LAPORAN PRAKTIKUM

ANALISIS DATA MULTIVARIAT II

“Analisis Faktor”
Diajukan sebagai salah satu syarat untuk memenuhi nilai mata kuliah Analisis Data Multivariat II

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

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
JATINANGOR
2019
A. ANALISIS FAKTOR
Analisis faktor (factor analysis) adalah salah satu keluarga analisis multivariat yang
bertujuan untuk meringkas atau mereduksi variabel pengamatan secara keseluruhan menjadi
beberapa variabel atau dimensi baru, akan tetapi variabel atau dimensi baru yang terbentuk
tetap mampu merepresentasikan variabel utama. Dalam analisis faktor, dikenal dua pendekatan
utama, yaitu exploratory factor analysis dan confirmatory factor analysis. Kita menggunakan
exploratory factor analysis bila banyaknya faktor yang terbentuk tidak ditentukan terlebih
dahulu. Sebaliknya confirmatory factor analysis digunakan apabila faktor yang terbentuk telah
ditetapkan terlebih dahulu.
Asumsi mendasar yang harus digarisbawahi dalam analisis faktor adalah bahwa variabel-
variabel yang dianalisis memiliki keterkaitan atau saling berhubungan karena analisis faktor
berusaha untuk mencari common dimension (kesamaan dimensi) yang mendasari variabel-
variabel itu.
Tujuan utama analisis faktor adalah untuk menjelaskan struktur hubungan di antara
banyak variabel dalam bentuk faktor atau vaiabel laten atau variabel bentukan. Faktor yang
terbentuk merupakan besaran acak (random quantities) yang sebelumnya tidak dapat diamati
atau diukur atau ditentukan secara langsung. Selain tujuan utama analisis faktor, terdapat
tujuan lainnya adalah:
1. Untuk mereduksi sejumlah variabel asal yang jumlahnya banyak menjadi sejumlah variabel
baru yang jumlahnya lebih sedikit dari variabel asal, dan variabel baru tersebut dinamakan
faktor atau variabel laten atau konstruk atau variabel bentukan.
2. Untuk mengidentifikasi adanya hubungan antar variabel penyusun faktor atau dimensi
dengan faktor yang terbentuk, dengan menggunakan pengujian koefisien korelasi
antarfaktor dengan komponen pembentuknya. Analisis faktor ini disebut analisis faktor
kofirmatori.
3. Untuk menguji valisitas dan reliabilitas instrumen dengan analisis faktor konfirmatori.
4. Validasi data untuk mengetahui apakah hasil analisis faktor tersebut dapat digeneralisasi ke
dalam populasinya, sehingga setelah terbentuk faktor, maka peneliti sudah mempunyai suatu
hipotesis baru berdasarkan hasil analisis faktor.
Langkah umum analisis faktor
1. Research Problem
 Analisis eksplanatori
 Analisis konfirmatori
2. Research Design (menentukan variabel penelitian, berapa banyak vaiabel, bagaimana
variabel diukur, dan ukuran sampel)
3. Asumsi-asumsi (normalitas, linearitas, homoskedastisitas)
4. Pemilihan model
 Analisis komponen utama
 Analisis faktor umum
 Analisis Faktor Eksploratori (EFA)
Analisis faktor eksploratori atau analisis komponen utama (PCA = principle component
analysis) yaitu suatu teknik analisis faktor di mana beberapa faktor yang akan terbentuk
berupa variabel laten yang belum dapat ditentukan sebelum analisis dilakukan.
Pada prinsipnya analisis faktor eksploratori di mana terbentuknya faktor-faktor atau
variabel laten baru adalah bersifat acak, yang selanjutnya dapat diinterprestasi sesuai dengan
faktor atau komponen atau konstruk yang terbentuk. Analisis faktor eksploratori persis sama
dengan anlisis komponen utama (PCA).
Dalam analisis faktor eksploratori dimana peneliti tidak atau belum mempunyai
pengetahuan atau teori atau suatu hipotesis yang menyusun struktur faktor-faktornya yang
akan dibentuk atau yang terbentuk, sehingga dengan demikian pada analisis faktor
eksploratori merupakan teknik untuk membantu membangun teori baru.
Analisis faktor eksploratori merupakan suatu teknik untuk mereduksi data dari variabel
asal atau variabel awal menjadi variabel baru atau faktor yang jumlahnya lebih kecil dari
pada variabel awal. Proses analisis faktor eksploratori mencoba untuk menemukan
hubungan antarvariabel baru atau faktor yang terbentuk yang saling independen sesamanya,
sehingga bisa dibuat satu atau beberapa kumpulan variabel laten atau faktor yang lebih
sedikit dari jumlah variabel awal yang bebas atau tidak berkorelasi sesamanya. Jadi antar
faktor yang terbentuk tidak berkorelasi sesamanya.
 Analisis Faktor Konfirmatori (CFA)
Analisis faktor konfirmatori yaitu suatu teknik analisis faktor dimana secara apriori
berdasarkan teori dan konsep yang sudah diketahui dipahami atau ditentukan sebelumnya,
maka dibuat sejumlah faktor yang akan dibentuk, serta variabel apa saja yang termasuk ke
dalam masing-masing faktor yang dibentuk dan sudah pasti tujuannya. Pembentukan faktor
konfirmatori (CFA) secara sengaja berdasarkan teori dan konsep, dalam upaya untuk
mendapatkan variabel baru atau faktor yang mewakili beberapa item atau sub-variabel, yang
merupakan variabel teramati.
Pada dasarnya tujuan analisis faktor konfirmatori adalah: pertama, untuk
mengidentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi. Tujuan
kedua yaitu untuk menguji validitas dan reliabilitas instrumen. Dalam pengujian terhadap
validitas dan reliabilitas instrumen atau kuesioner untuk mendapatkan data penelitian yang
valid dan reliabel dengan analisis faktor konfirmatori.

Model Faktor Ortogonal

 p variabel acak
 Rata-rata (µ)
 Matriks kovarians Ʃ
 X1, X2, ..., Xp bergantung linier pada variabel acak tidak teramati (common factor/faktor
umum) F1, F2, ..., Fm
 Model Faktor
𝑋1 − 𝜇1 = 𝑙11 𝐹1 + 𝑙12 𝐹2 + ⋯ + 𝑙1𝑚 𝐹𝑚 + 𝜀1
𝑋2 − 𝜇2 = 𝑙21 𝐹1 + 𝑙22 𝐹2 + ⋯ + 𝑙2𝑚 𝐹𝑚 + 𝜀2
…
𝑋𝑝 − 𝜇𝑝 = 𝑙𝑝1 𝐹1 + 𝑙𝑝2 𝐹2 + ⋯ + 𝑙𝑝𝑚 𝐹𝑚 + 𝜀𝑝
Notasi matriks
𝑋(𝑝𝑥1) − 𝜇(𝑝𝑥1) = 𝐿(𝑝𝑥𝑚) 𝐹(𝑚𝑥1) + 𝜀(𝑝𝑥1)
 Asumsi

 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

 Model faktor ortogonal dengan m faktor umum

𝑋(𝑝𝑥1) = 𝜇(𝑝𝑥1) + 𝐿(𝑝𝑥𝑚) 𝐹(𝑚𝑥1) + 𝜀(𝑝𝑥1)

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

Kriteria penentuan banyak faktor:

1. Kriteria eigen value

2. Kriteria apriori
3. Kriteria persentase varians
4. Kriteria scree plot

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).

B. CONTOH KASUS ANALISIS FAKTOR

Satisfaction merupakan satu keadaan kesenangan dan kesejahteraan, disebabkan karena orang
telah mencapai satu tujuan atau sasaran (Chaplin, 2006). Sedangkan Diener (1984); Shin dan
Johnson (dalam Diener, Emmons, Larsen, & Griffin, 1985) mendefinisikan kepuasan hidup sebagai
penilaian menyeluruh terhadap kualitas kehidupan seseorang berdasarkan kriteria-kriteria yang
ditetapkannya sendiri. Michalos (dalam Amat & Mahmud, 2009) menegaskan kepuasan hidup adalah
melibatkan berbagai konstruk yang memerlukan seseorang itu menilai berbagai aspek kehidupannya
seperti kesehatan, keuangan, kerja, serta hubungan interpersonalnya. Tetapi kebanyakan masyarakat
meletakkan berbagai nilai tersebut terhadap salah satu aspek saja. Sedangkan Diener (1984)
menegaskan seseorang itu perlu melihat kepada aspek kepuasan hidupnya secara kognitif dan
menyeluruh. Pavot dan Diener (1993) menyatakan kepuasan hidup sebagai penilaian secara
keseluruhan terhadap perasaan dan sikap seseorang berkaitan dengan kehidupannya pada suatu
waktu.
Berdasarkan beberapa pendapat para ahli di atas dapat disimpulkan bahwa kepuasan hidup
adalah penilaian secara menyeluruh terhadap berbagai konstruk dalam kehidupan seseorang dengan
didasarkan pada kriteria-kriteria yang telah ditetapkan oleh dirinya sendiri. Sedangkan aspek
kepuasan hidup bukanlah dinilai berdasarkan area-area tertentu melainkan dinilai berdasarkan aspek
kognitif seseorang secara menyeluruh terhadap kualitas hidupnya didasarkan pada kriteria-kriteria
yang telah ditetapkan oleh dirinya sendiri.
Di bawah ini merupakan data tingkat kepuasaan hidup berdasarkan beberapa aspek yaitu
kesehatan, pendidikan, hubungan sosial, keadaan lingkungan, pekerjaan, dan pendapatan rumah
tangga menurut provinsi di Indonesia pada tahun 2014.
 Tabel 1.
Tingkat Kepuasan Hidup Menurut Provinsi di Indonesia pada Tahun 2014

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

X6 = Pendapatan Rumah Tangga

Dari data diatas akan dilakukan analisis faktor dengan software R dan SPSS.

 Analisis Faktor dengan software R

Maka hasil analisis data diatas dengan menggunakan software R adalah sebagai berikut:
 Input data
> data = read.csv("puas.csv",header=T,sep=";")
> data
X1 X2 X3 X4 X5 X6
1 68.56 59.28 74.65 73.23 64.75 61.98
2 69.12 57.76 73.00 73.63 63.20 61.98
3 67.65 57.04 73.10 74.48 64.21 61.43
4 70.48 57.01 74.93 72.33 65.78 63.36
5 71.74 60.60 76.79 76.08 69.23 66.40
6 69.96 58.88 74.05 72.76 64.89 61.79
7 67.74 56.36 75.31 75.15 63.20 58.18
8 70.05 56.07 74.76 77.14 65.25 62.54
9 68.88 57.07 72.98 76.32 65.14 63.01
10 75.28 62.51 76.50 75.34 72.37 68.75
11 70.83 62.72 72.31 70.59 68.92 65.56
 12 68.66 57.68 73.42 74.24 64.79 62.04
13 69.83 57.69 74.38 75.01 65.07 62.16
14 72.59 62.63 77.02 76.30 68.38 65.18
15 70.61 58.89 74.18 76.86 66.28 64.10
16 69.40 58.28 72.97 74.37 65.01 63.00
17 70.14 59.49 74.02 76.37 69.29 64.09
18 69.72 54.83 77.38 78.06 65.94 62.08
19 64.44 56.05 75.18 74.37 64.51 58.22
20 68.40 55.61 75.44 72.39 65.36 63.07
21 70.92 60.69 76.42 75.63 67.96 65.54
22 71.88 60.69 75.41 74.29 67.67 66.16
23 72.14 62.32 75.09 73.37 70.11 68.20
24 70.74 63.33 76.07 76.11 70.71 66.20
25 67.91 58.44 77.59 73.86 66.38 61.41
26 70.51 56.28 76.05 77.31 68.30 64.21
27 68.26 54.43 77.13 75.79 67.04 63.42
28 65.75 60.38 78.11 71.83 69.16 62.89
29 67.84 52.75 76.78 75.16 66.41 60.94
30 73.67 65.30 78.13 79.21 73.42 68.35
31 70.95 62.18 76.59 74.86 69.97 68.20
32 72.26 61.39 75.92 75.65 69.96 66.90
33 67.06 50.91 68.91 69.75 61.66 60.48

 Uji Asumsi Normalitas Multivariat

Pengujian Hipotesis:
H0 : Data tingkat kepuasan hidup menurut enam jenis aspek pada tahun 2014 berdistribusi
normal multivariat.
H1 : Data tingkat kepuasan hidup menurut enam jenis aspek pada tahun 2014 tidak
berdistribusi normal multivariat.
Taraf Signifikansi: α = 5%
Statistik Uji
Mardia Skewness dan Kurtosis
Dengan menggunakan software R, dilakukan pengujian normalitas multivariat terhadap data
di atas dan hasilnya adalah sebagai berikut:

> #Uji Normal Multivariat

> library(MVN)
> str(data)
> attach(data)
> mvnorm= mvn(data=data, mvnTest="mardia")
> mvnorm
$`multivariateNormality`
Test Statistic p value Result
1 Mardia Skewness 66.9641864997428 0.149800017163746 YES
2 Mardia Kurtosis 0.674308744906546 0.500115045503056 YES
3 MVN <NA> <NA> YES
$univariateNormality
Test Variable Statistic p value Normality
1 Shapiro-Wilk X1 0.9890 0.9793 YES
2 Shapiro-Wilk X2 0.9864 0.9447 YES
3 Shapiro-Wilk X3 0.9429 0.0826 YES
4 Shapiro-Wilk X4 0.9864 0.9448 YES
5 Shapiro-Wilk X5 0.9697 0.4724 YES
6 Shapiro-Wilk X6 0.9620 0.2949 YES
$Descriptives
n Mean Std.Dev Median Min Max 25th 75th Skew
Kurtosis
X1 33 69.81727 2.210139 69.96 64.44 75.28 68.40 70.92 0.003823957
0.20569617
X2 33 58.65273 3.232886 58.44 50.91 65.30 56.36 60.69 -0.158706503
-0.44112778
X3 33 75.16879 1.952677 75.31 68.91 78.13 74.05 76.59 -0.858118271
1.09275569
X4 33 74.78303 2.056807 75.01 69.75 79.21 73.63 76.11 -0.329804771
-0.05357461
X5 33 66.97939 2.745061 66.38 61.66 73.42 65.01 69.16 0.363404359
-0.57521846
X6 33 63.69152 2.720415 63.07 58.18 68.75 61.98 65.56 0.110113079
-0.61751536

Kriteria Uji dan Kesimpulan:

Tolak H0 jika terdapat salah satu (mardia skewness atau kurtosis) yang signifikan.
Berdasarkan hasil uji diatas didapat p-value lebih besar dari α = 5%, maka H0 diterima (non
signifikan). Sehingga dengan tingkat kepercayaan 95% dapat diduga bahwa data tingkat
kepuasan hidup menurut enam jenis aspek pada tahun 2014 berdistribusi normal
multivariat.
  Uji Asumsi Multikolinearitas
Pengujian Hipotesis:
H0 : Terdapat multikolinearitas pada data tingkat kepuasan hidup menurut enam jenis aspek
pada tahun 2014
H1 : Tidak terdapat multikolinearitas pada data tingkat kepuasan hidup menurut enam jenis
aspek pada tahun 2014
Taraf Signifikansi: α = 5%
Statistik Uji
Mardia Skewness dan Kurtosis/Uji Bartlett

Dengan menggunakan software R, dilakukan pengujian asumsi multikolinearitas terhadap

data di atas dan hasilnya adalah sebagai berikut:
> #Multikolinearitas
> r=cor(data)
> solve(r)

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

Kriteria Uji dan Kesimpulan

Berdasarkan output R hasil koefisien korelasi diatas, terlihat bahwa terdapat

multikolinearitas pada data tingkat kepuasan hidup menurut enam jenis aspek pada tahun
2014. Hal ini disebabkan adanya variable X (aspek-aspek tingkat kepuasan hidup) yang
memiliki nilai korelasi lebih dari 5.
 Setelah melakukan uji asumsi dan semua asumsinya terpenuhi maka analisis faktor dapat dilanjutkan.

 Melakukan Standarisasi pada Data

Sebelum melakukan analisis factor, data perlu distandarisasi dengan cara mencari matriks
korelasi dari data diatas dan dicari nilai eigen dan vector eigen dari matriks korelasi datanya.
> ##melakukan standarisasi
> R = cor(data)
> R

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.

 Analisis Paralel dan Scree Plot

> ##analisis paralel
> library(nFactors)
> ap=parallel(subject=33,var=6,cent=.05)
> ap
$eigen
mevpea sevpea qevpea sqevpea
V1 1.6155489 0.17901992 1.3537827 0.03783027
V2 1.2859718 0.09598850 1.1536562 0.02028417
V3 1.0767225 0.07179157 0.9606670 0.01517091
V4 0.8781036 0.08284877 0.7364693 0.01750750
V5 0.6801279 0.10138709 0.4848368 0.02142499
V6 0.4635253 0.11764219 0.2636929 0.02486000

$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.

 Menentukan Banyak Faktor

> ##menentukan banyak faktor
> fit=factanal(data, factors=2, rotation="varimax")
> fit
Call:
factanal(x = data, factors = 2, rotation = "varimax")
Uniquenesses:
X1 X2 X3 X4 X5 X6
0.257 0.366 0.135 0.711 0.108 0.013

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

Test of the hypothesis that 2 factors are sufficient.

The chi square statistic is 11.39 on 4 degrees of freedom.
The p-value is 0.0225

> print(fit, digits=2, cutoff=.3, sort=TRUE) # Output analisis

faktor

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

Test of the hypothesis that 2 factors are sufficient.

The chi square statistic is 11.39 on 4 degrees of freedom.
The p-value is 0.0225
> load=fit$loadings # Menampilkan loading factor
> load
 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

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

 Analisis Faktor dengan software SPSS

Maka hasil analisis data diatas dengan menggunakan software SPSS adalah sebagai berikut:
 Uji Asumsi Normalitas Multivariat
 Pengujian Hipotesis:
H0 : Data tingkat kepuasan hidup menurut enam jenis aspek pada tahun 2014 berdistribusi
normal multivariat.
H1 : Data tingkat kepuasan hidup menurut enam jenis aspek pada tahun 2014 tidak
berdistribusi normal multivariat.
Taraf Signifikansi: α = 5%
Statistik Uji
Kolmogorov-Smirnov dan Shapiro-Wilk
Dengan menggunakan software SPSS, dilakukan pengujian normalitas multivariat terhadap
data di atas dan hasilnya adalah sebagai berikut:

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

X1 .092 33 .200* .989 33 .979

X2 .074 33 .200* .986 33 .945
X3 .074 33 .200* .943 33 .083
X4 .093 33 .200* .986 33 .945
X5 .128 33 .189 .970 33 .472
X6 .116 33 .200* .962 33 .295

*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction

Kriteria Uji dan Kesimpulan:

Tolak H0 jika p-value lebih kecil dari alpha (α).
Berdasarkan hasil uji diatas didapat p-value dari keenam variabel lebih besar dari α = 5%,
maka H0 diterima (non signifikan). Sehingga dengan tingkat kepercayaan 95% dapat diduga
bahwa data tingkat kepuasan hidup menurut enam jenis aspek pada tahun 2014 berdistribusi
normal multivariat.

Setelah uji asumsi diatas dilakukan maka analisis faktor dapat dilanjutkan.

 Uji Determinant of Correlation Matrix

Asumsi Analisis Faktor yang pertama adalah: Uji Determinant of Correlation
Matrix. Matrik korelasi dikatakan antar variabel saling terkait apabila determinan bernilai
mendekati nilai 0.
Dengan menggunakan software SPSS, dilakukan Uji Determinant of Correlation Matrix
terhadap data di atas dan hasilnya adalah sebagai berikut:
 Correlation Matrixa

X1 X2 X3 X4 X5 X6

X1 1.000 .679 .247 .397 .700 .858

X2 .679 1.000 .361 .197 .786 .775

X3 .247 .361 1.000 .514 .603 .337

Correlation
X4 .397 .197 .514 1.000 .383 .265

X5 .700 .786 .603 .383 1.000 .869

X6 .858 .775 .337 .265 .869 1.000

X1 .000 .083 .011 .000 .000

X2 .000 .019 .136 .000 .000

X3 .083 .019 .001 .000 .028

Sig. (1-tailed)
X4 .011 .136 .001 .014 .068

X5 .000 .000 .000 .014 .000

X6 .000 .000 .028 .068 .000

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.

 Pengujian seluruh matriks korelasi (korelasi antar variabel)

Diukur dengan besaran Bartlett Test of Sphericity atau Measure Sampling Adequacy
(MSA). Pengujian ini mengharuskan adanya korelasi yang signifikan di antara paling sedikit
beberapa variabel.
- Kaiser Meyer Olkin Measure of Sampling
Asumsi Analisis Faktor yang kedua adalah: Kaiser Meyer Olkin Measure of Sampling
(KMO) adalah indeks perbandingan jarak antara koefisien korelasi dengan koefisien
korelasi parsialnya. Jika jumlah kuadrat koefisen korelasi parsial di antara seluruh
pasangan variabel bernilai kecil jika dibandingkan dengan jumlah kuadrat koefisien
korelasi, maka akan menghasilkan nilai KMO mendekati 1. Nilai KMO dianggap
mencukupi jika lebih dari 0,5. Hasil penelitian menunjukkan bahwa nilai Kaiser Meyer
Olkin Measure of Sampling sebesar 0,580. Dengan demikian persyaratan KMO
memenuhi persyaratan karena memiliki nilai di atas 0,5.
 - Bartlett Test of Sphericity
Asumsi Analisis Faktor yang pertama adalah: Bartlett Test of Sphericity.
Dengan menggunakan software SPSS, dilakukan Bartlett Test of Sphericity terhadap
data di atas dan hasilnya adalah sebagai berikut:

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .712

Approx. Chi-Square 150.006

Bartlett's Test of Sphericity df 15

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%).

- Measures of Sampling Adequacy (MSA)

Dengan menggunakan software SPSS, dilakukan Measures of Sampling Adequacy (MSA)
terhadap data di atas dan hasilnya adalah sebagai berikut:

Anti-image Matrices

X1 X2 X3 X4 X5 X6

X1 .197 -.050 .035 -.155 .037 -.094

X2 -.050 .326 .011 .082 -.071 -.005

X3 .035 .011 .422 -.177 -.119 .046

Anti-image Covariance
X4 -.155 .082 -.177 .562 -.040 .063

X5 .037 -.071 -.119 -.040 .113 -.071

X6 -.094 -.005 .046 .063 -.071 .096

X1 .706a -.197 .122 -.465 .245 -.681

X2 -.197 .895a .030 .193 -.373 -.030

X3 .122 .030 .651a -.365 -.545 .231

Anti-image Correlation
X4 -.465 .193 -.365 .582a -.158 .273

X5 .245 -.373 -.545 -.158 .705a -.687

X6 -.681 -.030 .231 .273 -.687 .681a

a. Measures of Sampling Adequacy(MSA)

 Nilai MSA pada tabel diatas ditunjukkan pada baris Anti Image
Correlation dengan tanda “a”. Dari hasil diatas, didapat:
 Nilai MSA dari X1 = 0.706 lebih besar dari 0.5
 Nilai MSA dari X2 = 0.895 lebih besar dari 0.5
 Nilai MSA dari X3 = 0.651 lebih besar dari 0.5
 Nilai MSA dari X4 = 0.582 lebih besar dari 0.5
 Nilai MSA dari X5 = 0.705 lebih besar dari 0.5, dan
 Nilai MSA dari X6 = 0.681 lebih besar dari 0.5
Dari 6 variabel tersebut, semua memenuhi syarat MSA. Sehingga dapat
digunakan untuk pengujian selanjutnya.

 Kesimpulan Asumsi Analisis Faktor

Communalities

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

Extraction Method: Principal

Component Analysis.

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.

Total Variance Explained

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

Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %

1 3.775 62.920 62.920 3.775 62.920 62.920 3.215 53.575 53.575

2 1.132 18.864 81.784 1.132 18.864 81.784 1.693 28.208 81.784
3 .623 10.379 92.163
4 .258 4.296 96.458
5 .159 2.649 99.107
6 .054 .893 100.000

Extraction Method: Principal Component Analysis.

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

Extraction Method: Principal

Component Analysis.
a. 2 components extracted.

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.

 Rotate Component Matrix

Secara jelasnya dapat anda lihat pada tabel Rotated Component Matrix di bawah ini
untuk menentukan variabel mana akan masuk faktor yang mana.
Rotated Component Matrixa

Component

1 2

X6 .951 .153
X2 .883 .132
X1 .865 .183
X5 .842 .419
X4 .130 .855
X3 .233 .843

Extraction Method: Principal

Component Analysis.
Rotation Method: Varimax with
Kaiser Normalization.
 a. Rotation converged in 3
iterations.

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 Transformation Matrix

Langkah terakhir untuk penentuan faktor adalah melihat tabel Componet Transformation
Matrix.

Component Transformation Matrix

Component 1 2

1 .888 .461
2 -.461 .888

Extraction Method: Principal

Component Analysis.
Rotation Method: Varimax with Kaiser
Normalization.

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

Interpretasi Scree Plot :

Scree Plot merupakan salah satu alternatif yang dapat digunakan untuk menentukan
jumlah faktor yang terbentuk yang dapat mewakili faktor yang lain. Caranya yaitu
dengan melihat nilai titik component yang memiliki nilai eigen value > 1. Berdasarkan
scree plot diatas, terdapat 2 titik component yang memiliki nilai eigenvalue > 1 .
Sehingga dapat disimpulkan bahwa terdapat 2 faktor saja yang dapat terbentuk.
Interpretasi Component Plot in Rotate Space :
Melalui rotasi distribusi variabel menjadi jelas dan nyata, faktor loading yang besar
akan semakin diperbesar nilainya dan begitupu sebaliknya, dibanding dengan sebelum
dilakukan rotasi. Dihasilkan 2 rotasi komponen matriks sesuai dengan jumlah faktor
yang didapat, yaitu distribusi variabel ke dalam faktor dengan adanya proses rotasi.
Berdasarkan plot rotation diatas, dapat terlihat bahwa letak keenam item membentuk 2
buah faktor. Sehingga, dari 6 variabel yang dioobservasi, akan menghasilkan 2 faktor
yaitu :
o Faktor 1 : Variabel X1 (Kesehatan), variabel X2 (Pendidikan), variabel X5
(Pekerjaan) dan variabel X6 (Pendapatan Rumah Tangga).
o Faktor 2 : Variabel X3 (Hubungan Sosial), dan variabel X4 (Keadaan
Lingkungan).
 REFERENSI
https://www.bps.go.id/subject/34/politik-dan-
keamanan.html#subjekViewTab2
https://www.bps.go.id/dynamictable/2017/05/04/1242/indeks-
demokrasi-indonesia-idi-menurut-aspek-dan-provinsi-2009-2016.html
Modul/PPT Analisis Multivariate (Ibu Titi Purwandari)
Modul Analisis Multivariate (Pak Bertho)