STATISTIKA MULTIVARIAT

ANALISIS FAKTOR
Definisi

 Proses analisis faktor adalah untuk menemukan hubungan (interrelationship) antar

sejumlah variabel-variabel yang saling independen satu dengan yang lain, sehingga
bisa dibuat satu atau beberapa kumpulan variabel yang lebih sedikit dari jumlah
variabel awal. (singgih santoso)
 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.
 Tiap-tiap kelompok dari variabel mewakili suatu konstruksi dasar yang disebut
faktor.
 Untuk meningkatkan daya interpretasi faktor, harus dilakukan transformasi pada
matriks loading. Transformasi dilakukan dengan merotasi matriks tersebut dengan
metode varimax, quartimax, equamax, quartimin, biquartimin dan covarimin serta
oblimin.
Hasil rotasi ini akan
mengakibatkan setiap variabel
asal mempunyai korelasi tinggi
dengan faktor tertentu saja dan
dengan faktor yang lain korelasi
relatif rendah sehingga setiap
faktor akan lebih mudah untuk
diinterpretasikan.
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 validitas 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
Tujuan Analisis faktor

1. Data Summarization, yakni mengidentifikasi adanya hubungan antar variabel

dengan melakukan uji korelasi.
2. Data Reduction, yakni setelah melakukan korelasi, dilakukan proses
membuat sebuah variabel set baru yang dinamakan faktor untuk
menggantikan sejumlah variabel tertentu. (singgih santoso)
Jumlah Sampel yang ideal untuk Analisis
Faktor
 Secara umum, jumlah sampel yang dianjurkan adalah antara 50 sampai 100
sampel. Atau bisa dengan patokan rasio 10:1, dalam arti untuk 1 variabel
seharusnya ada 10 sampel, sehingga jika ada 10 variabel, minimal seharusnya
ada 100 sampel.
Asumsi yang harus dipenuhi pada
Analisis Faktor
Oleh karena prinsip utama Analisis Faktor adalah korelasi, maka asumsi-asumsi
terkait dengan korelasi:
1. Besar KORELASI atau korelasi antar independen variabel harus cukup kuat, di
atas 0,5.
2. Besar Korelasi Parsial, korelasi antar dua variabel dengan menganggap tetap
variabel yang lain, justru harus kecil. Pada SPSS, deteksi terhadap korelasi
parsial diberikan lewat pilihan ANTI-IMAGE CORRELATION.
3. Pengujian seluruh matrik korelasi (korelasi antar variabel), yang 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.
4. Pada beberapa kasus, asumsi NORMALITAS dari variabel-variabel atau faktor
yang terjadi sebaiknya dipenuhi.
Tahapan Pada Analisis Faktor

1. Menentukan variabel apa saja yang akan dianalisis.

2. Menguji variabel tersebut agar menjadi variabel yang layak dimasukkan dalam analisis
faktor.
3. Setelah sejumlah variabel terpilih, maka dilakukan proses factoring, atau ‘ekstraksi’
variabel tersebut hingga menjadi satu atau beberapa faktor. Beberapa metode pencarian
faktor yang populer adalah Principal Componen dan Maximum Likelihood.
4. Interpretasi faktor yang telah terbentuk, khususnya memberi nama atas faktor yang
terbentu, yang dianggap bisa mewakili variabel-variabel anggota faktor tersebut.
5. Validasi faktor dimaksudkan untuk mengetahui apakah hasil analisis faktor tersebut bisa
digeneralisasikan ke populasi.
1. Membagi sampel awal menjadi dua bagian, kemudian membandingkan hasil faktor sampel satu
dengan sampel dua. Jika hasil tidak banyak perbedaan, bisa dikatakan faktor yang terbentuk
telah valid
2. Dengan melakukan metode Confirmatory Factor Analysis (CFA) dengan cara Structural Equation
Modelling. Proses ini bisa dibantu dengan software khusus seperti LISREL
Contoh
Sebuah lembaga bimbingan belajar (bimbel) SMP melakukan ujian untuk mata
pelajaran matematika (y1), fisika (y2), bahasa Indonesia (y3), dan ilmu sosial
(y4) terhadap sepuluh siswa.
No Y1 Y2 Y3 Y4
1 8 9 8 9 Pakar pendidikan telah lama
mengetahui bahwa nilai seorang siswa
2 9 9 5 5 merupakan fungsi faktor (konstruk)
3 5 5 4 4 yang mendasarinya seperti tingkat
4 4 3 7 8 kecerdasan (IQ), keuletan siswa, dan
kemampuan guru.
5 3 3 4 5
6 6 6 9 10
7 9 9 6 6
8 10 9 10 9
9 10 10 5 4
10 7 8 7 7
Metode Principal Component Analysis
(PCA)
 Pada dasarnya analisis komponen utama (PCA) bertujuan menerangkan
struktur varians-kovarians melalui kombinasi linear dari variabel-variabel.
 Secara umum analisis komponen utama bertujuan untuk mereduksi data dan
menginterpretasikannya.
Konsep Dasar Principal Component
Analysis (PCA)
Syarat untuk membentuk komponen utama yang
merupakan kombinasi linear dari variabel X agar
mempunyai varian maksimum adalah dengan memilih
vektor ciri (eigen vector) yaitu e = (e1, e2, …, ep)
sedemikian hingga Var(Yi) = ei'Σei maksimum dan ei'ei = 1
1. Komponen utama pertama adalah
kombinasi linear e1'X yang
memaksimumkan Var(e1'X) dengan
syarat e1'e1 = 1.
2. Komponen utama kedua adalah kombinasi
linear e2'X yang
memaksimumkan Var(e2'X) dengan
syarat e2'e2 = 1.
3. Komponen utama ke-i adalah kombinasi
linear ei'X yang memaksimumkan Var(ei'X)
dengan syarat ei'ek = 1 dan Cov(ei'ek)=0
untuk k < 1.
Kriteria Dalam Principal Componen
Analysis (PCA)
 Dari p buah komponen utama yang ada dipilih k buah komponen utama saja
yang telah mampu menerangkan keragaman data cukup tinggi, katakanlah
sekitar 80% s.d 90% dengan kriteria k < p.
 Selanjutnya untuk menentukan variabel mana yang berkontribusi besar pada
tiap komponen utama yang terbentuk, ditentukan berdasarkan nilai keeratan
hubungan (nilai loading) yang dihasilkan antara variabel asal dengan
komponen utama
 Besar kontribusi untuk masing-masing variabel penelitian dalam komponen
utama ditentukan dengan semakin tinggi nilai loading yang dihasilkan,
berdasarkan kriteria korelasi di mana nilai korelasi lebih besar atau sama
dengan 0.500 memiliki hubungan yang kuat dan sebaliknya untuk nilai korelasi
lebih kecil dari 0.500 memiliki hubungan yang lemah.
Penentuan Banyak Komponen Utama

1. Kriteria eigen value, ditentukan dengan memilih komponen utama yang

memiliki nilai eigen lebih besar atau sama dengan satu (1). Komponen utama
dengan nilai eigen kurang dari satu (1) dikeluarkan dari analisis.
2. Kriteria apriori. Dalam hal ini peneliti sudah menetapkan terlebih dahulu
berapa banyak komponen utama yang akan diekstrak.
3. Kriteria persentase varians. Banyaknya komponen utama yang akan diekstrak
ditentukan oleh persentase kumulatif varians (bahasan sebelumnya)
4. Scree test. Dilakukan dengan membuat plot eigen value terhadap komponen
utama berdasarkan urutan perolehannya. Kurva yang diperoleh menjadi
dasar penetapan banyaknya komponen utama yang akan diekstrak. Banyak
komponen utama ditentukan apabila kurva menjadi datar dengan melihat
pada sumbu komponen utama.
METODE ROTASI

1. Metode rotasi orthogonal manakala sumbu baru saling orthogonal (tegak lurus)
satu sama lain. Karena saling tegak lurus, dalam rotasi orthogonal masing-
masing faktor independen satu sama lainnya. Metode rotasi orthogonal ada
beberapa macam, seperti metode varimax, quartimax, dan equimax.
2. Metode rotasi oblique manakala sumbu baru tidak diwajibkan untuk
orthogonal satu sama lain. Dalam rotasi oblique tidak ada paksaan bahwa
sumbu yang satu harus independen terhadap yang lain sehingga sumbu baru
dibebaskan untuk mengambil posisi dalam ruang (Space) faktors.
Rotasi faktor

Rotasi faktor ini diperlukan jika metode ekstraksi faktor belum menghasilkan
komponen faktor utama yang jelas. Tujuan dari rotasi faktor ini agar dapat
memperoleh struktur faktor yang lebih sederhana agar mudah diinterpretasikan.
Ada beberapa metode rotasi faktor yang bisa digunakan yaitu:
1. Varimax Method: Adalah metode rotasi orthogonal untuk meminimalisasi
jumlah indikator yang mempunyai factor loading tinggi pada tiap faktor.
2. Quartimax Method: Merupakan metode rotasi untuk meminimalisasi jumlah
faktor yang digunakan untuk menjelaskan indikator.
3. Equamax Method: Merupakan metode gabungan antara varimax method yang
meminimalkan indikator dan quartimax method yang meminimalkan faktor.
Tahap Pertama Analisis Faktor : Menilai
Variabel yang Layak
 Tahap pertama pada analisis faktor adalah menilai mana saja variabel yang di
anggap layak (appropriateness) untuk dimasukan dalam analisis selanjutnya
 Pengujian ini dilakukan dengan memasukan semua variabel yang ada, dan
kemudian kepada variabel-variabel tersebut dikenakan sejumlah pengujian
 Logika pengujian adalah jika sebuah variabel memang mempunyai
kecenderungan mengelompok dan membentuk sebuah faktor, maka variabel
tersebut akan mempunyai korelasi yang cukup tinggi dengan variabel lain,
 Sebaliknya, variabel dengan korelasi yang lemah dengan variabel lain
cenderung tidak akan mengelompok dalam faktor tertentu
 Ukuran Kaiser-Meyer-Oklin

tabel KMO dan bartlett's test di atas terlihat angka

KMO Measure of sampling Adequacy (MSA) adalah
0.560. Karena nilai 0.560 ('> 0.5). Hal ini menunjukkan
kecukupan dari sampel. Angka KMO dan Bartlet's test
(yang tanpa pada nilai chi-square) sebesar 57,339
dengan nilai signifikansi 0.000. hal ini menunjukkan
bahwa adanya korelasi antar variabel dan layak untuk
proses lebih lanjut
 Anti Image
 MSA = 1, variabel
tersebut dapat
diprediksi tanpa
kesalahan oleh variabel
lain

 MSA > 0,5, variabel

masih dapat diprediksi
dan bisa dianalisis lebih
lanjut

 MSA < 0,5, variabel tidak

bisa diprediksi dan tidak
bisa dianalisis lebih
lanjut, atau dikeluarkan
dari variabel lainnya

 Pada tabel Anti-image Matrice di atas, khusus pada bagian (anti Image Correlation) terlihat
angka yang bertanda a (arah diagonal dari kiri atas ke kanan bawah) yang menandakan
besaran MSA sebuah variabel. Seperti angka MSA untuk variable Hemat Bahan Bakar 0,511,
untuk Variabel Onderdil adalah 0,514 dan seterusnya untuk variabel yang lain. Dengan
kriteria angka MSA seperti diatas, maka terlihat MSA variabel Promosi (0,439) tidak
memenuhi batas 0,5. untul itu, variabel Promosi akan di keluarkan dari matriks dan
pengujian di ulang lagi.
Tahap kedua analisis faktor : proses
factoring dan rotasi
 Pada tahap awal analisis faktor, dilakukan penyaringan terhadap sejumlah variabel, hingga
didapat variabel-variabel yang memenuhi syarat untuk dianalisis. Selanjutnya, dilakukan
proses inti dari analisis faktor, yakni melakukan ekstraksi terhadap sejumlah variabel yang
ada, sehingga terbentuk satu atau lebih faktor.
Communalities pada dasarnya adalah jumlah varians
(bisa dalam presentase) dari suatu variabel mula-mula
yang bisa dijelaskan oleh faktor yang ada. Untuk variabel
Hemat Bahan Bakar, angka adalah 0,816 hal ini berarti
sekitar 81,6% variasi besaran variabel Hemat Bahan
Bakar dapat dijelaskan oleh faktor yang terbentuk;
sebagai catatan, jika dilihat pada table Component
Matrix, ada tiga Component, yang berarti ada 3 faktor
terbentuk
Semakin besar communalities sebuah variabel, berarti
semakin erat hubungannya dengan faktor yang terbentuk
Total Variance Explained

Ada 4 variabel (component) yang dimasukan

dalam analisis faktor, yakni variabel Zgaji dan
seterusnya, dengan masing masing variabel
mempunyai varians 1, maka total varians adalah
4 x 1 =4. lihat jumlah total varians di kolom Total
adalah 2,309 + 0,727 + 0,556 + 0,408 = 4

Karena pada Component 1 angka Eigenvalues di atas 1 (2,309), namun pada component 2 angka
Eigenvalues langsung ada di bawah angka 1 (0,727), maka proses factoring bisa dihentikan
 Terlihat semua angka factor loadings ada diatas angka pembatas
 Gambar Screeplot menerangkan hubungan (cut off point) 0,55, dengan demikian sebuah faktor yang
antara banyaknya faktor yang terbentuk terbentuk sudah bisa mewakili semua variabel yang ada
dengan nilai eigenvalue dalam bentuk grafik
 Tahap ketiga analisis faktor : validasi
faktor
 Setelah proses factoring dilakukan dan satu atau beberapa faktor terbentuk, kemudian
kepada faktor tersebut diberi nama (identitas) tertentu yang dirasa tepat mewakili semua
variabel yang ada pada faktor tersebut;

 Dari tabel di samping terlihat semua angka

factor loading melewati angka 0,55 (kecuali
angka Ztingkat Absen dalam Sebulan 0,499 yang
diasumsi bisa dibulatkan ke 0,55). Hal ini berarti
terbentuk sebuah faktor yang merupakan reduksi
(pengurangan) dari empat variabel awal
Tahap keempat analisis faktor membuat
faktor scores
 Setelah faktor terbentuk dan dilakukan validasi, yang menyatakan bahwa satu
atau lebih faktor yang terbentuk memang stabil dan bisa untuk
mengeneralisasi populasinya, maka pada faktor tersebut dapat dilakukan
pembuatan factor score.
 Factor score pada dasarnya adalah upaya untuk membuat satu atau beberapa
variabel yang lebih sedikit dan berfungsi untuk menggantikan variabel asli
yang sudah ada.
 Tahap keempat analisis faktor membuat
faktor scores (Contoh)

Lihat bahwa muncul variabel baru, yaitu

NB: Normalitas merupakan salah satu asumsi
FAC1_1 yang merupakan faktor skor dari
dari analisis faktor meskipun tidak mutlak.
faktor 1, FAC2_1 yang merupakan faktor skor
Namun data dalam tutorial ini tidak normal,
dari faktor 2 dan FAC3_1 yang merupakan
karena hanya sebagai media pembelajaran
faktor skor dari faktor 3. Dari nilai tersebut
saja.
anda dapat melakukan analisis lanjutan, misal
analisis regresi linear, analisis diskriminan atau
analisis lainnya.
 ANALISIS FAKTOR
MENGGUNAKAN SPSS
STATISTIKA MULTIVARIAT
• Prosedur analisis yang digunakan untuk data reduction atau summarization,
atau mereduksi dimensi
• Interdependence technique (teknik interdependen) untuk menguji
hubungan sekumpulan variabel.
• Untuk mengidentifikasi underlying dimensions (factors) yang dapat
menjelaskan korelasi sekumpulan variabel.
• Untuk mengidentifikasi variabel baru, yang dapat digunakan untuk analisis
lainya (e.g., to regression.)
• Untuk mengidentifikasi satu atau beberapa variabel dari variabel yang
banyak jumlahnya.
• Mengkonfirmasi kontruksi suatu variabel laten.
• Q-Factor Analysis
• R-Factor Analysis
• Confirmatory Factor Analysis (CFA)
• Exploratory Factor Analysis (EFA)
 Factor analysis is not about making predictions from variables—it is about
finding relationships between whole sets of variables, and finding the strength
of those relationships
 Size

Colour

Weight
Factor ?
Type

……….

……….
• Communality  besarnya varian variabel yang disaring dengan
variabel lainnya.
• Eigenvalue  total variance yang dapat dijelaskan masing-masing faktor.
• Factor loadings  korelasi antara faktor dan variabel.
• Factor Matrix  matrik yang berisi faktor loading dari faktor yang
terekstrasi
• KMO measure of sampling adequacy  indeks yang digunakan untuk
menguji kesesuaian analisis faktor, nilainya minimal 0,5.
• Residuals  perbedaan antara korelasi observasi dan korelasi hasil
estimasi dari matrik faktor.
• Formulasi Problem (Problem Formulation)
– Apa tujuan penelitian ?
– Apa jumlah observasi mencukupi (rule of thumb: paling
sedikit 4-5 observasi untuk setiap variabel, minimal 100
sampel.
• Menyusun Matrik Korelasi
– Matrik ini menunjukkan hubungan antara variabel. Nilai
korelasi yang tinggi atau signifikan menunjukkan bahwa
kedua variabel tersebut berhubungan erat. (minimal 0.3,
pada level of significant 95%)
– KMO measure of sampling adequacy indikator untuk
mengukur kesesuaian analisis faktor. Minimal 0.5.
• Tentukan Prosedur analisis
– Principal components analysis  menguji total variance
suatu data, umumnya digunakan untuk mereduksi item-
item.
– Principal axis factor analysis  menguji hanya
common variance, biasanya digunakan untuk
mengidentifikasi underlying dimensi.
• Mengekstraksi Faktor (Extracting Factors)
– Metode yang umum digunakan adalah dengan melihat
Eigen value lebih besar atau sama dengan dari 1.0 dan
diagram scarter
• Merotasi faktor (Rotating Factors)
– Orthogonal rotation: Prosedur yang umum
digunakan adalah varimax rotation, yang mana
meminimalkan jumlah variabel dengan loading
faktor yang besar.
– Oblique rotation:digunakan bilamana variabel
berkorelasi tinggi dengan variabel lainnya
• Interpretasi:
– Dilihat loading faktornya (+/- .5 or
greater) and (+/- .4 or less)
– Jika tujuannya mereduksi data , beri
nama faktor hasil reduksi dan hitung
faktor skornya. (a linear
combination of the original variables).
• Determining model fit
– Look at the residuals (the differences between the
observed and reproduced correlations).
– If there are many large residuals, the model does not
provide a good fit to the data.
– Remember, just because you obtain results doesn’t mean
you have good results.
APLIKASI ANALISIS FAKTOR
DENGAN SPSS RELEASE 17
1
2
Pilih (klik)
 Variabel
yang
akan
dianalisis

hasilnya

3
 4 Pilih dan
Klik

tampil

Pilih dan
6
Klik
 Pilih dan
7 Klik

tampil

Pilih dan
8
Klik
 9 Pilih dan
Klik

tampil

10

Pilih dan
11
Klik
 12 Pilih dan
Klik

tampil

13
15
Klik 14
Pilih dan
Klik
LIHAT
HASILNYA

APAKAH
Belum ULANG
SUDAH STEP 9 - 11
FIT (OK)

Sudah

INTERPRETASI
 9 Pilih dan
Klik

tampil

10

Pilih dan
11
Klik