ANALISIS FAKTOR
Dosen Pengampu:
Disusun Oleh:
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2017
DAFTAR ISI
HALAMAN JUDUL
DAFTAR ISI..........................................................................................................ii
BAB I PENDAHULUAN.......................................................................................1
1.1 Latar Belakang...............................................................................................1
1.2 Rumusan Masalah..........................................................................................1
1.3 Tujuan Penelitian...........................................................................................1
BAB II KAJIAN PUSTAKA.................................................................................2
2.1 Analisis Faktor...............................................................................................2
2.2 Uji KMO........................................................................................................6
2.3 Uji Bartlet.......................................................................................................7
2.4 Merumuskan Masalah Analisis Faktor..........................................................8
2.5 Proses Analisis Faktor....................................................................................8
2.6 Asumsi pada Analisis Faktor.........................................................................8
2.7 Data Analisis Faktor.......................................................................................9
BAB III METODE PENELITIAN.....................................................................11
3.1 Langkah-langkah Pengujian.........................................................................11
BAB IV PEMBAHASAN.....................................................................................15
4.1 Interpretasi Hasil Output..............................................................................15
DAFTAR PUSTAKA...........................................................................................25
ii
BAB I
PENDAHULUAN
1
BAB II
KAJIAN PUSTAKA
linear dari faktor yang mendasari. Demikian halnya, faktor-faktor itu sendiri dapat
menyumbang terbesar terhadap seluruh varian dari seluruh variabel asli, faktor
ketiga, dan begitu seterusnya sehingga proses pencarian faktor dihentikan setelah
sumbangan terhadap seluruh varian variabel dari faktor yang sudah berhasil
diekstrasi sudah mencapai 60% atau lebih. Sebagai tambaan, dimungkinkan untuk
menggunakan skala interval dan rasio sebagai data metriks. Analisis faktor
didasarkan pada suatu matrix korelasi antar variabel asli. Ketepatan atau
kecocokan matrix korelasi untuk analisis faktor dapat diuji secara statistik
(statistically tested).
2
3
dimensi data dengan cara menyatakan variabel asal sebagai kombinasi linear
...
atau
[ X1 ¿ ] [ X 2 ¿ ] [ X3 ¿] [. ..¿ ] ¿ ¿¿
¿
(p x 1) (p x m) (m x1)
dan
cij adalah bobot (loading) dari variabel asal ke-i pada faktor ke-j
4
Hubungan antara varians variabel asal dengan, varians faktor dan varians
var(Xi)= varians yang dijelaskan oleh faktor untuk variabel asal ke-i +
var(error)
2
= h i + ψi
2 2 2 2
= (c i1 + ci 2 +c i3 + .. .+c im )+ψ i
komponen utama terbagi menjadi dua metode yaitu non-iteratif dan iteratif. Nilai
a ji √ λ j
c ij=
sx c ij=a ji √ λ j
i atau untuk variabel asal yang dibakukan
dan
c uj adalah bobot (loading) dari variabel asal ke-i pada faktor ke-j
sx
i adalah simpangan baku (standard of deviation) variabel asal ke-j
5
1. Mulai
2
2. Tentukan nilai awal communality untuk seluruh variabel asal ( hi ,
2
i=1,...,p), 0≤hi ≤1
2 2
3. Ganti nilai diagonal matriks korelasi dengan nilai hi ( r ii=hi )
7. Jika nilai communality pada dua iterasi terakhir dianggap sama maka
pergi ke 9
8. Pergi ke 3
9. Selesai
setiap variabel asal hanya dominan di salah satu faktor saja (Nilai harga mutlak
bobot variabel asal mendekati 1 di salah satu faktor dan mendekati o untuk faktor
lainnya). Harapan ini kadang-kadang tidak dapat dipenuhi, untuk mengatasi hal
ini diperlukan rotasi dari matriks bobot C. Beberapa macam teknik rotasi yang
2 2
[ { ( ) (∑ ) }]
m p p
1 cij γ c ij
max ∑ ∑ −
p j=1 i=1 hi p i=1 hi
Rotasi
0 Quartimax
1 Varimax
m/2 Equamax
p( m−1) Parsimax
p+m−2
Matriks bobot hasil rotasi (C*) dapat dinyatakan sebagai C*=CT, T adalah
matriks transformasi.
Uji KMO bertujuan untuk mengetahui apakah semua data yang telah terambil
telah cukup untuk difaktorkan. Hipotesis dari KMO adalah sebagai berikut :
Hipotesis
Statistik uji :
p p
∑ ∑ r 2ij
i=1 j=1
p p p p
2
∑∑ r ij +∑ ∑ a2ij
KMO = i=1 j =1 i=1 j=1
(4)
7
Apabila nilai KMO lebih besar dari 0,5 maka terima Ho sehingga dapat
2
r= ∑∑ r
p( p−1 ) i<k ik
(5)
( p−1 )2 [ 1−(1−r )2 ]
γ^ =
p−( p−2)(1−r )2
Dengan :
rk = rata-rata elemen diagonal pada kolom atau baris ke k dari matrik R
(matrik korelasi)
r = rata-rata keseluruhan dari elemen diagonal
Daerah penolakan :
tolak H0 jika
p
( n−1)
T=
( 1−r ) 2 [ i <k
2
k =1 ]
∑ ∑ ( r ik −r ) − γ^ ∑ ( r k −r )2 > χ 2 ¿
(6)
8
Maka variabel-variabel saling berkorelasi hal ini berarti terdapat hubungan antar
variabel. Jika H0 ditolak maka analisis multivariat layak untuk digunakan terutama
1. Merumuskan masalah.
4. Melakukan rotasi.
5. Menginterpretasi faktor.
9
berikut:
Gudono (2011) menyatakan bahwa untuk melakukan analisis faktor ada dua
1. Error term e i mimiliki sifat yaitu independen satu dengan yang lainnya,
yang lainnya dan juga independen terhadap error term ( e i ). Selain itu
Apabila semua asumsi tersebut dipenuhi maka data layak untuk dianalisis
Berikut ini adalah data yang dipakai peneliti untuk dianalisis dengan
menggunakan analisis faktor dimana data ini merupakan hasil survei hipotesis
Respo Berit musi Kome Kui sinetro olg agam krimin kuline
n a film k di s n a a al r
1 2 3 2 3 2 2 2 2 1 2
2 3 2 3 2 3 2 2 3 1 1
3 2 2 3 3 3 1 2 1 2 3
4 2 2 2 2 2 2 1 2 3 1
5 2 3 2 2 1 3 1 2 2 1
6 2 2 3 3 1 2 2 2 2 2
7 2 2 1 2 2 3 2 3 1 2
8 3 3 2 2 2 2 2 1 2 2
9 2 2 3 3 3 2 2 2 3 1
10 2 2 3 3 3 1 3 1 3 2
11 2 2 1 2 2 2 2 1 2 3
12 2 3 2 2 2 3 3 2 2 2
13 2 2 3 3 3 1 2 2 3 2
14 2 3 2 2 2 3 1 2 2 1
15 2 2 3 3 1 2 2 1 3 2
16 2 2 1 1 2 3 2 3 1 2
17 2 2 3 3 3 1 2 1 2 1
18 2 3 2 2 2 2 2 1 2 2
19 2 2 3 3 3 2 2 2 3 1
20 3 3 2 2 2 2 2 3 1 2
21 2 2 2 2 1 2 1 2 2 1
22 2 2 2 2 1 2 1 2 2 1
23 2 2 3 3 3 2 2 2 2 1
24 3 2 1 3 2 3 2 3 1 2
25 3 2 1 1 1 3 2 2 3 2
26 2 2 2 2 2 2 2 2 1 2
27 2 2 3 3 3 2 2 2 2 2
28 3 2 1 1 2 3 2 3 1 2
29 2 2 2 2 1 3 1 2 2 1
30 2 2 3 3 1 2 2 2 2 2
31 2 2 2 2 2 2 1 2 3 1
32 2 2 3 3 3 1 3 1 3 2
33 2 2 1 1 2 2 2 1 2 2
34 2 3 2 2 2 3 3 2 2 2
35 2 2 3 3 3 2 2 3 1 3
36 2 2 3 3 3 1 2 2 3 2
37 2 3 2 2 2 3 1 2 2 1
38 2 2 3 3 1 2 2 1 3 2
39 2 2 1 2 1 3 2 2 3 2
40 3 2 2 2 2 2 2 2 1 2
METODE PENELITIAN
11
12
Masukkan data pada SPSS kemudian pilih menu Analyze pilih Dimension
Kemudian pilih descriptive pilih initial solution pilih KMO and Barlett’s
Setelah semua indikator mempunyai MSA ≥ 0,50 sehingga tidak ada lagi
indikator yang perlu dikeluarkan dalam analisis faktor dalam hal ini
pilih correlation matrix pilih unrotated factor solution dan scree plot. Pilih
Based on Eigenvalue.
14
Klik Rotation pilih varimax atau quartimax pilih Rotated solution lalu
PEMBAHASAN
Salah satu asumsi dari analisis faktor adalah variabel independen (bebas/
berikut:
Scatterplot of q vs dd
hipotesis:
Ho: data mengikuti sebaran distribusi
normalmultivariate
H1: data tidak mengikuti sebaran distribusi
normalmultivariate
hasil pengujian:
Data Display
t 65.0000
kesimpulan:
gagal tolak H0,
artinya data mengikuti sebaran distribusi
normalmultivariate
15
16
Plot data tersebut cenderung membentuk garis lurus seperti kurva linier
maka dari hasil output di atas sudah jelas data mengikuti sebaran distribusi normal
Output 1
Hipotesis:
Daerah kritis: terima H0 Jika KMO MSA > 0,5 atau P value < alfa
Keputusan: terima H0
Anti-image Matrices
berit musi sinetro agam krimin kuline
a film k komedi kuis n olga a al r
Anti- berita -.04 -.12
.713 .029 .093 .066 .081 -.133 .090 .039
image 8 4
Covarianc film -.08 -.00
-.048 .711 -.069 .018 -.174 .207 .177 .041
e 5 7
musik -.06 -.05
.029 .238 -.178 .012 .104 -.042 -.030 .125
9 6
komedi -.00 -.00
.093 .018 -.178 .321 .008 -.028 -.017 -.086
5 8
kuis -.08 -.20
.066 .012 -.005 .486 .176 -.152 .032 .108
5 6
sinetro -.17 -.08
.081 .104 .008 .176 .238 -.171 -.028 .089
n 4 5
olga -.00 -.20
-.124 -.056 -.008 -.085 .493 .074 -.060 -.286
7 6
agama -.15
-.133 .207 -.042 -.028 -.171 .074 .371 .206 .024
2
krimina -.06
.090 .177 -.030 -.017 .032 -.028 .206 .504 .150
l 0
kuliner -.28
.039 .041 .125 -.086 .108 .089 .024 .150 .483
6
Anti- berita -.06 -.21
.695a .071 .193 .112 .196 -.259 .150 .066
image 8 0
Correlatio film . -.14 -.01
n -.068 -.169 .038 -.422 .404 .296 .069
319a 4 2
musik -.16 -.16
.071 .661a -.646 .035 .438 -.141 -.086 .368
9 3
komedi -.01 -.02
.193 .038 -.646 .740a .030 -.080 -.041 -.218
2 1
kuis -.14 . -.42
.112 .035 -.012 .517 -.359 .064 .223
4 545a 1
sinetro -.42 -.24
.196 .438 .030 .517 .594a -.575 -.081 .263
n 2 8
olga -.01 -.42 .
-.210 -.163 -.021 -.248 .174 -.121 -.587
2 1 479a
agama -.35
-.259 .404 -.141 -.080 -.575 .174 .473a .477 .057
9
krimina -.12
.150 .296 -.086 -.041 .064 -.081 .477 .648a .303
l 1
kuliner -.58
.066 .069 .368 -.218 .223 .263 .057 .303 .368a
7
a. Measures of Sampling Adequacy(MSA)
Anti-Image Metrice menyediakan informasi bahwa indikator apa saja yang layak
untuk dimasukkan atau dikeluarkan dalam analisis faktor. Prosedurnya jika nilai
18
MSA ≥ 0,5 maka indikator tersebut layak untuk digunakan dalam analisis faktor.
Sebaliknya jika nilai MSA ≤ 0,5 maka indikator tersebut tidak layak untuk
digunakan dalam analisis faktor. Pada data tersebut indikator film = 0,319 ≤ 0,5
dan indikator kuliner = 0,368 ≤ 0,5 maka indikator film dan kuliner harus
Output 2
Hipotesis:
Daerah kritis: terima H0 Jika KMO MSA > 0,5 atau P value < alfa
Keputusan: terima H0
Anti-image Matrices
Correlation
musik .036 .741a -.627 -.089 .328 .080 -.101 -.173
komedi .218 -.627 .738a .048 .132 -.191 -.100 .012
kuis .089 -.089 .048 .607 a
.471 -.367 -.350 .046
sinetro
.172 .328 .132 .471 .697a -.116 -.526 -.050
n
olga -.210 .080 -.191 -.367 -.116 .516 a
.264 .066
agama -.257 -.101 -.100 -.350 -.526 .264 .541a
.419
kriminal .165 -.173 .012 .046 -.050 .066 .419 .762a
a. Measures of Sampling Adequacy(MSA)
Anti-Image Metrice menyediakan informasi bahwa indikator apa saja yang layak
untuk dimasukkan atau dikeluarkan dalam analisis faktor. Prosedurnya jika nilai
MSA ≥ 0,5 maka indikator tersebut layak untuk digunakan dalam analisis faktor.
Dalam tabel tersebut semua indikator memiliki nilai MSA ≥ 0,5 sehingga
indikator berita, musik, komedi, kuis, sinetron, olahraga, agama, dan kriminalitas
Output 3
Communalities
Initial Extraction
berita 1.000 .496
musik 1.000 .735
komedi 1.000 .677
Kuis 1.000 .691
sinetron 1.000 .728
Olga 1.000 .366
agama 1.000 .600
kriminal 1.000 .656
Extraction Method: Principal
Component Analysis.
Pada output diatas pada kolom extraction menunjukkan seberapa besar faktor
Indikator berita: 0,496 artinya sebesar 49,6% varian indikator berita dapat
Indikator musik: 0,735 artinya sebesar 73,5% varian indikator musik dapat
Indikator komedi: 0,677 artinya sebesar 67,7% varian indikator komedi dapat
Indikator kuis: 0,691 artinya sebesar 69,1% varian indikator kuis dapat dijelaskan
Indikator sinetron: 0,728 artinya sebesar 72,8% varian indikator sinetron dapat
Indikator olahraga: 0,366 artinya sebesar 36,6% varian indikator olahraga dapat
Indikator agama: 0,600 artinya sebesar 60% varian indikator agama apat
Indikator kriminal: 0,656 artinya sebesar 65,6% varian indikator kriminal apat
Output 4
Jika total eigen value ≥ 1 maka faktor tersebut dapat menjelaskan indikator
Jika total eigen value < 1 maka faktor tersebut tidak dapat menjelaskan indikator
Berdasarkan nilai total eigen value ≥ 1 maka akan dibentuk 2 faktor saja.
Pada kolom extraction sums of squares loadings kita bisa mengetahui seberapa
besar faktor yang terbentuk tersebut menjelaskan varian indikator yang ada. Jika
dari 8 indikator tersebut dijadikan satu faktor maka faktor tersebut mampu
dijadikan dua faktor maka kedua faktor tersebut mampu menjelaskan varian
indikator sebesar 61,880% dimana 41,949% dari faktor yang pertama dan
19,931% dari faktor yang kedua. Karena kita mempunyai dua faktor maka dua
faktor tersebut mampu menjelaskan 61,880% total varian dari 8 indikator yang
ada. Angka ini cukup besar karena mampu menjelaskan lebih dari 50% varian dari
Output 5
Pada output 5 merupakan visualisasi dari hasil initial eigen value data. Output ini
juga bisa digunakan untuk menentukan jumlah faktor yang terbentuk. Caranya
hamper sama. Pada scree plot terdapat 7 garis yang menghubungkan 8 titik. Dua
garis yang pertama mempunyai kemiringan yang hamper sama sehingga kita bisa
Output 6
Component Matrixa
Component
1 2
berita -.466 .528
musik .847 .132
komedi .809 .151
Kuis .538 .634
sinetron -.14
-.841
7
Olga .346 .497
Agama -.587 .506
Criminal -.59
.554
1
Extraction Method: Principal Component Analysis.
a. 2 components extracted.
pada faktor pertama atau faktor kedua. Pada analisis total variance explained dan
scree plot didapatkan 2 faktor dari 8 indikator sehingga pada component matrix
terdapat dua komponen. Angka yang ada merupakan besarnya factor loading yang
Indikator berita korelasi indikator berita dengan faktor yang pertama adalah
-0,466 dan dengan faktor yang kedua adalah 0,528. Dari nilai-nilai korelasi
tersebut masih banyak factor loading yang nilainya hampir sama antara faktor
pertama dan kedua sehingga kita akan kesulitan menentukan suatu indikator
Output 7
Component
1 2
Berita -.016 .704
Music -.44
.733
5
komedi -.40
.716
6
Kuis .820 .137
sinetron -.737 .430
Olga .585 .156
agama -.122 .765
kriminal -.80
.041
9
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.a
a. Rotation converged in 3 iterations.
Component 1 2
1 . -.64
764 5
2 . .
645 764
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Component
1 2
berita -.029 .704
musik -.43
.741
2
komedi -.39
.723
3
kuis .817 .153
sinetron -.745 .417
olga .582 .167
agama -.136 .763
kriminal .057 -.80
24
8
Extraction Method: Principal Component Analysis.
Rotation Method: Quartimax with Kaiser Normalization.a
a. Rotation converged in 3 iterations.
Component Transformation Matrix
Component 1 2
1 -.63
.776
1
2
.631 .776
Dari hasil rotasi baik varimax dan quartimax ini dapat disimpulkan bahwa dari 8
olahraga.
selanjutnya kita bisa memberi nama atau identitas atau label masing-masing faktor
Faktor pertama terdiri dari indikator musik, komedi, kuis, sinetron dan olahraga
bisa kita beri nama misalnya faktor HIBURAN. Sedangkan faktor kedua yang
terdiri dari berita, agama dan criminal bisa kita beri nama misalnya faktor NON
program acara baik berita, film, musik, komedi, kuis, sinetron, olahraga, agama,
indikator film dan kuliner terdapat 2 faktor yang mempengaruhi antara tidak
25
menarik, sedang dan sangat menariknya seseorang dalam melihat program acara
26