BAB I

PENDAHULUAN

1.1Latar Belakang

Dewasa ini ilmu pengetahuan berkembang sangat pesat,khususnya dalam bidang

statistika banyakpenelitian dengan data yang dipengaruhi berbagai macam faktor. Sehingga peneliti
sering kalikesulitan untuk mengolah data tersebut. Sehingga diperlukan adanya metode statistik
multivariatuntuk menyelesaikan masalah tersebut. Salah satu metode statistik multivariat yang
dapat digunakayaitu dengan mengelompokan beberapa variabel berdasarkan hubungan
antar variabel tersebutsehingga di dapatkan kumpulan variabel yang lebih sedikit dari jumlah
variabel awal . metode inidisebut analisis faktor.

1.2 Rumusan Masalah

1.Apa yang dimaksud dengan analisis faktor?

2.Apa tujuan dari analisis faktor?

3.Apa syarat-syarat yang harus dipenuhi suatu data agar dapat diselesaikan menggunakan
analisisfaktor?

4.Bagaimana proses pada analisis faktor?

1.3Tujuan

1.Untuk mengetahui definisi analisis faktor

2.Untuk mengetahui tujuan dari analisis faktor

3.Untuk mengetahui syarat-syarat yang harus dipenuhi suatu data agar dapat
diselesaikanmenggunakan analisis faktor.

4.Untuk mengetahui proses pada analisis faktor

BAB IIPEMBAHASAN

A.

Pengertian

Analisis faktor merupakan salah satu metode statistik multivariat untuk

mengidentifikasidimensi beberapa variabel kemudian mengelompokkannya lebih sederhana berdasa
rkan sifatdasarnya. Dengan kata lain, proses analisis faktor mencoba menemukan
hubungan antarasejumlah variabel-variabel yang saling bebas satu dengan yang lain, sehingga bisa
dibuat satuatau beberapa kumpulan variabel yang lebih sedikit dibandingkan dengan jumlah variabel
awaltanpa kehilangan sebagian besar informasi penting yang terkandung didalamnya. Sebagai
contoh, jika ada 20 variabel yang bebas satu dengan yang lain, dengan analisis faktor mungkin bisadi
ringkas hanya menjadi 2 kumpulan variabel baru.Kumpulan variabel baru tersebut disebut

  faktor 

 di mana faktor tersebut tetap mencerminkan variabel-variabel aslinya.

B.

Tujuan Analisis Faktor

1.

Data Summarization

 ,

 yakni mengidentifikasi adanya hubungan antar variabel denganmelakukan uji korelasi.Uji korelasi

adalah pengujian hubungan pada variabel-variabel. jika hubungan antara variabel-
variabel tersebut kuat maka dikelompokan menjadi satufactor. jika tidak maka dikelompokan pada f
aktor yang lain. sehingga tidak adahubungan(korelasi) lagi antara faktor

 – 

 faktor tersebut .2.

Data Reduction

 ,

yakni setelah melakukan uji korelasi, dilakukan proses membuat sebuahkumpulan variabel baru yang
dinamakan faktor untuk menggantikan sejumlah variabelsebelumnya.

C.

Jumlah sample yang ideal untuk analisis faktor

Jumlah sampel yang dianjurkan 50-100 sampel.denga ratio 1:10 yaitu 1 variabel untuk 10sampel.D.

Asumsi yang harus dipenuhi pada Analisis Faktor :

 Oleh karena prinsip utama Analisis Faktor adalah korelasi, maka asumsi-asumsi terkaitdengan
korelasi:

Besar korelasi antar variabel bebas harus cukup kuat,yaitu di atas 0,5

Besar Korelasi Parsial.(korelasi antar dua variabel dengan menganggap tetap variabelyang lain)justru
harus kecil. Pada SPSS, deteksi terhadap korelasi parsial diberikan lewat pilihan ANTI-IMAGE
CORRELATION.

Pengujian seluruh matrik korelasi (korelasi antar variabel), yang diukur dengan besaranBARTLETT
TEST OF SPHERICITY atau MEASURE SAMPLING ADEQUACY

(MSA). Uji barlet digunakan untuk menguji hipotesis H

 yang menyatakan
bahwasemua variabel tidak berhubungan satu sama lainnya.dan MSAdigunakan untukmengetahui
variabel-variabel yang tidak memenuhi syarat kecukupan analisis faktor.Pengujian ini mengharuskan
adanya korelasi yang signifikan di antara paling sedikit beberapa variabel.

Pada beberapa kasus, asumsi NORMALITAS dari variabel-variabel atau faktor yangterjadi sebaiknya
dipenuhi. Karena sebagian besar uji statistik dihitung dengan asumsidata normalE.

Proses pada analisis faktor

 :1.

Menentukan variabel apa saja yang akan dianalisis.Jika nilai-nilai dalam masing-masing variabel
sangat bervariasi dalam satuan, dalamartian ada variabel (data) dengan satuan Ratusan Ribu (misal
Gaji), sampai satuan Jumlahdi bawah 10 (misal Jumlah anak). Perbedaan yang sangat mencolok akan
menyebabkan bias(penyimpangan) dalam Analisis Faktor sehingga data asli harus ditransformasi

( 
standardisasi) sebelum bisa dianalisis. Pda SPSS proses standardisasi data bisa dilakukandengan
mentransformasi data ke bentuk z-Score. SPSS :

 Analyze > Descriptives Statistics

> Descriptives…

 Lalu masukkan semua variabel ke kotak VARIABLE(S), kemudianaktifkan

Save Standardized values as variables > OK.

 Variable yang akan dianalisiskemudian adalah variable yang berawalan huruf

 z.

2.

Menguji variabel tersebut agar menjadi variabel yang layak dimasukkan dalam analisisfakt or. Pada
tahap ini dilakukan penyaringan terhadap sejumlah variabel hingga di dapatvariabel-variabel yang
memenuhi syarat untuk dianalisis.3.

Setelah sejumlah variabel yang memenuhi syarat diperoleh , maka dilakukan proses

 factoring,

atau ekstraksi yaitu proses menyederhanaan dari banyak variabel menjadifaktor . Beberapa metode
pencarian faktor yang populer adalah Principal Componen danMaximum Likelihood4.

Faktor yang terbentuk, pada banyak kasus, kurang menggambarkan perbedaan diantarafaktor

 – 

 faktor yang ada. Untuk itu, jika isi faktor masih diragukan, dapat dilakukan

 Factor Rotation

 untuk memperjelas apakah faktor yang terbentuk sudah secara signifikan berbeda dengan faktor
lain. Beberapa metode Rotasi :

Orthogonal Rotation, yakni memutar sumbu 90

. Perotasian secara ortogonaldilakukan dengan tetap mempertahankan keortogonalan faktor

 – 

 faktor yang berimplikasi pada ada tidaknya perbedaan antara pattern dengan bobot

terstruktur.Hasil perotasian ini tidak akan menyebabkan perubahan proporsi
keragaman peubah yang dijelaskan oleh m faktor bersama. Beberapa rotasi yang termasukrotasi
ortogonal adalah rotasi Varimax ,Quartimax, Equamax dan
Parsimax.Rotasi Varimax merupakan rotasi yang membuat jumlah varian faktorloading(bobot).
factor loading adalah angka yang menunjukan besarnya korelasiantara suatu variabel dengan faktor
faktor yang terbentuk. dalam masing2 faktorakan menjadi maximum dimana nantinya peubah asal
hanya akan mempunyaikorelasi yang tinggi dan kuat dengam factor tertentu saja(korelasinya
mendekati

1) dan tetunya memiliki korelasi yang lemah dengan factor yang lainnya(korelasinya mendekati nol)),

Oblique Rotation, yakni memutar sumbu ke kanan, namun tidak harus 90

. Padarotasi non-ortogonal (oblique) diasumsikan bahwa faktor

 – 

 faktor yang dihasilkansaling berkorelasi. Beberapa rotasi yang termasuk oblique adalah rotasi
Promax,Procustes, dan Harris-Kaiser.Dengan demikian urutan dalam proses factoring adalah:a)

 proses factoring dengan menggunakan metode Principal Componen danMaximum b)

 jika ada keraguan atas hasil yang ada , maka dilakukan proses Rotasi5.

memberi nama faktor yang terbentuk,yaitu nama factor yang dianggap bisa mewakilivariabel-

variabel anggota faktor tersebut.6.

Validasi faktor dimaksudkan untuk mengetahui apakah hasil analisis factor tersebut
bisadigeneralisasikan ke populasi.Misalnya pada kasus faktor

 – 

 faktor yang mempengaruhi motivasi kerja karyawan, dari100 sampel yang ada kemudian didapat 2
faktor. Uji validasi akan menentukan apakah jika demikian, faktor

 – 

 faktor yang mempengaruhi motivasi kerja karyawan dari semuaorang (tentu jauh lebih besar dari
100 sampel) tersebut juga bisa direduksi menjadi duafaktor seperti pada sampel. Validasi bisa
dilakukan dengan berbagai cara, seperti:


 

Membagi sampel awal menjadi dua bagian, kemudian membandingkan hasilfaktor sampel satu
dengan sampel dua. Jika hasil tidak banyak perbedaan, bisadikatakan faktor yang terbentuk telah
valid

Dengan melakukan metode Confirmatory Factor Analysis (CFA) dengan caraStructural Equation
Modelling. Proses ini bisa dibantu dengan software khususseperti LISREL.Dari dua cara di atas yang
paling praktis digunakan adalah dengan menguji kestabilanfactor yang telah terbentuk. Untuk
mengetahui kestabilan tersebut, sampel yang ada akandipecah (split) menjadi dua bagian, dan
kemudian setiap bagian akan diuji dengananalisis faktor. Kemudian masing

 – 

 masing hasil diperbandingkan, dengan ketentuan, jikasebuah factor stabil, maka hasil

 – 

 hasil yang ada relatif tidak jauh berbeda, baik jumlahfactor atau angka

 – 

 angkanya.7.

Pembuatan

 factor scores

 yang akan berguna jika akan dilakukan analisis lanjutan, sepertianalisis regresi, analisis diskriminan
atau lainnya.Proses tersebut dapat di gambarkan pada flowcart berikut

Variabel Acak dari datastandarisasi

 Faktor yang terbentuk stabilGeneralisasi ke populasiya yatidak>0,5tidakUji variabelVariabel z-

scoreVariabel yang memenuhi syaratKMO>0,5sig<0,05Di ekstrakMetode

Varimax

 Validasi FaktorSplit kasus menjadi 2 bagianAnalisis faktor untuk tiap kasusMembuat Faktor ScoresZ-
scoreKMO & barlet MSAProses FactoringMetode
PrincipalComponent

 Proses Rotasi

F.

Contoh Kasus
Berikut contoh kasus, berkenaan dengan Pemerintah Kota Bandung yang bermaksudmendirikan
terminal terpadu di daerah Kota Bandung. Pihak Pemkot bermaksud untukmengidentifikasi faktor-
faktor yang harus dipertimbangkan dalam merencanakan danmembangun terminal terpadu dengan
menggunakan metode Analisis Faktor. Untuk itudikumpulkan data 10 variabel dari 17 kecamatan di
Kota Bandung. Variabel-variabelyang dimaksud adalah :Var. 1 : jumlah preman/calo angkutan umum
(orang)Var. 2 : hirarki kecamatan dalam lingkup daerah (skor)Var. 3 : skala pelayanan kecamatan
(skor)Var. 4 : jumlah warga kecamatan (KK)Var. 5 : jumlah tenaga kerja yang tersedia (orang)Var. 6 :
luas lahan milik pemerintah yang di peruntukan terminal (Ha)Var. 7 : luas tanah milik perorangan
(Ha)Var. 8 : jumlah keuangan kecamatan (Rp)Var. 9 : panjang ruas jalan (Km)Var. 10 : kinerja
prasarana (skor)

Data tersaji sebagai berikut :

Kecamatan Var1Var 2 Var 3 Var 4 Var 5 Var 6 Var 7 Var 8 Var 9 Var 10Cicadas 12 710 840

324 175 0 21,9 17210 2,8 35500Arcamanik 8 530 560
122 97 0 15,2 18277 4,2 8020UjungBerung11 610
690 440 287 65,3 130 59255 6 2390Cibiru 14 890 960 921 519 0 35,8 49215 5 78100BandungKidul13 
650 790 743 477 0 12,7 53350 8 74280Margacinta 9 510 610 144 10 0 15,9 20459 4
19500Rancasari 12 590 840 994 350 0 40 93139 6,00 103040Kiaracondong13 690
810 589 557 0 161 54370 5,5 62440BatuNunggal17 650 890 1038 1009 0 245 13832
14 10350Lengkong 27 1750 1410 944 564 19,6 250 9078 17 1080Regol 22 1510 1000 674 645 0
722 7251 17,5 720AstanaAnyar13 350 660 359 352 0 0 2766 14 600Andir 25 1670 1200 837 787 0
373 43683 26 55000Cicendo 24 1650 1300 1102 1068 0 91,3 59487 12 42640Sukasari 15 610 890
393 355 0 159 8041 10 9080Cidadap 13 500 660 230 212 0 380 8164 10 480BandungWetan16 400 6
50 240 175 0 15,2 8154 10 500
 

Pada jendela awal SPSS input data seperti pada tabelUntuk dapat melakukan penilaian terhadap
kelayakan variabel di atas, yang perludiperhatikan bahwa satuan yang dimiliki oleh data (variabel)
ternyata sangat bervariasi(Ha, skor, Km, Rp, dll). Oleh karena itu, proses penilaian variabel untuk
kasus dengandata yang bervariasi dalam besaran, dilakukan dengan dua tahapan yaitu :

standarisasidata dengan Z-score

dan

penilaian variabel.

Perlunya dilakukan standarisasi terlebihdahulu mengandung maksud untuk menghindari munculnya

perbedaan yang sangatmencolok sehingga akan menyebabkan bias dalam analisis faktor. Namun
apabila

datayang dimiliki tidak bervariasi

dalam besaran, dapat

langsung melakukan langkahpenilaian

tanpa melakukan tahapan standarisasi terlebih dahulu. Dengan demikian,langkah-langkah

pengoperasian program aplikasi SPSS adalah:1.
 

Setelah keseluruhan data yang dikumpulkan tersebut di entry, selanjutnya klikmenu

analyze

dan pilih sub menu

Descriptive Statistics

lalu

Descriptives

hinggamuncul tampilan :
 

2.

Masukkan

semua variabel

ke dalam kotak

Variable(s)

dan aktifkan bagian

Savestandardized values as variables.

Abaikan bagian yang lain lalu tekan tombol

OK

untuk menampilkan hasil standardisasi.3.

Selanjutnya perhatikan tampilan tabel data (buka

data view

). Perhatikan padakolom lanjutan telah muncul nilai masing-masing variabel yang telahdistandarkan,
yaitu dengan muncul nilai Z-score masing-masing variabel seperti :4.

Setelah melakukan standarisasi, langkah selanjutnya adalah melakukan penilaianvariabel. Adapaun

langkah-langkah yang dilakukan dalam melaukan penilaianvariabel yaitu klik menu

analyze

dan pilih sub menu

data reduction

lalu

factor:

 Sehingga akan muncul:

 

 5.

Sesuai dengan kasus, maka masukkan

semua variabel Z-score

yang ada ke dalam bagian

Variables.

Selanjutnya klik pada kotak

Descriptives

hingga nampak :6.

Pada bagian

Correlation Matrix

 berisi berbagai alat pengujian dengan dasarkorelasi antar variabel. Untuk itu, pada bagian ini pilih
dengan cara mengaktifkankotak pada

Determinant, KMO and Bartlett’s test of Sphericity

dan
Antiimage.

7.

Abaikan bagian yang lain dan selanjutnya tekan tombol

Continue

untuk kembalike menu utama; kemudian tekan

OK

untuk dapat menampilkan output dariaplikasi program SPSS.

Dipercayai oleh lebih dari 1 juta anggota

Coba Scribd GRATIS selama 30 hari untuk mengakses lebih dari 125 juta judul tanpa iklan atau
gangguan!

Mulai Coba Gratis

Batalkan Kapan Saja.

Sebelum melakukan pengujian, langkah yang harus dilakukan adalah menentukanhipotesa terlebih
dahulu. Adapun hipotesa untuk signifikansi adalah :

Ho : sampel (variabel) belum memadai untuk dianalisis lebih lanjutH1 : sampel (variabel) sudah
memadai untuk dianalisis lebih lanjut
Sedangkan kriteria dalam melihat signifikansi adalah :

Sig > 0,05,

maka

Ho diterimaSig < 0,05,

maka

Ho ditolak

Selain itu perlu diperhatikan angka

MSA (Measure of Sampling Adequacy),

yaitu berkisar 0 sampai 1 dengan kriteria :-

MSA = 1; variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel lain

MSA > 0,5; variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut

MSA < 0,5; variabel tidak dapat diprediksi dan tidak dapat dianalisis lebihlanjut, atau harus
dikeluarkan dari variabel lainnya

Dalam aplikasi SPSS, angka

MSA

ditunjukkan dalam

Tabel matriks Anti Image;

tepatnya pada

sumbu diagonal matriks Anti-Image Correlation.

Output yang ditampilkan dari beberapa langkah aplikasi program SPSS yang dilakukandi atas :
 

  Nilai determinan yang dihasilkan adalah

2,292 x 10 ,

ini berarti menunjukkan nilaiyang mendekati 0; dan inilah yang diharapkan

(Determinant

≈ 0).

Dengan demikian

matriks korelasi

yang terbentuk

bukanlah matrik identitas.

 Nilai KMO and Bartlett’s test adal

ah 0,618 dengan signifikansi 0,00. Oleh karena nilaitersebut sudah di atas 0,6 dan signifikansi jauh di
bawah 0,05, maka variabel dansampel yang ada sebenarnya

cukup

dapat dianalisis lebih lanjut.

Namun demikian, masih perlu diperhatikan nilai MSA yaitu dari tampilan outputtabel Anti Image.

 Perhatikan bagian

Anti-Image Correlation,

khususnya pada nilai korelasi yang bertanda a (arah diagonal dari kiri atas ke kanan bawah); nilai
MSA variabel jumlah preman/calo angkutan umum = 0,736; variabel hirarki kecamatan dalam
lingkupregional = 0,755; dan seterusnya untuk variabel yang lain.Dengan kriteria nilai MSA tersebut,
terlihat MSA variabel luas lahan milik pemerintah(6,772E ), jumlah keuangan kecamatan (0,382) dan
kinerja prasarana (0,360) tidakmemenuhi batas 0,5. maka variabel tersebut dikeluarkan dan perlu
dilakukan proses pengujian ulang.

Namun apabila terdapat lebih dari 1 variabel yang memiliki MSAdi bawah 0,5, maka yang
dikeluarkan adalah variabel dengan MSA terkecil;

dan proses penilaian tetap harus dilakukan pengulangan.

Dengan demikian variabel yangharus dikeluarkan adalah luas lahan milik pemerintah.

Yang perlu diperhatikan bahwa dalam proses penilaian ulang tersebut, langkah-langkahyang
dilakukan sama dengan langkah penilaian sebelumnya. Hanya saja tidak lagimemasukkan variabel
yang telah dinyatakan harus dikeluarkan.

Proses inti dari analisis faktor adalah melakukan ekstraksi terhadap sekumpulanvariable yang ada,
sehingga terbentuk satu atau lebih faktor.

 Banyak metode untukmelakukan

 proses ekstraksi, namun metode yang populer digunakan adalah

PrincipalComponent Analysis,

sebagaimana akan dibahas dalam kasus berikut.

Setelah satu atau lebih faktor terbenruk, dengan sebuah faktor berisi sejumlah variabel,mungkin saja
sebuah variabel

sulit untuk ditentukan akan masuk dalam faktor yang

mana.

Atau jika yang terbentuk dari proses factoring hanya satu faktor, bisa saja sebuahvariabel diragukan
apakah layak dimasukkan dalam faktor yang terbentuk atau tidak.Untuk mengatasi hal tersebut, bisa
dilakukan proses rotasi pada faktor yang terbentuksehingga memperjelas posisi sebuah variabel,
akankah dimasukkan pada faktor yangmana.Masih dengan menggunakan data terdahulu, namun
data yang belum distandarkansebagai contoh kasus; akan coba dilakukan analisis faktor untuk
mengetahui apakahvaraiebl-variabel tersebut dapat direduksi menjadi satu atau lebih faktor.Dengan
demikian dilakukan :1. Dari tampilan data yang telah di entry, klik menu

analyze

dan pilih sub menu

datareduction

lalu

factor.
2. Masukkan semua variabel

(kecuali variabel luas lahan milik pemerintah)

ke dalam kotak

Variables.

Kemudian klik pada bagian

extraction

hingga tampak:3. Dalam menu

Extraction

 berisikan berbagai tools untuk melakukan proses ekstraksivariabel (factoring). Pada bagian

Method

tetapkan pada pilihan

PrincipalComponents

(pilihan ini sudah default). Kemudian untuk bagian

Analyze

tetap pada pilihan

Correlation Matrix;

aktifkan

unrotated factor solution

dan

Screeplot

 pada bagian

Display;

sedangkan

eigenvalues over

tetap pada angka

dan

Maximum iteration,

 juga tetap pada angka

25.

abaikan bagian yang lain dan tekantombol

Continue

untuk kembali ke menu utama.

4. Selanjutnya klik pada bagian

Rotation

hingga muncul tampilan:Pada

Method

 berisikan berbagai metode rotasi; untuk itu pilih

Varimax.

Sedangkansehubungan dengan proses rotasi, untuk dapat menampilkan output, maka pilih

RotatedSolution

dan

Loading plot(s)

 pada

Display.

Biarkan

Maximum Iterations forConvergen

tetap pada angka

25.

selanjutnya tekan tombil

Continue

untuk kembali kemenu utama.5. Berikutnya klik pada bagian

Options

hingga muncul :Pada bagian ini yang diharapkan yaitu agar tampilan output dengan sendirinya
telahmengurutkan nilai dari yang terbesar untuk keseluruhan variabel. Untuk itu klik

Sortedby size

 pada

Coefficient Display Format.

Abaikan bagian yang lain kemudian tekantombol

Continue

untuk kembali ke menu utama.

 
6. Tekan tombol

OK

untuk menampilkan output :

Communalities merupakan nilai yang menunjukkan kontribusi variabel tersebutterhadap faktor yang
terbentuk 

. Dapat juga didefinisikan sebagai besaran nilai varians(dalam persentase) suatu variabel yang dapat
dijelaskan oleh faktor yang terbentuk.

Nilai communalities ini sama pengertiannya dengan nilai koefisien determinasi(pada model regresi).

Pada tabel di atas misalnya, nilai communalities variabel jumlah preman/calo angkutanumum = 94%;
ini berarti sebesar 94% varians dari variabel jumlah preman/caloangkutan umum dapat dijelaskan
oleh faktor yang terbentuk.Untuk variabel hirarki kecamatan dalam lingkup daerah, nilai
communalities = 84,2%.Hal ini berarti sekitar 84,2% varians dari variabel hirarki kecamatan dalam
lingkupdaerah dapat dijelaskan oleh faktor yang terbentuk. Demikian seterusnya denganvariabel
lainnya.

Semakin besar communalities sebuah variabel, berarti semakin erat hubungannyadengan faktor
yang terbentuk.

 Berdasarkan tabel di atas ada beberapa hal yang dapat diketahui :

 Nilai eigenvalues; yang menunjukkan jumlah variabel yang menjadi anggota suatufaktor.


 

Besaran variansi yang dapat dijelaskan oleh faktor dengan sejumlah variabel pembentuknya.

Jumlah faktor yang dapat terbentuk oleh sejumlah variabel yang dimiliki.Setelah dilakukan ekstraksi,
tampak dalam tabel di atas bahwa faktor yang terbentuksebanyak 2 faktor, dengan masing-masing
mempunyai nilai eigenvalues 4,956 dan2,434. sesuai dengan definisi eigenvalues, berarti kita dapat
mengatakan bahwa faktor-1 beranggotakan 4,956 variabel dan faktor-2 beranggotakan 2,434
variabel

(faktor yangmempunyai nilai eigenvalues < 1, berarti tidak mempunyai anggota variabelpembentuk
faktor).

Tabel di atas menunjukkan adanya 9 component (variabel) yang dimasukkan dalamanalisis faktor
dengan masing-masing variabel memiliki variansi 1, maka total variansiadalah 9x1 = 9.Sesuai dengan
jumlah faktor yang terbentuk dan jumlah variansi masing-masingvariabel yang diketahui, selanjutnya
dapat dijelaskan oleh masing-masing faktormaupun oleh keseluruhan faktor yang terbentuk (baik
sebelum dirotasi dan setelahdirotasi).- Variansi faktor-1 : (4,956/9) x 100% = 44,066%- Variansi
faktor-2 : (2,434/9) x 100% = 27,046%Artinya bahwa sebesar 44,066% variasni dari variabilitas
pembentuk faktor-1 dapatdijelaskan faktor tersebut, dan sebesar 27,046% variansi dari variabilitas
pembentukfaktor-2 dapat dijelaskan oleh faktor tersebut.Sedangkan total kedua faktor tersebut
akan mampu menjelaskan 82,122% (atau44,066% + 27,046%) dari variabilitas kesembilan variabel
asli tersebut.Selain dari tabel Total Varians, yang menjelaskan dasar perhitungan dalam
menentukan jumlah faktor, untuk melihat berapa jumlah faktor yang tebentuk dapat pula dilihat
padagrafik :

  Nilai batas eigenvalues pembentuk faktor adalah 1; apabila kurang dari 1 berarti tidakterdapat
variabel pembentuk faktor. Dengan demikian, dari grafik tersebut tampak bahwa ada 2 faktor yang
terbentuk. Hal ini berarti sama dengan hasil pendefinisiansebelumnya.
 

 Tabel Component Matrix di atas menunjukkan nilai loading factor masing-masingvariabel terhadap
faktor.

Loading Factor

adalah

nilai yang menunjukkan hubungan(korelasi) suatu variabel terhadap faktor.

Apabila suatu variabel mempunyai nilailoading factor terbesar pada faktor tertentu (dibanding faktor
lainnya), maka variabeltersebut akan menjadi anggota atau pembentuk faktor tersebut.

Nilai loading factoryang disarankan sebagai penentu komponen faktor yaitu setidaknya bernilai
0,7(korelasi

≥ 0,7).

Hal ini sesuai dengan pendefinisian koefisien korelasi bahwa (0,7

≤r<

 0,9) dikatakan bahwa adanya hubungan yang kuat antar variabel yang diteliti.
 

Dari tabel

Component Matrixs

di atas dapat pula diketahui distribusi variabel terhadap2 faktor yang terbentuk.Cara yang dilakukan
untuk melihat distribusi variabel tersebut yaitu dengan membandingkannilai loading factor suatu
variabel pada faktor-faktor yang ada, misal :- korelasi variabel jumlah preman/calo angkutan umum
dengan faktor-1 adalah+0,946, berarti menunjukkan hubungan yang sangat kuat. Sedangkan dengan
faktor-2 mempunyai korelasi

 – 

0,211, yang berarti tidak adanya hubungan antara variabel jumlah preman/calo angkutan umum
dengan faktor-2. dengan demikian,

variabel jumlah preman/calo angkutan umum dimasukkan dalam komponen faktor-1.

Hal ini berlaku pula untuk variabel lainnya.Apabila dalam ekstraksi yang dilakukan ini masih dirasa
belum dapat diyakini,misalnya masih adanya suatu variabel yang belum jelas akan menjadi
komponen faktormana, maka langkah rotasi harus dilakukan. Sebagai contoh dalam kasus ini
yaituvariabel luas tanah milik perorangan yang mempunyai nilai loading factor pada faktor-1= +0,579
dan pada faktor-2 = -0,505. hal ini masih belum dapat diyakini variabeltersebut akan masuk dalam
komponen faktor-1 atau faktor-2. setelah dilakukan prosesrotasi dengan metode varimax,
hasilnya :Setelah dilakukan rotasi dapat disimpulkan :

Faktor-1 mempunyai komponen variabel-variabel :1. Jumlah preman/calo angkutan umum2. Hirarki
kecamatan dalam kingkup daerah3. Skala pelayanan kecamatan4. Panjang ruas jalan5. Jumlah
tenaga kerja yang tersedia6. Jumlah warga kecamatan7. Luas tanah milik perorangan

Faktor-2 mempunyai komponen variabel-variabel :1. Kinerja prasarana2. Jumlah keuangan

kecamatan

Variabel luas lahan milik pemerintah tidak menjadi komponen baik faktor-1 maupunfaktor-2. Hal ini
dikarenakan variabel tersebut dianggap kurang mempunyai hubungan(korelasi < 0,7) terhadap
kedua faktor yang tebentuk.

Contoh Kasus

Berikut contoh kasus, berkenaan dengan Pemerintah Kota Bandung yang bermaksudmendirikan
terminal terpadu di daerah Kota Bandung. Pihak Pemkot bermaksud untukmengidentifikasi faktor-
faktor yang harus dipertimbangkan dalam merencanakan danmembangun terminal terpadu dengan
menggunakan metode Analisis Faktor. Untuk itudikumpulkan data 10 variabel dari 17 kecamatan di
Kota Bandung. Variabel-variabelyang dimaksud adalah :Var. 1 : jumlah preman/calo angkutan umum
(orang)Var. 2 : hirarki kecamatan dalam lingkup daerah (skor)Var. 3 : skala pelayanan kecamatan
(skor)Var. 4 : jumlah warga kecamatan (KK)Var. 5 : jumlah tenaga kerja yang tersedia (orang)Var. 6 :
luas lahan milik pemerintah yang di peruntukan terminal (Ha)Var. 7 : luas tanah milik perorangan
(Ha)Var. 8 : jumlah keuangan kecamatan (Rp)Var. 9 : panjang ruas jalan (Km)Var. 10 : kinerja
prasarana (skor)Data tersaji sebagai berikut :

Hilangkan pesan penilaian pengguna

Tingkatkan Pengalaman Anda

Nilai akan membantu kami untuk menyarankan dokumen terkait yang lebih baik kepada semua
pembaca kami!

100% menganggap dokumen ini bermanfaat, Tandai dokumen ini sebagai bermanfaatBermanfaat

0% menganggap dokumen ini tidak bermanfaat, Tandai dokumen ini sebagai tidak bermanfaatTidak
bermanfaat

 Untuk dapat melakukan penilaian terhadap kelayakan variabel di atas, yang perludiperhatikan
bahwa satuan yang dimiliki oleh data (variabel) ternyata sangat bervariasi(Ha, skor, Km, Rp, dll). Oleh
karena itu, proses penilaian variabel untuk kasus dengandata yang bervariasi dalam besaran,
dilakukan dengan dua tahapan yaitu :

standarisasidata dengan Z-score

dan

penilaian variabel.

Perlunya dilakukan standarisasi terlebihdahulu mengandung maksud untuk menghindari munculnya

perbedaan yang sangatmencolok sehingga akan menyebabkan bias dalam analisis faktor. Namun
apabila

datayang dimiliki tidak bervariasi

dalam besaran, dapat

langsung melakukan langkahpenilaian

tanpa melakukan tahapan standarisasi terlebih dahulu. Dengan demikian,langkah-langkah

pengoperasian program aplikasi SPSS adalah:8.

Setelah keseluruhan data yang dikumpulkan tersebut di entry, selanjutnya klikmenu

analyze

dan pilih sub menu

Descriptive Statistics
lalu

Descriptives

hinggamuncul tampilan :

Kesalahan! Nama file tidak ditentukan.

9.

Masukkan

semua variabel

ke dalam kotak

Variable(s)

dan aktifkan bagian

Savestandardized values as variables.

Abaikan bagian yang lain lalu tekan tombol

OK

untuk menampilkan hasil standardisasi.10.

Selanjutnya perhatikan tampilan tabel data (buka

data view

). Perhatikan padakolom lanjutan telah muncul nilai masing-masing variabel yang telahdistandarkan,
yaitu dengan muncul nilai Z-score masing-masing variabel seperti :11.

Setelah melakukan standarisasi, langkah selanjutnya adalah melakukan penilaianvariabel. Adapaun

langkah-langkah yang dilakukan dalam melaukan penilaianvariabel yaitu klik menu

analyze

dan pilih sub menu

data reduction

lalu

factor:

 Sehingga akan muncul:

Kesalahan! Nama file tidak ditentukan.

 12.

Sesuai dengan kasus, maka masukkan

semua variabel Z-score

yang ada ke dalam bagian

Variables.

Selanjutnya klik pada kotak

Descriptives

hingga nampak :13.

Pada bagian

Correlation Matrix
 berisi berbagai alat pengujian dengan dasarkorelasi antar variabel. Untuk itu, pada bagian ini pilih
dengan cara mengaktifkankotak pada

Determinant, KMO and Bartlett’s test of Sphericity

dan

Antiimage.

14.

Abaikan bagian yang lain dan selanjutnya tekan tombol

Continue

untuk kembalike menu utama; kemudian tekan

OK

untuk dapat menampilkan output dariaplikasi program SPSS.

 

Sebelum melakukan pengujian, langkah yang harus dilakukan adalah menentukanhipotesa terlebih
dahulu. Adapun hipotesa untuk signifikansi adalah :

Ho : sampel (variabel) belum memadai untuk dianalisis lebih lanjutH1 : sampel (variabel) sudah
memadai untuk dianalisis lebih lanjut

Sedangkan kriteria dalam melihat signifikansi adalah :

Sig > 0,05,

maka

Ho diterimaSig < 0,05,

maka

Ho ditolak

Selain itu perlu diperhatikan angka

MSA (Measure of Sampling Adequacy),

yaitu berkisar 0 sampai 1 dengan kriteria :-

MSA = 1; variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel lain

MSA > 0,5; variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut

MSA < 0,5; variabel tidak dapat diprediksi dan tidak dapat dianalisis lebihlanjut, atau harus
dikeluarkan dari variabel lainnya

Dalam aplikasi SPSS, angka

MSA

ditunjukkan dalam

Tabel matriks Anti Image;

tepatnya pada

sumbu diagonal matriks Anti-Image Correlation.

Output yang ditampilkan dari beberapa langkah aplikasi program SPSS yang dilakukandi atas :

Kesalahan! Nama file tidak ditentukan.

  Nilai determinan yang dihasilkan adalah

2,292 x 10 ,

ini berarti menunjukkan nilaiyang mendekati 0; dan inilah yang diharapkan

(Determinant

≈ 0).

Dengan demikian

matriks korelasi

yang terbentuk

bukanlah matrik identitas.

  Nilai KMO an

d Bartlett’s test adal

ah 0,618 dengan signifikansi 0,00. Oleh karena nilaitersebut sudah di atas 0,6 dan signifikansi jauh di
bawah 0,05, maka variabel dansampel yang ada sebenarnya

cukup

dapat dianalisis lebih lanjut.

Namun demikian, masih perlu diperhatikan nilai MSA yaitu dari tampilan outputtabel Anti Image.

 Perhatikan bagian
Anti-Image Correlation,

khususnya pada nilai korelasi yang bertanda a (arah diagonal dari kiri atas ke kanan bawah); nilai
MSA variabel jumlah preman/calo angkutan umum = 0,736; variabel hirarki kecamatan dalam
lingkupregional = 0,755; dan seterusnya untuk variabel yang lain.Dengan kriteria nilai MSA tersebut,
terlihat MSA variabel luas lahan milik pemerintah(6,772E ), jumlah keuangan kecamatan (0,382) dan
kinerja prasarana (0,360) tidakmemenuhi batas 0,5. maka variabel tersebut dikeluarkan dan perlu
dilakukan proses pengujian ulang.

Namun apabila terdapat lebih dari 1 variabel yang memiliki MSAdi bawah 0,5, maka yang
dikeluarkan adalah variabel dengan MSA terkecil;

dan proses penilaian tetap harus dilakukan pengulangan.

Dengan demikian variabel yangharus dikeluarkan adalah luas lahan milik pemerintah.

Yang perlu diperhatikan bahwa dalam proses penilaian ulang tersebut, langkah-langkahyang
dilakukan sama dengan langkah penilaian sebelumnya. Hanya saja tidak lagimemasukkan variabel
yang telah dinyatakan harus dikeluarkan.

Proses inti dari analisis faktor adalah melakukan ekstraksi terhadap sekumpulanvariable yang ada,
sehingga terbentuk satu atau lebih faktor.

 Banyak metode untukmelakukan

 proses ekstraksi, namun metode yang populer digunakan adalah

PrincipalComponent Analysis,

sebagaimana akan dibahas dalam kasus berikut.

Setelah satu atau lebih faktor terbenruk, dengan sebuah faktor berisi sejumlah variabel,mungkin saja
sebuah variabel

sulit untuk ditentukan akan masuk dalam faktor yang

mana.

Atau jika yang terbentuk dari proses factoring hanya satu faktor, bisa saja sebuahvariabel diragukan
apakah layak dimasukkan dalam faktor yang terbentuk atau tidak.Untuk mengatasi hal tersebut, bisa
dilakukan proses rotasi pada faktor yang terbentuksehingga memperjelas posisi sebuah variabel,
akankah dimasukkan pada faktor yangmana.Masih dengan menggunakan data terdahulu, namun
data yang belum distandarkansebagai contoh kasus; akan coba dilakukan analisis faktor untuk
mengetahui apakahvaraiebl-variabel tersebut dapat direduksi menjadi satu atau lebih faktor.Dengan
demikian dilakukan :1. Dari tampilan data yang telah di entry, klik menu

analyze

dan pilih sub menu

datareduction
lalu

factor.

2. Masukkan semua variabel

(kecuali variabel luas lahan milik pemerintah)

kedalam kotak

Variables.

Kemudian klik pada bagian

extraction

hingga tampak:3. Dalam menu

Extraction

 berisikan berbagai tools untuk melakukan proses ekstraksivariabel (factoring). Pada bagian

Method

tetapkan pada pilihan

PrincipalComponents

(pilihan ini sudah default). Kemudian untuk bagian

Analyze

tetap pada pilihan

Correlation Matrix;

aktifkan

unrotated factor solution

dan

Screeplot

 pada bagian

Display;

sedangkan

eigenvalues over

tetap pada angka

dan

Maximum iteration,

 juga tetap pada angka

25.

abaikan bagian yang lain dan tekantombol

Continue

untuk kembali ke menu utama.

Kesalahan! Nama file tidak ditentukan.

 4. Selanjutnya klik pada bagian

Rotation

hingga muncul tampilan:Pada

Method

 berisikan berbagai metode rotasi; untuk itu pilih

Varimax.

Sedangkansehubungan dengan proses rotasi, untuk dapat menampilkan output, maka pilih

RotatedSolution

dan

Loading plot(s)

 pada

Display.

Biarkan

Maximum Iterations forConvergen

tetap pada angka

25.

selanjutnya tekan tombil

Continue

untuk kembali kemenu utama.5. Berikutnya klik pada bagian

Options

hingga muncul :Pada bagian ini yang diharapkan yaitu agar tampilan output dengan sendirinya
telahmengurutkan nilai dari yang terbesar untuk keseluruhan variabel. Untuk itu klik

Sortedby size

 pada

Coefficient Display Format.

Abaikan bagian yang lain kemudian tekan

Kesalahan! Nama file tidak ditentukan.Kesalahan! Nama file tidak ditentukan.

tombol

Continue

untuk kembali ke menu utama.6. Tekan tombol

OK

untuk menampilkan output :

Communalities merupakan nilai yang menunjukkan kontribusi variabel tersebutterhadap faktor yang
terbentuk 

. Dapat juga didefinisikan sebagai besaran nilai varians(dalam persentase) suatu variabel yang dapat
dijelaskan oleh faktor yang terbentuk.

Nilai communalities ini sama pengertiannya dengan nilai koefisien determinasi(pada model regresi).

Pada tabel di atas misalnya, nilai communalities variabel jumlah preman/calo angkutanumum = 94%;
ini berarti sebesar 94% varians dari variabel jumlah preman/caloangkutan umum dapat dijelaskan
oleh faktor yang terbentuk.Untuk variabel hirarki kecamatan dalam lingkup daerah, nilai
communalities = 84,2%.Hal ini berarti sekitar 84,2% varians dari variabel hirarki kecamatan dalam
lingkupdaerah dapat dijelaskan oleh faktor yang terbentuk. Demikian seterusnya denganvariabel
lainnya.

Semakin besar communalities sebuah variabel, berarti semakin erat hubungannyadengan faktor
yang terbentuk.

 Berdasarkan tabel di atas ada beberapa hal yang dapat diketahui :

 Nilai eigenvalues; yang menunjukkan jumlah variabel yang menjadi anggota suatu

Kesalahan! Nama file tidak ditentukan.

faktor.

Besaran variansi yang dapat dijelaskan oleh faktor dengan sejumlah variabel pembentuknya.

 
Jumlah faktor yang dapat terbentuk oleh sejumlah variabel yang dimiliki.Setelah dilakukan ekstraksi,
tampak dalam tabel di atas bahwa faktor yang terbentuksebanyak 2 faktor, dengan masing-masing
mempunyai nilai eigenvalues 4,956 dan2,434. sesuai dengan definisi eigenvalues, berarti kita dapat
mengatakan bahwa faktor-1 beranggotakan 4,956 variabel dan faktor-2 beranggotakan 2,434
variabel

(faktor yangmempunyai nilai eigenvalues < 1, berarti tidak mempunyai anggota variabelpembentuk
faktor).

Tabel di atas menunjukkan adanya 9 component (variabel) yang dimasukkan dalamanalisis faktor
dengan masing-masing variabel memiliki variansi 1, maka total variansiadalah 9x1 = 9.Sesuai dengan
jumlah faktor yang terbentuk dan jumlah variansi masing-masingvariabel yang diketahui, selanjutnya
dapat dijelaskan oleh masing-masing faktormaupun oleh keseluruhan faktor yang terbentuk (baik
sebelum dirotasi dan setelahdirotasi).- Variansi faktor-1 : (4,956/9) x 100% = 44,066%- Variansi
faktor-2 : (2,434/9) x 100% = 27,046%Artinya bahwa sebesar 44,066% variasni dari variabilitas
pembentuk faktor-1 dapatdijelaskan faktor tersebut, dan sebesar 27,046% variansi dari variabilitas
pembentukfaktor-2 dapat dijelaskan oleh faktor tersebut.Sedangkan total kedua faktor tersebut
akan mampu menjelaskan 82,122% (atau44,066% + 27,046%) dari variabilitas kesembilan variabel
asli tersebut.Selain dari tabel Total Varians, yang menjelaskan dasar perhitungan dalam
menentukan jumlah faktor, untuk melihat berapa jumlah faktor yang tebentuk dapat pula dilihat
padagrafik :

  Nilai batas eigenvalues pembentuk faktor adalah 1; apabila kurang dari 1 berarti tidakterdapat
variabel pembentuk faktor. Dengan demikian, dari grafik tersebut tampak bahwa ada 2 faktor yang
terbentuk. Hal ini berarti sama dengan hasil pendefinisiansebelumnya.

Kesalahan! Nama file tidak ditentukan.

Dipercayai oleh lebih dari 1 juta anggota

Coba Scribd GRATIS selama 30 hari untuk mengakses lebih dari 125 juta judul tanpa iklan atau
gangguan!

Mulai Coba Gratis

Batalkan Kapan Saja.

 Tabel Component Matrix di atas menunjukkan nilai loading factor masing-masingvariabel terhadap
faktor.

Loading Factor

adalah

nilai yang menunjukkan hubungan(korelasi) suatu variabel terhadap faktor.

Apabila suatu variabel mempunyai nilailoading factor terbesar pada faktor tertentu (dibanding faktor
lainnya), maka variabeltersebut akan menjadi anggota atau pembentuk faktor tersebut.

Nilai loading factoryang disarankan sebagai penentu komponen faktor yaitu setidaknya bernilai
0,7(korelasi

≥ 0,7).

Hal ini sesuai dengan pendefinisian koefisien korelasi bahwa (0,7

≤r<

 0,9) dikatakan bahwa adanya hubungan yang kuat antar variabel yang diteliti.

Kesalahan! Nama file tidak ditentukan.Kesalahan! Nama file tidak ditentukan.

Dari tabel

Component Matrixs

di atas dapat pula diketahui distribusi variabel terhadap2 faktor yang terbentuk.Cara yang dilakukan
untuk melihat distribusi variabel tersebut yaitu dengan membandingkannilai loading factor suatu
variabel pada faktor-faktor yang ada, misal :- korelasi variabel jumlah preman/calo angkutan umum
dengan faktor-1 adalah+0,946, berarti menunjukkan hubungan yang sangat kuat. Sedangkan dengan
faktor-2 mempunyai korelasi

 – 

0,211, yang berarti tidak adanya hubungan antara variabel jumlah preman/calo angkutan umum
dengan faktor-2. dengan demikian,

variabel jumlah preman/calo angkutan umum dimasukkan dalam komponen faktor-1.

Hal ini berlaku pula untuk variabel lainnya.Apabila dalam ekstraksi yang dilakukan ini masih dirasa
belum dapat diyakini,misalnya masih adanya suatu variabel yang belum jelas akan menjadi
komponen faktormana, maka langkah rotasi harus dilakukan. Sebagai contoh dalam kasus ini
yaituvariabel luas tanah milik perorangan yang mempunyai nilai loading factor pada faktor-1= +0,579
dan pada faktor-2 = -0,505. hal ini masih belum dapat diyakini variabeltersebut akan masuk dalam
komponen faktor-1 atau faktor-2. setelah dilakukan prosesrotasi dengan metode varimax,
hasilnya :Setelah dilakukan rotasi dapat disimpulkan :

Faktor-1 mempunyai komponen variabel-variabel :1. Jumlah preman/calo angkutan umum2. Hirarki
kecamatan dalam kingkup daerah3. Skala pelayanan kecamatan4. Panjang ruas jalan5. Jumlah
tenaga kerja yang tersedia6. Jumlah warga kecamatan7. Luas tanah milik perorangan

Faktor-2 mempunyai komponen variabel-variabel :1. Kinerja prasarana2. Jumlah keuangan

kecamatan
 

Variabel luas lahan milik pemerintah tidak menjadi komponen baik faktor-1 maupunfaktor-2. Hal ini
dikarenakan variabel tersebut dianggap kurang mempunyai hubungan(korelasi < 0,7) terhadap
kedua faktor yang tebentuk.

 BAB IIIKESIMPULAN

Analisis faktor adalah suatu metode statistik multivariate yang menemukan hubunganantara

sejumlah variabel-variabel yang saling bebas satu dengan yang lain, sehingga bisadibuat satu atau
beberapa kumpulan variabel yang lebih sedikit dibandingkan dengan jumlah variabel awal. Yang
bertujuan untuk Data Summarization dan Data Reduction.Asumsi yang harus dipenuhi adalah besar
korelasi antar variabel bebas harus di atas0,5;Besar Korelasi Parsial harus kecil, Pengujian seluruh
matrik korelasi (korelasi antarvariabel), yang diukur dengan besaran BARTLETT TEST OF SPHERICITY
atauMEASURE SAMPLING ADEQUACY (MSA),Pada beberapa kasus, asumsi NORMALITAS harus di
penuhi. Proses pada analisis faktor adalah Menentukan variabelapa saja yang akan dianalisis,
Menguji variabel tersebut agar menjadi variabel yang layakdimasukkan dalam analisis faktor, faktor
rotasi untuk menguji korelasi faktor yangterbentuk, memberi nama faktor yang terbentuk, Validasi
faktor , Pembuatan

 factor scores

 yang akan berguna jika akan dilakukan analisis lanjutan, seperti analisis regresi,analisis diskriminan
atau lainnya.