AF KONFIRMATORI
Analisis
Faktor
AF EKSPLORATORI
Analisis Faktor Eksploratori
• Di dalam AFE jumlah faktor yang akan terbentuk dan
faktor tersebut merupakan variabel laten apa saja
belum dapat ditentukan sebelum AFE dilakukan.
• Dengan AFE akan dieksplorasi indikator-indikator
atau variabel-variabel manifes yang ada sehingga
terbentuk faktor-faktor yang akan dilakukan
interpretasi terhadapnya guna menentukan variabel-
variabel laten apa saja yang diperoleh.
X1
X2
Berapa F yang
X3 Akan terbentuk?
F?
X4
F tersebut
merupakan
X5 variabel laten
apa saja?
X6
Analisis Faktor Konfirmatori
• Dalam AFK seorang peneliti secara apriori
berdasarkan landasan teori dan konsep yang dimiliki
sudah mengetahui berapa banyak faktor yang harus
terbentuk serta variabel-variabel apa laten saja yang
termasuk ke dalam faktor-faktor tersebut.
• Dengan AFK peneliti hanya akan mengonfirmasi
berdasarkan konsep atau teori yang sudah ada
terhadap keakuratan (valid dan reliabel) instrumen
yang dibuat sebelumnya.
X1
X4
F2
X5
X6
MENILAI KELAYAKAN SUATU
VARIABEL
• Tahap I pada Analisis Faktor adalah menilai
variabel-variabel apa saja yang dianggap layak
untuk dimasukkan dalam analisis selanjutnya
dengan melakukan sejumlah pengujian.
• Pengujian dilakukan dengan anggapan bahwa
jika suatu variabel memiliki kecenderugan
mengelompok dan membentuk suatu faktor,
variabel tersebut berkorelasi yang cukup tinggi
dengan variabel lain.
Contoh Kasus I (AF Eksploratori)
• Buka file faktor.
• Dari menu Analyze, pilih submenu Dimension
Reduction.
• Masukkan variabel-variabel irit, onderdil,
harga, model, warna, promosi, dan kredit.
• Aktifkan pilihan KMO and Bartlett’s test of
sphericity dan Anti-image pada kotak
DESCRIPTIVE.
Analisis Hasil
Tabel KMO and Bartlett’s Test.
Untuk menentukan kelayakan suatu variabel
untuk dianalisis lebih lanjut, perhatikan angka
Sig. dan MSA (Measure Sampling Adequacy).
1. Angka Sig. digunakan dengan kriteria berikut:
– Jika angka Sig. > 0,05, sampel belum layak
untuk dianalisis lebih lanjut.
– Jika angka Sig. < 0,05, sampel sudah layak
untuk dianalisis lebih lanjut.
• Angka Sig. dapat dilihat dalam Tabel KMO and
Bartlett’s Test berikut ini.
KMO and Bartlett's Test
df 28
Sig. .001
• Karena angka KMO> 0,5 dan nilai Sig. < 0,05, sampel
sudah layak untuk dianalisis lebih lanjut.
2. Angka MSA
• Angka MSA, yang berkisar antara 0 s.d. 1
digunakan dengan kriteria berikut:
– Jika MSA = 1, variabel tersebut dapat diprediksi
tanpa kesalahan oleh variabel yang lain.
– Jika MSA > 0,5, variabel tersebut masih dapat
dianalisis lebih lanjut.
– Jika MSA < 0,5, variabel tersebut tidak dapat
diprediksi dan dianalisis lebih lanjut sehingga
harus dikeluarkan.
• Untuk menggunakan angka MSA tersebut, lihat
Tabel Anti-image Matrices, khususnya pada bagian
Anti-image Correlation.
• Angka MSA dapat dilihat pada arah diagonal dari kiri
atas ke kanan bawah, khususnya pada angka korelasi
yang bertanda a).
• Jika ada suatu variabel yang memiliki angka korelasi
< 0,50, variabel tersebut harus dikeluarkan dan
pengujian diulangi lagi.
• Jika terdapat dua variabel atau lebih yang memiliki
angka MSA < 0,50, variabel yang memiliki angka
MSA yang lebih kecil atau terkecil yang harus
dikeluarkan.
FACTORING dan ROTASI
• Factoring bertujuan untuk menurunkan satu
atau lebih faktor dari variabel-variabel yang
telah lolos pada uji variabel sebelumnya
dengan melalui proses ekstraksi terhadap
variabel-variabel tersebut.
• Metode yang paling populer digunakan dalam
proses ekstraksi adalah metode Principal
Component Analysis.
• Jika terdapat suatu variabel yang sulit
ditentukan akan masuk ke dalam faktor
tertentu dengan tepat, perlu dilakukan proses
Rotasi (Rotation) pada faktor-faktor yang
terbentuk sehingga memperjelas posisi suatu
variabel.
• Cara untuk melakukan proses rotasi dapat
digolongkan ke dalam
– Orthogonal
– Oblimin
Lanjutan Kasus 1
• Masukkan variabel-variabel irit, onderdil,
harga, warna, awet, dan kredit.
• Pada pilihan Extraction, aktifkan Scree Plot.
• Pada pilihan Rotation, aktifkan Varimax
pada bagian Method dan Loading Plot(s)
pada bagian Display.
• Tekan OK untuk memproses Factoring dan
Rotasi.
OUTPUT
• Tabel Communalities
Tabel ini menjelaskan jumlah varians dari suatu variabel mula-
mula yang bisa dijelaskan oleh faktor yang ada.
Communalities
Initial Extraction
Hemat Bahan Bakar 1.000 .816
Component
1 2 3
Hemat Bahan Bakar .369 .290 .772
a. 3 components extracted.
Tabel Rotated Component Matrix
• Tabel ini menunjukkan distribusi variabel yang lebih jelas dan
nyata setelah dilakukan rotasi.
Rotated Component Matrixa
Component
1 2 3
Hemat Bahan Bakar -.053 .099 .897
Ketersediaan Suku Cadang .413 -.709 .179
Harga Motor yang kompetitif .499 .610 .231
Model Motor yang menarik .812 -.280 .030
Kombinasi Warna Motor yang menarik .791 .122 .097
Keawetan Mesin Motor .005 .566 -.041
Sistem Pembayaran Kredit yang wajar .306 -.268 .659
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations.
Tabel Component Transformation Matrix
• Tabel ini digunakan untuk membuktikan ketepatan faktor-
faktor yang terbentuk dengan cara melihat angka-angka yang
ada pada diagonal dari kiri atas ke kanan bawah.
Component Transformation Matrix
Component 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.
• Angka KMO 0,713 > 0,5 dan nilai Sig 0,000 <
0,05 sehingga uji AF Konfirmatori dapat
dilanjutkan.
Initial Eigenvalues
Component
Total % of Variance Cumulative %
1 3.240 40.495 40.495
2 1.491 18.643 59.138
3 .909 11.357 70.495
4 .783 9.793 80.288
5 .591 7.384 87.672
6 .464 5.800 93.472
7 .325 4.068 97.540
8 .197 2.460 100.000
Component Matrixa
Component
1 2
autonom1 .734 .439
autonom2 .750 .103
autonom3 .568 .363
autonom4 .692 .372
routine1 -.763 .482
routine2 -.512 .265
routine3 -.111 .745
routine4 -.693 .400
Extraction Method: Principal Component Analysis.
a. 2 components extracted.
Rotated Component Matrixa
Component
1 2
autonom1 .845 -.128
autonom2 .645 -.397
autonom3 .669 -.081
autonom4 .771 -.153
routine1 -.283 .857
routine2 -.226 .530
routine3 .388 .646
routine4 -.280 .750
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.