1.

Pengertian Analisis Faktor

Analisis faktor adalah salah satu metode statistik multivariat yang menjelaskan hubungan antara
beberapa variabel-variabel yang saling independen antara satu dengan yang lain sehingga bisa
diubah menjadi variabel yang lebih sedikit dari variabel awal. Analisis faktor digunakan untuk
mereduksi data dan menginterpretasikannya sebagai suatu variabel baru yang berupa variabel
bentukan. Analisis faktor juga digunakan untuk mengetahui faktor-faktor dominan dalam
menjelaskan suatu masalah. Di dalam analisis varian, regresi berganda dan diskriminan, satu
variabel disebut sebagai variabel tak bebas (dependent variable) atau kriterion dan variabel
lainnya sebagai variabel bebas atau prediktor

2. Tujuan Analisis Faktor

Tujuan dari analisis faktor adalah untuk menggambarkan hubungan hubungan kovarian antara
beberapa variabel yang mendasari tetapi tidak teramati, kuantitas random yang disebut faktor
(Johnson and Wichern, 2007).
Menurut Kachigan (1986), aplikasi penggunaan analisis faktor bertujuan untuk:
a. Mengidentifikasi faktor dasar (Identification of underlying factors): salah satu hal yang
penting dari penggunaan analisis faktor adalah untuk mengidentifikasi faktor yang mendasari
dari sekumpulan variabel. Dengan mengelompokkan jumlah variabel yang lebih besar ke
jumlah yang lebih kecil dengan membuat variabel baru, yang kemudian disebut faktor, yang
menyederhanakan variabel tersebut sehingga akan lebih mudah untuk diinterpretasikan.
b. Penyaringan variabel (Screening of Variables): analisis faktor dapat digunakan untuk
menyaring beberapa variabel untuk dimasukkan ke dalam penelitian statistik yang akan
dilakukan contohnya seperti regresi dan diskriminan.
c. Meringkas data (Summary of Data): analisis faktor dapat digunakan untuk mengekstraksi
faktor yang ada sesuai dengan kebutuhan penelitian.
d. Memilih variabel (Sampling of Variables): analisis faktor dapat digunakan untuk memilih dari
sedikit pilihan yang representative walaupun sebagian besar variabel tersebut berkorelasi.
e. Pengelompokkan objek (Clustering of Objects): selain mengidentifikasi variabel yang sama,
analisis faktor juga dapat digunakan untuk mengelompokkan objek. Hal ini sering disebut
sebagai kebalikan (inverse), sebuah sampel yang diukur pada sejumlah variabel

3. Metode Analisis Faktor

Terdapat dua cara atau metode yang bisa dipergunakan dalam analisis faktor, yaitu:
a. Principal Components Analysis
 Di dalam principal components analysis, jumlah varian dalam data dipertimbangkan.
Diagonal matriks korelasi terdiri dari angka satu dan full variance dibawa kedalam matriks
faktor. Principal components analysis direkomendasikan kalau hal yang pokok ialah
menentukan bahwa banyaknya faktor harus minimum dengan memperhitungkan varian
maksimum dalam data untuk dipergunakan di dalam analisis multivariate lebih lanjut. Faktor–
faktor tersebut dinamakan principal component.
b. Common Factor Analysis
Di dalam common factor analysis, faktor diestimasi hanya didasarkan pada common variance,
communalities dimasukkan di dalam matriks korelasi. Metode ini dianggap tepat kalau tujuan
utamanya adalah mengenali/mengidentifikasi dimensi yang mendasari dan common variance
yang menarik perhatian. Metode ini juga dikenal sebagai principal axis factor.

4. Konsep Dasar Analisis Faktor

- Bartlett’s of sphericity yaitu suatu uji statistik yang dipergunakan untuk menguji hipotesis
bahwa variabel tidak saling berkorelasi (uncorrelated) dalam populasi. Dengan kata lain,
matriks korelasi populasi merupakan matriks identitas (identity matrix), setiap variabel
berkorelasi dengan dirinya sendiri secara sempurna dengan (r = 1) akan tetapi sama sekali
tidak berkorelasi dengan lainnya (r = 0). Uji Bartlett menyatakan hipotesis sebagai berikut:

- Correlation matrix adalah matrik segitiga bagian bawah menunjukkan korelasi sederhana r,
antara semua pasangan variabel yang tercakup dalam analisis. Nilai atau angka pada diagonal
utama yang semuanya sama yaitu 1 diabaikan.
Tabel 1 Matrik Korelasi untuk Jumlah Variabel n=3

Tabel 2 Matrik Korelasi untuk Jumlah Variabel n=4

 - Communality adalah jumlah varian yang disumbangkan oleh suatu variabel dengan seluruh
variabel lainnya dalam analisis. Bisa juga disebut proporsi atau bagian varian yang dijelaskan
oleh common factor atau besarnya sumbangan suatu faktor terhadap varian seluruh variabel.
- Eigenvalue merupakan jumlah varian yang dijelaskan oleh setiap faktor dari matriks identitas.
- Factor loadings adalah korelasi sederhana antara variabel dengan faktor.
- Faktor loading plot adalah suatu plot dari variabel asli dengan menggunakan faktor loadings
sebagai koordinat.
- Factor matrix yang memuat semua faktor loading dari semua variabel pada semua factor
extracted.
- Factor score merupakan skor komposit yang diestimasi untuk setiap responden pada faktor
turunan (derived factors).
- Kaiser-Meyer-Olkin (KMO) Measure Of Sampling Adequacy (MSA), merupakan suatu
indeks yang dipergunakan untuk meneliti ketepatan analisis faktor. Nilai yang tinggi antara
0,5 – 1,0 berarti analisis faktor tepat, kalau kurang dari 0,5 analisis faktor dikatakan tidak
tepat.
- Percentage of variance merupakan persentase varian total yang disumbangkan oleh setiap
faktor.
- Residuals merupakan perbedaan antara korelasi yang terobservasi berdasarkan input
correlation matrix dan korelasi hasil reproduksi yang diperkirakan dari matrix faktor.
- Scree Plot merupakan plot dari eigen value sebagai sumbu tegak (vertical) dan banyaknya
faktor sebagai sumbu datar, untuk menentukan banyaknya faktor yang bisa ditarik (factor
extraction).

5. Asumsi Analisis Faktor

- Pengujian seluruh matriks korelasi (korelasi antar variabel), yang diukur dengan besaran
Bartlett Test of Sphericity atau Measure of Sampling Adequacy (MSA).
- Korelasi parsial (korelasi antar 2 variabel dengan menganggap tetap variabel yang lain) yang
terjadi harus kecil. Dalam aplikasi SPSS korelasi parsial ditunjukkan dalam Anti-Image
Correlation. Anti image correlation menunjukkan angka negatif atau kecil dari korelasi parsial
yang terdapat antar variabel sehingga jika nilai anti-image correlation semakin negati maka
penggunaan analisis faktor harus kembali dipertimbangkan.

6. Model Analisis Faktor

Jika variabel-variabel dibakukan (standardized), model analisis faktor dapat ditulis sebagai
berikut:
 Atau dapat ditulis dalam notasi matriks berikut

Dengan:

7. Proses Analisis Faktor

1. Merumuskan Masalah
Tahap awal dari proses pelaksanaan analisis faktor adalah dengan merumuskan masalah
terlebih dahulu. Dalam merumuskan masalah meliputi beberapa aspek seperti tujuan analisis
 yang akan dilakukan, variabel yang akan digunakan dalam analisis harus di spesifikasi
berdasarkan teori dan pertimbangan dari peneliti dan banyaknya elemen sampel.
2. Menyusun Matriks Korelasi
Proses analisis didasarkan pada suatu matriks korelasi agar variabel pendalaman yang
berguna bisa diperoleh dari penelitian matriks ini. Agar analisis faktor bisa tepat
dipergunakan, variabel-variabel yang akan dianalisis harus berkorelasi.
Penyusunan matriks korelasi ini bertujuan untuk menganalisis apakah data yang ada cukup
memenuhi syarat di dalam analisis faktor. Nilai korelasi yang tinggi atau signifikan
menunjukkan bahwa kedua variabel tersebut berhubungan erat.
Bartlett’s test of sphericity bisa dipergunakan untuk menguji hipotesis bahwa variabel tak
berkorelasi di dalam populasi. Dengan perkataan lain, matriks korelasi populasi merupakan
matriks identity, dimana pada diagonal pokok angkanya satu, diluar diagonal pokok angka
nol.
Statistik lainnya yang berguna adalah KMO (Kaiser Meyer Olkin) mengukur kecukupan
sampling (sampling adequacy). Indeks ini membandingkan besarnya koefisien korelasi
terobservasi dengan besarnya koefisien korelasi parsial. Nilai KMO yang kecil menunjukkan
bahwa korelasi antar-pasangan variabel tidak bisa diterangkan oleh variabel lainnya dan
analisis faktor mungkin tidak tepat.

3. Ekstraksi Faktor
Ekstraksi faktor adalah metode yang digunakan untuk mereduksi data dari beberapa indikator
untuk menghasilkan faktor yang lebih kecil untuk menjekaskan korelasi antar indikator yang
diteliti. Ada beberapa metode yang bisa digunakan untuk melakukan ekstraksi faktor, yaitu:
a. Penentuan Apriori.
Penentuan ini ditetapkan sesuai kerangka teoritis dengan menetapkan jumlah faktor yang
akan diekstraksi. Saat penelitian, peneliti langsung membatasi jumlah faktor yang
diinginkan ke dalam komputer sehingga komputer akan berhenti pada jumlah faktor yang
telah ditentukan oleh peneliti.
b. Penentuan berdasarkan Eigenvalues.
Di dalam pendekatan ini, hanya faktor dengan eigenvalueslebih besar dari 1 (satu) yang
dipertahankan, kalau lebih kecil dari satu, faktornya tidak diikutsertakan dalam model.
Suatu eigenvaluesmenunjukkan besarnya sumbangan dari faktor terhadap varian seluruh
variabel asli. Hanya faktor dengan varian lebih besar dari satu, yang dimasukkan dalam
model. Faktor dengan varian lebih kecil dari satu tidak lebih baik dari asli, sebab variabel
asli telah dibakukan (standardized) yang berarti rata–ratanya nol dan variannya satu.
Apabila banyaknya variabel asli kurang dari 20, pendekatan ini akan menghasilkan
sejumlah faktor yang konservatif.
 c. Penentuan berdasarkan Scree Plot
Scree plot merupakan sutu plot dari eigenvalue sebagai fungsi banyaknya faktor, dalam
upaya untuk ekstraksi. Bentuk scree plot dipergunakan untuk menentukan banyanknya
faktor. Scree plot seperti garis yang patah– patah. Bukti hasil eksperimen menunjukkan
bahwa titik pada tempat di mana the scree mulai terjadi, menunjukkan banyaknya faktor
yang benar. Tepatnya pada saat scree mulai merata. Kenyataan menunjukkan bahwa
penentuan banyaknya faktor dengan scree plot akan mencapai satu atau lebih banyak
daripada penentuan eigenvalues.
d. Penentuan berdasarkan pada Persentase Varian
Di dalam pendekatan ini, banyaknya faktor yang diekstraksi oleh faktor mencapai suatu
level tertentu yang memuaskan. Sebetulnya berapa besarnya kumulatif persentase varian
sehingga dicapai suatu level yang memuaskan? Hal ini sangat tergantung pada
masalahnya. Akan tetapi, sebagai pedoman/petunjuk yang disarankan adalah bahwa
ekstraksi faktor dihentikan kalau kumulatif persentase varian sudah mencapai paling
sedikit 60% atau 75% dari seluruh varian variabel asli.

4. Rotasi Faktor
Rotasi faktor bertujuan untuk menyederhanakan struktur faktor, sehingga mudah untuk
diinterpretasikan. Ada dua metode rotasi yang berbeda yaitu orthogonal and oblique rotation.
Rotasi orthogonal rotation jika sumbu dipertahankan tegak lurus sesamanya (bersudut 90
derajat). Metode rotasi yang banyak dipergunakan ialah varimax procedure. Prosedur ini
merupakan metode orthogonal yang berusaha meminimumkan banyaknya variabel dengan
muatan tinggi (high loading) pada satu faktor,dengan demikian memudahkan pembuatan
interpretasi mengenai faktor. Rotasi orthogonal menghasilkan faktor – faktor yang tidak
berkorelasi satu sama lain (uncorrelated each other). Sebaliknya rotasi oblique rotation jika
sumbu tidak dipertahankan harus tegak lurus sesamanya ( bersudut 90 derajat) dan faktor –
faktor tidak berkorelasi. Oblique rotation harus dipergunakan kalau faktor dalam populasi
berkorelasi sangat kuat.

5. Interpretasi Faktor
Interpretasi dipermudah dengan mengenali/mengidentifikasi variabel yang muatannya
(loading) besar pada faktor yang sama. Faktor tersebut kemudian bisa diinterpretasikan,
dinyatakan dalam variabel yang mempunyai high loading padanya. Manfaat lainnya di dalam
membantu untuk membuat interpretasi ialah melalui plot variabel, dengan menggunakan
factor loading sebagai koordinat. Variabel pada ujung atau akhir suatu sumbu ialah variabel
yang mempunyai high loading hanya pada faktor tertentu. Sedangkan variabel yang dekat
dengan titik asal (perpotongan sumbu mempunyai muatan rendah low loading). Variabel yang
 tidak dekat dengan sumbu salah satu faktor berarti berkorelasi dengan kedua faktor tersebut.
Kalau suatu faktor tidak bisa dengan jelas didefenisikan dinyatakan dalam variabel aslinya,
seharusnya diberi label sebagai faktor tidak terdefenisikan atau faktor umum (undefined or a
general factor). Variabel – variabel yang berkorelasi kuat (nilai factor loading yang besar)
dengan faktor tertentu akan memberikan inspirasi nama faktor yang bersangkutan.

Sebetulnya analisis faktor tidak harus dilanjutkan dengan menghitung skor atau nilai faktor, sebab
tanpa menghitung hasil analisis faktor sudah bermanfaat yaitu mereduksi/mengambil nilai penting
dari variabel yang banyak menjadi variabel yang baru yang lebih sedikit dari aslinya. Namun
apabila tujuan analisis faktor adalah untuk mencari variabel baru yang independent (bebas satu
sama lain) maka perlu dihitung skor atau nilai faktor bagi setiap responden.

8. Studi Kasus
Berikut ini merupakan contoh kasus dimana Pemerintah Kota Bandung bermaksud mendirikan
terminal terpadu di daerah Kota Bandung. Pihak Pemkot bermaksud untuk mengidentifikasi
faktor-faktor yang harus dipertimbangkan dalam merencanakan dan membangun terminal terpadu
dengan menggunakan metode Analisis Faktor. Untuk itu dikumpulkan data 10 variabel dari 17
kecamatan di Kota Bandung. Variabel-variabel yang dimaksud adalah :

Var. 1 : jumlah preman/calo angkutan umum (orang)

Var. 2 : hirarki kecamatan dalam lingkup daerah (skor)
Var. 3 : skala pelayanan kecamatan (skor)
Var. 4 : jumlah warga kecamatan (KK)
Var. 5 : jumlah tenaga kerja yang tersedia (orang)
Var. 6 : luas lahan milik pemerintah yang di peruntukan terminal (Ha)
Var. 7 : luas tanah milik perorangan (Ha)
Var. 8 : jumlah keuangan kecamatan (Rp)
Var. 9 : panjang ruas jalan (Km)
Var. 10 : kinerja prasarana (skor)

Data-data yang ada dimasukkan ke dalam SPSS seperti pada tabel di bawah ini :
 1) Pada data yang diperoleh di atas dapat dilihat bahwa satuan yang dimiliki oleh data (variabel)
bervariasi (Ha, skor, Km, Rp, dan lain-lain). Sebelum melakukan analisis faktor terlebih
dahulu harus melakukan penilaian kelayakan terhadap variabel di atas. Namun penilaian
kelayakan variabel tidak dapat dilakukan jika satuan dari variabel yang ada berbeda. Untuk itu
perlu dilakukan standarisasi terlebih dahulu yang bertujuan untuk menghindari perbedaan
yang sangat mencolok yang akan menyebabkan bias dalam analisis faktor. Jika data yang
diperoleh tidak bervariasi dalam satuan, maka dapat langsung dilakukan penilaian kelayakan
terhadap variabel tanpa melakukan standarisasi terlebih dahulu. Dalam hal ini standarisasi
dilakukan dengan Z-score. Langkah awal yang dilakukan adalah pilih menu analyze dan pilih
sub menu descriptive statistics, kemudian pilih descriptives. Setelah itu masukkan semua
variable ke dalam kotak variables dan aktifkan kotak save standardized values as variables,
kemudian piilik OK
Setelah melakukan standarisasi maka akan muncul data seperti di bawah ini, dimana nilai
masing-masing variabel telah distandarkan :

2) Setelah melakukan standarisasi maka penilaian kelayakan variabel dapat dilakukan dengan cara
klik menu analyze dan pilih sub menu data reduction lalu pilih factor. Kemudian masukkan
seluruh variabel Z-score ke dalam kotak variables.
3) Setelah itu klik pada kotak descriptives dan pada bagian correlation matrix, tentukan alat
pengujian dengan dasar korelasi antar variabel yang akan digunakan. Pada bagian ini, pilih
dengan cara mengaktifkan kotak KMO and Bartlett’s test of Sphericity dan antiimage.
Kemudian klik continue dan selanjutnya tekan OK.

Sebelum melakukan pengujian, langkah yang harus dilakukan adalah menentukan hipotesa
terlebih dahulu. Adapun hipotesa untuk signifikansi adalah :
Ho : sampel (variabel) belum memadai untuk dianalisis lebih lanjut
H1 : sampel (variabel) sudah memadai untuk dianalisis lebih lanjut
Sedangkan kriteria dalam melihat signifikansi adalah :
Sig > 0,05, maka Ho diterima
Sig < 0,05, maka Ho ditolak
Selain itu perlu diperhatikan angka MSA (Measure of Sampling Adequacy), yaitu
berkisar 0 sampai 1 dengan kriteria :
- 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 dapat diprediksi dan tidak dapat dianalisis lebih
lanjut, atau harus dikeluarkan dari variabel lainnya

Berikut ini merupakan output yang dihasilkan dari langkah-langkah yang dilakukan di atas :
 Dapat dilihat pada tabel di atas bahwa nilai KMO and Bartlett’s adalah 0,618 dengan
signifikansi 0,00. Dengan demikian dapat dikatakan bahwa variabel dan sampel yang ada
memenuhi syarat untuk dilakukan analisis faktor. Namun nilai MSA juga perlu diperhatikan
dengan melihat output pada tabel Anti Image.

Nilai KMO and Bartlett’s test adalah 0,618 dengan signifikansi 0,00. Dengan demikian,
maka variabel dan sampel yang ada sebenarnya cukup dapat dianalisis lebih lanjut. Namun yang
perlu diperhatikan juga adalah nilai MSA yaitu dari tampilan output tabel Anti Image.
Pada bagian Anti-Image Correlation, khususnya pada nilai korelasi diagonal yang bertanda
“a” nilai MSA dari variabel luas lahan milik pemerintah (0,068), jumlah keuangan kecamatan
(0,382) dan kinerja prasarana (0,360) tidak memenuhi kriteria dengan batas 0,5. Dengan
demikian variabel dengan nilai MSA yang kurang dari 0,5 tersebut harus dikeluarkan dan perlu
dilakukan proses pengujian ulang. Namun, apabila terdapat lebih dari 1 variabel yang memiliki
MSA di bawah 0,5 maka yang dikeluarkan hanyala variabel dengan MSA terkecil. Setelah
variabel tersebut dikeluarkan maka proses penilaian harus dilakukan pengulangan. Dalam hal ini
variabel yang dikeluarkan adalah luas lahan milik pemerintah. Proses penilaian ulang dilakukan
dengan dengan mengikuti langkah-langkah yang dilakukan pada penilaian sebelumnya.

4) Setelah melakukan proses penilaian ulang maka akan diperoleh hasil seperti di bawah ini:
 Pada tabel diatas dapat dilihat bahwa setelah mengeluarkan variabel dengan nilai MSA
terendah yaitu variabel luas lahan milik pemerintah, nilai KMO and Bartlett’s test mengalami
perubahan dari 0,618 menjadi 0,730. Selain itu, nilai MSA yang berada di arah diagonal juga
sudah memenuhi kriteria dengan nilai lebih dari 0,5. Dengan demikian, variabel-variabel tersebut
telah memenuhi syarat untuk dilakukan analisis faktor.

5) Proses analisis faktor dilakukan dengan memilih menu analyze dan pilih sub menu data
reduction, lalu pilih factor. Masukkan semua variabel ke dalam kotak variables kecuali variabel
luas lahan milik pemerintah.
6) Dalam menu Extraction terdapat berbagai tools untuk melakukan proses ekstraksi variabel
(factoring). Pada bagian Method pilih Principal Components. Kemudian untuk bagian Analyze
tetap pada pilihan Correlation Matrix; aktifkan unrotated factor solution dan Scree plot pada
bagian Display; sedangkan eigenvalues over tetap pada angka 1. Setelah itu klik continue
Setelah melakukan langkah-langkah tersebut, maka diperoleh hasil sebagai berikut :
 Communalities merupakan nilai yang menunjukkan kontribusi variabel tersebut terhadap faktor
yang terbentuk. Dapat juga didefinisikan sebagai besaran nilai varians (dalam persentase) suatu
variabel yang dapat dijelaskan oleh faktor yang terbentuk. Pada tabel di atas misalnya, nilai
communalities variabel jumlah preman/calo angkutan umum = 94%; ini berarti sebesar 94% varians
dari variabel jumlah preman/calo angkutan umum dapat dijelaskan oleh faktor yang terbentuk.

Untuk variabel hirarki kecamatan dalam lingkup daerah, nilai communalities = 84,2%. Hal ini
berarti sekitar 84,2% varians dari variabel hirarki kecamatan dalam lingkup daerah dapat dijelaskan
oleh faktor yang terbentuk. Demikian seterusnya dengan variabel lainnya. Semakin besar
communalities sebuah variabel, berarti semakin erat hubungannya dengan faktor yang terbentuk.
Berdasarkan tabel di atas ada beberapa hal yang dapat diketahui :

 Nilai eigenvalues; yang menunjukkan jumlah variabel yang menjadi anggota suatu faktor.
 Besaran variansi yang dapat dijelaskan oleh faktor dengan sejumlah variabel pembentuknya.
 Jumlah faktor yang dapat terbentuk oleh sejumlah variabel yang dimiliki.
 Setelah dilakukan ekstraksi, tampak dalam tabel di atas bahwa faktor yang terbentuk sebanyak
2 faktor, dengan masing-masing mempunyai nilai eigenvalues 4,956 dan 2,434.
 Faktor 1 memberikan sumbangan varian sebesar 4,956 yaitu sebesar (4,956/9) x 100% =
55,06 % terhadap seluruh varian sebesar 9
 Faktor 2 memberikan sumbangan varian sebesar 2,434 yaitu sebesar (2,434/9) x 100% =
27,04 % terhadap seluruh varian sebesar 9
Jadi kedua faktor yang terbentuk telah menyumbang varian sebesar 55,06% + 27,04% = 82,11%
Scree Plot

Nilai batas eigenvalues pembentuk faktor adalah 1; apabila kurang dari 1 berarti tidak terdapat
variabel pembentuk faktor. Dengan demikian, dari grafik tersebut tampak bahwa ada 2 faktor
yang terbentuk. Hal ini berarti sama dengan hasil pendefinisian sebelumnya.
 Tabel Component Matrix di atas menunjukkan nilai loading factor masing-masing
variabel terhadap faktor. Loading Factor adalah nilai yang menunjukkan hubungan (korelasi)
suatu variabel terhadap faktor. Apabila suatu variabel mempunyai nilai loading factor terbesar
pada faktor tertentu (dibanding faktor lainnya), maka variabel tersebut akan menjadi anggota atau
pembentuk faktor tersebut.

7) Apabila dalam ekstraksi yang dilakukan ini masih belum dapat diyakini, misalnya masih adanya
suatu variabel yang belum jelas akan menjadi komponen faktor yang mana, maka harus
dilakukan proses rotasi. Sebagai contoh dalam kasus ini yaitu variabel luas tanah milik
perorangan yang mempunyai nilai loading factor pada faktor-1 = +0,579 dan pada faktor-2 = -
0,505. hal ini masih belum dapat diyakini variabel tersebut akan masuk dalam komponen faktor-
1 atau faktor-2.
Rotasi dilakukan dengan cara pilih analyze, kemudian pilih dimension reduction, lalu pilih factor.
Setelah itu klik pada kotak rotation, kemudian pilih metode varimax dan aktifkan kotak loading
plots. Setelah proses rotasi dilakukan maka akan muncul tabel seperti di bawah ini :
Setelah dilakukan rotasi dapat dilihat bagaimana hasil suatu rotasi bisa mencapai kesederhanaan dan
meningkatkan interpretasi. Setelah dilakukan rotasi dapat disimpulkan :
Faktor 1 mempunyai komponen variabel – variabel :
1) Jumlah preman/calo angkutan umum
2) Hirarki kecamatan dalam lingkup daerah
3) Skala pelayanan kecamatan
4) Panjang ruas jalan
5) Jumlah tenaga kerja yang tersedia
6) Jumlah warga kecamatan
7) Luas tanah milik perorangan
Faktor 2 mempunyai komponen variabel-variabel :
1) Kinerja prasarana
2) Jumlah keuangan kecamatan

Factor Loading Plot

Gambar diatas merupakan interpretasi dari hasil analisis faktor, dimana variabel pada ujung atau
akhir suatu sumbu ialah variabel yang mempunyai muatan tinggi (high loading) hanya pada
faktor tertentu, sedangkan variabel yang dekat dengan titik asal mempunyai muatan rendah (low
loading) pada kedua faktor.
 DAFTAR PUSTAKA

Gunawan, Imam. 2016. Pengantar Statistika Inferensial. Jakarta: RajaGrafindo Persada

Kachigan, S.K. (1986). Statistical Analysis. New York: Radius Press

Supranto, J. 2014. Analisis Multivariat Arti dan Interpretasi. Jakarta: Rineka Cipta