TUGAS 5 ANALISIS FAKTOR

NAMA : LALA DWI WULANDARI

KELAS : C

NIM : 2020041034295

1) Apa yang dimaksud pengujian Analisis Faktor?

2) Bagaimana langkah-langkah pengujian analisis faktor di SPSS?

3) Apa Perbedaan Analisis Faktor dan Analisis Regresi Berganda?

JAWABAN

1. Analisis faktor merupakan metode analisis multivariat yang didasarkan pada korelasi antar
variabel. Analisis faktor termasuk salah satu teknik statistika yang dapat digunakan untuk
memberikan deskripsi yang relatif sederhana melalui reduksi jumlah variabel yang disebut
faktor. Ada juga pengertiannya
Analisis faktor adalah sebuah teknik yang digunakan untuk mencari faktor-faktor yang mampu
menjelaskan hubungan atau korelasi antara berbagai indikator independen yang diobservasi.
Analisis faktor merupakan perluasan dari analisis komponen utama. Digunakan juga untuk
mengidentifikasi sejumlah faktor yang relatif kecil yang dapat digunakan untuk menjelaskan
sejumlah besar variabel yang saling berhubungan.
Analisis faktor dipergunakan untuk mereduksi data atau meringkas, dari variabel lama yang
banyak diubah menjadi sedikit variabel baru yang disebut faktor, dan masih memuat sebagian
besar informasi yang terkandung dalam variabel asli (Supranto, 2004).

Variabel latent atau variabel untuk data-data kualitatif harus melalui pengujian kelayakan
dan keabsahan terlebih dahulu (validitas dan realibilitas) sebelum dikelompokkan menjadi variabel
yang akan di analisis faktor.
Analisis faktor dalam analisis multivariate tergolong analisis interdependensi (interdependence
technique) dimana seluruh set hubungan yang interdependen diteliti. Variabel yang berada dalam
satu kelompok akan memiliki korelasi yang tinggi sedangkan variabel yang berbeda kelompok akan
memiliki korelasi yang rendah.

Dalam tulisan Supranto, dikatakan bahwa analisis faktor digunakan untuk mereduksi data/variabel.
Analisis faktor dipergunakan dalam kondisi sebagai berikut :

1. Mengenali atau mengidentifikasi dimensi yang mendasari (underlying dimensions) atau

faktor, yang menjelaskan korelasi antara suatu set variabel.

2. Mengenali atau mengidentifikasi suatu set variabel baru yang tidak berkorelasi
(independent) yang lebih sedikit jumlahnya untuk

3. menggantikan suatu set variabel asli yang saling berkorelasi di dalam analisis multivariat
selanjutnya.

4. Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu set variabel yang
lebih banyak jumlahnya untuk dipergunakan dalam analisis multivariat selanjutnya.

Jika vektor acak (random vector)  X=X1,X2,X3,…Xp mempunyai vektor rata-rata    µ  dan matriks

ragam peragam Σ, secara linear bergantung pada sejumlah faktor yang tidak teramati F1,F2,F3,…
Fm yang disebut faktor umum (common factor) dan ε1,ε2,ε3,…εp yang disebut faktor khusus
(specific factors).

Maka model dari analisis faktor adalah:

X1−μ1=l11F1+l12F2+…+l1mFm+ε1 X2−μ2=l21F1+l22F2+…+l2mFm+ε1 ⋮ Xp−μp=lp1F1+lp2F2+…
+lpmFm+εp

Dan jika kita akan menuliskannya kedalam notasi matriks, bentuknya sebagai berikut:

X(p×1)−μ=L(p×m)F(m×1)+εp

Keterangan:

 X = vektor variabel asal

 µ = vektor rata-rata variabel asal

 L = matrik loading factor

 F = vektor faktor bersama

 ε = vektor faktor spesifik

Pembentukan model di atas dilakukan berdasarkan asumsi-asumsi berikut:

1. E(F)=0(m×1)

2. Cov(F)=E(FF‘)=I(m×m)
 3. E(ε)=0(p×1)

4. Cov(ε)=E(εε‘)=Ψ(p×p)=⎡⎣⎢⎢⎢⎢⎢Ψ10000Ψ100⋯⋯⋱⋯00⋮Ψp⎤⎦⎥⎥⎥⎥⎥

5. Cov(ε,F)=E(εF‘)=0(p×m)

Adapun struktur kovarian untuk model faktor orthogonal adalah:

1. Cov(X)=LL‘+Ψ ;atau
Var(Xi)=l2i1+l2i2+…+l2im+Ψi
Cov(Xi,Xj)=li1lj1+li2lj2+…+limljm

2. Cov(X,F)=L ;atau
latex]Cov (X_i,F_j) =l_{ij}[/latex]

Model  (X−μ)=LF+ε  adalah linear dalam faktor umum. Bagian dari Var Xi yang dapat diterangkan oleh
m faktor umum disebut communality ke-i, sedangkan bagian-bagian dari Var Xi yang merupakan
faktor spesifik disebut uniqueness atau keragaman spesifik (spesific varians) ke-i.

Maka variansya dapat ditulis sebagai berikut:

σii=l2i1+l2i2+l2i3+⋯+l2im+ψi=h2i+ψi

Keterangan:

 lij= loading factor

 l2i= Communality ke-i

 ψi= keragaman spesifik ke-i

Nilai loading menunjukkan korelasi antara faktor umum yang terbentuk dengan variabel asal,
semakin besar nilai loading maka semakin erat hubungan diantara keduanya.

Hair (1998) dalam tulisannya menyatakan bahwa nilai minimal loading yang digunakan adalah lebih
besar dari ± 0.30; loading ± 0.40 dianggap penting; dan loading ± 0.50 atau lebih besar dinyatakan
signifikan.

Tujuan Analisis Faktor

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 tersebut, 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 antarvariabel penyusun faktor atau dimensi

dengan faktor yang terbentuk, dengan menggunakan pengujian koefisien korelasi antar
 faktor dengan komponen pembentuknya. Analisis faktor ini disebut analisis faktor
konfirmatori.

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 tersebut.

Proses Analisis Faktor

Secara garis besar, tahapannya:

1. Merumuskan masalah.

2. Menyusun matriks korelasi.

3. Ekstraksi faktor.

4. Merotasi factor.

5. Interpretasikan Faktor.

6. Pembuatan factor scores.

7. Pilih variabel surrogate atau tentukan summated scale.

Berikut penjelasan langkah-langkah di atas:

Merumuskan masalah

Merumuskan masalah meliputi beberapa hal:

1. Tujuan analisis faktor harus diidentifikasi.

2. Variabel yang akan dipergunakan di dalam analisis faktor harus dispesifikasi berdasarkan
penelitian sebelumnya, teori dan pertimbangan dari peneliti.

3. Pengukuran variabel berdasarkan skala interval atau rasio.

4. Banyaknya elemen sampel (n) harus cukup atau memadai.

2. Analisis Faktor SPSS
Analisis faktor SPSS adalah sebuah cara yang dilakukan untuk membentuk faktor-faktor
dalam rangka analisis faktor dengan menggunakan aplikasi SPSS. Dengan analisis faktor, kita
akan memperoleh hasil sebagai berikut:
a. Identifikasi dimensi-dimensi atau faktor-faktor mendasar yang dapat menjelaskan
korelasi dari serangkaian variabel.
b. Identifikasi variabel-variabel baru yang lebih kecil untuk menggantikan variabel yang
tidak berkorelasi dari serangkaian variabel asli (asal) yang berkorelasi dari analisa
multivariate (analisis regresi atau analisis diskriminan).
c. Identifikasi variabel-variabel kecil yang menonjol (dari variabel yang lebih besar) dari
suatu analisis multivariate.
Sebagai contoh, kita akan melakukan analisis faktor pada 9 variabel. Langkahnya adalah
sebagai berikut:

1. Pada menu SPSS, klik Analyze, Data Reduction, Factor. Masukkan semua variabel ke dalam
kotak “Variables”.

2. Tekan tombol “Descriptives” kemudian centang “Univariate descriptives”, “Initial

Solutions”, “Coefficients”, “Significance Levels”, “Determinant”, “KMO and Bartlett`s test
of sphericity” dan “Anti Image”. Klik “Continue”.

3. Tekan tombol “Extractions” kemudian pilih “Principal components” sebagai method, pada
“Analyze” pilih “Correlation matrix”, pada “display” pilih “Unrotated factor solution” dan
“Scree plot”. Pada extract, pilih Eigenvalue over dan isi dengan angka “1”. Klik
“Continue”.

4. Tekan tombol “Rotation” kemudian centang “Varimax” dan pada display centang semua,
yaitu “Rotated solutions” dan “Loading plot(s)”. Klik “Continue”.
 5. Tekan tombol “Options” kemudian centang “Sorted by Size”.

Sampai tahap ini anda belumlah selesai melakukan analisis faktor SPSS, sebab dalam
analisis ini anda perlu melakukan berulang-ulang hingga syarat minimal nilai KMO,
Bartlett’s Sphericity, MSA dan Communalities terpenuhi.

3. Regresi berganda jika variabel bebas lebih dari satu. Regresi berganda berbeda dengan
regresi multivariat. Regresi multivariat adalah regresi jika variabel terikat lebih dari satu.
Model regresi multivariat adalah model regresi dengan lebih dari satu variabel respon yang
saling berkorelasi dan satu atau lebih variabel prediktor.