Pengantar

• Analisis faktor mencoba menemukan hubungan antar

sejumlah variabel yang bersifat independen satu
dengan yang lain sehingga bisa dibuat satu atau
beberapa kumpulan variabel (faktor) yang lebih
sedikit dari jumlah variabel awal.
• Analisis faktor merupakan salah satu dari analisis
ketergantungan antar variabel.
• Prinsip dasar dari analisis faktor adalah
mengekstraksi sejumlah faktor bersama (common
factors) dari gugusan variabel asal X1, X2, X3,….Xp
• Akibat proses ekstrasi:
– Banyaknya faktor menjadi lebih sedikit dibandingkan
dengan banyaknya variabel asal.
– Sebagian informasi (ragam) variabel asal X tersimpan
dalam sejumlah faktor.
• Faktor yang terbentuk merupakan variabel baru yang
bersifat unobservable atau variabel latent atau
konstruk (construct).
• Sebaliknya, variabel asal X merupakan variabel yang
dapat diukur atau diamati, yang lazim disebut sebagai
observable variable atau variabel manifest atau
indikator.
 Kenapa Analisis Faktor?
• Pemilihan analisis faktor sebagai alat analisis
pada penelitian disebabkan peneliti ingin
mencoba menemukan hubungan
(interrelationship) beberapa variabel yang
saling independen satu dengan yang lainnya
sehingga bisa dibuat kumpulan variabel yang
lebih sedikit dari jumlah variabel awal
sehingga akan lebih mudah dikontrol oleh
peneliti ybs.
Analisis faktor digunakan dalam situasi:
• Mengenali atau mengindentifikasi
dimensi yang mendasari atau faktor,
yang menjelaskan korelasi antara
suatu set variabel.
• Mengenali atau mengindentifikasi
suatu set variabel baru yang tidak
berkorelasi yang lebih sedikit
jumlahnya untuk menggantikan
suatu set variabel asli yang saling
berkorelasi di dalam analisis
multivariat selanjutnya.
Tujuan Analisis Faktor
• Data Summarization, yaitu
mengindentifikasi adanya hubungan antar
variabel dengan melakukan uji korelasi.
• Data Reduction, yaitu setelah melakukan
korelasi, kemudian dilakukan proses
membuat sebuah sekelompok variabel
baru yang dinamakan faktor untuk
menggantikan sejumlah variabel tertentu.
Sample Size Ideal Analisis Faktor
• Jumlah sampel ideal adalah 50 – 100.
• Jika digunakan rasio, rasio yang ideal adalah 10 : 1,
artinya 10 sampel untuk satu variabel penelitian.
• Jika menggunakan program SPSS, besarnya sampel
ideal adalah 50 – 100 baris.
• Dalam SPSS 1 variabel = 1 kolom. Jadi, 1 kolom
minimum berisi 10 baris.
• Jika menggunakan 5 variabel, jumlah baris minimum
yang diperlukan adalah 50.
 Kegunaan Analisis Faktor
• Mengekstrak variabel laten dari variabel
manifes atau indikator. Dengan kata lain,
mereduksi variabel asal menjadi variabel baru
yang jumlahnya lebih sedikit.
• Mempermudah interpretasi hasil analisis
sehingga diperoleh informasi yang realistik.
• Pengelompokkan dan pemetaan objek
berdasarkan karakteristik yang terkandung di
dalam faktor.
• Pemeriksaan validitas dan reliabilitas
instrumen penelitian (berupa kuesioner).
• Dengan diperolehnya skor faktor, analisis
faktor merupakan langkah awal (sebagai
input) dari berbagai metode analisis data yang
lain, misalnya analisis diskriminan, analisis
regresi, analisis klaster, ANOVA, MANOVA,
analisis jalur, dan model struktural (SEM).
Asumsi-asumsi Analisis Faktor
• Besar korelasi antar variabel independen > 0,5.
• Besar Korelasi Parsial, yaitu korelasi antar dua
variabel dengan mengganggap tetap variabel lain
justru harus kecil. (Pada SPSS deteksi terhadap
korelasi parsial diberikan lewat pilihan ANTI-
IMAGE CORELLATION).
• Pengujian seluruh matrik korelasi diukur dengan
nilai BARTLET TEST OF SPHERICITY atau
MEASURE SAMPLING ADEQUACY (MSA).
• Nilai MSA berkisar antara 0 dan 1. Jika nilai MSA <
0,5, analisis faktor tidak dapat dilakukan.
• Data harus normal.
Proses Dasar Analisis Faktor
• Menentukan variabel-variabel penelitian.
• Menguji variabel-variabel tersebut dengan
menggunakan metode Bartlet test of sphericity atau
measure sampling adequacy (MSA).
• Melakukan factoring, yaitu menurunkan satu atau
lebih faktor dari variabel-variabel yang telah lolos
pada uji variabel sebelumnya.
• Melakukan proses Factor Rotation atau rotasi
terhadap faktor yang telah terbentuk, yang bertujuan
untuk memperjelas variabel yang masuk ke dalam
faktor tertentu.
• Interpretasi atas faktor yang telah
terbentuk, khususnya memberi nama atas
faktor yang terbentuk tersebut, yang
dianggap bisa mewakili variabel-variabel
anggota faktor tersebut.
• Validasi atas hasil faktor untuk
mengetahui apakah faktor yang terbentuk
telah valid. Validasi dapat dilakukan
dengan cara sebagai berikut:
– Membagi sampel awal menjadi dua bagian,
kemudian membandingkan hasil faktor
sampel satu dengan sampel dua. Jika
hasilnya sama, dapat dikatakan faktor yang
terbentuk telah valid.
– Dengan melakukan Confirmatory Factor
Analysis dengan cara Structural Equation
Modeling. Pada umumnya dilakukan dengan
menggunakan program khusus, misalnya
AMOS, LISREL, dan PLS.
Jenis-jenis Analisis Faktor

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

X2 Faktor yang harus

terbentuk = 2, yaitu
F1 F1 dan F2.
X3

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

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .560

Bartlett's Test of Sphericity Approx. Chi-Square 57.339

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

Ketersediaan Suku Cadang 1.000 .705

Harga Motor yang kompetitif 1.000 .675

Model Motor yang menarik 1.000 .740

Kombinasi Warna Motor yang menarik 1.000 .650

Keawetan Mesin Motor 1.000 .322

Sistem Pembayaran Kredit yang wajar 1.000 .600

Extraction Method: Principal Component Analysis.

• Tabel Total Variance Explained terdiri atas 3 kolom,
yaitu Initial Eigenvalue, Extraction Sums of
Squared Loadings, dan Rotation Sums of Squared
Loadings.
Initial Eigenvalues
Component
Total % of Variance Cumulative %
1 2.136 30.520 30.520

2 1.307 18.670 49.190

3 1.064 15.204 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

 Initial Eigenvalue
• Kolom ini menunjukkan besarnya varians yang
bisa dijelaskan oleh jumlah faktor yang terbentuk
(lihat kolom % of Variance dan Cummulative %).
• Kolom Total Initial Eigenvalue menunjukkan
kepentingan relatif setiap faktor dalam
menghitung varians ketujuh variabel yang
dianalisis.
• Jumlah faktor yang terbentuk bisa dilihat dari
nilai Eigenvalue yang besarnya > 1.
• Jumlah faktor yang dihasilkan sebanyak 3 faktor dengan angka
eigenvalues > 1.
• Dengan demikian , proses factoring berhenti pada 3 faktor
saja.
• Jumlah faktor yang terbentuk juga dapat dilihat dalam gambar
Scree Plot berikut.
• Tabel Component Matrix
Tabel ini menunjukkan distribusi semua
variabel ke dalam faktor –faktor yang
terbentuk.
Angka-angka yang ada dalam tabel tersebut
merupakan factor loading yang menunjukkan
besarnya korelasi antara suatu variabel dengan
faktor-faktor yang terbentuk.
Penentuan penggolongan suatu variabel ke
dalam suatu faktor ditentukan oleh besarnya
factor loading yang besarnya > 0,55, yang
merupakan cut-off point.
Catatan:
– Jika ada suatu variabel yang memiliki angka factor
loading > 0,55 pada lebih dari 1 faktor, perlu
dilakukan proses rotasi.
– Variabel suku cadang tampak masuk dalam
komponen 1 dan 2 sehingga perlu dilakukan rotasi
untuk menentukan variabel tersebut masuk
komponen 1 atau 2 dengan pasti.
– Setelah rotasi, variabel suku cadang masuk ke dalam
komponen 2.
 Component Matrixa

Component
1 2 3
Hemat Bahan Bakar .369 .290 .772

Ketersediaan Suku Cadang .627 -.558 .000

Harga Motor yang kompetitif .354 .729 -.131

Model Motor yang menarik .764 -.109 -.380

Kombinasi Warna Motor yang menarik .666 .287 -.353

Keawetan Mesin Motor -.174 .532 -.092

Sistem Pembayaran Kredit yang wajar .651 -.047 .417

Extraction Method: Principal Component Analysis.

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.

• Tampak bahwa ketiga angka (0,825, 0,955, dan 0,840) jauh di

atas 0,5. Hal ini membuktikan ketiga komponen (faktor) yang
terbentuk sudah tepat karena memiliki korelasi yang tinggi.
 Simpulan
• Dari variabel yang digunakan dalam analisis, dengan
proses factoring dapat direduksi menjadi hanya 3
faktor.
• Faktor 1 terdiri atas variabel model dan warna. Jika
faktor tersebut diberi nama, bisa disebut Faktor
Desain.
• Faktor 2 terdiri atas variabel onderdil, harga, dan
awet. Jika faktor tersebut diberi nama, bisa disebut
Faktor Internal.
• Faktor 3 terdiri atas variabel hemat dan kredit. Jika
faktor tersebut diberi nama, bisa disebut Faktor
Keunggulan.
 Tugas Analisis Faktor
• Manajemen Hatco bermaksud mereduksi
variabel X1 s.d. X7 menjadi dua atau tiga
faktor.
• Lakukan analisis faktor untuk memenuhi
tujuan di atas dan beri nama setiap faktor
yang terbentuk namun tetap mencerminkan
isi faktor tersebut.
• Simpan hasilnya dalam file “Analisis Faktor”.
 Analisis Faktor Konfirmatori
• AF Konformatori digunakan untuk menguji
apakah suatu konstruk mempunyai
unidimensionalitas atau apakah indikator-
indikator yang digunakan dapat
mengonfirmasikan sebuah konstruk.
• Jika setiap indikator merupakan indiaktor
pengukur suatu konstruk, akan memiliki nilai
loading factor yang tinggi.
Contoh:
• Buka file Job Survey. sav.
• Klik menu Analyze, Demension Reduction,
dan Factor.
• Pada isian Variable, masukkan indikator
autonom1 s.d. autonom4 dan routine1 s.d.
routine4.
• Klik menu Descriptive, kemudian contreng
KMO and Bartlett’s test of sphericity.
• Klik OK untuk menjalankan SPSS.
• Hasil AF Konfirmatori.
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling .713
Adequacy.
Bartlett's Test of Approx. Chi-Square 183.867
Sphericity
df 28
Sig. .000

• 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.