Dosen Pengampu :
Dra. Titi Purwandari, MS.
Disusun oleh :
Khodijah NPM. 140610160007
Aghna Nurshifa NPM. 140610160019
Salsa Nurdini NPM. 140610160076
Desriana Rosya NPM. 140610160077
Alika Mlattipurnami NPM. 140610160093
Kelas : A
𝐸(𝐹) = 0(𝑚𝑥1)
𝐶𝑜𝑣(𝐹) = 𝐸(𝐹𝐹 ′ ) = 𝑙(𝑚𝑥)
𝐸(𝜀) = 𝑜(𝑝𝑥1)
Ψ1 0 … 0
𝐶𝑜𝑣(𝜀) = 𝐸(𝜀𝜀 ′ ) = Ψ(𝑝𝑥𝑝) = ( 0. Ψ2
.
…
.
0
. )
0 0 0 Ψ𝑝
𝐶𝑜𝑣(𝜀, 𝐹) = 𝐸(𝜀𝐹 ′ ) = 0(𝑝𝑥𝑚)
𝜀 dan F saling bebas
Dengan,
𝜇𝑖 : rata-rata variabel ke-i
𝜀𝑖 : faktor spesifik ke-i
𝐹𝑗 : faktor umum ke-j
𝑙𝑖𝑗 : muatan variabel ke-i pada faktor ke-j
Koefisien lij disebut loading dari variabel asal ke i pada faktor ke j, maka matriks L adalah
matriks factor loading dan F1, F2,…., Fm , ε1, ε2,…. εp adalah tidak terobservasi.
Berikut adalah hal-hal yang perlu dilakukan dalam analisis faktor:
Mengidentifikasikan struktur
Menentukan jumlah faktor (scree plot, eigen values, proporsi varians)
Menduga parameter (factor loading dan sistematik varians)
Metode Komponen Utama
Metode Kemungkinan Maksimum
Metode Kuadrat Terkecil
Rotasi faktor (ortogonal: varimax, quartimax, equimax; oblique: oblimax, quartimin,
oblimin)
Interpretasi faktor (eigen values, explained variances, factor scores, koefisien faktor).
Pendapatan
Hubungan Keadaan
Provinsi Kesehatan Pendidikan Pekerjaan Rumah
Sosial Lingkungan
Tangga
ACEH 68.56 59.28 74.65 73.23 64.75 61.98
SUMATERA UTARA 69.12 57.76 73.00 73.63 63.20 61.98
SUMATERA BARAT 67.65 57.04 73.10 74.48 64.21 61.43
RIAU 70.48 57.01 74.93 72.33 65.78 63.36
JAMBI 71.74 60.60 76.79 76.08 69.23 66.40
SUMATERA
69.96 58.88 74.05 72.76 64.89 61.79
SELATAN
BENGKULU 67.74 56.36 75.31 75.15 63.20 58.18
LAMPUNG 70.05 56.07 74.76 77.14 65.25 62.54
KEP. BANGKA
68.88 57.07 72.98 76.32 65.14 63.01
BELITUNG
KEP. RIAU 75.28 62.51 76.50 75.34 72.37 68.75
DKI JAKARTA 70.83 62.72 72.31 70.59 68.92 65.56
JAWA BARAT 68.66 57.68 73.42 74.24 64.79 62.04
JAWA TENGAH 69.83 57.69 74.38 75.01 65.07 62.16
DI YOGYAKARTA 72.59 62.63 77.02 76.30 68.38 65.18
JAWA TIMUR 70.61 58.89 74.18 76.86 66.28 64.10
BANTEN 69.40 58.28 72.97 74.37 65.01 63.00
BALI 70.14 59.49 74.02 76.37 69.29 64.09
NUSA TENGGARA
69.72 54.83 77.38 78.06 65.94 62.08
BARAT
NUSA TENGGARA
64.44 56.05 75.18 74.37 64.51 58.22
TIMUR
KALIMANTAN
68.40 55.61 75.44 72.39 65.36 63.07
BARAT
KALIMANTAN
70.92 60.69 76.42 75.63 67.96 65.54
TENGAH
KALIMANTAN
71.88 60.69 75.41 74.29 67.67 66.16
SELATAN
KALIMANTAN
72.14 62.32 75.09 73.37 70.11 68.20
TIMUR
SULAWESI UTARA 70.74 63.33 76.07 76.11 70.71 66.20
SULAWESI TENGAH 67.91 58.44 77.59 73.86 66.38 61.41
SULAWESI SELATAN 70.51 56.28 76.05 77.31 68.30 64.21
SULAWESI
68.26 54.43 77.13 75.79 67.04 63.42
TENGGARA
GORONTALO 65.75 60.38 78.11 71.83 69.16 62.89
SULAWESI BARAT 67.84 52.75 76.78 75.16 66.41 60.94
MALUKU 73.67 65.30 78.13 79.21 73.42 68.35
MALUKU UTARA 70.95 62.18 76.59 74.86 69.97 68.20
PAPUA BARAT 72.26 61.39 75.92 75.65 69.96 66.90
PAPUA 67.06 50.91 68.91 69.75 61.66 60.48
Sumber : Badan Pusat Statistik (BPS – Statistics Indonesia)
Data di atas merupakan data yang menunjukkan tingkat kepuasan hidup menurut enam jenis
aspek pada tahun 2014, yaitu kesehatan, pendidikan, hubungan sosial, keadaan lingkungan,
pekerjaan, dan pendapatan rumah tangga. Masing–masing variabel memiliki 33 data/observasi. Kali
ini kita akan menganalisis data di atas dengan menggunakan metode Analisis Faktor.
Misalkan,
X1 = Kesehatan
X2 = Pendidikan
X3 = Hubungan Sosial
X4 = Keadaan Lingkungan
X5 = Pekerjaan
Dari data diatas akan dilakukan analisis faktor dengan software R dan SPSS.
X1 X2 X3 X4 X5 X6
X1 5.0748271 -0.77580270 0.42164283 -1.3975871 1.6439581 -4.952917
X2 -0.7758027 3.06822964 0.08189142 0.4504613 -1.9456332 -0.167660
X3 0.4216428 0.08189142 2.37240609 -0.7498529 -2.5020403 1.149161
X4 -1.3975871 0.45046128 -0.74985290 1.7807116 -0.6291038 1.177788
X5 1.6439581 -1.94563319 -2.50204033 -0.6291038 8.8715673 -6.605705
X6 -4.9529168 -0.16766005 1.14916096 1.1777884 -6.6057048 10.422303
> diag(solve(r))
X1 X2 X3 X4 X5 X6
5.074827 3.068230 2.372406 1.780712 8.871567 10.422303
X1 X2 X3 X4 X5 X6
X1 1.0000000 0.6787613 0.2473794 0.3973600 0.7001529 0.8577218
X2 0.6787613 1.0000000 0.3611076 0.1970549 0.7864006 0.7749899
X3 0.2473794 0.3611076 1.0000000 0.5139055 0.6028414 0.3371186
X4 0.3973600 0.1970549 0.5139055 1.0000000 0.3826399 0.2648539
X5 0.7001529 0.7864006 0.6028414 0.3826399 1.0000000 0.8694740
X6 0.8577218 0.7749899 0.3371186 0.2648539 0.8694740 1.0000000
> e = eigen(R)
> e
eigen() decomposition
$`values`
[1] 3.77517400 1.13183832 0.62275045 0.25774268 0.15891343 0.05358114
$vectors
[,1] [,2] [,3] [,4] [,5] [,6]
[1,] -0.4387770 0.2219228 0.46573532 0.2941694 0.5820849 -0.34052480
[2,] -0.4344783 0.2724172 -0.22862856 -0.7970265 0.2049648 0.08651455
[3,] -0.3065377 -0.6026887 -0.55724505 0.2375399 0.3993608 0.12792461
[4,] -0.2621215 -0.6574057 0.59526066 -0.2977700 -0.2164345 0.09624972
[5,] -0.4840690 0.0153213 -0.24871488 0.1267521 -0.5815487 -0.59103165
[6,] -0.4708583 0.2844092 0.06405615 0.3421329 -0.2731937 0.70824499
Kesimpulan :
Setelah mencar matriks korelasi tersebut, didapatkan bahwa nilai eigen dari hasil matriks
korelasi data diatas yaitu sebagai berikut:
1. Nilai eigen untuk variable X1 (aspek kesehatan) sebesar 3.77517400.
2. Nilai eigen untuk variable X2 (aspek pendidikan) sebesar 1.13183832
3. Nilai eigen untuk variable X3 (aspek hubungan sosial) sebesar 0.62275045.
4. Nilai eigen untuk variable X4 (aspek keadaan lingkungan) sebesar 0.25774268.
5. Nilai eigen untuk variable X5 (aspek pekerjaan) sebesar 0.15891343.
6. Nilai eigen untuk variable X6 (aspek pendapatan rumah tangga) sebesar 0.05358114.
Dan vector eigen seperti pada output software R diatas.
$subject
[1] 33
$variables
[1] 6
$centile
[1] 0.05
attr(,"class")
[1] "parallel"
> ns = nScree(e$values,ap$eigen$qevpea)
> ns
noc naf nparallel nkaiser
1 0 1 2 3
> plotnScree(ns)
Non Graphical Solutions to Scree Test
Eigenvalues (>mean = 3 )
Parallel Analysis (n = 2 )
1.2
Optimal Coordinates (n = 0 )
(AF) Acceleration Factor (n = 1 )
1.0
Eigenvalues
0.8
0.6
0.4
1 2 3 4 5 6
Components
Kesimpulan :
Pada tahap ini kita dapat menentukan banyak faktor yang diekstrasi. Berdasarkan scree plot
diatas, terdapat 2 titik component yang memiliki nilai eigenvalue > 1 . Sehingga dapat
disimpulkan bahwa terdapat 2 faktor saja yang dapat terbentuk. Sedangkan berdasarkan
metode acceleration factor (AF) banyak faktor yang dapat diambil adalah 1.
Loadings:
Factor1 Factor2
X1 0.854 0.121
X2 0.744 0.284
X3 0.162 0.916
X4 0.175 0.508
X5 0.788 0.521
X6 0.974 0.195
Factor1 Factor2
SS loadings 2.908 1.502
Proportion Var 0.485 0.250
Cumulative Var 0.485 0.735
Call:
factanal(x = data, factors = 2, rotation = "varimax")
Uniquenesses:
X1 X2 X3 X4 X5 X6
0.26 0.37 0.13 0.71 0.11 0.01
Loadings:
Factor1 Factor2
X1 0.85
X2 0.74
X5 0.79 0.52
X6 0.97
X3 0.92
X4 0.51
Factor1 Factor2
SS loadings 2.91 1.50
Proportion Var 0.48 0.25
Cumulative Var 0.48 0.74
Factor1 Factor2
SS loadings 2.908 1.502
Proportion Var 0.485 0.250
Cumulative Var 0.485 0.735
Kesimpulan :
Dari hasil analisis diatas dapat dilihat bahwa 1 faktor yang diambil sudah cukup
mewakilkan. Faktor 1 beranggotakan variabel X1 (Kesehatan), variabel X2 (Pendidikan),
variabel X5 (Pekerjaan) dan variabel X6 (Pendapatan Rumah Tangga). Sedangkan Faktor 2
beranggotakan X3 (Hubungan Sosial), dan X4 (Keadaan Lingkungan).
Analisis Komponen
> ns$Component
noc naf nparallel nkaiser
1 0 1 2 3
> ns$Analysis
Eigenvalues Prop Cumu Par.Analysis Pred.eig OC Acc.factor AF
1 1.3537827 0.27332001 0.2733200 1 1.3761470 NA (<AF)
2 1.1536562 0.23291576 0.5062358 1 1.1929917 0.007137237
3 0.9606670 0.19395248 0.7001883 1 0.9728575 -0.031208464
4 0.7364693 0.14868841 0.8488767 1 0.7059808 -0.027434762
5 0.4848368 0.09788544 0.9467621 1 NA 0.030488507
6 0.2636929 0.05323790 1.0000000 1 NA NA
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Setelah uji asumsi diatas dilakukan maka analisis faktor dapat dilanjutkan.
X1 X2 X3 X4 X5 X6
a. Determinant = .006
Interpretasi :
Dapat dilihat dari hasil software SPSS diatas, hasil perhitungan menunjukkan
nilai Determinant of Correlation Matrix sebesar 0.006. Nilai ini tidak mendekati 0, dengan
demikian matrik korelasi antara variabel saling terkait.
Sig. .000
Interpretasi :
Hasil perhitungan dengan SPSS dan dengan taraf signifikansi 5% dihasilkan nilai Barlett
Test of Spehricity sebesar 150.006 dengan signifikansi sebesar 0.000. Dengan
demikian Bartlett Test of Spehricity memenuhi persyaratan karena signifikansi di bawah
0,05 (5%).
Anti-image Matrices
X1 X2 X3 X4 X5 X6
Communalities
Initial Extraction
X1 1.000 .783
X2 1.000 .797
X3 1.000 .766
X4 1.000 .749
X5 1.000 .885
X6 1.000 .929
Interpretasi :
Dari tabel di atas menujukkan 6 variabel diuji memenuhi persyaratan komunalitas yaitu
lebih besar dari 0.5 (komunalitas > 0.5). Perlu diingat bahwa jika ada variabel dengan
nilai Extraction pada tabel Communalities < 0,5, maka variabel tersebut tidak memenuhi
syarat komunalitas dan harus dikeluarkan dari pengujian serta anda harus mengulangi
langkah analis faktor dari awal tanpa mengikutsertakan variabel yang tidak memenuhi
syarat komunalitas. Pengulangan tersebut sama dengan cara pengulangan pada syarat MSA
yang telah dijelaskan di atas.
Dilihat dari hasil tabel diatas menunjukkan seberapa besar sebuah variabel dapat
menjelaskan faktor, diantaranya:
Untuk variabel X1 nilai komunalitasnya sebesar 0.783, artinya variabel X1 dapat
menjelaskan faktor sebesar 78.3%.
Untuk variabel X2 nilai komunalitasnya sebesar 0.797, artinya variabel X2 dapat
menjelaskan faktor sebesar 79.7%.
Untuk variabel X3 nilai komunalitasnya sebesar 0.766, artinya variabel X3 dapat
menjelaskan faktor sebesar 76.6%.
Untuk variabel X4 nilai komunalitasnya sebesar 0.749, artinya variabel X4 dapat
menjelaskan faktor sebesar 74.9%.
Untuk variabel X5 nilai komunalitasnya sebesar 0.885, artinya variabel X5 dapat
menjelaskan faktor sebesar 88.5%.
Untuk variabel X6 nilai komunalitasnya sebesar 0.929, artinya variabel X6 dapat
menjelaskan faktor sebesar 92.9%.
Sesuai dengan hasil diatas dimana seluruh hasilnya lebih besar dari 50%, maka dapat
disimpulkan bahwa semua variabel dapat menjelaskan faktor.
Analisis Faktor
Faktor Yang Sekiranya Dapat Terbentuk
Tabel Total Variance Explained di bawah ini berguna untuk menentukan berapakah
faktor yang mungkin dapat dibentuk.
Component Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Interpretasi :
Berdasarkan tabel di atas, lihat kolom “Component” yang menunjukkan bahwa ada 6
komponen yang dapat mewakili variabel. Perhatikan kolom “Initial Eigenvalues” yang
dengan SPSS kita tentukan nilainya 1 (satu). Varians bisa diterangkan oleh faktor 1
adalah 3.775/6 x 100% = 62.920%. Sementara oleh faktor 2 sebesar 1.132/6 x 100% =
18.864%. Sehingga total kedua faktor akan mampu menjelaskan variabel
sebesar 62.920% + 18.864% = 81.784%. Dengan demikian, karena nilai Eigenvalues
yang ditetapkan 1, maka nilai total yang akan diambil adalah yang > 1 yaitu Component
1 dan 2.
Faktor Loading
Setelah kita mengetahui bahwa faktor maksimal yang bisa terbentuk adalah 2 faktor,
selanjutnya kita melakukan penentuan masing-masing variabel akan masuk ke dalam
faktor mana, apakah faktor 1 atau 2. Cara menentukan tersebut adalah dengan melihat
tabel Component Matrix seperti di bawah ini :
Component Matrixa
Component
1 2
X3 .844 .015
X2 .836 -.133
X1 .099 .992
Interpretasi :
Tabel di atas menunjukkan seberapa besar sebuah variabel berkorelasi dengan faktor
yang akan dibentuk. Misal: X3 berkorelasi sebesar 0.884 dengan faktor 1 dan 0.015
dengan faktor 2. X2 berkorelasi sebesar 0.836 dengan faktor 1 dan -0.133 dengan faktor
2. Dan X1 berkorelasi sebesar 0.099 dengan faktor 1 dan 0.992 dengan faktor 2.
Component
1 2
X6 .951 .153
X2 .883 .132
X1 .865 .183
X5 .842 .419
X4 .130 .855
X3 .233 .843
Interpretasi :
Penentuan variabel masuk faktor mana ditentukan dengan melihat nilai korelasi terbesar.
Pada tabel di atas telah diurutkan dari nilai yang terbesar ke yang terkecil per faktor.
Perhatikan baik-baik hasil diatas:
X6 memiliki nilai korelasi terbesar dengan faktor 1 yaitu 0.951, begitu pula X2 = 0.883,
X1 = 0.865 dan X5 = 0.842. Yang paling berkorelasi dengan faktor 2 adalah X4 = 0.855
dan X3 = 0.233. Maka dapat disimpulkan anggota masing-masing faktor:
Faktor 1 : X2, X1, X5, X6
Faktor 2 : X4, X3
Component 1 2
1 .888 .461
2 -.461 .888
Interpretasi :
Tabel diatas menunjukkan bahwa pada Component 1 nilai korelasinya 0.888 yang lebih
besar dari 0.5 dan Component 2 nilai korelasinya 0.888 lebih besar dari 0.5. Karena
semua Component memiliki nilai korelasi lebih dari 0.5 maka kedua faktor yang
terbentuk dapat dikatakan tepat dalam merangkum keenam variabel yang ada.
Factor Score
Setelah anda mendapatkan faktor-faktor yang terbentuk, maka langkah selanjutnya untuk
keperluan analisis lebih lanjut, anda dapat menentukan faktor skor.
Dilihat dari hasil diatas muncul variabel baru, yaitu FAC1_1 yang merupakan faktor
skor dari faktor 1 dan FAC2_1 yang merupakan faktor skor dari faktor 2. Dari nilai
tersebut anda dapat melakukan analisis lanjutan, misal analisis regresi linear, analisis
diskriminan atau analisis yang lainnya.
FAC1_1 FAC2_1
-0,34849 -0,59565
-0,48067 -0,98289
-0,80725 -0,55648
-0,00123 -0,78904
0,76775 0,67585
-0,13701 -0,93407
-154,009 0,42926
-0,67182 0,65899
-0,50572 -0,13036
205,961 0,17531
144,028 -229,521
-0,48571 -0,60175
-0,41073 -0,12871
0,82639 0,72448
0,01708 0,24211
-0,17265 -0,78221
0,31043 0,15593
-107,329 181,098
-182,894 0,33927
-0,5246 -0,49292
0,51321 0,45241
0,86493 -0,31775
160,898 -0,76103
104,088 0,46851
-0,68599 0,60092
-0,22231 110,082
-0,85305 111,131
-0,24072 0,19111
-136,228 0,99231
174,302 181,398
121,175 0,16729
112,588 0,24632
-117,765 -298,910
Scree Plot & Component Plot in Rotated Space