Anda di halaman 1dari 4

Tujuan analisis faktor :

1. data summerisation = mengidentifikasi adanya hubungan antar variable dengan melalkukan uji
korelasi

2. data reduction = setelah melakukan uji kolerasi dilakukan proses membuat sebuah variable set
baru yang dinamakan faktor untuk menggantikan sejumlah variable tertentu. Spss membuat satu
atau beberapa faktor skor sebagai hasil analisis faktor, dimna variable faktor skor tersebut bisa
digunakan untuk analisis lanjutan seperti ti tes (uji individu), anova, dsb.

Jumlah sampel yang ideal untuk analisi faktor adalah antara 50-100 sampel, atau bisa dengan
patokan rasio 10:1, dalam arti untuk satu variable seharusnya ada sepuluh sampel.

Contoh tentang analisis faktor:

Ingin diketahui variable apa saja yang mempengaruhi pergerakan indeks harga saham gabungan di
bursa efek indonesia, untuk itu dikumpulkan sejumlah sampel seperti: tingkat inflasi, suku bunga
deposito, sertifikat bank indonesia, indeks saham sektoral, indeks saham asirng, nilai tukar us dolar,
julmah uang beredar, dan sebagainya yang di input secara harian.

Untuk menjawab masalah ini, pertama dilakukan data summerisation dengan membuat matriks
kolerasi antar variable tersebut, kemudian dilakukan data reduction untuk membuat satu atau
beberapa faktor. Misal dari proses faktoring didapat dua faktor yang dinamakan faktor saham
(kumpulan variable indeks sahambaik sektoral atau asing), dan faktor ekonomi (variable inflasi, suku
bunga deposito, jumlah uang beredar, dsb). Kedua faktor tersebut bisa ditampilkan di spsssebagai
variable faktor skor untuk kegunaan analisis lanjutan, dengan demikian sekarang sekian variable
diatas bisa direduksi hanya menjadi dua faktor

Asumsi yang harus dipenuhi untuk analisis faktor adalah ;

besar kolerasi atau kolerasi antar independen variable harus cukup kuat, misal di atas 0,5. Pada
beberapa kasus, asumsi normalitas dari variable-variable atau faktor yang terjadi sebaiknya dipenuhi.

Proses dasar analisis faktor :

1. menentukan variable apa yang akan dianalisis


2. Menguji variable yang telah ditentukan (dengan uji kolerasi)
3. Melakukan proses faktoring, yaitu menurunkan satu atau lebih faktor dari variable yang
telah lolos pada uji sebelumnya.
4. Melakukan faktor rotation terhadap faktor yang telah terbentuk, yang berguna untuk
memperjelas variable yang masuk ke dalam faktor tertentu (
5. Interpretasi atas faktor yang terbentuk ( memberi nama faktor tersebut yang dianggap bisa
mewakili variable-variable anggota faktor tersebut)
6. Validasi atas hasil faktor untuk mengetahui apakah faktor yang terbentuk telah valid.

Contoh :
Ingin diketahui faktor apa saja yang membuat seseorang ingin membeli sebuah sepeda motor. Untuk
itu diambil sampel sebanyak 50 orang, kemudian diminta pendapatnya tentang atribut-atribut
sepeda motor sbg berikut:

1. keiritan bahan bakar sepeda motor


2. Ketersediaan suku cadang, termasuk kualitasnya
3. Harga sepeda motor
4. Model dan design sepeda motor
5. Kombinasi warna sepeda motor
6. Keawetan sepeda motor, khususnya mesin
7. Promosi yang dilakukan pengusaha sepeda motor
8. Sistem pembayaran sepeda motor secara kredit

Setiap atribut diberi nilai 1-5, yang mana 1 itu adalah sangat tudak setuju, dan 5 sangat setuju.

Contoh pertanyaan: Apakah anda setuju jika sepeda motor yang anda beli memiliki pemakaian
bahan bakar yang irit ?

Jadi skala pengukuran presepsi adalah data interval, jadi dimungkan hasil berupa desimal

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings

Comp % of Cumulative % of Cumulative % of Cumulative


onent Total Variance % Total Variance % Total Variance %

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.

 Dapat diketahui bahwa faktor yang terbentuk adalah tiga, karena nilai eigenvalues yang
diatas satu hanya ada tiga.
 Dengan membentuk tiga vaktor, varianace dari 3 faktor tersebut bisa membentuk variance
sebesar 64.394
Component Matrixa

Component

1 2 3

keiritan bahan bakar .369 .290 .772

ketersediaan onderdil .627 -.558 .000

harga sepeda motor .354 .729 -.131

model sepeda motor .764 -.109 -.380

warna sepeda motor .666 .287 -.353

keawetan sepeda motor -.174 .532 -.092

sistem kredit spd mtr .651 -.047 .417

Extraction Method: Principal Component Analysis.

a. 3 components extracted.

 Keiritan bahan bakar masuk ke faktor ke 3


 Ketersediaan onderdil masuk faktor 1
 Harga sepeda motor masuk faktor 2
 Dst, masuk ke faktor yang mempunyai nilai terbesar

Rotated Component Matrixa

Component

1 2 3

keiritan bahan bakar -.053 .099 .897

ketersediaan onderdil .413 -.709 .179

harga sepeda motor .499 .610 .231

model sepeda motor .812 -.280 .030

warna sepeda motor .791 .122 .097

keawetan sepeda motor .005 .566 -.041

sistem kredit spd mtr .306 -.268 .659

Extraction Method: Principal Component Analysis.


Rotation Method: Varimax with Kaiser Normalization.

a. Rotation converged in 5 iterations.

 Keiritan bahan bakar tetap pada faktor 3


 Ketersediaan onderdil masuk ke faktor 2
 Harga tetap di faktor 2
 Model tetap di faktor 1
 Warna tetap di faktor 2
 Kredit berubah ke faktor 3
 Berdasarkan rotated component market, komponen2 tersebut masuk ke faktor yang
didapat dari hasil rotated component matrix, bukan hanya component matrix

Component Transformation Matrix

Compo
nent 1 2 3

1 .825 -.280 .491

2 .187 .955 .229

3 -.533 -.097 .840

Extraction Method: Principal Component


Analysis.
Rotation Method: Varimax with Kaiser
Normalization.

 Menunjukkan 3 faktor yang terbentuk sudah tepat karena mendekati angka 1, yaitu 0.825,
0.955, 0.840

Membuat faktor skor

Setelah faktor terbentuk maka dilakukan validasi, yang menyatakan bahwa satu atau lebih faktor
yang terbentuk memang stabil dan bisa untuk menggeneralisasi pertumbuhannya.

Cara melakukan validasi adalah dengan mebuat faktor skor. Faktor skor pada dasarnya adalah upaya
untuk mebuat satu atau beberapa variable yang lebih sedikit dan berfungsi untuk menggantikan
variable asli yang sudah ada. Faktor skor berguna untuk melakukan analisis lanjutan, seperti analisis
regeresi, atau analisis diskriminan.