S PMTK 055800 Chapter3
S PMTK 055800 Chapter3
ANALISIS FAKTOR
berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
sebagai kombinasi linear sejumlah faktor umum atau common factor ditambahkan
dengan faktor khusus atau specific factor, sedemikian hingga sejumlah faktor umum
oleh variabel asal. Analisis faktor merupakan sebuah teknik interdependensi yang
yang disebut dengan faktor umum atau variabel laten ( Jhonson, 1956). Proses
yang saling independen satu dengan yang lain sehingga bisa dibuat satu atau
beberapa kumpulan variabel yang lebih sedikit dari jumlah variabel awalnya
(Santoso, 2003).
35
36
Secara umum terdapat dua tujuan dalam teknik analisis faktor yaitu :
variabel awal menjadi sebuah set faktor yang hanya terdiri dari beberapa faktor
saja.
Dalam sebuah penelitian, analisis faktor dapat dipakai sebagai alat eksplorasi
data atau konfirmasi struktur data. Sebagai alat eksplorasi melalui analisis faktor akan
diperoleh struktur variabel atau reduksi data, dengan kata lain melakukan peringkasan
melihat interdependensi beberapa variabel yang dapat dijadikan satu yang disebut
lanjut yang kemudian disebut dengan faktor. Berbeda dengan ekplorasi, dalam
atau banyaknya faktor yang diharapkan. Dalam hal ini peneliti memakai analisis
faktor untuk menilai sampai sejauh mana data mencerminkan struktur yang
diharapkan.
ditulis sebagai:
dengan m = jumlah faktor umum. Dalam notasi matriks, persamaan (3.2.1) dapat juga
ditulis dengan:
1 1
l11 L l1m F1 ε1
l12 l13
2 2
F
ε2
L
− =
l21 l22 l23 l2 m
2
3 3
⋮ ⋮
l31 l32 l33 L l3m F3 + ε 3
atau
Idealnya, m < p, jika tidak, maka akan sulit untuk membuat deskripsi
Keterangan:
Bukti:
• Dari asumsi di atas diperoleh bahwa / , 0 saling bebas, Cov (/ , 0) = 0,
Misal # = ; <, #6 = =1, 2 , …, > ?.
⋮
@AB '( ) = 5 C( – 5'( )E = 1
= 5 '( ) − C5'( )E = 1, karena 5'( ) = 0
= 5 '( ) − (0) = 1
= 5 '( ) = 1.
39
⋯
234 (F) = 234 ': , ( ) = 234 ; <
⋮ ⋱ ⋮
⋯
K ⋯ N
M
= 234 J
J ⋮ ⋱ ⋮ M
I ⋯ L
1 0 0
⋯
= O0 1 0P = 7
898 .
⋮ ⋱ ⋮
0 0 ⋯ 1
• 5(#, #6 ) = 7898 .
K N
J = M
5(#, # ) = 5 J; < , , …, ?M
6
⋮
J M
I L
⋯ K ⋯ N
M
< = 5 J
=5 ;
⋮ ⋱ ⋮ J ⋮ ⋱ ⋮ M
⋯ I ⋯ L
1 0 0
⋯
= O0 1 0P = 7
⋮ ⋱ ⋮ .
0 0 ⋯ 1
5(#, #6 ) = 7898 . ∎
40
S 0 0
⋯
0 S 0
untuk T ≠ 0 maka diperoleh 234 ($) = 5($$6 ) = U898 = ; ⋮ ⋱ ⋮ <
0 0 ⋯ S
Bukti:
Misal $ = ; ⋮ <, $6 = W1 , 2 , …, X.
= 5 (: ) − (0) = S
= 5 (: ) = S.
⋯
234 ($) = 234 (: , V ) = 234 ; ⋮ ⋱ ⋮ <
⋯
K ⋯ N
= 234 J M
J ⋮ ⋱ ⋮ M
I
⋯ L
41
S 0 0
⋯
0 S 0
= ; ⋮ ⋱ ⋮ < = ØY9Y .
0 0 ⋯ S
• 5($, $6 ) = ØY9Y
K N
J M
5($, $ ) = 5 J; ⋮ < W , , …, XM
6
J M
I L
⋯ K ⋯ N
J
=5 ; < = 5
M
⋮ ⋱ ⋮ J ⋮ ⋱ ⋮ M
⋯
I
⋯ L
S 0 0
⋯
0 S 0
= ; ⋮ ⋱ ⋮ < = ØY9Y .
0 0 ⋯ S
5($, $6 )=Ψ\ . ∎
3. #>\1 dan $\1 saling bebas, sehingga 234 ($, #) = 5($, #6 ) = 0\> .
Bukti:
K N
J; < = M
5($, # ) = 5 J ⋮ , , …, ?M
6
J M
•
I L
⋯
=5 ; ⋮ ⋱ ⋮ <.
⋯
42
0 0 0
⋯
= O0 0 0P = ]
Y98 .
⋮ ⋱ ⋮
0 0 ⋯ 0
1 >
K 1 1 1 2
⋯ N
2 > M
234 ($, #) = 234 J 2 1 2 2
J ⋮ ⋱ ⋮ M
I 1 2 ⋯ > L
0 0 0
⋯
= O0 0 0P = ]
Y98 .
⋮ ⋱ ⋮
0 0 ⋯ 0
Sehingga untuk F dan $ yang saling bebas diperoleh 234 ($, #) = 5($, #6 ) =
]Y98 . ∎
Dari asumsi tersebut diperoleh bahwa faktor-faktor umum saling bebas. Ini
merupakan ciri dari model faktor ortogonal. Sehingga model pada persamaan (3.2.2)
= 5 ("##6 "6 ) + 0 + 0 + U
= "7"6 + U
= ""6 + U. (3.2.3)
234 ( , #) = 5 ( − ) #_
= 5(("# + $ )(#)_ )
= 5 ("# #_ + $ #6 )
= "7 + 0 = "7
="
44
= T/
setiap variabel random Xi yang dikontribusikan terhadap faktor umum Fj. Jumlah
kuadrat dari loading variabel random ke-i pada m faktor umum merupakan
komunalitas ke-i. Variansi dari sebuah variabel random ke-i merupakan gabungan
dari variansi yang dikontribusikan oleh m faktor umum yang disebut dengan
komunalitas ke-i yang dinotasikan dengan hi2 dengan variansi yang dikontribusikan
oleh faktor khusus yang disebut dengan uniqness atau variansi khusus yang
dinotasikan dengan ST . Variansi dari variabel random ke-i dinotasikan dengan b:: .
b:: = (:
+ :
+ … + :
) + S: .
Atau:
Jadi:
`B'Ó) = g b::
:h
sangat besar yang mengakibatkan penentuan faktor loading yang kurang tepat, maka
membentuk variabel:
T − T T − T
iT = = d[`d0 el`TA T = 1, 2, … , .
jbTT kb2T
−
K N
J √b M
J − M
m = J √b M.
J ⋮ M
J − M
J
M
I jb L
− − _
Ó = 5 op qp qr
√b √b
46
−
K N
J √b M
J − M − − −
t
= 5 J √b M s …t r
J M √ b √ b j b
⋮
J − M
J
M
I jb L
− −
K − . − − . − . N
J √b √b √b √b √b jb M
J − − − − ⋯
− − M
J . . . M
= 5 J √b √b √b √b √b jb M
J ⋮ ⋱ ⋮ M
J − − − − − − M
J . .
⋯ . M
b
I j √ b b
j b
√ jb jb L
σ ik
Dari bab II pada persamaan (2.5.4) diketahui bahwa ρik =
σ ii σ kk
1 w w
⋯ w
w 1
v = ; <.
⋮ ⋱ ⋮
w w ⋯ 1
47
Jika variabel random yang dibakukan digunakan pada model faktor maka model
faktornya menjadi:
v = ""6 + U
23BB( , #) = ".
varians kovarians ke bentuk ""6 + U, pada saat m (jumlah faktor umum) kurang dari
p (banyaknya variabel yang teramati). Untuk mengatasi hal tersebut, misalkan ada
dengan
sehingga
5 (#∗ ) = 5 (x6 #)
= x6 5(#) = 0
dan
= x6 234 (#) x = 7.
48
Faktor # dan #∗ memiliki sifat statistik yang sama, sehingga untuk matriks varians
faktor, salah satu langkah kerja yang dilakukan adalah menetapkan faktor umum m.
Hal ini sangat penting untuk menghasilkan model faktor yang tepat untuk data yang
dianalisis. Dalam penentuan jumlah faktor umum m, terdapat empat kriteria yang
1. Jumlah faktor umum m sama dengan jumlah faktor yang dibutuhkan pada
2. Jumlah faktor umum m sama dengan banyak nilai eigen yang lebih besar dari
Scree Plot didasarkan pada plot nilai eigen dari matriks R atau S. Jika grafiknya
turun secara tajam yang diikuti dengan garis lurus dengan beberapa lereng
kecil, maka dapat dipilih faktor umum sebanyak m sebelum garis lurus.
49
bahwa m faktor umum yang dipillih adalah jumlah yang tepat untuk model.
|0 ∶ Ó = ""6 + U.
|1 ∶ Ó ≠ ""6 + U.
Untuk kriteria ini, digunakan khusus pada analisis faktor dengan metode
dapat dilakukan pengujian model yang sesuai. Metode yang digunakan dalam
pengujian ini adalah Metode Uji Rasio Likelihood. Misalkan pada hipotesis yang
Hipotesis:
|0 ∶ Ó = ~ ~ 6
+ U .
(Y9Y) (Y98)(89Y) (\)
|1 ∶ Ó ≠ ~ ~ 6
+ U .
(Y9Y) (Y98)(89Y) (\)
Statistik Uji:
µ,Σ
1
1
e
(2π)
⁄
⁄
Ó
=
1
1
e
(2π)
⁄ | |
⁄
50
⁄
Ó
=
| |
⁄
Ó
n
Λ−2 =
| |n
Ó
−2 ln Λ = [ ln .
| |
pada distribusi sampel pada persamaan di atas dengan mengganti nilai n dengan
Derajat bebasnya:
1
= ( − >) − − >.
2
Kriteria pengujian:
signifikansi jika:
Ó
[ − 1 − (2 + 4> + 5)/6 ln > χ(2−
| | 0 ); α
""6 + U
[ − 1 − (2 + 4> + 5)/6 ln > χ2(− 0); α
|n |
51
analisis faktor, yaitu varians spesifik ( Ψ ( pxp ) ) , komunalitas (h ) , dan matriks faktor
( )
loading L( pxm) . Matriks varians kovarians dari sampel yaitu S yang merupakan
estimator (penduga) bagi matriks varians kovarians populasi yang tidak diketahui
yaitu Ó. Komponen utama analisis faktor pada matriks varians kovarians populasi Ó
memiliki pasangan nilai eigen dan vektor eigen (λi , ei ) dimana λ1 ≥ λ2 ≥ ... ≥ λ p ≥ 0 .
, substitusikan Ó dengan S
S, dan matriks korelasi R. Untuk mengestimasi nilai "
Perhatikan bahwa:
Ó = ""6 + U
≅ "¢"6 + U
.
menjadi:
≅ "¢"6 . (3.4.1)
52
£ = ^ Ë ^6 (3.4.2)
vektor eigen yang telah dibakukan (matriks ortonormal) dari matriks S dan
{ 0 0
⋯
0 { 0
Ë=; <
⋮ ⋱ ⋮
0 0 ⋯ {
(3.4.3)
dengan λ1, λ2,... λp adalah nilai eigen untuk matriks S dimana λ1 ≥ λ2 ≥ ... ≥ λp ≥ 0.
Ë= Ë
¤/¥ ¤/¥
Ë (3.4.4)
dengan:
Kjλ1 0 ⋯ 0N
J0 jλ2 0M
= J ⋮
¤/¥
M
Ë
J ⋱ ⋮M
(3.4.5)
J 0 0 ⋯ kλ M
I L
Sehingga:
£ = ^ Ë ^6
¤ ¤
= ^ Ë¥ Ë ¥ ^ 6
¤ ¤
= (^ Ë ) (¦ Ë )6 .
¥ ¥ (3.4.6)
53
= (^ ˥ )
¤
" (3.4.7)
¤/¥
di mana Ë merupakan matriks yang entri-entrinya merupakan nilai eigen terbesar
berdimensi pxm dengan m<p. Karena itulah diambil ˤ yang memuat m nilai eigen
sebagai
§¤ , §¥ , §¨ , … , §8 yang bersesuaian ˤ . Maka dapat diperoleh nilai dari "
berikut:
1
= ¦¤ Λ1 2
"
Y98 Y98 898
atau
= =® R¤ , ® R¥ , … , ® R8 ? i = 1, 2, …,p.
dengan "
R disebut sebagai solusi komponen utama. Pada analisis faktor, komponen utama
pada matriks varians kovarians sampel S merupakan pasangan nilai eigen dan vektor
¯ , ª
eigen ({ °), ¯ °),…,
¤ ({ , ª ¥ ({¯ , ª
°)
± dengan λ1 ≥ λ2 ≥ ... ≥ λp. jika m< p merupakan
banyaknya faktor umum yang terbentuk dari p komponen atau variabel yang diamati,
Estimasi dari varians khusus yang diperoleh dari elemen diagonal matriks − "¢"6 ,
yaitu:
¯
KS1 0 ⋯ 0N
¯
= J0 S1 0M
U J M
J ⋮ ⋱ ⋮ M
I 0 0 ¯L
⋯ S1
>
¯ = eTT − g T/ .
S
2
(3.4.8)
1
/=1
Sedangkan untuk varians khusus yang diperoleh dari elemen diagonal matriks
³ − "¢"6 , yaitu:
>
¯ = 1 − g T/ 2 .
S (3.4.9)
1
/=1
55
T 2 = ¯
ℎ ¯2 ¯2
T1 + T2 + … + T>
2
= g µ¶ (3.4.10)
(h
sampel variabel seharusnya cukup besar. Kontribusi faktor umum pertama terhadap
terhadap varians total `B(£) = e:: + e:: + ⋯ + e didefinisikan sebagai berikut:
2
¯ ¯ ¯ ¯ ¯
11 + 21 + … + 1 = g T1 = ·kλ1 ª̧¹¤ º
2 2 2 2
T=1
= λ ∑:h(ª»¹¤) = λ
dengan ª̧¤ adalah vektor eigen satuan yang memiliki panjang satu. Sehingga secara
umum kontribusi dari faktor umum ke-j terhadap varians total adalah:
2
T/ + ¯ ¯ ¯
2/ + … + / = g T/ = g(kλ1 ª̧¹¼ )
2 2 2 2
T=1 T=1
= λ¶ g(ª»¹¼ )
:h
= λ¶ (3.4.11)
56
Secara umum, proporsi dari varians sampel total yang berasal dari faktor
λˆ j
umum ke-j adalah : untuk analisis faktor pada S
s11 + s22 + ... + s pp
λˆ j
untuk analisi faktor pada R (3.4.12)
p
banyaknya faktor umum. Dengan menggunakan program komputer kita juga dapat
menentukan banyaknya faktor umum berdasarkan pada banyaknya nilai eigen dari
matriks korelasi R atau dari matriks varians kovarians S yang lebih dari rata-rata nilai
eigen. Setelah seluruh nilai taksiran parameter didapatkan kemudian dihitung matriks
sisa. Matriks sisa didefinisikan sebagai selisih dari korelasi sampel R atau dari
Matriks sisa = R − LL
ˆ ˆt + Ψ
ˆ atau S − LL
ˆ ˆt + Ψ
ˆ
merupakan solusi yang tepat, perlu dilakukan pengecekan dengan menghitung nilai
RMSR (Root Mean Square Residual) dari matriks sisa yang didapat. RMSR
didefinisikan sebagai:
p p
∑∑ res
i =1 j = i
2
ij
RMSR =
p ( p − 1) / 2 (3.4.13)
57
dimana:
BleT/ = elemen-elemen matriks sisa selain elemen diagonal utama pada variabel ke-i
Semakin kecil nilai RMSR yang diperoleh maka semakin baik model faktor yang
diperoleh.
multivariat, maka penaksiran maksimum likelihood dari faktor loading dan variansi
spesifik dapat diperoleh. Misalkan X adalah vektor random yang teramati dengan
X j − µ j = LF j + ε j
(3.4.14)
dengan j = 1, 2, 3, ...,n.
58
np n 1 n
exp − tr Σ −1 ∑ ( x j − x )( x j − x ) + n( x − µ )( x − µ )t
− − t
L( µ , Σ) = (2π ) 2
|Σ| 2
2 j =1
( n −1) p ( n −1) 1 n t
exp − tr Σ −1 ∑ ( x j − x )( x j − x )
− −
= (2π ) 2
|Σ| 2
2 j =1
−
p
−
1
1
× (2π ) |Σ| 2 exp − ( x − µ ) Σ −1 ( x − µ )
2 2 t
2 (3.4.15)
Teorema 3.4.1
(3.4.15) terhadap matriks diagonal "6 U−¤ " = ∆. Dengan demikian diperoleh
∧ 2 ∧2 ∧2 ∧2
h i
= l i1 + l i 2 + L + l im untuk i=1,2,...,p (3.4.16)
( j) lˆ ij 2 + lˆ 2 j 2 + ... + lˆ pj 2
ξ =
s11 + s22 + ... + s pp
Bukti:
fungsi L dan Ψ mempunyai penaksir dengan fungsi yang sama yaitu Lˆ dan Ψ
ˆ . Sama
59
2 2 2 2
halnya dengan komunalitas h i = l i1 + l i 2 + L + l im mempunyai penaksir maksimum
∎
∧ 2 ∧2 ∧2 ∧2
likelihood h i = l i1 + l i 2 + L + l im .
T − T T − T
uT = = , untuk setiap T = 1, 2, … ,
jbTT jb T 2
σ 11 0 L 0
1 0 σ 22 L 0
V 2
= .
M M O M
0 0 L σ pp
kovarians
dan matriks korelasi v diterapkan pada teorema berikut:
Teorema 3.4.2
Bukti:
Ť⁄¥ v Ť⁄¥ =
7 v 7 = Ť⁄¥
Å−¤⁄¥
v = Ť⁄¥
Å−¤⁄¥
σ 11 0 L 0
Jadi
= Ť⁄¥v Ť⁄¥
0 σ L 0
dengan V = V = 22 .
M M O M
0 0 L σ pp
Jadi
dapat dihitung dari v dan Ť⁄¥ , sedangkan v dapat dihitung dari
. ∎
Akibat:
Bukti:
v = Ť⁄¥
Å−¤⁄¥ dan
= ~ ~Ç + U
maka
Å−¤⁄¥
Å−¤⁄¥ = Å−¤⁄¥ '~ ~Ç + U) Å−¤⁄¥
atau :
Ȩ̈ = ¯
~È ¯ È.
~È + U
Ç
iii. Proporsi faktor ke-j terhadap variansi sampel total standarisasi adalah:
sebagai selisih dari korelasi sampel R dengan nilai-nilai taksiran yang diperoleh.
® ~
Matriks sisa = ³ − (~ ®Ç + U
) atau − '~
® ~
®Ç + U
). (3.4.19)
Dari matriks sisa yang diperoleh. Kemudian dapat dihitung nilai RMSR (Root
Mean Square Residual) untuk mengetahui seberapa tepat metode yang digunakan
RMSR untuk metode maksimum likelihood dapat dihitung dengan cara yang sama
kasus menginterprestasikan hasil analisis data sulit dilakukan karena nilai loadingnya
suatu transformasi ortogonal untuk faktor loading sehingga diperoleh struktur faktor
yang sederhana. Alasan utama dilakukan rotasi adalah untuk mendapatkan solusi
faktor yang lebih sederhana dan secara teoritis lebih berarti dan menyederhanakan
struktur dengan mentransformasi faktor untuk mendapatkan faktor baru yang lebih
Dalam matriks faktor, kolom-kolom menyatakan faktor dan tiap barisnya menyatakan
agar terdapat banyak muatan mendekati nol (memaksimumkan muatan suatu variabel
ke dalam sebuah faktor). Dengan penyederhanaan kolom akan diperoleh banyak nilai
Jika L̂ adalah penaksir faktor loading yang diperoleh dengan metode komponen
utama, maka
~∗ = ~Ì
63
ÌÌ Ç = Ì Ç Ì = Í
akibatnya taksiran nilai dari matriks varians kovarians atau matriks korelasi adalah
sebagai berikut:
® ~
= ~ ®Ç + U
® ÌÌ Ç ~Ç + U
= ~
.
= ~∗ (~∗ )6 + U
Jika nilai loading awal tidak dapat dengan mudah diinterprestasikan maka
harus dilakukan rotasi sampai strukturnya sederhana. Secara idealnya pada suatu
faktor, beberapa variabel harus mempunyai loading yang relatif besar dan nilai kecil
pada variabel lainnya. Dalam rotasi faktor terdapat beberapa macam perotasian yaitu
rotasi varimax, quartimax, equamax, promax, dll. Dalam tugas akhir ini digunakan
perotasian varimax. Rotasi ini bertujuan mencari nilai loading yang memaksimumkan
.
variansi dari kuadrat loading pada setiap kolom dari matriks ~
faktor tetap tegak lurus. Dengan bantuan software SPPS ver.16 hasil perotasian akan
ditampilkan pada matriks faktor loading terotasi yang secara umum sudah lebih
mudah diinterpretasikan.