TUGAS ANALISIS MULTIVARIAT

POKOK BAHASAN 3

ANALISIS FAKTOR EKSPLORASI

DOSEN

Dr. SUJONO, SE. M.Si

Dr. YUSUF, SE. M.Si

OLEH

SITI MARLINA

G2D121014

PROGRAM STUDI ILMU MANAJEMEN

PROGRAM PASCA SARJANA

UNIVERSITAS HALU OLEO

KENDARI

2021.1

1. Soal : Jelaskan pengertian konsep di bawah ini

Jawab :
1) 1 2 R2 Adalah perbandingan Tindakan diagnostik yang digunakan dalam
pengelompokan variabel untuk menilai apakah variabel secara tunggal diwakili oleh
gugus komponen atau memiliki substantif pemuatan silang.
2) Anti image correlation matrix : Matriks korelasi anti-gambar Matriks korelasi parsial
antar variabel setelah analisis faktor, mewakili derajat ke dimana faktor-faktor
tersebut saling menjelaskan dalam hasil. Diagonal mengandungukuran kecukupan
pengambilan sampel untuk setiap variabel, dan nilai off-diagonal adalah korelasi
parsial antar variabel.
3) A priori criterion : Sebuah kriteria apriori Aturan berhenti untuk menentukan jumlah
faktor. Aturan ini ditentukan semata-mata pada peneliti penilaian dan pengalaman.
Peneliti dapat mengetahui struktur yang diinginkan, menguji struktur tertentu atau
pertimbangan berbasis konseptual lainnya sehingga jumlah faktor dapat ditentukan
sebelumnya.
4) Barlet test of sphericity : Uji Bartlett tentang kebulatan Uji statistik untuk signifikansi
keseluruhan dari semua korelasi dalam matriks korelasi.
5) Cluster Analysis : Analisis klaster Teknik multivariat dengan tujuan mengelompokkan
responden atau kasus dengan profil yang sama pada suatu lokasi tertentu
seperangkat karakteristik. Mirip dengananalisis faktor Q.
6) Cluster Componen : Komponen klaster atau Komponen utama yang diekstraksi dalam
pengelompokan variabel yang hanya berisi sebagian dari variabel lengkap mengatur.
7) Common Factor Analysis : analisis faktor umum Model faktor di mana faktor-faktor
didasarkan pada matriks korelasi tereduksi. Itu adalah,komunitas dimasukkan ke
dalam diagonal matriks korelasi, dan faktor yang diekstraksi hanya didasarkan pada
varians umum, dengan spesifik dan varian kesalahan pengecualian.
8) Common variance : Varians umum atau Varians dibagi dengan variabel lain dalam
analisis faktor (yaitu, varians bersama yang diwakili oleh kuadrat korelasi).
9) Commonality : Jumlah total varians yang dibagikan oleh variabel asli dengan semua
variabel lain yang termasuk dalam analisis faktor. Kalkulated sebagai jumlah beban
kuadrat untuk variabel di seluruh faktor.
10) Communality : Jumlah total varians yang dibagikan oleh variabel asli dengan semua
variabel lain yang termasuk dalam analisis faktor. Kalkulated sebagai jumlah beban
kuadrat untuk variabel di seluruh faktor.
11) Component : lihat factor
12) Component analysis : Analisis komponen utama Model faktor di mana faktor-faktor
didasarkan pada total varians. Dengan komponen utama analisis, kesatuan (1s)
digunakan dalam diagonal dari matriks korelasi; prosedur ini secara komputasi
menyiratkan bahwa semua varians adalah umum atau bersama.
13) Composite Measure : Timbangan yang dijumlahkan Metode menggabungkan
beberapa variabel yang mengukur konsep yang sama menjadi satu variabel dalam
suatu upaya untuk meningkatkan keandalan dari pengukuran. Dalam kebanyakan
kasus, variabel-variabel terpisah dijumlahkan dan kemudian skor total atau rata-
ratanya digunakan dalam analisis.
14) Conceptual definition : definisi konseptual Spesifikasi landasan teori untuk suatu
konsep yang diwakili oleh suatu faktor.
15) Confirmatory approach : Pendekatan konfirmasi Sebuah pendekatan untuk analisis
faktor, biasanya terkait dengan pemodelan persamaan struktural, yang menilai sejauh
mana struktur yang telah ditentukan cocok dengan data. Pendekatan ini kontras
denganpendekatan eksplorasi, yang didorong oleh data dan analisis mengungkapkan
strukturnya.
16) Convergent Validity : Validitas konvergen Sejauh mana dua ukuran (skala) dari konsep
yang sama berkorelasi. Salah satu aspek konstruksi keabsahan.
17) Construct Validity : Validitas konstruk Pendekatan luas untuk memastikan validitas
satu set item sebagai perwakilan dari definisi konseptual. Termasuk sub-elemen
spesifik dari validitas konvergen, validitas diskriminan dan validitas nomologis.
18) Content Validity : Validitas konten Penilaian tingkat korespondensi antara item yang
dipilih untuk membentuk a skala penjumlahan dan itu definisi konseptual.
19) Correlation matrix : Matriks korelasi adalah Tabel menunjukkan interkorelasi antara
semua variabel.
20) Cronbach’s alpha : Adalah alfa cronbach ukuran keandalan yang berkisar dari 0 hingga
1, dengan nilai 0,60 hingga 0,70 dianggap sebagai batas bawah akseptabilitas.
21) Cross loading : Yaitu validasi silang atau metode validasi dimana sampel asli dibagi
menjadi beberapa sub sampel yang lebih kecil (validasi sampel) dan bahwa kecocokan
validasi adalah kecocokan "rata-rata" di semua sub-sampel.
22) Discriminant validity : Membagi kasus menjadi dua kelas berdasarkan berada di atas
atau di bawah nilai yang ditentukan.
23) Dummy Variable : Atau variatel boneka adalah Variasi Kombinasi linier variabel yang
dibentuk dalam teknik multivariat dengan menurunkan bobot empiris yang
diterapkan pada sekumpulan variabel yang ditentukan oleh peneliti.
24) Eigenvalue : Adalah nilai eigen Merupakan jumlah varians dicatat oleh faktor. Dihitung
sebagai jumlah kolom dari beban kuadrat untuk sebuah faktor; juga disebut
sebagaiakar laten.
25) EQUiMAX : Adalah salah satu dari rotasi faktor ortogonal metode yang merupakan
"kompromi" antara VARIMAX dan QUARTIMAX pendekatan, tetapi tidak banyak
digunakan.
26) Error variance adalah Varian kesalahan Varians variabel karena kesalahan pengukuran
(misalnya, kesalahan dalam pengumpulan atau pengukuran data).
27) Exploratory approach : Adalah pendekatan eksplorasi Sebuah pendekatan untuk
analisis faktor di mana tujuannya adalah untuk mendefinisikan struktur dalam satu
set variabel, tanpa pra-spesifikasi sejumlah faktor atau variabel mana yang
merupakan bagian dari suatu faktor. Kontras dengan pendekatan konfirmasi dimana
struktur telah ditentukan sebelumnya.
28) Face validity : Validitas konten Penilaian tingkat korespondensi antara item yang
dipilih untuk membentuk a skala penjumlahan dan itu definisi konseptual.
29) Factor : Faktor Kombinasi linier (variat) dari variabel asli. Faktor juga mewakili dimensi
yang mendasari (konstruksi) yang meringkas atau menjelaskan set asli variabel yang
diamati.
30) Factor Indeterminacy : Ketidakpastian faktor atau Ciri-ciri dari analisis faktor umum
sedemikian rupa sehingga beberapa berbeda skor faktor dapat dihitung untuk
responden, masing-masing sesuai dengan model faktor yang diestimasi. Ini berarti
skor faktor tidak unik untuk setiap individu.
31) Factor Loading : Adalah Pemuatan faktor Korelasi antara variabel asli dan faktor, dan
kunci untuk memahami sifat dari suatu parti-faktor umum. Pemuatan faktor kuadrat
menunjukkan berapa persentase varians dalam variabel asli yang dijelaskan oleh
suatu faktor.
32) Factor Matrix : Adalah Matriks faktor Tabel yang menampilkan pemuatan faktor dari
semua variabel pada setiap faktor.
33) Factor Pattern Matrix : Adalah Matriks pola faktor Salah satu dari dua matriks faktor
yang ditemukan dalam sebuah rotasi miring yang paling sebanding dengan matriks
faktor di dalam NS rotasi ortogonal.
34) Factor Rotation : Rotasi faktor adalah Proses manipulasi atau penyesuaian sumbu
faktor untuk mencapai yang lebih sederhana dan secara pragmatis lebih bermakna
solusi faktor.
35) Factor Score : Skor faktor adalah Ukuran komposit dibuat untuk setiap pengamatan
pada setiap faktor yang diekstraksi dalam analisis faktor. bobot factor digunakan
bersama dengan nilai variabel asli untuk menghitung skor setiap pengamatan. Skor
faktor kemudian dapat digunakan untuk mewakili faktor dalam analisis selanjutnya.
Skor faktor distandarisasi untuk memiliki rata-rata 0 dan standar deviasi 1. Sifatnya
serupa dengan askala penjumlahan.
36) Factor Structure Matrix : Matriks struktur faktor A matriks faktor ditemukan di sebuah
rotasi miring yang mewakili korelasi sederhana antar variable dan faktor,
menggabungkan varians unik dan korelasi antar faktor. Sebagian besar peneliti lebih
suka menggunakan matriks pola faktor ketika menafsirkan solusi miring.
37) Indikator : Adalah Variabel tunggal yang digunakan bersama dengan satu atau lebih
variabel lain untuk membentuk a ukuran komposit.
38) Item : Adalah Variabel tunggal yang digunakan bersama dengan satu atau lebih
variabel lain untuk membentuk a ukuran komposit.
39) Kaiser Rule : Aturan Kaiser Salah satu aturan penghentian untuk menentukan berapa
banyak faktor yang harus dipertahankan dalam analisis. Dalam aturan ini, semua
factor dengan nilai eigen (akar laten) lebih besar dari 1,0 dipertahankan.
40)
41) Latent Root : Merupakan jumlah varians dicatat oleh faktor. Dihitung sebagai jumlah
kolom dari beban kuadrat untuk sebuah faktor; juga disebut sebagaiakar laten.
42) Latente Root Criterion : Kriteria akar laten Salah satu aturan penghentian untuk
menentukan berapa banyak faktor yang harus dipertahankan dalam analisis. Dalam
aturan ini, semua factor dengan nilai eigen (akar laten) lebih besar dari 1,0
dipertahankan.
43) Measure Of Sampling Adequacy (MSA) : Ukuran kecukupan pengambilan sampel
(MSA) Ukur dihitung baik untuk seluruh matriks korelasi dan setiap variabel individu.
Nilai MSA di atas 0,50 baik untuk keseluruhan matriks atau variabel individu
menunjukkan kesesuaian untuk melakukan analisis faktor pada keseluruhan
rangkaian variabel atau variabel tertentu masing-masing.
44) Measure Error : Kesalahan pengukuran atau Ketidakakuratan pengukuran nilai
variabel "benar" karena kesalahan instrumen pengukuran (yaitu, skala respons yang
tidak sesuai), kesalahan entri data, atau kesalahan responden.
45) Multicollinearity : Multikolinearitas atau Sejauh mana suatu variabel dapat dijelaskan
oleh variabel lain dalam analisis. Dengan meningkatnya multikolinearitas, itu
memperumit interpretasi bervariasi karena lebih sulit untuk memastikan efek dari
setiap variabel tunggal, karena keterkaitan mereka.
46) Nomological Validity : Validitas nomologis Sebuah elemen dari validitas konstruk
berfokus pada sejauh mana skala membuat prediksi yang akurat dari konsep lain
dalam model berbasis teori.
47) Oblique Factor Rotation : Rotasi faktor miring Rotasi faktor dihitung sehingga faktor-
faktor yang diekstraksi berkorelasi. Daripada membatasi secara sewenang-wenang
rotasi faktor ke ortogonal solusi, rotasi miring mengidentifikasi sejauh mana masing-
masing faktor berkorelasi.
48) Optimal Scaling : Penskalaan optimal Proses transformasi data nonmetrik (yaitu,
nominal dan ordinal) ke bentuk yang sesuai untuk digunakan dalam Kepala Sekolah
analisis komponen.
49) Orthogonal : Ortogonal Independensi matematis (tidak ada korelasi) dari sumbu
faktor satu sama lain (yaitu, di sudut kanan, atau 90 derajat).
50) Orthogonal Factor Rotation : Rotasi faktor ortogonal Rotasi faktor di mana faktor-
faktor diekstraksi sehingga sumbunya dipertahankan pada 90 derajat. Setiap faktor
tidak bergantung pada, atau ortogonal untuk, semua faktor lain (yaitu, korelasi antara
faktor dibatasi menjadi nol).
51) Parallel Analysis : Analisis paralel Aturan berhenti berdasarkan perbandingan faktor
nilai eigen ke satu set nilai eigen yang dihasilkan dari acak data. Premis dasarnya
adalah untuk mempertahankan faktor-faktor yang memiliki nilai eigen melebihi yang
akan dihasilkan oleh data acak.
52) Percentage Of Variance Criterion : Persentase kriteria varians Aturan penghentian
untuk jumlah faktor yang harus dipertahankan yang didasarkan pada jumlah total
varians diperhitungkan dalam satu set faktor, atau keguyuban dari masing-masing
variabel. Nilai ambang batas ditentukan oleh peneliti berdasarkan tujuan penelitian
dan penilaian tentang kualitas data yang dianalisis.
53) Principal Component Analysis : Analisis komponen utama Model faktor di mana
faktor-faktor didasarkan pada total varians. Dengan komponen utama analisis,
kesatuan (1s) digunakan dalam diagonal dari matriks korelasi; prosedur ini secara
komputasi menyiratkan bahwa semua varians adalah umum atau bersama.
54) Q Factor Analysis : Q analisis faktor Bentuklah kelompok-kelompok responden atau
kasus berdasarkan kesamaannya pada seperangkat karakteristik (lihat juga
pembahasannya dari analisis klaster dalam Bab 4).
55) QUARTIMAX : QUARTiMax Adalah Tipe dari rotasi faktor ortogonal metode yang
berfokus pada penyederhanaan kolom dari matriks faktor. Umumnya dianggap
kurang efektif dibandingkan VARIMAX rotasi.
56) R Factor Analysis : Menganalisis hubungan antar variabel untuk mengidentifikasi
kelompok variabel yang membentuk dimensi laten (faktor).
57) Reliability : Keandalan Sejauh mana variabel atau sekumpulan variabel konsisten
dengan apa yang ingin diukur. Jika beberapa pengukuran diambil, langkah-langkah
yang dapat diandalkan semuanya akan konsisten dalam nilai-nilai mereka. Ini berbeda
darikeabsahan dalam hal itu tidak berhubungan dengan apa yang harus diukur, tetapi
bagaimana hal itu diukur.
58) Reverse Scoring : Skor terbalik Proses membalikkan skor variabel, sambil
mempertahankan karakteristik distribusi, untuk mengubah hubungan (korelasi)
antara dua variabel. Digunakan dalam skala penjumlahan konstruksi untuk
menghindari pembatalan antara variabel dengan positif dan negatif pemuatan faktor
pada faktor yang sama.
59) Scale development : Timbangan yang dijumlahkan Metode menggabungkan beberapa
variabel yang mengukur konsep yang sama menjadi satu variabel dalam upaya untuk
meningkatkan keandalan pengukuran melalui pengukuran multivariat. Dalam
kebanyakan kasus, variabel-variabel terpisah dijumlahkan dan kemudian skor total
atau rata-ratanya digunakan dalam analisis.
60) Scoring Procedure : Prosedur penilaian Menyimpan koefisien penilaian dari matriks
faktor dan kemudian memungkinkannya untuk diterapkan ke kumpulan data baru
untuk menghasilkan skor faktor sebagai bentuk replikasi dari hasil asli.
61) Screen Test : Tes layar Aturan penghentian berdasarkan pola nilai eigen dari faktor
yang diekstraksi. Plot nilai eigen diperiksa untuk temukan "siku" dalam pola yang
menunjukkan faktor-faktor berikutnya yang tidak berbeda.
62) Specific Variance : Varians spesifik Varians setiap variabel unik untuk variabel itu dan
tidak dijelaskan atau terkait (korelasi) dengan yang lain variabel dalam analisis faktor.
Satu porsiunik perbedaan.
63) Stopping Rule : Aturan berhenti Kriteria untuk menentukan jumlah faktor yang harus
dipertahankan dalam hasil akhir, termasuk: kriteria akar laten, kriteria apriori,
persentase kriteria varians, scree test dan analisis paralel.
64) Summated Scales : Timbangan yang dijumlahkan Metode menggabungkan beberapa
variabel yang mengukur konsep yang sama menjadi satu variabel dalam suatu upaya
untuk meningkatkan keandalan dari pengukuran. Dalam kebanyakan kasus, variabel-
variabel terpisah dijumlahkan dan kemudian skor total atau rata-ratanya digunakan
dalam analisis.
65) Surrogate Variable : Variabel pengganti Pemilihan variabel proxy tunggal dengan yang
tertinggi pemuatan faktor untuk mewakili faktor dalam reduksi data panggung alih-
alih menggunakan a skala penjumlahan atau skor faktor.
66) Trace : Jejak Mewakili jumlah total varians yang menjadi dasar solusi faktor. Jejak
sama dengan jumlah variabel, didasarkan pada asumsi bahwa varians pada setiap
variabel sama dengan 1.
67) Unidimensional : Unidimensional Karakteristik himpunan variabel yang membentuk a
skala penjumlahan di mana variabel-variabel ini hanya berkorelasi dengan yang
dihipotesiskan faktor (yaitu, memiliki tinggi pemuatan faktor hanya pada faktor ini).
 68) Unique Variance : Varian unik Bagian dari total varians variabel yang tidak varians
bersama (yaitu, tidak berkorelasi dengan variabel lain dalam analisis. Memiliki dua
porsi—varians spesifik berkaitan dengan varians variabel yang tidak terkait dengan
variabel lain dan varian kesalahan disebabkan oleh kesalahan pengukuran dalam nilai
variabel.
69) Validity : validasi Bagian dari sampel yang “ditahan” dari estimasi dan kemudian
digunakan untuk penilaian independen model fit pada data yang tidak digunakan
dalam estimasi.
70) Variable Clustering : Pengelompokan variabel Sebuah varian dari analisis komponen
utama yang memperkirakan komponen dengan hanya subset dari variabel asli.
mampu mengatur (komponen klaster). Komponen cluster ini biasanya diperkirakan
secara hierarkis dengan "membagi" komponen cluster ketika dua komponen utama
dapat diekstraksi. Proses pemisahan ini berlanjut sampai beberapa ambang tercapai.
71) Variate : Variasi Kombinasi linier variabel yang dibentuk dalam teknik multivariat
dengan menurunkan bobot empiris yang diterapkan pada sekumpulan variabel yang
ditentukan oleh peneliti.
72) VARIMAX : VARiMax Yang paling populer rotasi faktor ortogonalmetode yang
berfokus pada penyederhanaan kolom dalam a matriks faktor. Umumnya dianggap
lebih unggul daripada metode rotasi faktor ortogonal lainnya dalam mencapai
struktur faktor yang disederhanakan.

2. Jawab pertanyan dibawah ini

1) Apa perbedaan antara tujuan peringkasan dan tujuan reduksi data?
Jawab: Perbedaan antara tujuan peringkasan data dan reduksi data adalah tujuan dari
peringkasan data adalah mengidentifikasi adanya hubungan antar variabel dengan
melakukan uji korelasi. Sedangkan tujuan dari reduksi data yaitu melakukan korelasi,
kemudian dilakukan proses membuat sekelompok variabel baru yang dinamakan factor
untuk menggantikan sejumlah variabel tertentu.
2) Bagaimana analisis faktor eksplorasi dapat membantu peneliti meningkatkan hasil
Teknik multivariat lainnya?
Jawab : Analisis faktor eksplorasi merupakan teknik yang sangat cocok untuk
menganalisis pola-pola hubungan multidimensi yang kompleks yang dihadapi oleh
 para peneliti. Ini mendefinisikan dan menjelaskan secara luas, istilah konseptual
aspek fundamental dari teknik faktor-analitik. Analisis faktor eksplorasi dapat
digunakan untuk menguji pola atau hubungan yang mendasari sejumlah besar
variabel dan untuk menentukan apakah informasi tersebut dapat diringkas atau
diringkas dalam serangkaian faktor atau komponen yang lebih kecil. Untuk lebih
memperjelas konsep metodologi, pedoman dasar untuk menyajikan dan
menafsirkan hasil dari teknik ini juga disertakan.
Analisis Faktor Eksplorasi memberi peneliti alat untuk memahami hubungan
antar variabel, pengetahuan mendasar untuk semua analisis multivariat. Isu
multikolinearitas dan model parsimony mencerminkan struktur yang mendasari
variabel, dan analisis faktor menyediakan sarana objektif untuk menilai
pengelompokan variabel dan kemampuan untuk menggabungkan variabel
komposit yang mencerminkan pengelompokan variabel ini ke dalam teknik
multivariat lainnya.
Analisis faktor eksplorasi, dengan memberikan wawasan tentang
keterkaitan antar variabel dan struktur data yang mendasarinya, merupakan titik
awal yang sangat baik untuk banyak teknik multivariat lainnya. Dari perspektif
peringkasan data, analisis faktor eksplorasi memberi peneliti pemahaman yang jelas
tentang variabel mana yang dapat bertindak secara bersamaan dan berapa banyak
variabel yang sebenarnya diharapkan memiliki dampak dalam analisis.
 Variabel-variabel yang ditentukan berkorelasi tinggi dan termasuk dalam
faktor yang sama diharapkan memiliki profil perbedaan yang serupa antar
kelompok dalam analisis varians multivariat atau dalam analisis diskriminan.
 Variabel yang sangat berkorelasi, seperti variabel dalam satu faktor,
mempengaruhi prosedur bertahap dari regresi berganda dan analisis
diskriminan yang secara berurutan memasukkan variabel berdasarkan
prediksi inkrementalnya.
3) Pedoman apa yang dapat anda gunakan untuk menentukan jumlah faktor yang akan
diekstraksi? Jelaskan masing-masing secara singkat.
Jawab: Ekstraksi faktor adalah proses mereduksi sejumlah variabel menjadi sejumlah set
variabel baru atau faktor yang jumlahnya lebih sedikit. Supranto (2004) menyatakan
bahwa terdapat 2 metode yang bisa dipergunakan dalam analisis faktor, khususnya
 untuk menghitung timbangan atau koefisisen skor faktor, yaitu Pricipal Component
Analysis dan Common Factor Analysis.
 Dalam Principal Component Analysis, jumlah varian dalam data
dipertimbangkan. Jika tujuan dari penggunaan analisis faktor adalah untuk
mereduksi data dan mendapatkan jumlah faktor minimum yang dibutuhkan
untuk merepresentasikan data asal, maka direkomendasikan
menggunakan Pricipal Component Analysis.
 Di dalam Common Factor Analysis faktor diestimasi berdasarkan common
variance, communalities dimasukkan dalam matriks korelasi. Metode ini
dianggap tepat kalau tujuan utama penggunaan analisis faktor adalah untuk
mengidentifikasi secara teoritis dimensi yang bermakna. 
4) Bagaimana anda menggunaka matriks pemuatan factor untuk menafsirkan pengertian
factor ?
Jawab : Matriks pemuatan faktor digunakan dengan mengidentifikasi struktur di antara
variabel-variabel. Prosesnya dengan memilah-milah semua beban faktor (ingat, setiap
variabel memiliki beban pada setiap faktor) untuk mengidentifikasi yang paling indikatif
dari struktur yang mendasarinya. Menggunakan kriteria untuk menafsirkan beban dapat
menemukan variabel-variabel yang berbeda untuk setiap faktor dan mencari
korespondensi dengan landasan konseptual atau harapan manajerial untuk penelitian
untuk menilai signifikansi praktis.

Dengan empat faktor yang akan dianalisis, peneliti beralih ke interpretasi faktor-
faktor tersebut. Setelah matriks faktor pembebanan telah dihitung, proses
interpretasi dilanjutkan dengan memeriksa matriks faktor yang tidak diputar dan
kemudian diputar untuk mencari pembebanan faktor yang signifikan dan
komunalitas yang memadai.

Jika kekurangan ditemukan (yaitu, cross-loading atau faktor dengan

hanya satu variabel), respesifikasi faktor dipertimbangkan. Setelah faktor
diselesaikan, mereka dapat dijelaskan berdasarkan beban faktor
signifikan yang mencirikan masing-masing faktor.
LANGKAH 1: MEMERIKSA MATRIKS FAKTOR BEBAN UNTUK MATRIKS FAKTOR YANG
TIDAK DIROOT Pemuatan faktor, baik dalam unro-matriks faktor yang dirotasi atau
diputar, mewakili derajat asosiasi (korelasi) setiap variabel dengan masing-masing
faktor. Pembebanan mengambil peran kunci dalam interpretasi faktor, terutama
jika digunakan dengan cara yang memerlukan karakterisasi untuk makna
substantif dari faktor (misalnya, sebagai variabel prediktor dalam hubungan
ketergantungan). Tujuan dari analisis faktor dalam kasus ini adalah untuk
memaksimalkan asosiasi setiap variabel dengan satu faktor, berkali-kali melalui
rotasi matriks faktor. Peneliti harus membuat penilaian mengenai kecukupan
solusi dalam tahap ini dan representasi dari struktur variabel dan kemampuan
untuk memenuhi tujuan penelitian. Kami pertama-tama akan memeriksa solusi
faktor yang tidak diputar dan menentukan apakah penggunaan solusi yang
diputar diperlukan.

LANGKAH 2: IDENTIFIKASI PEMBEBANAN SIGNIFIKAN DALAM MATRIKS FAKTOR YANG

TIDAK DIROOTASI Setelah mendefinisikan berbagai elemen dari matriks faktor yang
tidak diputar, mari kita periksa pola pemuatan faktor. Seperti yang telah dibahas
sebelumnya, pembebanan faktor memungkinkan deskripsi setiap faktor dan
struktur dalam himpunan variable

LANGKAH 3: MENILAI KOMUNALITAS DARI VARIABEL DALAM MATRIKS FAKTOR YANG

TIDAK BERROTASI Jumlah baris dari beban faktor kuadrat-

ing disebut sebagai komunitas. Komunalitas menunjukkan jumlah varians dalam

variabel yang diperhitungkan oleh semua faktor yang dipertahankan secara
bersama-sama. Ukuran komunalitas adalah indeks yang berguna untuk menilai
berapa banyak varians dalam variabel tertentu yang diperhitungkan oleh solusi
faktor. Nilai komunalitas yang lebih tinggi menunjukkan bahwa sejumlah besar
varians dalam variabel telah diekstraksi oleh solusi faktor. Komunalitas kecil
menunjukkan bahwa sebagian besar varians variabel tidak diperhitungkan oleh
faktor. Meskipun tidak ada pedoman statistik yang menunjukkan secara tepat apa
yang "besar" atau "kecil", pertimbangan praktis konsisten dengan tingkat yang
lebih rendah dari 0,50 untuk komunalitas dalam analisis ini
 LANGKAH 2 DAN 3: MENILAI PEMBEBANAN FAKTOR-FAKTOR PENTING DAN
KOMUNALITAS DARI MATRIKS FAKTOR YANG BERPUTAR Mengingat bahwa matriks
faktor yang tidak dirotasi tidak memiliki rangkaian pembebanan faktor yang benar-
benar bersih (yaitu, memiliki pembebanan silang yang substansial atau tidak
memaksimalkan pembebanan setiap variabel pada satu faktor), teknik rotasi dapat
diterapkan untuk diharapkan meningkatkan interpretasi. Dalam hal ini, rotasi
VARIMAX digunakan dan dampaknya terhadap solusi faktor keseluruhan dan
pembebanan faktor dijelaskan selanjutnya

LANGKAH 4: RESPESIFIKASI MODEL FAKTOR JIKA PERLU Meskipun matriks faktor yang
diputar meningkat pada kesederhanaan pemuatan faktor, pemuatan silang dari x11
pada faktor 1 dan 4 membutuhkan tindakan. Tindakan yang mungkin dilakukan
termasuk mengabaikan pemuatan silang, penghapusanx11 untuk menghilangkan
cross-loading, menggunakan teknik rotasi lain, atau mengurangi jumlah faktor.
Diskusi berikut membahas opsi-opsi ini dan tindakan yang dipilih.

LANGKAH 5: MENYEBUT FAKTOR Ketika solusi faktor yang memuaskan telah

diperoleh, peneliti selanjutnya mencoba untuk memberikan beberapa makna pada
faktor-faktor tersebut. Prosesnya melibatkan interpretasi substantif dari pola
pembebanan faktor untuk variabel, termasuk tanda-tandanya, dalam upaya untuk
memberi nama masing-masing faktor. Sebelum interpretasi, tingkat signifikansi
minimum yang dapat diterima untuk pembebanan faktor harus dipilih. Kemudian,
semua pembebanan faktor yang signifikan biasanya digunakan dalam proses
interpretasi. Variabel dengan beban yang lebih tinggi mempengaruhi sebagian
besar nama atau label yang dipilih untuk mewakili suatu faktor
5) Kapan peneliti akan menggunakan rotasi miring alih-alih rotasi ortogonal? Apa
perbedaan mendasar di antara mereka?
Jawab : Prinsip umum yang sama dari rotasi ortogonal berkaitan dengan rotasi miring.
Metode rotasi miringlebih fleksibel, karena sumbu faktor tidak perlu ortogonal. Hal ini
juga lebih realistis karena teori dimensi dasar yang sangat penting tidak dianggap tidak
berkorelasi satu sama lain. Dua metode rotasi dibandingkan. Perhatikan bahwa rotasi
faktor miring mewakili pengelompokan variabel bahkan lebih akurat. Akurasi ini adalah
hasil dari fakta bahwa setiap sumbu faktor yang diputar sekarang lebih dekat ke masing-
 masing kelompok variabel. Juga, solusi miring memberikan informasi tentang sejauh
mana faktor-faktor tersebut sebenarnya berkorelasi satu sama lain.
Kebanyakan peneliti setuju bahwa solusi yang tidak dirotasi tidak cukup. Artinya,
dalam banyak kasus beberapa bentuk rotasi akan meningkatkan interpretasi dengan
mengurangi beberapa ambiguitas yang sering menyertai analisis awal. Tujuan akhir dari
setiap rotasi adalah untuk mendapatkan beberapa faktor yang secara teoritis bermakna
dan, jika memungkinkan, struktur faktor yang paling sederhana.
Pendekatan rotasi ortogonal lebih banyak digunakan karena semua paket
komputer dengan analisis faktor berisi opsi rotasi ortogonal dan mereka
mempertahankan ortogonalitas di antara faktor-faktor tersebut. Ini sangat berguna jika
metode reduksi data digunakan untuk membuat skor untuk masing-masing faktor,
karena skor ini juga ortogonal (yaitu, tidak ada multikolinearitas) yang mungkin
bermanfaat dalam multikolinearitas lainnya, teknik bervariasi. Rotasi ortogonal juga
lebih sering digunakan karena prosedur analitis untuk melakukan rotasi miring tidak
berkembang dengan baik dan masih menjadi kontroversi. Sebagai Akibatnya, metode
miring hampir tidak diterapkan secara luas. Beberapa pendekatan berbeda tersedia
untuk melakukan rotasi ortogonal atau miring. Namun, hanya sejumlah terbatas rotasi
miring prosedur tersedia di sebagian besar paket statistik. Dengan demikian, peneliti
mungkin harus menerima satu yang disediakan.
6) Apa kriteria yang digunakan dalam menentukan variabel yang akan mewakili suatu
faktor (misalnya, digunakan dalam penamaan faktor itu)?
Jawab :
 Spesifikasi Variabel Dalam kedua penggunaan analisis faktor eksplorasi, peneliti
secara implisit menentukan dimensi potensial yang dapat diidentifikasi melalui
karakter dan sifat variabel yang diajukan ke analisis faktor. Misalnya, dalam
menilai dimensi citra toko, jika tidak ada pertanyaan tentang personel toko yang
disertakan, analisis faktor tidak akan dapat mengidentifikasi dimensi ini.
 Faktor Selalu Diproduksi, Peneliti juga harus ingat bahwa analisis faktor
eksploratif akan selalu menghasilkan faktor. Dengan demikian, peneliti harus
menggunakan penilaian pada set variabel mana yang akan dianalisis bersama
dan memahami bahwa peneliti menentukan struktur yang diperiksa. Sebagai
contoh, satu set variabel yang mewakili sikap dan pendapat dalam banyak kasus
 tidak akan dianalisis dengan set variabel lain yang mewakili perilaku aktual
karena ini adalah set variabel yang jelas berbeda. Hal ini terutama benar ketika
satu set mungkin variabel independen dan set lain akan menjadi variabel
dependen.
 Faktor Membutuhkan Banyak Variabel Peneliti memiliki kendali penuh atas
variabel mana yang menjadi sasaran analisis faktor. Dalam beberapa kasus,
mungkin hanya ada satu variabel yang mengukur konsep yang tersedia dan
dengan demikian tidak perlu menempatkan variabel itu dalam analisis faktor
(misalnya, mungkin hanya satu ukuran pergantian karyawan—Ya atau Tidak).
Jadi variabel individu ini tidak boleh dimasukkan ke dalam analisis faktor
eksploratif, melainkan “dicampur” dengan skor komposit dari reduksi data sesuai
kebutuhan.
7) Bagaimana dan kapan skor faktor harus digunakan dalam hubungannya dengan teknik
statistik multivariat lainnya?
Jawab : Skor faktor digunakan ketika peneliti ingin melakukan reduksi data, salah
satunya dengan mengginakan metode skor faktor. prosedur penilaian adalah proses
yang menyimpan koefisien penilaian dari matriks faktor dan kemudian
memungkinkannya untuk diterapkan ke kumpulan data baru. Dengan cara ini, analisis
faktor eksplorasi dapat direplikasi untuk menghasilkan skor faktor di sejumlah kumpulan
data, semua berdasarkan analisis asli. Difasilitasi oleh prosedur seperti PROCSCORE di
SAS dan prosedur serupa di SPSS dan paket lainnya, replikasi sekarang tersedia secara
luas dengan sedikit usaha.
8) Apa perbedaan antara skor faktor dan skala penjumlahan? Kapan masing-masing paling
tepat?
Jawab : Satu karakteristik kunci yang membedakan skor faktor dari skala penjumlahan
adalah bahwaskor faktor dihitung berdasarkan pemuatan faktor dari semua variabel
pada faktor tersebut, sedangkan skala penjumlahan dihitung dengan menggabungkan
hanya variabel yang dipilih. Oleh karena itu, meskipun peneliti mampu
mengkarakterisasi suatu faktor dengan variabel dengan beban tertinggi, pertimbangan
juga harus diberikan pada beban variabel lain, meskipun lebih rendah, dan pengaruhnya
terhadap skor faktor. Waktu yang tepat bagi penggunaan masing-masing antara skor
faktor dan skala penjumlahan adalah:
 - Jika data hanya digunakan dalam sampel asli, interpretasi kurang penting atau
ortogonalitas harus dipertahankan, skor faktor cocok.
- Jika generalisasi atau transferabilitas diinginkan, maka penjumlahan skala atau
variabel pengganti lebih tepat. Jika skala summated adalah instrumen yang
dibangun dengan baik, valid, dan andal, maka itu mungkin merupakan alternatif
terbaik.
- Jika variabel asli akan diganti dengan variabel pengganti, skor faktor, atau skala
yang dijumlahkan, keputusan harus dibuat tentang mana yang akan digunakan.
Keputusan ini didasarkan pada kebutuhan akan kesederhanaan versus replikasi
dalam penelitian lain (yang mendukung penggunaan skala yang dijumlahkan)
versus keinginan untuk ortogonalitas ukuran (yang mendukung skor faktor).
Meskipun mungkin tergoda untuk menggunakan variabel pengganti, preferensi
di antara para peneliti saat ini adalah penggunaan skala yang dijumlahkan atau,
pada tingkat yang lebih rendah, skor faktor. Dari perspektif empiris, dua ukuran
komposit pada dasarnya identik. Korelasi pada Tabel 3.13 menunjukkan
korespondensi yang tinggi antara skor faktor dengan skala yang dijumlahkan dan
korelasi yang rendah di antara skala yang dijumlahkan, mendekati ortogonalitas
skor faktor. Keputusan akhir, bagaimanapun, terletak pada peneliti dan
kebutuhan akan ortogonalitas versus replikabilitas dalam memilih skor faktor
versus skala yang dijumlahkan.
9) perbedaan antara analisis faktor eksplorasi dan analisis faktor konfirmatori? Dan kapan
paling tepat digunakan?
Jawab :
1- Analisis Faktor Eksplorasi
Analisis faktor eksplorasi, sering disebut sebagai PUS, adalah teknik saling
ketergantungan tujuan utama adalah untuk menentukan struktur yang
mendasari antara variabel dalam analisis. Jelas, variabel memainkan peran kunci
dalam setiap analisis multivariat. Apakah kita membuat ramalan penjualan
dengan regresi, memprediksi keberhasilan atau kegagalan sebuah perusahaan
baru dengan analisis diskriminan, mengelompokkan pengamatan dengan analisis
klaster atau menggunakan teknik multivariat lain.
 Dalam analisis faktor eksplorasi di mana peneliti tidak atau belum
mempunyai pengetahuan atau teori atau suatu hipotesis yang menyusun
struktur faktor-faktornya yang akan dibentuk atau yang terbentuk, sehingga
dengan demikian pada analisis faktor eksploratori merupakan teknik untuk
membantu membangun teori baru.
Analisis faktor eksplorasi dilakukan paling sering hanya pada variabel
metrik, meskipun ada metode khusus untuk penggunaan variabel dummy;
sejumlah "variabel dummy" terbatas dapat dimasukkan dalam satu set variabel
metrik yang dianalisis faktor selama mereka mewakili atribut biner.
2- Analisis Faktor Konfirmatori (CFA)
Analisis faktor konfirmatori yaitu menilai sejauh mana data memenuhi struktur
teoritis yang diharapkan.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. Pada dasarnya tujuan analisis faktor
konfirmatori adalah:
 Untuk mengidentifikasi adanya hubungan antar variabel dengan
melakukan uji korelasi.
 Kedua untuk menguji validitas dan reliabilitas instrumen. Dalam
pengujian terhadap validitas dan reliabilitas instrumen atau kuesioner
untuk mendapatkan data penelitian yang valid dan reliabel dengan
analisis faktor konfirmatori.
10) Apa perbedaan antara analisis faktor tipe-Q dan analisis klaster?
Jawab : Analisis faktor Tipe Q dipilih untuk menurunkan matriks korelasi dari korelasi
antara masing-masing responden. Di dalam fakor Q type hasilnya akan menjadi
matriks faktor yang akan mengidentifikasi individu yang serupa. Misalnya, jika
responden individu diidentifikasi dengan nomor, pola faktor yang dihasilkan
mungkin memberi tahu kita bahwa individu 1, 5, 6, dan 7 serupa. Demikian pula,
 responden 2, 3, 4, dan 8 mungkin akan memuat faktor lain bersama-sama, dan kita
akan melabeli individu-individu ini sebagai serupa. Dari hasil analisis Q faktor, kita
dapat mengidentifikasi kelompok atau kelompok individu yang menunjukkan pola
yang sama pada variabel yang termasuk dalam analisis. Sedangkan Analisis cluster
adalah teknik multivariat yang mempunyai tujuan utama untuk mengelompokkan objek-
objek/cases berdasarkan karakteristik yang dimilikinya. Analisis cluster mengklasifikasi
objek sehingga setiap objek yang memiliki sifat yang mirip (paling dekat kesamaannya)
akan mengelompok kedalam satu cluster (kelompok) yang sama. Sehingga dapat
disimpulkan bahwa analisis faktor Tipe Q berbeda dari analisis klaster, karena kedua
pendekatan membandingkan pola tanggapan di sejumlah variabel dan
menempatkan responden dalam kelompok? Analisis faktor Tipe Q didasarkan pada
interkorelasi antara responden, sedangkan analisis klaster membentuk
pengelompokan berdasarkan ukuran kesamaan berdasarkan jarak antara skor
responden pada variabel yang dianalisis.
3.