Analisis Faktor Untuk Mengembangan Instrumen-02 - Rev Bab 3

Buku Ajar
ANALISIS FAKTOR
UNTUK MENGEMBANGAN
INSTRUMEN
Oleh:
Tri Rijanto
Joko
Penerbit
LPPM UNHASY Tebuireng Jombang
ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN
ISBN: ..........................................
Hak Cipta pada Penulis,

Hak penerbitan pada LPPM Unhasy Tebuireng Jombang.
Bagi mereka yang ingin memperbanyak sebagian isi buku ini
dalam bentuk atau cara apapun harus mendapatkan izin
tertulis dari penulis dan penerbit LPPM Unhasy Tebuireng
Jombang.
Penulis:
Tri Rijanto
Joko
Editor:
……………………….
Layout
……..
Desain Sampul:
……….
Penerbit
LPPM UNHASY Tebuireng Jombang
Jl. Irian Jaya No. 55 Tebuireng, Diwek, Jombang, Jawa Timur Gedung B
UNHASY Lt.1, Telp: (0321) 861719 E-mail: lppm.unhasy@gmail.com
http://www.lppm.unhasy.ac.id.
Anggota IKAPI Jawa Timur

No. Anggota 290/ALB/JTI/2021
Hak Cipta dilindungi Undang-undang

All Right Reserved
Cetakan I, Desember 2021
ii
KATA PENGANTAR
Assalamualaikum wr wb
Puji syukur penulis atas rahmat dan karunia dari Allah SWT,
yang telah memberikan kesempatan menulis buku Analisis Faktor
Untuk Pengembangkan Instrumen. Buku ini ditulis atas kegelisahan
penulis melihat berbagai alat ukur khususnya alat ukur untuk
mengukur variabel performansi tipycal, baik untuk tesis maupun
disertasi. Instrumen tersebut hanya sampai divalidasi oleh validator
dan belum dlakukan validasi secara empiric. Dengan demikian
instrument yang digunakan masih diragukan validitas dan
reliabilitasnya.
Buku ajar ini menyajikan bagaimana mengkonstruksi teori
dari sebuah variabel, kemudian mendefinisikan secara operasional,
menyusun kisi-kisi instrument, menyusun butir penyataan, sampai
pada analisis empiric menggunakan analisis factor untuk
mengetahui validitas dan reliabilitasnya. Melalui serangkaian
tahapan tersebut akan dihasilkan instrument atau alat ukur yang
memiliki validitas dan reliabilitas empiric sehingga data yang
dikumpulkan adalah data yang memiliki validitas yang baik pula.
Penulis menyampaikan ucapan terima kasih kepada semua
pihak yang telah memberikan dukungan dan dorongan atas
lahirnya buku ini. Terutama Rektor Unesa, Direktur Pascasarjana,
Wakil Direktur 1 dan 2 yang menginisiasi penulisan buku melalui
skema penelitian. Semoga amal baik beliau mendapatkan pahala
yang senantiasa mengalir.
Akhir kata semoga buku ajar ini memiliki manfaat terutama
untuk mendukung mata kuliah Penilai Pembelajaran dalam Bidang
Pendidikan Teknologi dan Kejuruan. Kritik dan saran selalu penulis
nantikan untuk kesempurnaan buku ini.
Wassalamualaikum wr wb.
Surabaya, November 2021

Penyusun
Tri Rijanto
Joko
iii
DAFTAR ISI
KATA PENGANTAR ........................................................................ iii

DAFTAR ISI ...................................................................................... iv
BAB I ANALISIS FAKTOR ................................................................. 1
A. Pendahuluan ................................................................... 1
B. Pengertian Dasar Analisis Faktor (FA) atau Analisis
Komponen Utama (PCA) ..................................................... 2
8.9Aplikasi Analisis Faktor ............................................................. 23
1.Analisis faktor eksploratori......................................................... 25
2.Analisis faktor konfirmatori ........................................................ 32
BAB II MENGEMBANGKAN INSTRUMEN PERFORMANSI TYPIKAL 37
A. Motivasi Kerjasama ......................................................... 37
B. Instrumen Motivasi Kerja Sama ...................................... 40
C. Kisi-kisi Instrumen Motivasi Kerja Sama .......................... 40
D. Instrumen Motivasi Kerjasama........................................ 41
E. Uji Validitas Instrumen Menggunakan Analisis Faktor .. 45
F. Hasil Uji Validitas Instrumen ............................................. 45
BAB III CONFIRMATORY FACTOR ANALISIS (CFA) ...................... 47
A. Input data pada Ms.Excel .............................................. 47
B. Input Data dan Pengolahan data reliablitas di SPSS 24 47
C. Output reliablitas ............................................................. 51
D. Pengolahan data CFA di SPSS 24 .................................. 52
DAFTAR PUSTAKA .......................................................................... 65
BIOGRAFI PENULIS ......................................................................... 66
iv
DAFTAR GAMBAR
Gambar 1. Input Data Ms.Excel ................................................. 47

Gambar 2. Variable View ........................................................... 48
Gambar 4. Hasil input data pada data view ........................... 49
Gambar 5. Langkah analisis reliabilitas ...................................... 49
Gambar 6. Kotak Dialog Analisis Reliabilitas ............................. 50
Gambar 7. Data yang akan dinalisis pada kolom items ......... 50
Gambar 8. Reliability Analisis ...................................................... 51
Gambar 9. Hasil Output Reliabilitas............................................ 52
Gambar 10. Hasil Output Reliabilitas .......................................... 52
Gambar 11. Analisis CFA ............................................................. 53
Gambar 13. Items pada kolom variables .................................. 54
Gambar 14. Tampilan menu deskriptives .................................. 55
Gambar 15. Tampilan menu extraction .................................... 56
Tabel 16. Tampilan menu rotation .............................................. 57
Tabel 17. Tampilan menu scores ................................................ 57
Tabel 18. Tampilan menu options............................................... 58
Gambar 19. Hasil analisis CFA ..................................................... 58
Gambar 20. Total Variance Explained ...................................... 59
Gambar 21. Component matrix ................................................. 59
Gambar 21. Rotated Component Matrix .................................. 60
Gambar 22. Hasil reliabilitas ........................................................ 61
Gambar 23. Hasil CFA dan nilai KMO ........................................ 62
Gambar 24. Total variance explained....................................... 63
Gambar 25. Component matrix ................................................. 63
Gambar 26. Rotated Component matrix .................................. 64
v
BAB I
ANALISIS FAKTOR
A. Pendahuluan
Pada awalnya teknik analisis faktor dikembangkan
pada awal abad ke-20. Teknik analisis ini dikembangkan
dalam bidang psikometrik atas usaha akhli statistikaw Karl
Pearson, Charles Spearman, dan lainnya untuk
mendefinisikan dan mengukur intelegensia seseorang.
Pada analisis faktor (factor analysis) dapat dibagi dua
macam yaitu analisis komponen utama (principal
component analysis = PCA) dan analisis faktor (factor
analysis = FA). Kedua analisis di atas bertujuan
menerangkan struktur ragam-peragam melalui kombinasi
linear dari variabel-variabel pembentuknya. Sehingga
dapat dikatakan bahwa faktor atau komponen adalah
variabel bentukan bukan variabel asli. Secara umum analisis
faktor atau analisis komponen utama bertujuan untuk
mereduksi data dan menginterpretasikannya sebagai suatu
variabel baru yang berupa variabel bentukan.
Pada dasarnya analisis faktor atau analisis komponen
utama mendekatkan data pada suatu pengelompokan
atau pembentukan suatu variabel baru yang berdasarkan
adanya keeratan hubungan antardemensi pembentuk
faktor atau adanya konfirmatori sebagai variabel baru atau
faktor.
Meskipun dari p buah variabel awal atau variabel asal
dapat diturunkan atau dibentuk sebanyak p buah faktor
atau komponen untuk menerangkan keragaman total
sistem, namun sering kali keragaman total itu dapat
diterangkan secara sangat memuaskan hanya oleh
sejumlah kecil faktor yang terbentuk, katakanlah oleh
sebanyak k buah faktor atau komponen yang terbentuk, di
mana k < p; umpamanya dari sejumlah variabel p yaitu
sebanyak 10 demensi atau item, dari 10 demensi tersebut
terbentuk sebanyak k = 2 buah faktor atau komponen yang
dapat menerakan kesepuluh demensi atau item semula.
Jika demikian halnya, maka akan diperperoleh sebagian
ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN |1

terbesar informasi tentang struktur ragam-peragam dari p
buah variabel asal yang dapat diterangkan oleh k buah
faktor atau komponen yang terbentuk. Dalam hal ini k buah
faktor atau komponen utama dapat mewakili p buah
variabel asalnya, sehingga lebih sederhana.
Data asli yang dianalisis dalam analisis faktor
dinyatakan dalam bentuk matriks berukuran n x p (di mana
n jumlah sampel dan p variabel pengamatan), yang dapat
direduksi ke dalam matriks yang berukuran lebih kecil
dan mengandung sejumlah n pengukuran pada k buah
komponen utama atau faktor, sehingga matriks yang
terbentuk berukuran n x k (n jumlah sampel dan k
komponen utama atau faktor), dan k < p. Jumlah faktor
yang terbentuk adalah sebanyak variabel asal = p, dan
k adalah sejumlah faktor yang memenuhi kriteria atau
aturan.
Analisis faktor sering kali dilakukan tidak saja
merupakan analisis akhir dari suatu pekerjaan analisis
statistika atau pengolahan data, tetapi dapat merupakan
tahapan atau langkah awal bahkan langkah antara dalam
kebanyakan analisis statistika yang bersifat lebih besar atau
lebih kompleks. Sebagai misalnya dalam analisis regresi
faktor (factor regresion), maka analisis faktor akan
merupakan tahap antara suatu analisis statistika dari data
awal untuk membentuk variabel baru yang akan menuju ke
analisis regresi. Oleh karena itu, analisis faktor digunakan
sebagai input dalam membangun analisis regresi yang
lebih lanjut, demikian pula dalam analisis gerombol atau
cluster analysis di mana faktor atau variabel baru yang
terbentuk dipergunakan sebagai input untuk melakukan
analisis pengelompokan terhadap suatu set data.
B. Pengertian Dasar Analisis Faktor (FA) atau Analisis

Komponen Utama (PCA)
Telah diketahui bahwa analisis faktor merupakan salah
satu teknik analisis statistika multivariate, dengan menitik
beratkan pada data yang mempunyai hubungan yang
sangat erat secara bersama-sama pada segugusan
variabel, tanpa membedakan antara variabel tergantung
atau variabel endogen Y dan variabel bebas atau variabel
2 | ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN

eksogen X, cara ini disebut sebagai metode
antarketergantungan (independence methods). Analisis
faktor dapat pula dipandang sebagai perluasan dari tehnik
analisis komponen utama. Kedua analisis analisis faktor dan
analisis komponen utama tersebut merupakan teknik
analisis yang menjelaskan struktur hubungan di antara
banyak variabel antarketergantungan dalam suatu sistem
konkret yang sering dinyatakan dengan keeratan
hubungan.
Untuk studi ketergantungan di antara variabel-variabel
dapat dipergunakan analisis faktor selain analisis
komponen utama. Analisis faktor atau analisis komponen
utama merupakan salah satu teknik analisis ketergantungan
yang sangat populer dan telah dipergunakan secara luas
dalam berbagai bidang ilmu pengetahuan. Oleh karena
itu, peneliti atau mahasiswa harus memperhatikan struktur
hubungan secara keseluruhan di antara variabel-variabel
yang mencirikan obyek-obyek atau individu-individu atau
variabel-variabel atau item-item atau dimensi-dimensi
pengamatan yang akan membentuk faktor atau variabel
laten atau kontruks.
Dalam pembahasan ini akan diuraikan pengertian
dasar analisis komponen utama atau dan analisis faktor,
sedangkan analisis lanjutannya seperti analisis regresi
komponien utama atau analisis faktor dan analisis-analisis
selanjutnya akan dihahas dalam bab-bab berikutnya.
Bayangkan bahwa terdapat sebanyak p buah variabel
asal Xi, yaitu X1, X2, . . . , Xp di mana diasumsikan bahwa:
X ~ Np (U, ∑), X' = (X1, X2, . . . , Xp)
di mana µ = adalah rata-rata umum
(E (X)) = µ , Cov (X) = ∑
∑ = adalah ragam-peragam
Dalam bentuk pernyataan di atas, dikatakan bahwa

variabel asal atau vektor X berdistribusi multi-normal
dengan nilai harapan X (E (X)) atau nilai rata-rata = µ
dan matriks varian-kovarian ∑. Apabila didefinisikan [A]
sebagai matriks konstanta berukuran p x p, maka
komponen utama atau faktor didefinisikan sebagai

kombinasi linier berbobot dari variabel awal (p buah
variabel asal) yang dinyatakan dalam bentuk persamaan
matriks sebagai berikut di bawah ini.
[1] Y=AX
Dalam bentuk yang lebih jelasnya, maka persamaan

[8.1] dapat dinyatakan sebagi persamaan seperti berikut :
Y11 = a11 X1 +
a21 X2 + . . .
+ ap1 Xp Y12
= a12 X1 + a22
X2 + . . . + ap2
Xp
[2] : : : :
: : : :
: : : :
Y1p = a1p1 + a2p X2 + . . . + app Xp
Dari persamaan [1], apabila didefinisikan:
Y = A X, sedangkan diketahui hahwa: Cov (X) = ∑,
maka diperoleh persamaan: Cov (Y) = A ∑ A' atau dapat
juga dinyatakan sebagai:
P P
Cov (Y) = ai aj σij (hal ini dapat dibuktikan dengan
perhitungan berikut) i 1 i 1
Cov (Y) = E(Y – µY ) (Y - µY )'
= E[AX - E(AX)] [AX - E(AX)]'
= EA [(X-µ)] [A(X-µ)]'
= A E[X-µ] [X-µ]'A'
= A ∑ A'
Analisis faktor merupakan teknik analisis statistika yang
bertujuan menerangkan struktur hubungan di antara
variabel-variabel yang teramati dengan jalan
membangkitkan beberapa faktor atau komponen atau
variabel laten yang jumlahnya lebih sedikit = k dari sejumlah
variabel asalnya = p buah. Bayangkan, bahwa terdapat
vektor acak yang diamati atau diukur secara langsung
yang merupakan gabungan dari beberapa item X dengan

p buah variabel sebagai variabel asal atau variabel awal,
serta memiliki nilai rata- rata μ dan matriks varians-kovarian
S sebagai penduga ∑.
Dalam hal ini berlaku hubungan: X' = (X1, X2, . . . , Xp), X
~ Np (μ, ∑) Np= berarti menyebar normal E (X) = μ dan
Cov (X) = ∑. X menyebar normal dengan rata-rata = μ dan ∑
= varians-kovarians
Dalam bentuk pernyataan matriks dikatakan bahwa
vektor acak X berdistribusi multi- normal dengan nilai rata-
rata vektor μ dan matriks varians-kovarians ∑.
Model umum analisis faktor atau analisis komponen
utama adalah seperti:
X1 = C11 F1 + C12 F2 + . . . + C1m Fm + ε1

X2 = C21 F1 + C22 F2 + . . . + C2m Fm + ε2
[3] . . . . .
.. . . .
.. . . .
Xp = Cp1 F1 + Cp2 F2 + . . . + Cpm Fm + εp
Di mana: Fj. (j = 1, 2, , m) merupakan faktor atau

komponen bersama ke-j Cij (i = 1, 2, . . ., p; dan j = 1, 2., , m)
merupakan parameter yang merefleksikan pentingnya faktor
komponen ke-j dalam komposisi dari respons ke-i. Cii dalam
analisis faktor atau analisis komponen utama disebut sebagai
bobot (loading) dari respons ke-i pada faktor/ komponen
bersama ke-j. εi (i = 1, 2, , p) merupakan galat dari respons ke-i,
dalam analisis faktor/komponen utama disebut sebagai faktor/
komponen spesifik ke-i yang bersifat acak.
Dari model [3] di atas, dalam analisis faktor
mempostulatkan bahwa vektor acak X tergantung secara
linear pada beberapa variabel acak yang tidak teramati
atau faktor (unobservable random variables atau factors
atau laten variables). Faktor acak F1, F2, . . ., Fm yang disebut
faktor bersama (common factors), dengan sejumlah p
sumber kovarians tambahan, ε1, ε2, . . . , εp yang disebut
sebagai galat atau errors atau kadang-kadang disebut
juga sebagai faktor spesifik (specific factors).
Struktur varians-kovarians untuk model analisis faktor
dinyatakan dalam persamaan [2] dan [3] dapat dinyatakan

pula seperti persamaan [4] berikut ini.
Var (X1) = σ11 = C 2 + C122 + . . . +
11 C1m2 atau
[4] Var (Xi) = σ1i = hi2 + ψi
Di mana:
hi 2 = C
11 2 + 12C 2 +... +
1m
C 2
m
= C2
ij
i=1
Dari persamaan [4] di atas tampak bahwa varians dari
variabel eksogen Xj diterangkan oleh dua komponen atau
faktor yaitu komponen hi2 dan komponen ψi (baca: psi).
Komponen h2 disebut sebagai komunalitas (communality)
setipe dengan R2 yang pada analisis regresi menunjukkan
proporsi varians dari variabel eksogen Xi yang dapat
menerangkan sejumlah k faktor atau komponen bersama
(secara bersama), sedangkan komponen ψi; merupakan
proporsi varians dari variabel eksogen Xi, yang disebabkan
oleh faktor spesifik atau galat (error) dan disebut sebagai
varians spesifik (specific variance).
Tampak dari persamaan [4] di atas bahwa komunalitas
h2 merupakan jumlah kuadrat berbobot (loadings) dari
variabel eksogen Xi pada k faktor bersama.
Kovarians untuk variabel respons Xi dan Xk, di mana i ≠
k (i, k = 1, 2, . . ., p) ditentukan sebagai berikut:
[5] COV (Xi, Xk) = Ci1 Ck1 + . . . + Cim Ckm
m
= cij ckj
i=1
Kovarians antara variabel eksogen Xi dan faktor ke-j (Fj)

ditentukan sebagai berikut:
[6] COV (Xi, Fj) = Cij
i = 1, 2, . . . ., m dan j = 1, 2,…………….., p.
Pada dasarnya terdapat dua metode pendugaan

parameter yang umum digunakan dalam model analisis
faktor yaitu metode komponen utama (principal
component analysis/method = PCA) dan metode

kemungkinan maksimum (maximum likelihood method).
Dalam kebanyakan analisis, model analisis faktor
diduga berdasarkan metode komponen utama (PCA),
demikian pula dalam kebanyakan paket aplikasi komputer
proses komputasi didasarkan pada metode komponen
utama (PCA). Sedangkan, dalam contoh penerapan
analisis faktor akan menggunakan bantuan komputer, dan
terdapat banyak paket aplikasi komputer untuk analisis
faktor seperti SPSS, MINITAB, SXW, STATGRAPHICS, STATISTICA,
AMOS, dan lain-lainnya.
Untuk dapat memahami secara baik tentang analisis
faktor yang diturunkan berdasarkan metode komponen
utama (PCA), maka pembaca terlebih dahulu harus
memahami secara baik tentang konsep matriks, maka
model analisis faktor dapat diturunkan dari matriks varians-
kovarians (Σ) yang diduga berdasarkan matriks varians-
kovarians sampel (S2) atau matriks korelasi ( r ).
Apabila semua variabel yang diamati mempunyai
satuan pengukuran yang sama, maka analisis faktor dapat
diturunkan dari matriks koefisien korelasi ρ yang diduga
berdasarkan matriks koefisien korelasi sampel r.
Berdasarkan metode komponen utama, dapat
ditentukan banyaknya faktor yang perlu dilibatkan dalam
analisis lanjutan, katakanlah hanya memilih k buah faktor
dari p buah faktor yang mungkin dihasilkan (k<p).
Banyaknya faktor yang terbentuk adalah sebanyak
variabel asal = p. Penentuan banyaknya faktor atau
komponen yang dilibatkan dalam analisis lanjutan
tergantung pada struktur datanya dan hasil analisis faktor
dengan komponen varians yang lebih besar dari pada satu.
Sebagai contoh untuk kasus yang mempengaruhi
pengkajian proses industrialisasi, maka cukup melibatkan
satu faktor dari empat faktor yang dihasilkan dari hasil
analisis faktor yang berdasarkan metode komponen utama,
karena berdasarkan analisis faktor diketahui bahwa
keragaman total data yang diterangkan oleh faktor atau
komponen utama pertama adalah cukup besar yaitu
94,23%, dan tiga faktor lainnya menjelaskan keragaman
total hanya 5,77% (= 1 - 94,23%) hal ini adalah sangat kecil.
Batas minimal keragaman total data yang diterangkan oleh
faktor bersama atau komponen utama bersama adalah ≥

60%.
Dalam situasi lain, mungkin diperlukan dua, tiga, atau
lebih faktor untuk digunakan sebagai faktor awal dalam
analisis lanjutan, seperti analisis regresi berganda, analisis
faktor lanjutan (scond factor analysis), atau analisis yang
lain.
Apabila pada analisis faktor didasarkan pada matriks
varians-kovarians sampel S2, maka besamya keragaman yang
dapat diterangkan oleh faktor atau komponen ke-j (j = 1,
2, ..., k) ditentukan berdasarkan persamaan [7] di bawah ini.
[7] Peranan Fj =
2 2
1j 2j C +C
...
2
pj C
x 100%
2 2
... S 2 Spp11 + S 22
p
2 C
ij
= i 1
tr (S )
Di mana: tr (S) = teras dari matriks varians-

kovarians S2
Sedangkan, apabila analisis faktor didasarkan pada

matriks koefisien korelasi r, maka besamya
keragaman yang dapat diterangkan oleh faktor
atau komponen ke-j (j = 1, 2, ..., k) ditentukan
berdasarkan persamaan dengan menggunakan
persamaan [8.8] seperti uraian berikut di bawah ini.
[8] Peranan Fj =
p
2
C
ij
i 1 x 100%
tr (r)

p
2
C
ij
= i 1
P
x 100%
Di mana: tr (r) = teras dari

matriks korelasi r;
tr (r) = p; p
= banyaknya
variabel Xi yang di
analisis.
Besarnya keragaman dari variabel Xi yang dapat

diterangkan oleh faktor atau komponen ke-j di
mana (j = 1, 2, . . . , k) ditentukan berdasarkan
persamaan [8.9] seperti berikut.
C2
[9] Var Xi yang diterangkan Fj =
ij
p
C2
x 100%

i
j
i
=
1
Dalam situasi tertentu, apabila k buah faktor yang

dilibatkan dalam analisis cukup banyak, katakanlah k > 4,
maka terdapat kesulitan dalam menginterpretasikan hasil
analisis faktor. Hal ini dikarenakan adanya tumpang tindih
variabel-variabel Xj yang dapat diterangkan oleh k buah
faktor bersama tersebut. Untuk mengatasi hal ini, maka
dilakukan rotasi faktor (factor rotation). Rotasi faktor tidak
lain merupakan transformasi ortogonal dari faktor yang
telah terbentuk agar tidak terjadi keadaan variabel yang
tumpang tidih dalam menerangkan faktor bersama atau
komponen bersama yang dapat dilihat dari nilai loding
faktornya.

a. 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 analisis faktor, terdapat
tujuan lainnya adalah:
1. Tujuan kepertama 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. Tujuan kedua adalah untuk mengidentifikasi
adanya hubungan antarvariabel penyusun faktor
atau dimensi dengan faktor yang terbentuk,
dengan menggunakan pengujian koefisien
korelasi antarfaktor dengan komponen
pembentuknya. Analisis faktor ini disebut analisis
faktor kofirmatori.
3. Tujuan ketiga adalah untuk menguji valisitas dan
reliabilitas instrumen dengan analisis faktor
konfirmatori.
4. Tujuan keempat salah satu tujuan analisis faktor
adalah validasi data untuk mengetahui apakah
hasil analisis faktor tersebut dapat digeralisasi ke
dalam populasinya, sehingga setelah terbentuk
faktor, maka peneliti sudah mempunyai suatu
hipotesis baru berdasarkan hasil analisis faktor.
b. Analisis Faktor Ekspolatori atau Analisis Komponen Utama

Analisis faktor dapat dibedakan menjadi dua
macam yaitu: (1) Analisis faktor ekspolatori dan, (2)
Analisis faktor konfirmatori.
Seringkali analisis faktor eksploratori merupakan
analisis awal untuk digunakan pada analisis lanjutan
dari suatu rangkaian analisis dalam suatu penelitian.

Dalam melakukan reduksi data atau mengurangi
jumlah variabel, maka dilakuakan proses analisis faktor
eksploratori atau analisis faktor eksplanatori untuk
membuat sebuah set variabel baru, atau variabel
komponen, atau variabel laten, atau faktor, atau
konstruk yang menggantikan sejumlah variabel asal,
atau item, atau demensi penyusunnya.
Dengan demikian, variabel atau komponen atau
faktor yang terbentuk haruslah ada datanya, yang
berupa nilai skor faktor (SF) atau skor komponen. Nilai
skor faktor (SF) dari variabel laten atau faktor yang
terbentuk tergantung pada item atau sub-variabel
penyusunnya, yang akan digunakan dalam analisis
lanjutan.
Analisis lanjutan tersebut dapat berupai: uji t, uji F,
atau ANOVA, analisis regresi, analisis faktor lanjutan,
analisis kluter. dan lainnya. Analisis lanjutan akan
mempermudah interpretasi hasil analisis, sehingga
didapatkan informasi yang realistik dan sangat
berguna bagi data aslinya. Seperti contohnya dalam
analisis regresi faktor atau analisis regresi komponen
utama, dengan tujuan untuk menghilangkan adanya
kolinieritas ganda antarvariabel eksogen atau
variabel bebas Xi.
Untuk mempermudah pengertian dalam analisis
faktor perlu pemahaman tentang istilah-istilah seperti:
komponen atau faktor, variabel, dan indikator, sub
variabel, atau item seperti:
1. Variabel adalah data pengamatan atau data
bentukan yang nilai-nilainya bervariasi secara
acak atau random.
2. Faktor atau komponen adalah sebuah variabel
bentukan yang dibentuk melalui indikator-
indikator atau item-item yang teramati (obserabel
variable). Karena faktor merupakan variabel
bentukan maka faktor disebut variabel laten
(latent variable) atau unobserabel variable.
Faktor merupakan variabel baru yang bersifat
unobservable variable atau variabel tidak
teramati atau variabel laten atau konstruks atau
ada yang menyebut non visible variable, karena
sifatnya yang abstrak yaitu variabel tersebut tidak
ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN | 11

dapat diukur atau diamati secara langsung oleh
peneliti.
Akan tetapi, pada analisis faktor, di mana faktor
merupakan kumpulan atau gabungan yang
bersifat linier berbobot dari beberapa
pengukuran, atau beberapa indikator, atau
beberapa variabel pengamatan (obserabel
variable).
3. Sub-variabel juga disebut variabel pengamatan
(obserabel variable) atau variabel manifest, atau
indikator adalah suatu konsep yang merupakan
variabel yang dapat diukur atau diamati secara
langsung, sehingga disebut observable variable
atau variabel manifest atau indikator, atau item,
dan hasil pengukurannya adalah bervariasi dan
nyata.
Sebagai misal, faktor atau variabel laten
kepandaian seseorang tidak dapat diamati atau
diukur secara langsung, tetapi dapat diketahui
atau diukur melalui berbagai variabel
pengukuran kepandaian seperti: kepasihan
membaca, kecakapan berhitung, kepandaian
ilmu sosial, kepadaian menulis, kepasisan
berbahasa, pintar mengarang, dan lain-lain
sebagainya yang diukur dari nilai rapor. Hasil
analisis faktor berbeda dengan nilai kepandaian
yang dinyatakan dengan IP = indeks prestasi.
c. Analisis Faktor Eksploratori dan Analisis Faktor Konfirmatori

Analisis faktor pada dasarya dapat dibedakan
secara nyata menjadi dua macam yaitu:
1. Analisis faktor eksploratori atau analisis
komponen utama (PCA)
Analisis faktor eksploratori atau analisis
komponen utama (PCA = principle component
analysis) yaitu suatu teknik analisis faktor di mana
beberapa faktor yang akan terbentuk berupa
variabel laten yang belum dapat ditentukan
sebelum analisis dilakukan.
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
sipeneliti 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 antarfaktor yang
terbentuk tidak berkorelasi sesamanya.
Analisis faktor eksplanatori menggunakan matriks
korelasi ( r ) untuk mengestimasi faktor strukturnya.
Pada analisis faktor ekplanatori umumnya
dikembangkan untuk menjelaskan adanya
korelasi yang sangat erat di antara variabel
pembentuk faktornya. Sebagai contoh, jika
semula terdapat sepuluh variabel awal yang
saling dependen sesamanya, dengan analisis
faktor ekplanatori mungkin bisa diringkas atau
terbebtuk hanya menjadi satu atau dua
kumpulan variabel laten atau variabel baru atau
komponen baru atau faktor, Selanjutnya,
kumpulan variabel baru tersebut dikenal dengan
nama faktor atau komponen atau konstruk.
Faktor yang terbentuk tetap mewakili atau
mencerminkan variabel asli atau variabel
awalnya.
Analisis faktor eksploratori atau analisis komponen

utama (PCA) yang menitik beratkan pada
bagian variasi total yang dapat diterangkan oleh
faktor bersama yang terbentuk, di mana item-
item pembentuknya berkontribusi dengan item
lainnya membentuk himpunan variabel baru
atau faktor atau komponen atau variabel laten.
2. Analisis Faktor Konfirmatori (CFA)
Analisis faktor konfirmatori yaitu suatu teknik
analisis faktor di mana secara apriori
berdasarkan teori dan konsep yang sudah
diketahui dipahami atau ditentukan sebelumnya,
maka dibuat sejumlah faktor yang akan dibentuk,
serta variabel apa saja yang termasuk ke dalam
masing-masing faktor yang dibentuk dan sudah
pasti tujuannya. Pembentukan faktor konfirmatori
(CFA) secara sengaja berdasarkan teori dan
konsep, dalam upaya untuk mendapatkan
variabel baru atau faktor yang mewakili
beberapa item atau sub-variabel, yang
merupakan variabel teramati atau observerb
variable. Sebagai misal faktor kepandaian diukur
secara langsung, melalui variabel kepasihan
membaca, kecakapan berhitung, kepandaian
ilmu sosial, kepadaian menulis, kepasisan
berbahasa, pintar mengarang. Contoh lain faktor
keberhasilan seseorang dapat diukur dengan
variabel: kepandaian, keuletan, kekayaan, dan
kamujuran.
Pada dasarnya tujuan analisis faktor konfirmatori
adalah: kepertama untuk mengidentifikasi
adanya hubungan antarvariabel dengan
melakukan uji korelasi. Tujuan kedua untuk
menguji valisitas dan reliabilitas instrumen. Dalam
pengujian terhadap valisitas dan reliabilitas
instrumen atau kuisner untuk mendapatkan data
penelitian yang valid dan reliabel dengan analisis
faktor konfirmator.
Teknik analisis faktor konfirmatori persis sama
dengan tehnik analisis faktor eksploratori dengan
menghitung factor loading atau koefisien faktor
atau nilai lamda (λi) yang serupa dengan nilai
koefisien regresi βi yaitu faktor loding antara
indikator Xi dengan faktor Fj yang terbentuk.

Apabila nilai loding faktor atau nilai lamda (λi)
yang diperoleh lebih besar atau sama dengan
setengah (λi ≥ 0,5) atau dapat diuji dengan uji t,
dan apabila variabel menunjukkan signifikan
berarti variabel Xi atau instrumen atau item
tersebut sahih untuk dijadikan sebagai anggota
faktor yang bersangkutan.
Pada dasarnya teknik analisis faktor konfirmatori
(FCA), sebagai lawan dari analisis faktor eksploratori
(PCA). Tehnik analisis konfirmatori digunakan untuk
menguji sebuah konsep atau teori secara teoritis.
Mungkin sebuah teori yang baru dikembangkan
oleh penelili atau teori yang sudah dikembangkan
sejak lama oleh orang lain, yang untuk
pembuktiannya dibutuhkan sebuah pengujian
empirik.
Pengujian empirik itulah kadangkala di lakukan
melakui analisis SEM (Sistem Equation Modeling).
Analisis SEM digunakan untuk menguji kausalitas
yang sudah jelas ada dasar teorinya. Akan tetapi,
bukan digunakan untuk membentuktikan sebuah
teori kausalitas. Oleh karena itu, pengembangan
sebuah teori yang berdasarkan landasan i lmiah
adalah syarat utama dan pertama sebelum
menggunakan analisis SEM.
d. Tahapan Analisis Faktor Konfirmatori (FCA)

Dalam merancang sebuah model analisis faktor
perlu diperhatikan untuk dapat membentuk sebuah
faktor paling tidak mewakili tiga variabel terobservasi
atau item atau sub-variabel. Walaupun terdapat
beberapa contoh hasil penelitian di mana faktor
hanya dibentuk oleh dua variabel terobservasi, tetapi
sangat disarankan berdasarkan pertimbangan
problem indentifikasi, sebaiknya faktor dibentuk lebih
dari dua item.
Untuk proses uji validasi reliabilitas dengan
metode analisis faktor konfirmatori ada beberapa
macam syarat hang harus dipenuhi yaitu:
1. Pada tahap kepertama menilai apakah semua
sub-variabel atau item atau indikator pembentuk
faktor layak untuk diikutkan pada analisis faktor

atau tidak. Apabila tidak layak maka sub-variabel
tersebut tidak diikutkan sertakan pada analisis
faktor, dan sebaliknya apabila sub-variabel
tersebut layak maka diikutkan pada analisis.
2. Pada tahap kedua, item-item yang tidak layak
untuk difaktorkan, maka dilakukan faktoring atau
mereduksi item dengan jalan sub-variabel yang
tidak layak difaktorkan dikeluarkan dari analisis
faktor. Selanjutnya, dilakukan analisis ulang,
sehingga terbentuk satu faktor yang dapat
mewakili sub-variabel dengan item pembentuk
faktor yang baru.
3. Pada langkah selanjutnya, setelah faktornya
terbentuk, maka dapat dilakukan analisis data
lanjutan dengan menggunakan nilai skor faktor
(SF).
e. Contoh Analisis Faktor Eksploratori dan Analisis Faktor

Konfirmatori
1. Contoh analisis faktor eksploratori (CPA)
Apa yang dijelaskan pada sub Bab 8.2
adalah analisis faktor eksploratori, dan selamjutnya
akan dijelaskan pada aplikasi praktis dalam
penelitian. Suatu penelitian yang ingin
mengetahui faktor apa saja yang sebenarnya
membuat seseorang ingin membeli barang pada
suatu pertokoan.
Untuk itu dilakukan penelitian dan responden
diminta pendapatnya mengenai atribut pertokoan
seperti: layout pertokoan, kelengkapan barang yang
dijual, harga barang, pelayanan karyawan toko,
pelayanan kasir, promosi, image, dan kebersihan toko.
Hasil output komputer sebagai berikut dan datanya
tidak ditampilkan: Tabel 1. KMO and Bartlett’s Test
Kaiser-Meyer-Olkin Measure of Sampling 0,552

Adequacy (MSA)
Approximate Chi-Square 87,437
Bartlett’s Test of Sphericity Degree 28
of fredom
Significant 0,000
Angka KMO-MSA (Kaiser-Meyer-Olkin and Measure of

Sampling Adequacy) berkisar antara 0 sampai dengan 1
yang menunjukkan apakah sampel bisa dianalisis lebih lanjut
atau tidak.
Apabila nilai KMO-MSA sama dan lebih besar dari
setengah dan dengan nilai signifikan (sig) atau
peluang (p) lebih kecil dari setengah; maka dikatakan
bahwa item- iem yang dianalisis dalam analisis faktor
sudah layak untuk difaktorkan.
Dari Tabel 8.1 di atas didapatkan nilai Kaiser-
Meyer-Olkin-Measure of Sampling Adequacy sebasar
0,552 dengan nilai sig atau peluang (p) = 0,000.
Ternyata dari Tabel 8.1 nilai KMO-MSA > 0,5 dan
dengan nilai peluang (p) < 0,05. Sebagai kriteria umum
apabila tingkat kemaknaan yaitu p < 0,05 dan angka
KMO-MSA > 0,5; sehingga analisis faktor yang
dilakukan menunjukkan sampel tersebut layak untuk
difaktorkan dan faktornya dapat dianalisis lebih lanjut.
Kemudian perhatikan dari Tabel 2 berikut di mana
nilai matriks anti image correlation, khususnya nilai
pada angka koefisien korelasi yang berada pada off
diagonal (nilai yang ditebalkan). Apabila nilai matriks
anti image correlation lebih kecil dari setengah, maka
variabel tersebut harus dikeluarkan atau dieliminasi
dari analisis faktor. Perhatikan nilai yang diberi tanda
dengan a atau yang ditebalkan.

Tabel 2.Anti Image Matrices
Layout Lengka Harga Pelkar Pelkasir Promosi Image Bersih

p
Layout ,5280a -,1030 -,1210 ,0044 ,1580 ,45130 ,4631 -,1040
Lengkap -,1030 ,5130 a ,1290 -,4150 ,1300 ,2030 ,1500 -,2670
Harga -,210 ,1290 ,6240 a -,1700 -,1300 -,4882 -,2570 ,0503
Pelkar ,0044 -,4150 -,1700 ,4740 a -,1930 -,0587 -,1580 ,0467
Pelkasir ,1580 ,1300 -,1300 -,1930 ,4760 a -,5095 ,0598 -,2520
Promosi ,0451 ,2030 -,0488 -,0587 -,0510 ,7080 a -,2070 ,0474
Image ,0463 ,1500 -,2570 -,1580 ,0599 ,2070 ,6140 a -,09.30
Bersih -,1040 -,2670 ,05034 ,0667 -,2520 ,4735 ,09301 ,5050 a
a Measures of Sampling Adequacy (MSA)
Apabila nilai anti image correlation lebih kecil dari

setengah, maka variabel tersebut tidak layak dianalisis
lebih lanjut. Dari hasil analisis faktor, variabel yang
tidak layak dianalisis lebih lanjut adalah: pelkar dan
pelkasir. Variabel yang layak dianalisis lebih lanjut
adalah: layout, lengkap, harga, promosi, image, dan
bersih seperti Tabel 2.
Analisis lebih lanjut adalah melakukan reduksi
terhadap variabel yang tidak layak difaktorkan atau
dikenal dengan istilah faktoring atau eliminasi. Setelah
sub-variabel pelkar dan pelkasir di faktoring dan
dianalisis kembali, dan hasilnya seperti pada Tabel
3 di bawah..
Dari Tabel 8.3 di bawah ini, menunjukkan bahwa
ke enam variabel: layout, lengkap, harga, promosi,
image, dan bersih telah dianalisis dan terbentuk
menjadi dua faktor yaitu komponen faktor-1 dan
komponen faktor-2 (Component-1 dan Component-
2).
Cara memasukkan sub-variabel ke dalam faktor
dapat dilihat dari angka koefisien komponennya yaitu
apabila nilainya > 0,5; sehingga sub-variabel terukur
atau item tersebut dimasukan ke dalam faktor yang
bersangkutan. Hasil analisis faktor menunjukkan
bahwa yang tergolong ke dalam faktor-1 atau
komponen-1 yang selanjutnya disebut dengan faktor
internal (FI) adalah sub-variabel layout, lengkap, dan

bersih. Perhatikan Tabel 3 berikut.
Tabel 8.3 Component Matrix
Item Component
1 2
Layout 7,304 E -03 0,555
Lengkap -0,331 0,683
Harga 0,735 9,035 E-02
Promosi 0,622 -0,280
Image 0,774 -6,156 E-03
Bersih 7,148 E-02 0,737
Sedangkan, yang termasuk ke dalam faktor-2

atau komponen-2 yang selanjutnya disebut faktor
eksternal (FE) adalah sub-variabel atau item harga,
promosi, dan image. Variabel pelkar dan pelkasir
telah dikeluarkan dari analisis faktor (faktoring),
semenjak analisis faktor dilakukan karena nilai anti
image correlation-nya <0,05. Analisi faktor yang
dilakukan di atas adalah analisis faktor eksploratori
2. Contoh analisis faktor konfirmatori (CFA)

Pada analisis faktor konfirmatori, peneliti secara
apriori telah dapat membuat atau membangun
suatu hipotesis berdasarkan konsep dan teori
dengan faktor strukturnya yang telah ditentukan.
Sebagai contoh faktor struktur digambarkan seperti
di bawah ini.
Gambar 8.1Pola Analisis Faktor Konfirmatori
Contoh Gambar 8.1 berbeda dengan uraian dari

Tabel 8.3 di atas. Dari Gambar 8.1 di atas, faktor
skunder penjualan dihipotesiskan ditentukan oleh
faktor internal (FI) dan faktor eksternal (FE).
Selanjutnya, faktor internal (FI) dan faktor eksternal
(FE) adalah berupa variabel unobserable atau

variabel yang tidak teramati atau berupa faktor.
Sehingga, faktor internal (FI) dan faktor eksternal
(FE) disebut variabel laten atau faktor tingkat ke-
pertama. Faktor yang dibentuk oleh faktor internal
(FI) dan faktor eksternal (FE) disebut variabel laten
atau faktor primer yang dapat membentuk faktor
lanjutan atau faktor skunder dan sterusnya.
Variabel laten atau faktor yang dibentuk oleh
faktor internal (Fi) dan faktor eksternal (FE)
merupakan variabel laten atau faktor baru yang
terbentuk yaitu faktor penjualan (FP) yang disebut
faktor tingkat ke-dua atau faktor skunder.
Suatau hal yang harus diperhatikan bahwa, dalam
analisis faktor konfirmatori satu sub-dimensi atau
satu indikator seperti layout, lengkap, dan bersih
hanya mengukur
untuk satu faktor saja, sedangkan satu faktor bisa
terdiri atas beberapa indikator.Jadi faktor internal
(FI) dan faktor eksternal (FE) membentuk sebuah
faktor skunder
yang dinamakan faktor penjualan (FP) lihat
Gambar 8.2.
Permasalahanya sekarang, apakah benar-benar
indikator layout, lengkap, dan bersih merupakan
alat pengukur faktor intenal (FI) dan apakah
indikator harga, promosi, dan image merupakan
alat pengukur faktor eksternal (FE) yang valid dan
reliabel.
Gambar 8.2
Pembentukan Faktor Skuder Penjualan

Faktor internal (FI) yang merupakan variabel laten
atau variabe unobserable dengan tiga sub-dimensi
atau sub-faktor atau indikator atau item. Masing-
masing sub-dimensi yang diukur dengan indikator
atau variabel manifes atau variabel obserable atau
sub- variabel terukur atau sub-variabel teramati
secara langsung. Demikian juga, faktor eksternal (FE)
yang merupakan variabel laten atau variabel
unobserable dibentuk dengan tiga sub-dimensi atau
sub-faktor atau item atau indikator. Faktor internal (FI)
dan faktor eksternal (FE) dikatakan variabel laten,
karena variabel tersebut tidak bisa diukur secara
langsung, sehingga perlu ditentukan indikator atau
sub-demensi sebagai pengukurnya yaitu suatu nialai
skor-faktor (SF).
Untuk mengukur faktor internal (FI) yang
dihipotesiskan terdiri atas tiga indikator, yaitu: layout,
lengkap, dan bersih. Dan faktor eksternal (FE) yang
juga dihipotesiskan terdiri atas tiga indikator seperti,
yaitu: harga, promosi, dan image.
Untuk itu perlu konfirmasi lebih lanjut dengan
memeriksa validitas dan reliabilitas masing- nasing
faktor internal dan faktor ekternal seperti yang telah
disebutan di atas.
Hal inilah yang harus dilakukan dalam analisis faktor
seperti di atas, sehingga analisis fator tersebut
dinamakan analisis faktor konfirmatori. Jadi pada
perinsipnya hanya melakukan konfirmasi
berdasarkan teori atau konsep untuk membentuk
sebuah faktor yang telah dihipotesiskan.
Pada analisis faktor konfirmatori, faktor dari hasil
analisis dapat dipandang sebagai variabel laten
eksogen (variabel bebas) atau variabel endogen
(variabel tergantung), dan untuk selanjutnya dapat
dilakukan analisis lanjutan seperti analisis regresi,
korelasi, faktor skunder, dan analisis lainnya.
Perhatikan Gambar 8.3 di abawah ini yang
merupakan analisis korelasi antara faktor internal (FI)

dengan faktor ekstrnal (FE).
Gambar 8.3 Korelasiantara FE dengan FI
Pada model analisis faktor konfirmatori, analisisnya

menggunakan matriks korelasi atau matriks varians-
kovarians. Akan tetapi, secara teori pada umumnya
menggunakan prosedur maksimum likelihood bukan
yang lain, maka direkomendasikan pada model
analisis faktor konfirmatori menggunakan matriks
varians-kovarians.
Pada analisis faktor konfirmatori, selain penggunakan
matriks korelasi anti image, pengujian sub-demensi
yang membentuk faktor dapat dilakukan dengan uji-t,
untuk pendugaan parameternya.
Ternyata dari uji signifikansi-t terhadap sub-variabel
layout dan bersih tidak signifikan. Apabila
dibandfingkan dengan t-tabel pada taraf nyata ( ) =
0,05 dengan derajat bebas (db) = n-1; sehingga
variabel tersebut dapat dikatakan bahwa kedua
variabel bukan indikator atau sub-demensi pembentuk
faktor internal (FI).
Pada analisis faktor eksternal (FE) ternyata semua
parameternya menunjukkan hasil yang signifikan pada
uji-t dengan = 0,05; hal ini berarti bahwa variabel
harga, promosi, dan image tersebut dapat dianggap
sebagai indikator atau sub-demensi faktor eksternal.
Cara lain untuk mengkofirmasi sub-dimensi pembentuk
faktor dapat menggunakan analisis dengan AMOS.

Apabila dari signifikansi model menunjukkan nilai uji
chi-square dengan nilai yang ≥ 0,05 artinya model
analisis faktor tersebut adalah Fit (cara pembuktian
dengan AMOS). Artinya sub-variabel atau demensi
penyusun faktor adalah layak untuk difaktorkan.
Ada pula yang mengatakan bahwa apabila nilai
koefisien komponen matriks setiap sub-variabel
bernilai ≥ 0,5; maka sub-variabel atau demensi
teramati atau item atau indikator tersebut dapat
diterima sebagai sub-variabel pembentuk faktor. Ada
juga yang memakai nilai koefisien komponen matriks
setiap sub-variabel atau dimensi bernilai ≥ 0,3 maka
item tersebut dapat dikatakan ikut membentuk fator
yang dimaksud, yang ini bersifat relatif dan tergantung
pada sipeneliti.
8.9 Aplikasi Analisis Faktor

Suatu kelompok peternak pemelihara sapi ingin
mengetahui keberhasilan pemeliharaan ternak sapinya
yang didasarkan pada berat bibit awal yang dipeliharanya
(X1), jumlah makanan hijauan (X2), makanan kering jerami
(X3), makanan dedak (X4), jenis suplemen (X5), jenis obat-
obatan (X6), tenaga kerja yang dicurahkan pada usaha
ternaknya (X6), dan jenis kandang (D) yang digunakan
pada pemeliharaan ternaknya. Kandang yang digunakan
adalah kandang permanen D = 1, dan kandang tradisional
D = 0. Keberhasilan diukur dengan berat sapi yang dijualnya
(Y) setelah pemeliharaan. Cobalah lakukan analisis faktor
ekspolatori dan analisis faktor konfirmatori dari data pada
Tabel 8.1 di bawah ini.
Tabel 8.4 Data Pemeliharaan Ternak Sapi
Berat Tenaga
bibit Hijauan Jerami Dedak Suplemen Obat Kerja Jenis Output
No. (Kg) ( Kg) (Kg) (Kg) (Kg) (Dosis) (Jam) kandang (Kg)
(X1) (X2) (X3) (X4) (X5) (X6) (X7) (D) (Y)
1 555,00 14400,00 7200,00 360,00 1,00 2,00 112,50 0 785,00
2 575,00 16200,00 6480,00 360,00 14,40 2,00 101,25 0 817,00
3 600,00 18000,00 5400,00 360,00 12,60 3,00 99,00 0 822,00
4 525,00 17280,00 7200,00 180,00 1,00 1,00 90,00 0 796,00
5 575,00 18000,00 5400,00 180,00 12,60 2,00 92,25 0 804,00
6 575,00 14400,00 7200,00 360,00 10,80 3,00 90,00 0 781,00

7 584,00 16200,00 6480,00 360,00 14,40 2,00 90,00 0 813,00
8 575,00 18000,00 5760,00 180,00 1,00 3,00 101,25 0 809,00
9 865,00 21600,00 9720,00 540,00 18,00 3,00 90,00 0 1167,00
10 885,00 23400,00 9000,00 540,00 19,80 4,00 99,00 0 1214,00
11 862,00 23400,00 9720,00 540,00 16,20 3,00 101,25 0 1238,00
12 875,00 25200,00 10800,00 720,00 18,00 2,00 90,00 0 1252,00
13 875,00 27000,00 9000,00 540,00 21,60 1,00 103,50 0 1251,00
14 883,00 21600,00 10800,00 540,00 21,90 3,00 99,00 0 1186,00
15 870,00 25920,00 8640,00 540,00 18,20 2,00 90,00 0 1211,00
16 1158,00 32400,00 12600,00 720,00 27,00 4,00 112,50 0 1609,00
17 1065,00 30600,00 12960,00 720,00 28,80 4,00 101,25 0 1551,00
18 1138,00 34200,00 12600,00 900,00 30,60 5,00 123,75 0 1598,00
19 1117,00 34560,00 11520,00 900,00 27,00 3,00 108,00 0 1558,00
20 1125,00 36000,00 9000,00 900,00 25,20 2,00 112,50 0 1544,00
21 1200,00 34560,00 12960,00 720,00 28,80 3,00 117,00 0 1628,00
22 1171,00 32400,00 14400,00 900,00 30,60 2,00 112,50 0 1695,00
23 1419,00 36000,00 16200,00 1080,00 32,40 4,00 126,00 0 2042,00
24 1460,00 34200,00 16200,00 1080,00 36,00 6,00 148,50 0 2041,00
25 1455,00 43200,00 10800,00 1080,00 36,00 5,00 135,00 0 1990,00
26 1731,00 54000,00 14400,00 1080,00 43,20 6,00 126,00 0 2381,00
27 1682,00 45000,00 21600,00 1080,00 43,20 5,00 148,50 0 2369,00
28 1771,00 46800,00 19800,00 1260,00 43,20 6,00 137,25 0 2052,00
29 2001,00 57600,00 21900,00 1260,00 50,40 6,00 157,50 0 2803,00
30 2200,00 63000,00 27000,00 1460,00 61,21 8,00 194,50 0 3082,00
31 546,00 23400,00 12600,00 1080,00 36,00 5,00 171,90 1 976,00
32 566,00 21600,00 16200,00 1080,00 36,00 7,00 149,85 1 973,00
33 544,00 21600,00 14400,00 1080,00 36,00 6,00 149,40 1 989,00
34 534,00 23400,00 17280,00 1080,00 36,00 6,00 160,60 1 938,00
Tabel 8.4 Data Pemeliharaan Ternak Sapi (lanjutan)

Berat Tenaga
bibit Hijauan Jerami Dedak Supleme Obat kerja Jenis Output
n
No. (Kg) ( Kg) (Kg) (Kg) (Kg) (Dosis) (Jam) kandang (Kg)
(X1) (X2) (X3) (X4) (X5) (X6) (X7) (D) (Y)
35 807,00 33400,00 23760,00 1620,00 45,00 7,00 157,50 1 1460,00
36 799,00 32400,00 21600,00 1620,00 45,00 6,00 180,00 1 1430,00
37 798,00 32400,00 23400,00 1620,00 45,00 7,00 157,50 1 1451,00
38 793,00 33400,00 21600,00 1620,00 45,00 8,00 168,75 1 1431,00
39 794,00 34200,00 23400,00 1620,00 45,00 7,00 135,00 1 1443,00
40 807,00 36000,00 21600,00 1620,00 45,00 6,00 168,75 1 1460,00
41 783,00 30600,00 27000,00 1620,00 45,00 6,00 191,25 1 1417,00
42 813,00 36000,00 21600,00 1620,00 45,00 9,00 172,35 1 1447,00
43 1140,00 36000,00 36000,00 2160,00 72,00 10,00 187,20 1 2007,00

44 1065,00 45000,00 28800,00 2160,00 72,00 11,00 209,00 1 1778,00
45 1061,00 39600,00 32400,00 2160,00 72,00 12,00 187,20 1 1937,00
46 1172,00 43200,00 36000,00 2160,00 72,00 10,00 198,45 1 1985,00
47 1131,00 37800,00 34200,00 2160,00 72,00 8,00 175,95 1 1994,00
48 1113,00 41400,00 34200,00 2160,00 72,00 13,00 164,60 1 1985,00
49 1157,00 36000,00 39600,00 2160,00 72,00 12,00 175,95 1 1914,00
50 1090,00 45000,00 30600,00 2160,00 72,00 11,00 187,20 1 1891,00
51 1477,00 54000,00 39000,00 2700,00 90,00 13,00 193,00 1 2532,00
52 1299,00 57600,00 41400,00 2700,00 90,00 12,00 216,00 1 2350,00
53 1334,00 50400,00 43200,00 2700,00 90,00 15,00 182,25 1 2390,00
54 1359,00 55800,00 41400,00 2700,00 90,00 10,00 171,00 1 2413,00
55 1648,00 64400,00 46800,00 3240,00 108,00 14,00 225,00 1 2880,00
56 1690,00 63000,00 45000,00 3240,00 108,00 15,00 202,00 1 2923,00
57 1781,00 66600,00 39600,00 3240,00 108,00 14,00 180,00 1 2989,00
58 1932,00 75600,00 54000,00 3780,00 126,00 16,00 232,20 1 3429,00
59 1938,00 88200,00 45000,00 3780,00 126,00 15,00 209,70 1 3423,00
60 1946,00 90000,00 43200,00 3780,00 126,00 16,00 209,70 1 3361,00
D = jenis kandang ; kandang permanen D = 1 dan kandang tradisional D = 0.
Untuk menjawab pertanyaan di atas, ada dua macam

analisis faktor yaitu: 1). Analisis faktor eksploratori dan
2). Analisis faktor konfirmatori, masing-masing dengan
uraian:
1. Analisis faktor eksploratori

Untuk menjelaskan data Tabel 8.4 di atas dapat
digunakan hasil perhitungan seperti:
(1) Kaiser-Meyer-Olkin (KMO test), (2) anti-image
correlassion test, (3) total variance explained test, (4)
cumunality, (5) component matrix, (6) component scor
coefisient matrix, dan (7) factor rotation.
(1). Kaiser-Meyer-Olkin and Bartlett's Test. Yang perlu

diperhatikan dalam KMO and Bartlett's test yaitu
nilai KMO-MSA dan nilai peluang (sig. = p.),
dengan uraian seperti berikut. Dari hasil analisis
kelayakan faktor di atas, didapatkan nilai KMO-
MSA (Kaiser-Meyer-Olkin measure of sampling
adequacy) sebesar 0,853 > 0,05 dan dengan nilai
peluang (p) < 0,05 ini berarti bahwa semua sub-
variabel pengukuran atau dimensi yang
menentukan keberhasilan pemeliharaan ternak
sapi (dari X1 sd D) syah untuk difaktorkan seperti
pada Tabel 8.5 berikut.

Tabel 8.5 Hasil Analisis Kelayakan Faktor (KMO and
Bartlett's Test) pada Pemeliharaan Ternak Sapi
Kaiser-Meyer-Olkin Measure of Sampling Adequacy 0,853

Bartlett's Test of sphericity Approx. Chi-Square 1031,679
Degree of fredom 28,000
Significant 0,000
(2). Anti-image correlassion test. Selanjutnya, dari

Tabel 8.6 di bawah ternyata dari delapan sub-
variabel pengukuran atau dimensi yang
difaktorkan menunjukkan semua variabel
pengukuran mempunyai nilai anti image korelasi >
0,5 yang berarti bahwa semua sub-variabel
pengukuran atau dimensi berhak dijadikan
komponen faktor bersama penentu keberhasilan
pemeliharaan ternak sapi. Dan apabila nilai anti-
image < 0,5 maka variabel pengukuran tersebut
harus dikeluarkan dari komponen faktor bersama
dan data dianalisis ulang tanpa mengikut sertakan
data yang nilai anti-image-nya < 0,5.
Tabel 8.6 Anti-image Matrices Correlation

Anti-image
X1 X2 X3 X4 X5 X6 X7 D
correlation
X1 ,697(a) -,691 -,406 ,335 -,098 -,039 -,284 ,538
X2 -,691 ,795(a) ,586 -,486 -,199 ,125 -,128 ,081
X3 -,406 ,586 ,869(a) -,405 -,257 -,085 -,208 ,024
X4 ,335 -,486 -,405 ,848(a) -,584 -,015 ,148 -,300
X5 -,098 -,199 -,257 -,584 ,904(a) -,337 ,041 ,033
X6 -,039 ,125 -,085 -,015 -,337 ,971(a) -,065 -,101
X7 -,284 -,128 -,208 ,148 ,041 -,065 ,887(a) -,657
D ,538 ,081 ,024 -,300 ,033 -,101 -,657 ,792(a)
(3). Total variance explained test. Tabel 8.7, jumlah

faktor bersama yang terbentuk adalah sebanyak
variabel penyusunnya atu dimensi, dalam hal
contoh ini sebanyak delapan faktor bersama.
Faktor bersama dengan nilai initial eigenvalue
total yang ≥ 1, merupakan faktor yang mewakili
sub-variabel pembentuknyua. Sumbangan faktor

bersama yang terbentuk dalam analisis dapat
dilihat dari nilai Total variance explained.
Ternyata dari Tabel 8.7 diketahui bahwa dari tujuh
variabel pengukuran atau dimensi (X 1 sd D)
terbentuk dua faktor bersama, yaitu faktor
berama satu (F1) dengan persentase variansnya =
81,61 dan faktor bersama dua (F2) dengan
persentase varians = 14,46 serta komulatif
persentase varians yang terbentuk dari ke-dua
faktor bersama adalah sebesar = 96,07 dan
sisanya 3,97% terdiri atas enam faktor bersama
yang masing-masing nilainya dapat dilihat pada
Tabel 8.7. Jadi jumlah faktor bersama yang
mewakili delapan sub-variabel pengukuran atau
dimensi (X1 sd D) ditentukan oleh nilai initial
eigenvalue total yang ≥ 1 yaitu sebanyak dua
buah faktor yaitu F1 dan F2.
Tabel 8.7 Total Variance Explained (Sumbangan Komponen

Faktor)
Initial Extraction Sums
Component Eigenvalues of Squared Loadings
Persentase Cumula- Persentase Cumula-
Total Variance tive (%) Total Variance tive (%)
1 6,529 81,610 81,610 6,529 81,610 81,610
2 1,157 14,460 96,070 1,157 14,460 96,070
3 0,140 1,746 97,816
4 0,077 0,967 98,783
5 0,049 0,614 99,397
6 0,031 0,387 99,784
7 0,011 0,139 99,924
8 0,006 0,076 100,000
Extraction Method: Principal Component Analysis.
(4). Communalities atau peranan faktor). Pada

penjelasan (3) di atas bahwa terbentuk dua faktor
bersama F1 dan F2. Dalam komunaliti
(Communalities) faktor yang terbentuk
merupakan satu kesatuan, sehingga peranan
atau sumbangan masing-masing dimensi atau
sub-variabel penyusun terhadap faktor secara

bersama yaitu F1 dan F2 seperti pada Tabel 8.8.
Tabel 8.8 Communalities (Peranan Variabel)
Variable Initial Extraction
X1 1,000 0,978
X2 1,000 0,964
X3 1,000 0,957
X4 1,000 0,979
X5 1,000 0,983
X6 1,000 0,946
X7 1,000 0,903
D 1,000 0,975
Extraction Method: Principal Component
Perhatikan nilai initial dan extraction. Nilai initial

mencerminkan peranan atau sumbangan kalau
variabel penyusun faktor secara individual
membentuk faktor tersebut, sedangkan extraction
menjelaskan persentase peranan atau
sumbangan masing-masing dimensi atau sub-
variabel penyusun faktor secara individual
terhadap vaktor. Dari Tabel 8.8 diketahui bahwa
peranan dimensi yang terbesar adalah sub-
variabel X5 sebesar 0,983 atau 98,3% dan yang
terkecil adalah X7 sebesar 0,907 atau 90,7%.
(5). Component matrix (dimensi penyusun faktor).

Pada penjelasan (3) di atas bahwa terbentuk dua
faktor bersama F1 dan F2, masing-masing dimensi
penyusun faktornya terdapat pada Tabel 8.9.
Perhatikan nilai-nilai pada setiap komponen
faktor.

Tabel 8.9 Component Matrix (Variabel Penyusun
Faktor)
Component
Dimensi 1 (F1) 2 (F2)
X1 0,679 0,719
X2 0,892 0,411
X3 0,976 -0,073
X4 0,988 -0,051
X5 0,991 0,034
X6 0,967 -0,108
X7 0,930 -0,194
D 0,750 -0,643
Extraction Method: Principal Component Analysis. a 2

components extracted.
Perhatikan komponen faktor satu (F1) dari X1 sd D,

apabila nilai komponen faktornya ≥ 0,5 berarti
bahwa dimensi atau sub-variabel pengukuran
faktor tersebut merupakan anggota faktor yang
terbentuk, Sebaliknya, jika nilai komponen faktor
< 0,5 berarti bahwa dimensi sub-variabel
pengukuran bukan anggota faktor tersebut.
Apabila antara komponen faktor satu dan
komponen faktor dua terdapat nilai-nilai dalam
satu variabel pengukuran yang ≥ 0,5 pada kedua
faktor maka analisis faktor harus diulang dan
dilakukan rotasi faktor dengan metode varimax
atau yang lain sampai tidak terdapat nilai-nilai
komponen bersama yang ≥ 0,5 pada dua
komponen faktor atau lebih. Nilai komponen faktor
dapat pula diartikan sebagai korelasi antara faktor
yang terbentuk dengan komponennya (rFjXi).
Sebagai contoh korelasi antara F1 dengan X1 dan
F2 dengan X1 masing-masing komponen faktor
sebesar 0,679 dan 0,719; dan nilai korelasi yang
tertinggi pada F1 adalah korelasi antara F1 dengan
X5 (rF1X5) sebesar 0,991. Ternyata dari Tabel 8.4 data
tidak dapat dirotasi, karena setelah itersasi ke-3
kalinya menjadi konvergen, sehingga data
selanjutnya diinterprestasi apa adanya pada analisis
pertama.

(6). Component scor coefient matrix atau koefisien
dimensi penyusun faktor. Pada penjelasan
pembicaraan ini, menekankan pada bentuk
hubungan atau model atau persamaan antara
faktor dengan variabel penyusunnya Tabel 8.10.
Scor coefient merupakan kontanta atau koefisien
serupa dengan koefisien regresi (βi ) pada
persamaan regresi berganda.
Tabel 8.10 Component Scor Coefisien Matrix

(Koefisien Dimensi Penyusun Faktor)
Component
Dimensi 1 (F1) 2 (F2)
X1 0,104 0,621
X2 0,137 0,355
X3 0,149 -0,063
X4 0,151 -0,044
X5 0,152 0,029
X6 0,148 -0,093
X7 0,143 -0,168
D 0,115 -0,555
Perlu dipahami bahwa pada analisis faktor semua

dimensi atau sub-variabel penyusun faktor atau
item telah ditranspormasi ke dalam data standar
atau data Z (data Z mempunyai rata-rata = 0,
varians = 1, dan data tanpa satuan atau relatif).
Rumus umum Z adalah: Zi Xi X i ‾.
Nilai faktor untuk setiap sampel disebut dengan
nilai skor faktor (SF) dan setiap nilai skor faktor
merupakan data baru yang menyusun sebuah
variabel baru dari sub-variabel penyusun atau
dimensi atau itemnya.
Persamaan umum skor faktor Fj = a1 ZX1 + a2 ZX2 +

. . . + ap ZXp + εj
Di mana:
Fj (j = 1, 2, . . ., k) merupakan skor faktor atau

komponen bersama ke-j ZXi = sub-variabel atau
dimensi atau item yang distandarkan

ai (i = 1, 2, . . ., p; dan j = 1, 2., . . ., k) merupakan
parameter yang merefleksikan pentingnya faktor
komponen ke-j. ai dalam analisis faktor disebut
bobot (loading) atau Component Scor Coefisien
Matrix dari respons ke-i pada faktor bersama ke-
j.
εj (i = 1, 2, . . . , k) merupakan galat dari respons
ke-j, dalam analisis disebut sebagai faktor/
komponen spesifik ke-i yang bersifat acak.
Nilai koefisien scor matrix atau bobot faktor

diambil dari Tabel 8.10 di atas, sehingga
persamaan skor faktor dari contoh analisis
menjadi:
Untuk skor faktor satu -> F1 = 0,104 ZX1 + 0,137 ZX2 +
0,149 ZX3 + 0,151 ZX4 +
0,152 ZX5 + 0,148 ZX6 + 0,143 ZX7 + 0,115 ZD
Untuk skor faktor duau -> F2 = 0,621 ZX1 + 0,355 ZX2
- 0,063 ZX3 - 0,044 ZX4 +
0,029 ZX5 - 0,093 ZX6 - 0,168 ZX7 - 0,555 ZD
(7). Factor rotation. Apabila antara komponen faktor

yang satu dan komponen faktor yang lain
terdapat nilai-nilai komponen faktor dalam satu
variabel pengukuran yang ≥ 0,5 pada kedua
faktor bersaama, maka analisis faktor harus
diulang dengan cara lain atau dilakukan rotasi
faktor (factor rotation). Rotasi faktor dilakukan
dengan metode varimax atau equamax atau
yang lain sampai tidak terdapat nilai komponen
bersama yang ada pada sub-variabel ≥ 0,5 pada
dua komponen faktor atau lebih.
Sebagai contoh dimensi atau item X1 pada faktor
F1 dan faktor F2 dengan nilai komponen faktor
maing-masing sebesar 0,679 dan 0,719 keduanya
≥ 0,5 seperti pada Tabel 8.9 baris pertama.
Demikian pula dimensi atau item D pada faktor F1
dan faktor F2 dengan nilai komponen faktor
maing-masing sebesar 0,650 dan -0,643 keduanya
≥ |0,5|; sehingga perlu dilakukan rotasi seperti
pada Tabel 8.9 baris kedelapan.
Ternyata dari Tabel 8.4 data tidak dapat

dirotasi, karena setelah itersasi ke-3 menjadi
konvergen, sehingga data diinterprestasi apa
adanya seperti pada analisis pertama.
2. Analisis faktor konfirmatori

Untuk menjelaskan data pada Tabel 8.4 dengan
analisis faktor konfirmatori pola perhitungannya hampir
sama seperti analisis faktor eksploratori yang telah
dibicarakan. Kecuali tidak melakukan rotasi faktor
sehinga yang ditentukan: (1) Kaiser-Meyer- Olkin
(KMO test), (2) anti-image correlassion test, (3)
cumunality, (4) cumunality,
(5) component matrix, dan (6) component scor
coefisient matrix.
Yang membedakan analisis faktor konfirmatori dengan
analisis faktor eksploratori adalah penentuan sub-
variabel pengukuran sudah ditentukan jauh sebelum
analisis dilakukan, seperti pada data Tabel 8.8. Faktor
makanan yang dapat dibentuk dari makanan hijauan
(X2), makanan jerami kering (X3), makanan dedak
(X4), jenis suplemen (X5), dan jenis obat-obatan (X6).
Selanjutnya, faktor makanan dapat dipilah menjadi:
(1) faktor makanan utama yang terdiri atas: makanan
hijauan (X2), makanan jerami kering (X3), dan
makanan dedak (X4); dan (2) faktor makanan
utambahan yang terdiri atas jenis suplemen (X5) dan
jenis obat-obatan (X6). Tergantung pada teori dan
konsep yang diajukan atau dipostulatkan.
Hasil analisis faktor konfirmatori faktor makan menjadi:
(1). Kaiser-Meyer-Olkin and Bartlett's Test. KMO and
Bartlett's test dan nilai peluang (sig. = p.), sebesar
0, 853 > 0,05 dan dengan nilai peluang (p) < 0,05
ini berarti bahwa semua sub-variabel pengukuran
makanan layak sebagai faktor makanan (dari X 2
sd X6) seperti pada Tabel 8.11 berikut.

Tabel 8.11 Hasil Analisis Kelayakan Faktor Makanan
pada Pemeliharaan Ternak Sapi
Kaiser-Meyer-Olkin Measure of Sampling Adequacy 0,853
Bartlett's Test of Sphericity Approx. Chi-Square 649,644
Df 10,000
Sig. 0,000
(2). Anti-image correlassion test. Dari Tabel 8.12 di

bawah ternyata dari enam sub- variabel
pengukuran penyusun faktor makanan (X 2 sd X6)
menunjukkan semua variabel mempunyai nilai
anti image korelasi > 0,5 yang berarti bahwa
semua variabel tersebut syah untuk difaktorkan
menjadi faktor makanan
Tabel 8.12 Anti-image Matrices Correlation Hasil

Analisis Faktor Makanan pada Pemeliharaan
Ternak Sapi
Anti-image
X2 X3 X4 X5 X6
Correlation
X2 .802(a) 0,369 0,143 -0,673 0,313
X3 0,369 ,912(a) -0,211 -0,368 -0,132
X4 0,143 -0,211 ,875(a) -0,660 -0,110
X5 -0.673 -0,368 -0,660 0,763(a) -0,325
X6 0,313 -0,132 -0,110 -0,325 0,936(a)
a. Measures of Sampling Adequacy (MSA)
(3). Total variance explained test. Seperti pada Tabel
8.13, terlihat bahwa hanya sebuah faktor bersama
makanan yang terbentuk dari sub-variabel
penyusunnya. Faktor bersama makanan tersebut
dengan nilai initial eigenvalue total sebesar 4,679
≥ 1, merupakan faktor yang mewakili sub-variabel
pembentuknyua. Sumbangan faktor bersama
makanan yang terbentuk dari dimensi X 2 sd X6
dengan persentase varians sebesar 93,580.
Jadi jumlah faktor bersama yang mewakili lima sub-
variabel pengukuran atau dimensi X 2 sd X6
ditentukan oleh satu faktor bersama makanan.

Tabel 8.13 Sumbangan Komponen Faktor
Makanan
Component Initial Extraction Sums
Eigenvalues of Squared Loadings
Cumula- Cumula-
% of % of
Total tive (%) Total tive (%)
ariance Variance
1 4,679 93,580 93,580 4,679 93,580 93,580
2 ,240 4,804 98,384
3 ,049 ,984 99,368
4 ,024 ,479 99,847
5 ,008 ,153 100,000
Extraction Method: Principal Component Analysis.
(4). Communalities atau peranan faktor. Dalam

komunaliti faktor makanan yang terbentuk
merupakan satu kesatuan, sehingga peranan atau
sumbangan masing- masing dimensi atau sub-
variabel penyusun faktor terhadap faktornya,
seperti peranan sub-variabel makanan terhadap
variabel makanan tertinggi ditentukan oleh sub
variabel X5 (jenis suplemen) sebesar 99,2% dan
terkecil oleh sub variabel X2 (makanan hijauan)
sebesar 81,8% seperti pada Tabel 8.14 di bawah ini.
Tabel 8.14 Communalities (Peranan Variabel = R 2)
Variable Initial Extraction

X2 1,000 0,818
X3 1,000 0,951
X4 1,000 0,982
X5 1,000 0,992
X6 1,000 0,936
Extraction Method: Principal Component
(5) Component matrix (dimensi penyusun faktor).

Pada penjelasan total variance explained test di
bawah bahwa terbentuk satu faktor bersama
makanan, semua dimensi penyusun faktornya (X2
sd X6) terdapat pada Tabel 8.15 di bawah ini.

Perhatikan nilai-nilai pada setiap komponen
faktor.
Perhatikan komponen faktor makanan X2 sd X6,

ternyata nilai komponen faktor ≥ 0,5 berarti
bahwa dimensi faktor makanan X 2 sd X6 tersebut
merupakan anggota faktor makananan yang
terbentuk. Ternyata dari Tabel 8.15 tidak perlu
dirotasi, karena terbentuk satu faktor bersama
makanan.
Tabel 8.15 Component matrix (dimensi penyusun

faktor)
Dimensi faktor atau Component
komponen penysun faktor Faktor makanan
X2 0,905
X3 0,975
X4 0,991
X5 0,996
X6 0,968
Extraction Method: Principal Component Analysis. a
One components extracted.
(5) Component scor coefient matrix atau fungsi

hubungan dimensi-faktor. Nilai skor faktor untuk
setiap dimemsi skor faktor (SF) atau nilai
koefisiennya = CFC. Nilai skor faktor untuk setiap
dimemsi skor faktor (SF) makanan dengan
persamaan umum skor faktor (perhatikan cara
penulisan persamaannnya selalu memakai nilai
baku atau nilai standar Z) adalah sebagai berikut;:
Fmakanan = 0,193 ZX2 + 0,208 ZX3 + 0,212 ZX4 +

0,213 ZX5 + 0,207 ZX6.
Tabel 8.15 Component scor coefient matrix

(dimensi penyusun faktor)
Dimensi faktor atau Component scor coefient (CSC)
komponen penysun faktor Faktor makanan
X2 0,193
X3 0,208

X4 0,212
X5 0,213
X6 0,207

BAB II
MENGEMBANGKAN INSTRUMEN PERFORMANSI TYPIKAL
Tes berdasarkan tipe tingkah laku yang diukur dapat dibagi

menjadi dua, yaitu maximum performance test( t e s
kemampuan) dan typical performance test (tes
k e p r i b a d i a n ) . Typical performance test tidak mengukur
kemampuan seseorang, namun menilai apa yang lebih
dipilih untuk dilakukan oleh kandidat dalam suatusituasi
(Klehe & Latham, 2008). Typical performance test dikenal juga
dengan istilah tes kepribadian. Tes kepribadian sendiri dibagi
menjadi dua, yaitu tes kepribadian terstruktur (objektif) dan tes
kepribadian projektif. Tes objektif merupakan tes yang meminta
responden untuk membuat respon tertentu pada sekumpulan
instruksi yang terstruktur (misalnya benar atau salah, ya atau
tidak, atau memilih jawaban yang benar) (Silverman, 1990).
Salah satu bentuk tes objektif adalah tes inventori, yaitu tes
yang dapat digunakan untuk mengukur ke pribadian
se se o ran g , n am un dibe rikan dalam be n tuk bukan skala
(m isaln y a ya/tidak, pilihan berganda, atau forced choice).
Terdapat bentuk tes lainnya yaitu berupa skala. Memberikan
skala merupakan suatu proses di mana alat pengukuran
didesain dan dikalibrasikan dengan angka-angka (atau indeks
lainnya) - nilai skala -yang diberikan pada trait, attribute, atau
karakteristik yang diukur (Cohen, Swerdlik,& Sturman, 2010). Salah
satu contoh dari tes yang berbentuk inventori adalah DISC
P e rso n ality Te st y an g di ke m ba n g kan o le h C larke
(Ma lan , 2 0 1 3 ). Di s isi lain , HEXACO Scales merupakan salah
satu contoh dari tes yang berbentuk skala yang dikembangkan
oleh Lee dan Ashton pada tahun 2004 (Lee & Ashton, 2004)
A. Motivasi Kerjasama
Atkinson, Reitman, dan Heckhansen seperti yang dikutip
oleh Hadinoto (1983:104), membedakan istilah motif dan
motivasi. Motif secara umum diartikan sebagai suatu
kecenderungan seseorang. Oleh karenanya motif dipandang
masih bersifat potensial. Oleh karnnya motif dipandang masih
bersifat potensial. Aktualisasi dari motif ini dinamakan motivasi
yang umumnya diwujudkan dalam perbuatan nyata.
Sementara itu McClelland, et al., (1953) seperti yang dikutip
oleh Hadinoto (1983:7) tidak membedakan secara tegas

antara motif dan motivasi. Pendapat yang terakhir ini menjadi
acuan konsep motivasi.
Pengertian yang diberikan oleh para ahli terhadap istilah
motivasi adalah bermacam-macam, walaupun maksudnya
hampir sama. Hal ini terjadi karena adanya berbagai macam
teori tentang motivasi. Gigge & Hunt (1980:30) mendefinisikan
motivasi sebagai dorongan rasa ingin tahu yang menyebabkan
seseorang berusaha atau mencapai keinginannya. Nolker &
Schoenfeldt (1983:4) mengartikan motivasi sebagai sesuatu
yang menggerakkan timbulnya perilaku. Wexley (1984:13)
mengatakan, motivasi adalah suatu proses yang
menyebabkan tingkah laku seseorang menjadi lebih kuat dan
terarah pada sesuatu yang sedang dikerjakan. Sedangkan
Armstrong (1990:68) mendefinisikan motivasi sebagai sesuatu
yang membuat orang bertindak atau berperilaku dalam cara-
cara tertentu. Jadi menurut para ahli, motivasi merupakan
dorongan, sesuatu yang menggerakkan seseorang bertindak
atau berperilaku untuk mencapai tujuan atau keinginannya.
Motivasi yang mempengaruhi seseorang untuk
melakukan sesuatu kegiatan dapat timbul dari dalam dirinya
sendiri atau pun timbul akibat pengaruh dari luar. Menurut para
ahli psikologi behaviorisme, motivasi dapat ditimbulkan atau
ditumbuhkan karena kebutuhan dan rangsangan (Bigge &
Hunt, 1980:30). Kebutuhan dan rangsangan akan
menumbuhkan dorongan dari dalam diri. Seperti misalnya,
produktivitas kerja tinggi dari karyawan perusahaan menjadi
keinginan pimpinan perusahaan tersebut sehingga
mendorong pimpinan untuk senantiasa meningkatkannya.
Agar produktivitas suatu perusahaan tinggi dibutuhkan
karyawan yang terampil. Kebutuhan akan tenaga kerja terdidik
dan terampil yang siap kerja inilah menjadi motivasi pihak
perusahaan untuk melakukan kerja sama dengan sekolah
kejuruan dalam bentuk institusi pasangan. Hal ini sejalan
dengan pendapat Hamilton, bahwa motivasi perusahaan
untuk bekerja sama dengan sekolah kejuruan salah satunya
adalah karena industri atau perusahaan memerlukan tenaga
kerja terdidik yang betul-betul terampil (Clinton, 1984:43).
Dengan demikian kebutuhan akan tenaga kerja terdidik yang
betul-betul terampil menjadi salah satu faktor yang
menentukan motivasi perusahaan/industri untuk melakukan
kerjasama dengan sekolah kejuruan.

Di samping kebutuhan akan tenaga kerja terampil yang
siap kerja, pihak perusahaan/industri dirangsang oleh faktor
lain, yaitu Keputusan Menteri Keuangan Republik Indonesia
Nomor 770/KMK.04/1990 tentang perlakuan pajak penghasilan
atas biaya latihan karyawan, permagangan, dan bea siswa
yang dikurangkan dari penghasilan bruto, menjadi faktor yang
menentukan pihak perusahaan/industri untuk melakukan kerja
sama. Keputusan tersebut berarti memberikan keringanan
pajak terhadap perusahaan/industri yang melakukan latihan
karyawan, permagangan, dan bea siswa. Dengan kata lain
perusahaan/industri yang melakukan kerja sama dengan
dunia pendidikan mendapat keringanan pajak. Jadi
keringanan pajak merupakan salah satu faktor yang
menentukan pihak perusahaan/industri bekerja sama dengan
sekolah kejuruan.
Untuk menghasilkan sumber daya manusia yang terdidik
dan terampil dilakukan melalui pendidikan. Pendidikan
merupakan tanggungjawab pemerintah, masyarakat, dan
orang tua. Masyarakat termasuk di dalamnya adalah
perisahan, dunia usaha, dan industry. Jadi dunia usaha dan
indsutri memiliki tanggung jawab social terhadap peningkatan
kualitas sumber daya manusia.
Pengangguran terbuka tidak menunjukkan gejala
penurunan, bahkan cenderung bertambah. Pada 1990 jumlah
pengangguran terbuka lulusan SLTA umum dan kejuruan
berjumlah 1.267.464 orang, dan pada 1991 berjumlah 1.310.568
orang (BPS, 1989). Hal ini tidak saja menjadi tanggung jawab
pemerintah akan tetapi juga menjadi tanggung jawab dunia
usaha dan dunia industry. Untuk itu dunia usaha dan industri
melakukan kerja sama dengan dunia pendidikan. Ini sejalan
dengan pandangan Hamilton, bahwa motivasi perusahaan
melakukan kerja sama dengan dunia pendidikan adalah
karena tanggung jawab social (Clinton, 1984:44). Dengan kata
lain tanggung jawab social merupakan factor lain yang
mempengaruhi pihak perusahaa atau industri melakukan
kerjasama dengan sekolah kejuruan.
Dari uraian di atas dapatlah disimpulkan bahwa motivasi
kerja sama pihak industri atau perusahaan dengan sekolah
kejuruan terdiri dari tiga faktor yaitu: (1) kebutuhan akan
tenaga kerja terdidik yang betul-betul terampil, (2) tanggung
jawab sosial, dan (3) keringanan pajak.

B. Instrumen Motivasi Kerja Sama
Definisi Operasional
Motivasi kerja sama adalah dorongan, sesuatu yang
menggerakkan seseorang bertindak untuk melakukan kerja
sama. Motivasi kerja sama tediri dari tiga faktor yaitu kebutuhan
akan tenaga kerja terdidik terampil, tanggung jawab sosial,
dan keringanan pajak. Untuk menggali data motivasi kerja
sama dilakukan melalui angket menggunakan skala Likert
dengan 4 (empat) pilihan.
Indikator dari faktor pertama, yaitu kebutuhan tenaga
kerja terdidik dan terampil adalah kemajuan perusahaan,
meringankan biaya latihan, dan siap dalam bekerja. Indikator
faktor kedua (tanggung jawab sosial) adalah ikut berperan
dalam dunia pendidikan dan ikut bertanggung jawab
terhadap lulusan. Faktor yang ketiga (keringanan pajak), yaitu
perlakuan pajak atas biaya latihn karyawan, pemagangan,
dan bea siswa.
C. Kisi-kisi Instrumen Motivasi Kerja Sama

Dari masing-masing indikator tersebut selanjutnya
dikembangkan dan dijabarkan dalam butir-butir
menggunakan skala Likert menjadi empat alternatif jawaban
yaitu, sangat setuju, setuju, kurang setuju, dan tidak setuju. Kisi-
kisi instrumen dapat disaijkan pada Tabel 1.
Tabel 1. Kisi-kisi Instrumen Motivasi Kerjasama

Faktor/Dimensi Indikator Nomor Jumlah
Butir
Kebutuhan • Kemajuan 2, 20, dan 10
tenaga perusahaan 11
terdidik • Meringankan 9, 15, 18, 25
terampil biaya pelatihan 14, 21, 24
• Siap dalam
bekerja
Tanggung • Ikut berperan 7, 8, 12, & 9
jawab sosial dalam dunia 13
pendidikan
4, 6, 17, 19,
23

• Ikut bertanggung
jawab terhadao
mutu lulusan
Keringanan Perlakuan pajak 1, 3, 5, 10, 6
pajak atas biaya latihan 16, & 22
karyawan,
pemagangan, dan
bea siswa
Total Butir 25
Bobot dari jawaban untuk peryataan positif (favorable)

adalah sangat setuju=4, setuju=3, kurang setuju=2, dan tidak
setuju=1. Untuk pernyataan negatif (unfavorable)
pembobotannya adalah sangat setuju=1, setuju=2, kurang
setuju=3, dan tidak setuju=4.
D. Instrumen Motivasi Kerjasama

Petunjuk Pengisian A dan B
Mohon pernyataan berikut ini diisi dengan cara
memberikan tanda cek (√ ) pada tanda kurung seperti contoh
berikut:
Contoh:
Mengadakan hubungan atau kerjasama dengan
sekolah kejuruan banyak membawa manfaat.
( √ ) sangat setuju ( ) kurang setuju
( ) setuju ( ) tidak setuju
Berarti Bapak/Ibu ‘sangat setuju’ mengadakan hubungan
atau kerjasama dengan sekolah kejuruan karena memang
memberikan manfaat.
1. Mengadakan hubungan atau kerjasama dengan
sekolah kejuruan dalam bentuk program pemagangan
tidak membebani perusahaan, karena ada keringanan
pajak sesuai dengan Kepmen Keuangan RI No.
770/KMK.04/1990…
( ) sangat setuju ( ) kurang setuju
sekolah kejuruan seyogyanya perlu ditempuh, agar

perusahaan mendapatkan tenaga kerja terdidik yang
dapat meningkatkan produktivitas …
3. Uang saku bagi siswa seklah kejuruan yang melakukan
praktik kerja di industri tidak memberatkan perusahaan,
karena ada subsidi pengurangan pajak sesuai dengan
Kepmen Keuangan RI No. 770/KMK.04/1990…
4. Perusahaan seyogyanya ikut berperan serta dalam
dunia pendidikan …
5. Bea siswa untuk calon karyawan yang diikat dengan
kontrak kerja tidak memberatkan perusahaan, karena
ada subsidi pengurangan pajak sesuai dengan Kepmen
Keuangan RI No. 770/KMK.04/1990…
6. Pihak perusahaan seharusnya bertanggung jawab
terhadap kualitas lulusan sekolah kejuruan…
7. Rendahnya tingkat keterampilan tenaga kerja tingkat
menengah seyogyanya juga menjadi tanggung jawab
kalangan perusahaan (masyarakat) sesuai dengan
Undang-undang Pendidikan Nasional…
8. Pihak perusahaan seyogyanya ikut memberikan
kesempatan kerja bagi lulusan sekolah kejuruan…
9. Untuk mendapatkan karyawan baru yang memiliki
disiplin kerja tinggi seharusnya ditempuh melalui
hubungan atau kerjasama dengan seklah kejuruan…
10. Biaya pemagangan bagi siswa sekolah kejeuruan tidak
terlalu membebani perusahaan karena ada subsidi

pengurangan pajak sesuai dengan Kepmen Keuangan
RI No. 770/KMK.04/1990…
11. Agar produk perusahaan memiliki daya saing tinggi
diperlukan tenaga kerja terampil, untuk itu perlu
ditempuh melalui hubungan atau kerjasama dengan
sekolah kejuruan..
12. Melalui hubungan atau kerjasama dengan sekolah
kejuruan dapat dipilih tenaga kerja yang dikehendaki
oelh perusahaan…
13. Agar tidak mengganggu perusahaan, sebaiknya
kegiatan praktik kerja bagi siswa sekolah kejuruan tidak
menjadi tanggung jawab pihak perusahaan…
14. Untuk mendapatka tenaga kerja terlatih yang dapat
meningkatka produktivitas perusahaan, perlu ditempuh
hubungan atau kerjasama dengan seklah kejuruan…
15. Perusahaan membutuhkan karyawan baru yang memiliki
tangungg jawab sebagai teknisi dalam bekerja, untuk itu
diperlukan hubungan atau kerja sama dengan sekolah
kejuruan…
16. Biaya pemagangan bagi siswa sekolah kejeuruan tidak
terlalu membebani perusahaan karena ada subsidi
pengurangan pajak sesuai dengan Kepmen Keuangan
RI No. 770/KMK.04/1990…
17. Perusahaan seyogyanya ikut bertanggung jawab
terhadap lulusan sekolah kejuruan…

18. Mengadakan hubungan atau kerja sama dengan
sekolah kejuruan secara tidak langsung mengurangi
biaya latihan atau training bagi karyawan baru…
19. Pihak perusahaan seyogyanya membeirkan
kesempatan praktik kerja kepada siswa…
sekolah kejuruan lebih mengefisienkan biaya latihan
atau training yang disediakan perusahaan bagi
karyawan baru…
21. Upaya memperolh karyawan baru yang memiliki
semangat kerja tinggi seyogyanya ditempuh melalui
hubungan atau kerjas ama dengan sekolah kejuruan …
22. Pelaksanaan program pemagangan bagi karyawan
baru (recruitment) tidak membebani perusahaan karena
ada subsidi pengurangan pajak sesuai dengan Kepmen
Keuangan RI No. 770/KMK.04/1990…
23. Biaya transportasi bagi siswa yang melakukan praktik
industrI seyogyanya tidak dibebankan kepada pihak
perusahaan…
24. Pada hubungan atau kerjasama dengan sekolah
kejuruan pihak perusahaan seharusnya ikut
memperhatikan masa depan lulusannya …
25. Untuk mendapatkan karyawan baru yang siap kerja
seyogyanya ditempuh melalui hubungan atau kerja
sama dengan sekolah kejuruan …

E. Uji Validitas Instrumen Menggunakan Analisis Faktor
Uji validitas instrument motiasi kerjasama dilakukan uji
validitas konstruks atau kesahihan bangun. Penetapan
kesahihan bagun ini dpaat dilakukan berdasarkan gabungan
antara pendekata logis atau rasional dan pendekatan empirik.
Salah satu pendekatan logis terhadap kesahihn bangun
adalah mempersoalkan unsur-unsur apa yang membentuk
konstruksi tersebut. Menurut Furchan (1982:288), pendekatan
logis ini juga diarahkan pada penetapan apakah butor-butir
tersebut tampak sesuai untuk mengukur unsur-unsur yang
terdapat dalam konstruksi tersebut.
Segi empirik dari kesahihan bangun diarahkan pada segi
internal yaitu hubungan-hubungan di dalam instrument
tersebut hendaknya seperti apa yang diramalkan oleh
konstruksi tersebut. Pendekatan secara internal terhadap
kesahihan bangun ini dimaksudkan untuk menilai seberapa
jauh hubungan antara unsur-unsur di dalam instrument telah
sesuai dengan apa yang diramalkan oleh kontsruksi yang
dimaksud. Apabila hubungan antara unsur-unsur dalam tidak
seperti apa yang diramalkan oleh konstruksi yang
bersangkutan, maka terdapat dua kemungkinan yang terjadi.
Kemungkinan pertama yaitu konstruksinya yang tidak tepat.
Kemungkinan kedua instrument tersebutlah yang tidak berhasil
mengukur unsur-unsur yang terdapat dalam konstruksi tersebut.
Model analisis empirik yang tepat terhadap kesahihan
bangun menurut Black &Champion (1976) adalah
menggunakan analisis factor. Tujuan utama dari analisis factor
adalah untuk menentukan apakah suatu perangkat ubahan
dapat digambarkan berdasarkan factor atau dimensi yan lebih
kecil dari ubahan serta menunjukkan karakteristik atau sifat
yang dimiliki oleh masing-masing factor tersebut (Hardjodipuro,
1988).
F. Hasil Uji Validitas Instrumen

Untuk melakukan interpretasi guna menetapkan apakah
suatu butir itu gugur atau tidak maka ditempuh tiga langkah
berikut;
1. Dengan melihat hubungan atau korelasi antar butir-butir
yang satu sama lain relevan dalam pembentukan factor
melalui korelasi product moment.

2. Dengan melakukan ekstraksi untuk menyusun factor-
faktor permulaan dengan menggunakan principal
component analysis.
3. Dengan melakukan rotasi terhadap factor-faktor untuk
dapat diinterpretasikan dengan mengginakan metode
orthogonal dengan system varimax.
Terdapat dua kriteria yang digunakan untuk menetapkan
apakah suatu butir itu gugur atau tidak dari instrument:
1. Dengan melihat korelasi antar butir dengan factor, yang
disebut dengan muatan factor (factor loading). Dalam
hal ini muatan factor < 0,30 tidak diinterpretasikan atau
butir dinyatakan gugur (Jae-On Kim & Muller, 1978).
2. Apabila suatu butir memberi muatan lebih dari satu
factor dengan harga muatan yang sama atau relative
sama besar atau dengan kata lain butir-butir tersebut
mengukur lebih dari satu dimensi teoretis, maka butir
tersebut juga dinyatakan gugur.

BAB III
CONFIRMATORY FACTOR ANALISIS (CFA)
Confirmatory Factor Analisis (CFA) digunakan untuk menguji

kosntruk suatu instrumen. Hasil dari uji ini adalah mengetahui
validitas kosntruksi dan juga reliabilitasnya. Dalam tulisan ini akan
dibahas langkah-langkah dalam CFA menggunakan apikasi SPSS
24.
Langkah-langkah CFA menggunakan SPSS 24.
A. Input data pada Ms.Excel
1) Buka input data pada Ms.Excel seperti gambar 1.
Gambar 1. Input Data Ms.Excel
Lagkah awal pengolahan data ke SPSS 24, pastikan

data sudah tersedia dalam bentuk Ms.Excel. Data X1-Xn
yang tertera pada Ms.Excel menunjukkan
instrument/variabel penelitian.
B. Input Data dan Pengolahan data reliablitas di SPSS 24

1) Buka SPSS 24 akan muncul tampilan sesuai gambar 2, klik
variable view. Menu variabel view adalah sebuah menu
yang digunakan untuk menginput instrument/variable
yang telah tersedia di Ms.Excel. Pada variable view

terdapat beberapa judul kolom yaitu name,type, width,
desimal, label, values, missing, coloumb, aligh, mesure, dan
role. Isi dari kolom name adalah variabel yang akan
dianalisi (X1-Xn), kolom type pilih opsi numbering karena
data yang kota input berupa angka, dan messure pipih
opsi scale sesuai dengan gambar 3.
Gambar 2. Variable View
2) Hasil input variabel pada variabel view.
Gambar 3. Hasil input variabel
3) Setelah input variabel pada kolom variabel view, pilih data

view untuk input data yang dianalisis (copy data yang ada
di Ms. Excel pada gambar 1). Hasil input akan muncul
seperti gambar 4.

Gambar 4. Hasil input data pada data view
4) Langkah selanjutnya analisis data untuk mengetahui

reliabilitas pada gambar 5. Pilih menu Analyze – Scale-
Reliability Analysis.
Gambar 5. Langkah analisis reliabilitas
5) Berikut gambar 6 kotak dialog setelah langkah 4, pilih

semua variabel yang akan dianalisis pada kolom kiri
pindahkan ke kolom items. Pada kolom model pilih Alpha.

Gambar 6. Kotak Dialog Analisis Reliabilitas
Gambar 7. Data yang akan dinalisis pada kolom items
Kolom items pada gambar 7 menunjukkan variable yang akan

dianalisis.
6) Pilih opsi stastistik maka tampilan akan muncul seperti
gambar 8. Opsi statistic berfungsi untuk menampilkan
output viewer. Centang opsi seperti tampilan berikut, lalu
pilih continue.

Gambar 8. Reliability Analisis
C. Output reliablitas
1) Reliabilitas yang ada pada output SPSS 24 merupakan
reliabilitas Cronbach’s Alpha, karena instrument yang
dianalisis merupakan instrument untuk mengukur
performansi tipikal bukan performansi maksimum. Hasil
output ditunjukkan pada gambar 9 dan gambar 10. Hasil
reliability analisis, berdasarkan data yang telah di input yaitu
30 item diperoleh nilai Cronbach’s Alpha 0,881 yang artinya
item yang digunakan reliabel. N merupakan jumlah
responden yaitu 30, mean adalah rata-rata hasil responden.

Gambar 9. Hasil Output Reliabilitas
Gambar 10. Hasil Output Reliabilitas
Output dari langkah pertama sampai langkah keenam

menunjukkan nilai reliability, summary item, serta nilai
ANOVA dengan metode Friendmas’s Test dan Tukry’s Test.
D. Pengolahan data CFA di SPSS 24

1) Selanjutnya langkah untuk analisis CFA tampilan seperti
gambar 11. Pilih menu Analyze – Dimension Reduction –
Factor.

Gambar 11. Analisis CFA
2) Gambar 12 menunjukkan tampilan koutak dialog dari factor

analisisi. Pilih semua item yang akan dianalisis pindahkan
pada kolom variable.
Gambar 12. Kotak dialog CFA

Gambar 13. Items pada kolom variables
Hasil pemindahan variable yang akan di analisis factor

dapat dilihat pada gambar 13 di kolom variables.
3) Gambar 14 menunjukkan tampilan descriptives analysis. Pilih

opsi deskriptives maka akan muncul kotak dialog seperti di
bawah ini. Pada statistics pilih initial solution dan pada
correlation matrix pilih KMO and Bartlett’s test of sphericity,
lalu klik continue.

Gambar 14. Tampilan menu deskriptives
4) Selanjutnya gambar 15 adalah kotak dialog extraction

analysis. Pilih opsi extraction maka tampilan seperti berikut.
Pada opsi fixed number of factors pada kotak angka isikan
berapa jumlah factor yang akan di analisis. Dalam penelitian
ini terdapat empat factor yang akan dianalisis maka isi
dengan angka 4, lalu klik continue.

Gambar 15. Tampilan menu extraction
5) Langkah selanjutnya adalah setting rotation, pada

menu Method pilih varimax dan display pilih kedua
opsi seperti gambar 16.

Tabel 16. Tampilan menu rotation
6) Pada opsi scores dapat dipilih seprti gambar 17. Menu
scores merupakan opsi score apa yang akan
ditampilkan pada output analisis factor, lalu klik
continue.
Tabel 17. Tampilan menu scores
7) Langkah terakhir kiik perintah options, tampilan

yang muncul sesuia gambar 18 lalu klik continue.

Tabel 18. Tampilan menu options
8) Output CFA dapat dilihat pada gambar 19 dan gambar 21,

menunjukkan nilai KMO sebesar 0,352; nilai Chi Square 715,
82; df sebesar 0,435 dengan nilai Sig 0,00. Syarat nilai KMO >
0,5, jika nilai KMO < 0,5 maka analisis perlu diulang kembali,
yaitu item yang mempunyai loading factor rendah harus
dihilangkan. Hasil nilai KMO pada penelitian ini sebesar 0,352
< 0,5 maka perlu diulang kembali.
Gambar 19. Hasil analisis CFA

Gambar 20. Total Variance Explained
Gambar 21. Component matrix

Gambar 21. Rotated Component Matrix
Berikut adalah output setelah beberapa item yang mempunyai

loading factor yang rendah dihilangkan. Item yang semula 30
menjadi 27 item karena nilai loading factornya rendah. Jadi hanya
27 item yang dianalisis sesuai dengan langkah ke 6 untuk
mengetahui reliabilitas dan langkah 10 untuk mengetahui factor
analisis.
9) Output reliabilitas dengan 27 item didapat nilai Cronsbach’s

Alpha sebesar 0,880 yang berarti item yang digunakan
reliabel.

Gambar 22. Hasil reliabilitas
10) Output CFA, nilai KMO sebesar 0,474 makan dibulatkan

menjadi 0,5.

Gambar 23. Hasil CFA dan nilai KMO

Gambar 24. Total variance explained
Gambar 25. Component matrix

Gambar 26. Rotated Component matrix

DAFTAR PUSTAKA

BIOGRAFI PENULIS

Analisis Faktor Untuk Mengembangan Instrumen-02 - Rev Bab 3

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Faktor Untuk Mengembangan Instrumen-02 - Rev Bab 3

Diunggah oleh

Hak Cipta:

Format Tersedia

Buku Ajar

Hak Cipta pada Penulis,

Anggota IKAPI Jawa Timur

Hak Cipta dilindungi Undang-undang

Surabaya, November 2021

KATA PENGANTAR ........................................................................ iii

Gambar 1. Input Data Ms.Excel ................................................. 47

ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN |1

B. Pengertian Dasar Analisis Faktor (FA) atau Analisis

2 | ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN

di mana µ = adalah rata-rata umum

(E (X)) = µ , Cov (X) = ∑

Dalam bentuk pernyataan di atas, dikatakan bahwa

ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN |3

Dalam bentuk yang lebih jelasnya, maka persamaan

4 | ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN

X1 = C11 F1 + C12 F2 + . . . + C1m Fm + ε1

Di mana: Fj. (j = 1, 2, , m) merupakan faktor atau

ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN |5

Kovarians antara variabel eksogen Xi dan faktor ke-j (Fj)

Pada dasarnya terdapat dua metode pendugaan

6 | ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN

ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN |7

Di mana: tr (S) = teras dari matriks varians-

Sedangkan, apabila analisis faktor didasarkan pada

8 | ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN

Di mana: tr (r) = teras dari

Besarnya keragaman dari variabel Xi yang dapat

Dalam situasi tertentu, apabila k buah faktor yang

ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN |9

b. Analisis Faktor Ekspolatori atau Analisis Komponen Utama

10 | ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN

ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN | 11

c. Analisis Faktor Eksploratori dan Analisis Faktor Konfirmatori

12 | ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN

ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN | 13

14 | ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN

d. Tahapan Analisis Faktor Konfirmatori (FCA)

ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN | 15

e. Contoh Analisis Faktor Eksploratori dan Analisis Faktor

Kaiser-Meyer-Olkin Measure of Sampling 0,552

Angka KMO-MSA (Kaiser-Meyer-Olkin and Measure of

16 | ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN

ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN | 17

Layout Lengka Harga Pelkar Pelkasir Promosi Image Bersih

Lengkap -,1030 ,5130 a ,1290 -,4150 ,1300 ,2030 ,1500 -,2670

Harga -,210 ,1290 ,6240 a -,1700 -,1300 -,4882 -,2570 ,0503

Pelkar ,0044 -,4150 -,1700 ,4740 a -,1930 -,0587 -,1580 ,0467

Pelkasir ,1580 ,1300 -,1300 -,1930 ,4760 a -,5095 ,0598 -,2520

Promosi ,0451 ,2030 -,0488 -,0587 -,0510 ,7080 a -,2070 ,0474

Image ,0463 ,1500 -,2570 -,1580 ,0599 ,2070 ,6140 a -,09.30

Bersih -,1040 -,2670 ,05034 ,0667 -,2520 ,4735 ,09301 ,5050 a

a Measures of Sampling Adequacy (MSA)

Apabila nilai anti image correlation lebih kecil dari

18 | ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN

Sedangkan, yang termasuk ke dalam faktor-2

2. Contoh analisis faktor konfirmatori (CFA)

Gambar 8.1Pola Analisis Faktor Konfirmatori

Contoh Gambar 8.1 berbeda dengan uraian dari

ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN | 19

20 | ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN

ANALISIS FAKTOR UNTUK MENGEMBANGAN INSTRUMEN | 21

Gambar 8.3 Korelasiantara FE dengan FI