Analisis faktor merupakan perluasan dari analisis komponen utama. Analisis faktor digunakan
untuk mengidentifikasi sejumlah faktor yang relatif kecil yang dapat digunakan untuk menjelaskan
sejumlah besar variabel yang saling berhubungan.
Sehingga variabel-variabel dalam satu faktor mempunyai korelasi yang tinggi, sedangkan korelasi
dengan variabel-variabel pada faktor lain relatif rendah. 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. Untuk mengetahui rotasi mana yang sesuai digunakan yang
dihasilkan dari analisis procrustes.
Analisis procrustes adalah suatu teknik analisis yang digunakan untuk membandingkan dua
konfigurasi. Dalam hal ini konfigurasi data hasil analisis factor yang sudah dirotasi dibandingkan
dengan data asal. Sebelum kedua data dibandingkan terlebih dahulu kedua data diproses
berdasarkan penetapan dan penyesuaian posisi. Penetapan dan penyesuaian dengan posisi
dilakukan dengan transformasi yaitu transformasi translasi, rotasi maupun dilasi yang dibuat
sedemikian sehingga diperoleh jarak yang sedekat mungkin. Setelah proses tersebut dilakukan
dapat diketahui sejauh mana konfigurasi data analisis faktor dapat menggambarkan data asal.
Perbedaan Analisis Komponen Utama (PCA) dan Analisis Faktor Konfirmatori (CFA)
Analisis faktor pada dasarya dapat dibedakan secara nyata menjadi dua macam yaitu:
Pada prinsipnya analisis faktor eksploratori di mana terbentuknya faktor-faktor atau variabel laten
baru adalah bersifat acak, yang selanjutnya dapat diinterprestasi sesuai dengan faktor atau
komponen atau konstruk yang terbentuk. Analisis faktor eksploratori persis sama dengan anlisis
komponen utama (PCA).
Dalam analisis faktor eksploratori di mana peneliti tidak atau belum mempunyai pengetahuan atau
teori atau suatu hipotesis yang menyusun struktur faktor-faktornya yang akan dibentuk atau yang
terbentuk, sehingga dengan demikian pada analisis faktor eksploratori merupakan teknik untuk
membantu membangun teori baru.
Analisis faktor eksploratori merupakan suatu teknik untuk mereduksi data dari variabel asal atau
variabel awal menjadi variabel baru atau faktor yang jumlahnya lebih kecil dari pada variabel awal.
Proses analisis faktor eksploratori mencoba untuk menemukan hubungan antarvariabel baru atau
faktor yang terbentuk yang saling independen sesamanya, sehingga bisa dibuat satu atau
beberapa kumpulan variabel laten atau faktor yang lebih sedikit dari jumlah variabel awal yang
bebas atau tidak berkorelasi sesamanya. Jadi antar faktor yang terbentuk tidak berkorelasi
sesamanya.
Pada dasarnya tujuan analisis faktor konfirmatori adalah: pertama untuk mengidentifikasi adanya
hubungan antar variabel dengan melakukan uji korelasi. Tujuan kedua untuk menguji validitas dan
reliabilitas instrumen. Dalam pengujian terhadap validitas dan reliabilitas instrumen atau kuesioner
untuk mendapatkan data penelitian yang valid dan reliabel dengan analisis faktor konfirmatori.
1. Korelasi matriks antar indikator: Metode yang pertama adalah memeriksa korelasi matriks.
Tingginya korelasi antara indikator mengindikasikan bahwa indikator-indikator tersebut dapat
dikelompokkan ke dalam sebuah indikator yang bersifat homogen sehingga setiap indikator
mampu membentuk faktor umum atau faktor konstruk. Sebaliknya korelasi yang rendah
antara indikator megindikasikan bahwa indikator-indikator tersebut tidak homogen sehingga
tidak mampu membentuk faktor konstruk.
2. Korelasi parsial: Metode kedua adalah memeriksa korelasi parsial yaitu mencari korelasi
satu indikator dengan indikator lain dengan mengontrol indikator lain. Korelasi parsial ini
disebut dengan negative anti-image correlations.
3. Kaiser-Meyer Olkin (KMO) : Metode ini paling banyak digunakan untuk melihat syarat
kecukupan data untuk analisis faktor. Metode KMO ini mengukur kecukupan sampling secara
menyeluruh dan mengukur kecukupan sampling untuk setiap indikator.
Ekstraksi faktor
Ekstraksi Faktor adalah suatu metode yang digunakan untuk mereduksi data dari beberapa
indikator untuk menghasilkan faktor yang lebih sedikit yang mampu menjelaskan korelasi antara
indikator yang diobservasi. Ada beberapa metode yang bisa digunakan untuk melakukan ekstraksi
faktor yaitu:
1. Principal Components Analysis: Analisis komponen utama (principal components analysis)
merupakan metode yang paling sederhana di dalam melakukan ekstraksi faktor. Metode ini
membentuk kombinasi linear dari indikator yang diobservasi.
2. Principal Axis Factoring: Metode ini hampir sama dengan metode principal components
analysis sebelumnya kecuali matriks korelasi diagonal diganti dengan sebuah estimasi
indikator kebersamaan, namun tidak sama dengan principal components analysis di mana
indikator kebersamaan yang awal selalu diberi angka 1.
3. Unweighted Least Square: Metode ini adalah prosedur untuk meminimumkan jumlah
perbedaan yang dikuadratkan antara matriks korelasi yang diobservasi dan yang diproduksi
dengan mengabaikan matriks diagonal dari sejumlah faktor tertentu.
4. Generalized Least Square: Metode ini adalah metode meminimumkan error sebagaimana
metode unweighted least squares. Namun, korelasi diberi timbangan sebesar keunikan dari
indikator (error). Korelasi dari indikator yang mempunyai error yang besar diberi timbangan
yang lebih kecil dari indikator yang mempunyai error yang kecil.
5. Maximum Likelihood: Adalah suatu prosedur ekstraksi faktor yang menghasilkan estimasi
parameter yang paling mungkin untuk mendapatkan matriks korelasi observasi jika sampel
mempunyai distribusi normal multivariat.
Merotasi Faktor
Setelah kita melakukan ekstraksi faktor, langkah selanjutnya adalah rotasi faktor (rotation). 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.
Interpretasikan Faktor
Setelah diperoleh sejumlah factor yang valid, selanjutnya kita perlu menginterprestasikan nama-
nama factor, mengingat factor merupakan sebuah konstruk dan sebuah konstruk menjadi berarti
kalau dapat diartikan. Interprestasi factor dapat dilakukan dengan mengetahui variable-variabel
yang membentuknya. Interprestasi dilakukan dengan judgment. Karena sifatnya subjektif, hasil
bisa berbeda jika dilakukan oleh orang lain.
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".
Analisis Faktor
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".
Extraction
4. Tekan tombol "Rotation" kemudian centang "Varimax" dan pada display centang semua, yaitu
"Rotated solutions" dan "Loading plot(s)". Klik "Continue".
Rotation
Sampai tahap ini anda belumlah selesai melakukan analisis faktor dengan aplikasi SPSS, sebab
dalam analisis ini anda perlu melakukan berulang-ulang hingga syarat minimal nilai KMO,
Bartlett's Sphericity, MSA dan Communalitiesterpenuhi. Oleh karena itu, silahkan anda baca
artikel selanjutnya, yaitu:
Perlu diingat kembali bahwa pada analisis faktor, asumsi yang harus terpenuhi adalah:
1. Korelasi antar variabel Independen. Besar korelasi atau korelasi antar independen variabel
harus cukup kuat, misalnya di atas 0,5.
2. Korelasi Parsial. 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 matriks korelasi (korelasi antar variabel), yang diukur dengan
besaran Bartlett Test of Sphericityatau 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.
Kaiser Meyer Olkin Measure of Sampling (KMO) adalah indek perbandingan jarak antara
koefisien korelasi dengan koefisien korelasi parsialnya. Jika jumlah kuadrat koefisen korelasi
parsial di antara seluruh pasangan variabel bernilai kecil jika dibandingkan dengan jumlah kuadrat
koefisien korelasi, maka akan menghasilkan nilai KMO mendekati 1. Nilai KMO dianggap
mencukupi jika lebih dari 0,5. Hasil penelitian menunjukkan bahwa nilai Kaiser Meyer Olkin
Measure of Sampling sebesar 0,580. Dengan demikian persyaratan KMO memenuhi
persyaratan karena memiliki nilai di atas 0,5.
Rumus yang digunakan untuk Bartlett Test of Sphericity adalah sebagai berikut:
Bartlett Test
Rumus Bartlett
Dimana
R = Nilai determinan n = Jumlah data p = jumlah variabel
Hasil perhitungan dengan SPSS dihasilkan nilai Barlett Test of Spehricity sebesar 207,690
dengan signifikansi sebesar 0,000. Dengan demikian Bartlett Test of Spehricity memenuhi
persyaratan karena signifikansi di bawah 0,05 (5%).
Nilai MSA pada tabel di atas ditunjukkan pada baris Anti Image Correlation dengan
tanda "a". Misal X1 nilai MSA = 0,513 dimana > 0,5 maka X1 memenuhi syarat MSA, sedangkan
MSA X2 = 0,450 < 0,5 maka X2 tidak memenuhi syarat MSA. Dari 9 variabel, hanya X2 dengan
MSA < 0,5, maka X2 dikeluarkan dari pengujian. Sehingga anda harus mengulangi langkah
analisis faktor seperti pada artikel sebelumnya, yaitu: analisis faktor dengan SPSS tanpa
mengikutsertakan X2.
Silahkan ulangi lagi, dan kembali lihat nilai Determinant, KMO, Barlett Test of
Spehricity dan MSA.
Setelah anda ulangi tanpa X2, maka lihat nilai Determinant: 0,009. KMO, yaitu: 0,593. Barlett
Test of Spehricity:190,949 dengan sig: 0,000. Maka syarat KMO dan Barlett Test of
Spehricity terpenuhi. Selanjutnya kembali lihat nilai MSA:
Tabel MSA
Berdasarkan tabel di atas, masih ada variabel dengan MSA < 0,5 yaitu X3. Maka ulangi lagi
proses analisis tanpa mengikutsertakan X3.
Tabel Determinant
KMO Step 2
Setelah anda ulangi tanpa X3, maka nilai KMO: 0,609. Barlett Test of Spehricity: 176,562
dengan sig: 0,000. Maka syarat KMO dan Barlett Test of Spehricity terpenuhi. Selanjutnya
kembali lihat nilai MSA:
MSA Step 2
Dari tabel di atas menunjukkan bahwa 7 variabel diuji memenuhi persyaratan MSA yaitu di atas
0,5 sehingga dapat digunakan untuk pengujian selanjutnya.
Komunalitas Step 2
Dari tabel di atas menujukkan 7 variabel diuji memenuhi persyaratan komunalitas yaitu lebih
besar dari 0,5 (komunalitas > 0,5). Perlu diingat bahwa jika ada variabel dengan
nilai Extraction pada tabel Communalities < 0,5, maka variabel tersebut tidak memenuhi syarat
komunalitas dan harus dikeluarkan dari pengujian serta anda harus mengulangi langkah analis
faktor dari awal tanpa mengikutsertakan variabel yang tidak memenuhi syarat komunalitas.
Pengulangan tersebut sama dengan cara pengulangan pada syarat MSA yang telah dijelaskan di
atas.
Sampai pada tahap ini anda telah berhasil memenuhi syarat-syarat/asumsi untuk pengujian
Analisis Faktor. Untuk interprestasi selanjutnya yaitu pembentukan component faktor, rotasi faktor,
scree plot dan faktor skor, akan kita bahas pada artikel selanjutnya, yaitu:
Interprestasi Analisis Faktor dengan SPSS
Artikel ini tidaklah berdiri sendiri, sebab tergantung pada artikel sebelumnya, yaitu: asumsi analisis
faktor dengan SPSS. Artinya, anda akan sampai pada tahap ini apabila sudah selesai melakukan
berbagai asumsi pada analisis faktor.
Communalities
Tabel Communalities
Tabel di atas menunjukkan seberapa besar sebuah variabel dapat menjelaskan faktor. Misal X1
nilainya 0,769, artinya variabel X1 dapat menjelaskan faktor sebesar 76,9%. Begitu pula dengan
variabel lainnya, di mana semuanya > 50%, oleh karenanya dapat disimpulkan bahwasanya
semua variabel dapat menjelaskan faktor.
Tabel Eigenvalue
Berdasarkan tabel di atas, lihat kolom "Component" yang menunjukkan bahwa ada 7 komponen
yang dapat mewakili variabel. Perhatikan kolom "Initial Eigenvalues" yang dengan SPSS kita
tentukan nilainya 1 (satu). Varians bisa diterangkan oleh oleh faktor 1 adalah 2,644/7 x 100% =
37,776. Oleh faktor 2 sebesar 1,594/7 x 100% = 22,768. Sementara oleh faktor 3 sebesar 1,051/7
x 100% = 15,018. Sehingga total ketiga faktor akan mampu menjelaskan variabel
sebesar 37,776% + 22,768% + 15,018% = 75,562%. Dengan demikian, karena nilai Eigenvalues
yang ditetapkan 1, maka nilai Total yang akan diambil adalah yang > 1 yaitu component 1, 2 dan
3.
Factor Loading
Setelah kita mengetahui bahwa faktor maksimal yang bisa terbentuk adalah 3 faktor, selanjutnya
kita melakukan penentuan masing-masing variabel akan masuk ke dalam faktor mana, apakah
faktor 1, 2 atau 3. Cara menentukan tersebut adalah dengan melihat tabel Component
Matrix seperti di bawah ini:
Tabel Component Matrix
Tabel di atas menunjukkan seberapa besar sebuah variabel berkorelasi dengan faktor yang akan
dibentuk. Misal: X5 berkorelasi sebesar 0,885 dengan faktor 1, -0,388 dengan faktor 2 dan 0,128
dengan faktor 3.
Secara jelasnya dapat anda lihat pada tabel Rotated Component Matrix di bawah ini untuk
menentukan variabel mana akan masuk faktor yang mana.
Penentuan variabel masuk faktor mana ditentukan dengan melihat nilai korelasi terbesar. Pada
tabel di atas telah diurutkan dari nilai yang terbesar ke yang terkecil per faktor. Perhatikan baik-
baik di atas:
X5 korelasi terbesar dengan faktor 1 yaitu 0,968, begitu pula X8: 0,956 dan X4: 0,731. Yang paling
berkorelasi dengan faktor 2 adalah X9: 0,869, X7: 0,769. Sedangkan X1 sebesar 0,877 lebih
berkorelasi dengan faktor 3, begitu juga dengan X6: 0,666 masuk ke faktor 3.
Langkah terakhir untuk penentuan faktor adalah melihat tabel Component Transformation
Matrix.
Tabel Transformation Matrix
Tabel di atas menunjukkan bahwa pada component 1 nilai korelasi 0,886 > 0,5, component 2:
0,712 > 0,5 dan component 3: 0,812 > 0,5. Karena semua component > 0,5 maka ketiga faktor
yang terbentuk dapat dikatakan tepat dalam merangkum ketujuh variabel yang ada.
Factor Score
Setelah anda mendapatkan faktor-faktor yang terbentuk, maka langkah selanjutnya untuk
keperluan analisis lebih lanjut, anda dapat menentukan faktor skor. Caranya adalah dengan
mengulangi langkah analisis faktor tetapi pada saat proses anda tekan tombol "Scores", kemudian
centang "Save as variables" dan pilih method "Regression".
Analisis Faktor
Setelah anda klik "Continue" dan "OK" pada jendela utama, maka lihat pada dataset anda di "data
view".
Faktor Skor
Lihat bahwa muncul variabel baru, yaitu FAC1_1 yang merupakan faktor skor dari faktor 1,
FAC2_1 yang merupakan faktor skor dari faktor 2 dan FAC3_1 yang merupakan faktor skor dari
faktor 3. Dari nilai tersebut anda dapat melakukan analisis lanjutan, misal analisis regresi
linear, analisis diskriminan atau analisis lainnya.
NB: Normalitas merupakan salah satu asumsi dari analisis faktor meskipun tidak mutlak. Namun
data dalam tutorial ini tidak normal, karena hanya sebagai media pembelajaran saja. Untuk lebih
lengkapnya tentang uji normalitas, silahkan baca artikel kami tentang normalitas.
Demikian telah kami jelaskan semua materi yang berkaitan dengan Analisis Faktor. Semoga
bermanfaat.