ANALISIS FAKTOR
Definisi
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
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
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;
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