksi tanpa
kesalahan oleh variabel lain
MSA > 0,5, variabel masih bisa diprediksi dan bisa
dianalisis lebih lanjut
MSA < 0,5, variabel tidak bisa diprediksi dan tidak
bisa dianalisis lebih lanjut atau dikeluarkan dari
variabel lainnya
 Output Anti Image Matrices
Anti-image Matrices

Sistem
Harga Kombinasi Pembayaran
Hemat Ketersediaan Motor yang Model Motor Warna Motor Keawetan Promosi dari Kredit yang
Bahan Bakar Suku Cadang kompetitif yang menarik yang menarik Mesin Motor Produsen wajar
Anti-image Covariance Hemat Bahan Bakar ,827 ,046 -,181 -,009 ,034 ,024 ,184 -,220
Ketersediaan Suku
,046 ,574 ,090 -,292 ,068 ,095 ,227 -,172
Cadang
Harga Motor yang
-,181 ,090 ,814 -,092 -,174 -,079 -,080 ,028
kompetitif
Model Motor yang
-,009 -,292 -,092 ,578 -,230 -,007 -,130 ,007
menarik
Kombinasi Warna
,034 ,068 -,174 -,230 ,704 ,056 -,025 -,174
Motor yang menarik
Keawetan Mesin Motor ,024 ,095 -,079 -,007 ,056 ,949 -,055 -,039
Promosi dari Produsen ,184 ,227 -,080 -,130 -,025 -,055 ,791 -,007
Sistem Pembayaran
-,220 -,172 ,028 ,007 -,174 -,039 -,007 ,754
Kredit yang wajar
Anti-image Correlation Hemat Bahan Bakar ,511a ,066 -,220 -,013 ,045 ,027 ,228 -,279
Ketersediaan Suku a
,066 ,514 ,131 -,508 ,107 ,129 ,338 -,262
Cadang
Harga Motor yang a
-,220 ,131 ,585 -,134 -,230 -,090 -,099 ,036
kompetitif
Model Motor yang a
-,013 -,508 -,134 ,552 -,361 -,010 -,193 ,011
menarik
Kombinasi Warna a
,045 ,107 -,230 -,361 ,614 ,068 -,034 -,238
Motor yang menarik
Keawetan Mesin Motor ,027 ,129 -,090 -,010 ,068 ,657a -,063 -,046
Promosi dari Produsen ,228 ,338 -,099 -,193 -,034 -,063 ,493a -,010
Sistem Pembayaran a

0,493 < 0,5 : Variabel promosi akan

Kredit yang wajar
a. Measures of Sampling Adequacy(MSA)
-,279 -,262 ,036 ,011 -,238 -,046 -,010 ,644

dikeluarkan dari matriks dan lakukan

pengujian ulang
Pengujian ulang : KMO dan
Bartletts test
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. ,570

Bartlett's Test of Approx. Chi-Square 46,985

Sphericity df 21
Sig. ,001

Anti-image Matrices

Sistem
Harga Kombinasi Pembayaran
Hemat Ketersediaan Motor yang Model Motor Warna Motor Keawetan Kredit yang
Bahan Bakar Suku Cadang kompetitif yang menarik yang menarik Mesin Motor wajar
Anti-image Covariance Hemat Bahan Bakar ,872 -,009 -,173 ,024 ,043 ,038 -,230
Ketersediaan Suku
-,009 ,648 ,128 -,299 ,085 ,126 -,192
Cadang
Harga Motor yang
-,173 ,128 ,822 -,110 -,178 -,086 ,028
kompetitif
Model Motor yang
,024 -,299 -,110 ,601 -,244 -,017 ,006
menarik
Kombinasi Warna
,043 ,085 -,178 -,244 ,705 ,054 -,174
Motor yang menarik
Keawetan Mesin Motor ,038 ,126 -,086 -,017 ,054 ,953 -,039
Sistem Pembayaran
-,230 -,192 ,028 ,006 -,174 -,039 ,754
Kredit yang wajar
Anti-image Correlation Hemat Bahan Bakar ,533a -,012 -,204 ,033 ,054 ,042 -,284
Ketersediaan Suku a
-,012 ,526 ,176 -,479 ,126 ,160 -,275
Cadang
Harga Motor yang a
-,204 ,176 ,547 -,157 -,234 -,097 ,035
kompetitif
Model Motor yang a
,033 -,479 -,157 ,578 -,375 -,023 ,009
menarik
Kombinasi Warna a
,054 ,126 -,234 -,375 ,593 ,066 -,239
Motor yang menarik
Keawetan Mesin Motor ,042 ,160 -,097 -,023 ,066 ,547a -,046
Sistem Pembayaran a
-,284 -,275 ,035 ,009 -,239 -,046 ,623
Kredit yang wajar
a. Measures of Sampling Adequacy(MSA)
Tahap 2 (Proses Factoring dan
Rotasi)
 Eugen value < 1
maka
dikeluarkan

Unroated factor solution = hasil

factoring sebelum rotasi
Scree plot = grafik menunjukkan
dampak factoring terhadap
eigenvalue
 Loading plot =
Rotated menyajikan
solution = korelasi antara
tampilan variabel tertentu
faktor setelah dengan faktor
dilakukan yang terbentuk
rotasi
dibandingkan
tanpa rotasi
Communalities : jumlah varian dari variabel
awal yang bisa dijelaskan oleh faktor yang
ada

Communalities

Initial Extraction
Hemat Bahan Bakar 1,000 ,816 Contoh:
Ketersediaan Suku Variabel Hemat Bahan Bakar:
1,000 ,705
Cadang
0.816 81.6% varian variabel
Harga Motor yang
kompetitif
1,000 ,675 Hemat dapat dijelaskan oleh
Model Motor yang
faktor yang terbentuk dalam
menarik
1,000 ,740 Componet matrix.
Kombinasi Warna
1,000 ,650
Motor yang menarik
Keawetan Mesin Motor 1,000 ,322
Sistem Pembayaran
1,000 ,600
Kredit yang wajar
Extraction Method: Principal Component Analysis.
 Hanya 3 faktor yang terbentuk (nilai eigen
value di atas 1)

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Component Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %
1 2,136 30,520 30,520 2,136 30,520 30,520 1,802 25,748 25,748
2 1,307 18,670 49,190 1,307 18,670 49,190 1,370 19,565 45,314
3 1,064 15,204 64,394 1,064 15,204 64,394 1,336 19,081 64,394
4 ,907 12,953 77,347
5 ,691 9,872 87,219
6 ,534 7,622 94,840
7 ,361 5,160 100,000
Extraction Method: Principal Component Analysis.
 Component Matrix : distribusi ketujuh
variabel pada tiga faktor yang terbentuk
Component Matrixa Suku cadang
Component masuk faktor
1 2 3 berapa ??
Hemat Bahan Bakar ,369 ,290 ,772
Ketersediaan Suku
,627 -,558 -,001
Cadang
Harga Motor yang
,354 ,729 -,131
kompetitif
Model Motor yang
,764 -,109 -,380
menarik
Kombinasi Warna
,666 ,287 -,353
Motor yang menarik
Keawetan Mesin Motor -,174 ,532 -,092
Sistem Pembayaran
,651 -,047 ,417
Kredit yang wajar
Extraction Method: Principal Component Analysis.
a. 3 components extracted.

Proses penentuan dengan perbandingan korelasi, pilih korelasi

terkuat (>0.5)
Contoh: Hemat bahan bakar masuk Faktor 3 (0,772 > 0,5)
Rotated Component Matrix : Distribusi
variabel yang lebih jelas dan nyata
Rotated Component Matrixa  Faktor 1 : Model &
1
Component
2 3
Desain misal disebut
Hemat Bahan Bakar -,053 ,099 ,897 Faktor Desain
Ketersediaan Suku
,413 -,709 ,179
Cadang
Harga Motor yang
 Faktor 2 :Onderdil,
Harga, Awet misal
,499 ,610 ,231
kompetitif
Model Motor yang
,812 -,280 ,030
menarik
Kombinasi Warna
disebut Faktor internal
,791 ,122 ,097
Motor yang menarik
Keawetan Mesin Motor ,005 ,566 -,041
 Faktor 3 : Hemat &
Sistem Pembayaran
Kredit yang wajar
,306 -,268 ,659 Kredit misal disebut
Extraction Method: Principal Component Analysis. Faktor efisiensi
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations.
 Component Plot in Rotated Space

1.0

awet harga
0.5
Component 2

irit warna
0.0
kredit model

-0.5
onderdil

-1.0
-1.0
-1.0 -0.5
-0.5 0.0 0.0
0.5 0.5
Compone 1.0 1.0 nt 3
nt 1 pone
Com
Analisis :
 Faktor 1 = desain
 ada sekelompok konsumen yang membeli sepeda
motor disebabkan desain model dan warna yang
menarik
 Berdasarkan Component Plot in Rotated Place, warna
dan model bergerak positif
(semakin menarik model dan warna, konsumen
semakin tertarik untuk membeli)