1. Tinggi?

2. Asam urat?
3. Kolesterol?
4. Adik?
5. Tekanan darah?
6. Paman?
7. Bibi?
8. Berat badan?
9. Suhu tubuh?
10. Lebar bahu?

1. Tinggi?
2. Asam urat?
3. Kolesterol?
4. Adik?
5. Tekanan darah?
6. Paman?
7. Bibi?
8. Berat badan?
9. Suhu tubuh?
10. Lebar bahu?

Statistika Multivariat Overview Factor Analysis 1

 Overview Factor Analysis

Mengapa orang beli motor dari saya?

Saya ajak karyawan saya loka karya ke Gunung Putri
Saat di Gunung Putri:
 Pembukaan
 Ice breaking
 Brain storming:
o Irit bahan bakar
o Onderdil
o Harga
o Model dan Desain
o Warna
o Awet
o Promosi
o Kredit

Loka Karya selesai, kita semua pulang ke Bandung

Kembali bekerja rutin
Sebulan kemudian, saya mengumpulkan karyawan yang ikut LK untuk menindaklanjuti
hasil-hasil LK
 Saya sampaikan ulang kesimpulan LK
 Mengajak semua karyawan untuk menguji ketepatan kesimpulan LK dengan
menyebarkan kuesioner ke ex pembeli
 Misalkan didapat jawaban dari 50 responden
 Pertama-tama yang harus dicek apakah kedelapan variabel tadi seluruhnya patut
dianalisis lebih lanjut, ternyata Promosi tidak patut dianalisis lebih lanjut
 Tinggal 7 variabel, ternyata tujuh variabel mengelompok menjadi 3 faktor: Faktor
Desain, Faktor Internal dan Faktor keunggulan
o Irit bahan bakar
o Onderdil
o Harga
o Model dan Desain
o Warna
o Awet
o Promosi
o Kredit

Statistika Multivariat Overview Factor Analysis 2

Statistika Multivariat Overview Factor Analysis 3
 Tinjau kasus pembelian sepeda motor.
Langkah-1: Mengetahui variabel yang benar-benar mempengaruhi pembelian
sepeda motor

Pertama-tama akan coba diketahui variabel apa saja benar-benar dapat dianggap
mempengaruhi seseorang untuk membeli sepeda motor.
Misalkan kita memiliki data sebagai berikut, yang disimpan pada file faktor.sav:

yaitu data dari 50 orang yang pernah membeli sepeda motor. Data tersebut meliputi
variabel:
 irit, yaitu skala yang menyatakan tingkat kesetujuan terhadap keiritan bahan bakar
 onderdil, yaitu skala yang menyatakan tingkat kesetujuan terhadap ketersediaan suku
cadang (onderdil)
 harga, yaitu skala yang menyatakan tingkat kesetujuan terhadap tingkat harga sepeda
motor
 model, yaitu skala yang menyatakan tingkat kesetujuan terhadap model dan desain
sepeda motor
 warna, yaitu skala yang menyatakan tingkat kesetujuan terhadap warna sepeda motor
 awet, yaitu skala yang menyatakan tingkat kesetujuan terhadap keawetan (khususnya
mesin) sepeda motor
 promosi, yaitu skala yang menyatakan tingkat kesetujuan terhadap gencar/
menariknya promosi sepeda motor

Statistika Multivariat Overview Factor Analysis 4

 kredit, yaitu skala yang menyatakan tingkat kesetujuan terhadap sistem pembayaran
sepeda motor secara kredit
(Semua skala memiliki kisaran antara 1 (sangat tidak setuju) hingga 5 (sangat setuju).)

Langkah Tentang variabel apa saja yang berpengaruh dalam pembelian sepeda motor
dapat ditelusuri melalui sampel pada file faktor.sav.

Namun sampel ini terlebih dahulu harus diuji apakah memadai untuk dianalisis lebih
lanjut. Ini dilakukan dengan melakukan pengujian terhadap kedua hipotesis berikut ini:

H0: sampel belum memadai untuk dianalisis lebih lanjut

H1: sampel memadai untuk dianalisis lebih lanjut

H0 akan ditolak bila diperoleh: angka Sig < = taraf nyata

Untuk kasus ini misalkan dipilih =0.05

H0 pun akan ditolak bila diperoleh nilai KMO-MSA (Kaiser-Meyer-Olkin Measure of

Sample Adequacy ) lebih dari 0.5.

Pengujian ini dapat dilakukan dengan menekan perintah Statistics, Data Reduction,
Factor sebagai berikut:

sehingga diperoleh layar berikut:

Statistika Multivariat Overview Factor Analysis 5

Untuk langkah awal, ujilah semua variabel, ini dilakukan dengan jalan menekan icon
pada Variables, sehingga didapatkan layar:

Kemudian klik Descriptives sehingga didapatkan layar berikut:

Klik KMO pada bagian Correlation Matrix, lalu klik Continue agar kembali ke layar
semula, yaitu:

Klik OK untuk mendapatkan hasil antara lain:

Statistika Multivariat Overview Factor Analysis 6

 KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.

.560

Bartlett's Test of Sphericity Approx. Chi-Square 57.339

df 28
Sig. .001

Karena:
 nilai Sig (significance)=0.001 < =0.05, maka H0 ditolak, yang artinya sampel
dapat dianalisis lebih lanjut.

Alternatif lain
 nilai KMO = 0.560, yaitu di atas 0.5000 , inipun mengindikasikan kita untuk
menolak H0, yang artinya sampel dapat dianalisis lebih lanjut.

Statistika Multivariat Overview Factor Analysis 7

Hasil yang lain lagi adalah ANTI IMAGE MATRICES:

Anti-image Matrices

Kombinasi Sistem
Hemat Harga Model Warna Keawetan Promosi Pembayaran
Bahan Ketersediaan Motor yang Motor yang Motor yang Mesin dari Kredit yang
Bakar Suku Cadang kompetitif menarik menarik Motor Produsen wajar
Anti-image Covariance Hemat Bahan Bakar .827 4.564E-02 -.181 -8.796E-03 3.444E-02 2.359E-02 .184 -.220
Ketersediaan Suku
4.564E-02 .574 8.951E-02 -.292 6.804E-02 9.513E-02 .227 -.172
Cadang
Harga Motor yang
-.181 8.951E-02 .814 -9.198E-02 -.174 -7.934E-02 -7.975E-02 2.829E-02
kompetitif
Model Motor yang menarik
-8.796E-03 -.292 -9.198E-02 .578 -.230 -7.495E-03 -.130 7.127E-03

Kombinasi Warna Motor

3.444E-02 6.804E-02 -.174 -.230 .704 5.591E-02 -2.533E-02 -.174
yang menarik
Keawetan Mesin Motor 2.359E-02 9.513E-02 -7.934E-02 -7.495E-03 5.591E-02 .949 -5.486E-02 -3.864E-02
Promosi dari Produsen .184 .227 -7.975E-02 -.130 -2.533E-02 -5.486E-02 .791 -7.414E-03
Sistem Pembayaran
-.220 -.172 2.829E-02 7.127E-03 -.174 -3.864E-02 -7.414E-03 .754
Kredit yang wajar
Anti-image Correlation Hemat Bahan Bakar .511a 6.627E-02 -.220 -1.272E-02 4.514E-02 2.664E-02 .228 -.279
Ketersediaan Suku a
6.627E-02 .514 .131 -.508 .107 .129 .338 -.262
Cadang
Harga Motor yang a
-.220 .131 .585 -.134 -.230 -9.025E-02 -9.940E-02 3.610E-02
kompetitif
Model Motor yang menarik a
-1.272E-02 -.508 -.134 .552 -.361 -1.012E-02 -.193 1.079E-02

Kombinasi Warna Motor a

4.514E-02 .107 -.230 -.361 .614 6.840E-02 -3.396E-02 -.238
yang menarik
Keawetan Mesin Motor 2.664E-02 .129 -9.025E-02 -1.012E-02 6.840E-02 .657a -6.334E-02 -4.567E-02
Promosi dari Produsen .228 .338 -9.940E-02 -.193 -3.396E-02 -6.334E-02 .493a -9.600E-03
Sistem Pembayaran
-.279 -.262 3.610E-02 1.079E-02 -.238 -4.567E-02 -9.600E-03 .644
Kredit yang wajar
a. Measures of Sampling Adequacy(MSA)

Perhatikan angka-angka yang diberi superscript a . Bila angka bernilai lebih besar dari
atau sama dengan 0.5, maka variabel terkait dapat dianalisis lebih lanjut, sedangkan bila
tidak demikian, maka variabel tersebut harus dikeluarkan dari analisis. Ternyata variabel
promosi harus dikeluarkan dari analisis selanjutnya.

Karena ada variabel yang harus dikeluarkan dari analisis, yaitu variabel promosi, maka
langkah-langkah di atas harus diulang, sampai didapatkan situasi dimana tak ada lagi
variabel yang harus dikeluarkan dari analisis.

Jadi kita lakukan kembali pengujian terhadap H0 dan H1 dengan menekan perintah
Statistics, Data Reduction, Factor sebagai berikut:

Statistika Multivariat Overview Factor Analysis 8

sehingga diperoleh layar berikut:

Untuk selanjutnya, tekanlah icon pada Variables, untuk menyatakan variabel apa
saja yang akan coba dipertimbangkan selanjutnya. Dalam hal ini varaibel promosi tidak
lagi dilibatkan, sehingga didapatkan layar:

Statistika Multivariat Overview Factor Analysis 9

Kemudian klik Descriptives sehingga didapatkan layar berikut:

Klik KMO pada bagian Correlation Matrix, lalu klik Continue agar kembali ke layar
semula, yaitu:

Klik OK untuk mendapatkan hasil antara lain:

KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
.570

Bartlett's Test of Sphericity Approx. Chi-Square 46.985

df 21
Sig. .001

Karena:
 nilai Sig (significance)=0.001 < =0.05, maka H0 ditolak, yang artinya sampel
dapat dianalisis lebih lanjut.

Statistika Multivariat Overview Factor Analysis 10

Alternatif lain
 nilai KMO = 0.570, yaitu di atas 0.5000 , inipun mengindikasikan kita untuk
menolak H0, yang artinya sampel dapat dianalisis lebih lanjut.

Hasil yang lain lagi adalah ANTI IMAGE MATRICES:

Anti-image Matrices

Kombinasi Sistem
Hemat Harga Model Warna Keawetan Pembayaran
Bahan Ketersediaan Motor yang Motor yang Motor yang Mesin Kredit yang
Bakar Suku Cadang kompetitif menarik menarik Motor wajar
Anti-image Covariance Hemat Bahan Bakar .872 -8.670E-03 -.173 2.357E-02 4.259E-02 3.850E-02 -.230
Ketersediaan Suku
-8.670E-03 .648 .128 -.299 8.512E-02 .126 -.192
Cadang
Harga Motor yang
-.173 .128 .822 -.110 -.178 -8.606E-02 2.782E-02
kompetitif
Model Motor yang menarik
2.357E-02 -.299 -.110 .601 -.244 -1.724E-02 6.134E-03
Kombinasi Warna Motor
4.259E-02 8.512E-02 -.178 -.244 .705 5.443E-02 -.174
yang menarik
Keawetan Mesin Motor 3.850E-02 .126 -8.606E-02 -1.724E-02 5.443E-02 .953 -3.931E-02
Sistem Pembayaran
-.230 -.192 2.782E-02 6.134E-03 -.174 -3.931E-02 .754
Kredit yang wajar
Anti-image Correlation Hemat Bahan Bakar .533a -1.154E-02 -.204 3.257E-02 5.433E-02 4.224E-02 -.284
Ketersediaan Suku a
-1.154E-02 .526 .176 -.479 .126 .160 -.275
Cadang
Harga Motor yang a
-.204 .176 .547 -.157 -.234 -9.723E-02 3.532E-02
kompetitif
Model Motor yang menarik a
3.257E-02 -.479 -.157 .578 -.375 -2.280E-02 9.112E-03
Kombinasi Warna Motor a
5.433E-02 .126 -.234 -.375 .593 6.642E-02 -.239
yang menarik
Keawetan Mesin Motor 4.224E-02 .160 -9.723E-02 -2.280E-02 6.642E-02 .547a -4.637E-02
Sistem Pembayaran
-.284 -.275 3.532E-02 9.112E-03 -.239 -4.637E-02 .623
Kredit yang wajar
a. Measures of Sampling Adequacy(MSA)

Perhatikan angka-angka yang diberi superscript a . Bila angka bernilai lebih besar dari
atau sama dengan 0.5, maka variabel terkait dapat dianalisis lebih lanjut, sedangkan bila
tidak demikian, maka variabel tersebut harus dikeluarkan dari analisis. Ternyata kali ini
semuanya bernilai di atas 0.5000, jadi semua variabel (kecuali variabel promosi) dapat
dipertahankan analisis selanjutnya.

Jadi, sebagai Langkah-1 dari Analisis Faktor terhadap data kelima puluh responden
pembeli sepeda motor adalah didapatkannya kesimpulan bahwa variabel:

irit, onderdil, harga, model, warna, awet,kredit

dapat dilibatkan dalam analisis selanjutnya, karena dapat dipandang sebagi variabel yang
memiliki pengaruh terhadap orang untuk membeli sepeda motor. Namun tidak demikian
halnya dengan variabel promosi, variabel ini harus dibuang dan tidak dilibatkan pada
analisis selanjutnya.

Langkah-2: Melakukan Faktorisasi Variabel Terlibat

Statistika Multivariat Overview Factor Analysis 11

Pada tahapan ini, terhadap variabel-variabel yang berdasarkan Langkah-1 dinyatakan
dapat dilibatkan dalam analisis selanjutnya, akan dilakukan pengelompokan. Dengan
demikian variabel yang sejenis akan berada dalam satu kelompok (yang disebut faktor),
sedangkan variabel yang dianggap berbeda jenis akan berada pada kelompok yang
berbeda, atau menjadi faktor yang berbeda.

Untuk melakukan hal ini, kembali buka file faktor.sav, sehingga kembali didapatkan
layar:

Statistika Multivariat Overview Factor Analysis 12

Berikan perintah Statistics, Data Reduction, Factor sebagai berikut:

sehingga diperoleh layar berikut:

Statistika Multivariat Overview Factor Analysis 13

Kemudian klik Extraction untuk mendapatkan layar berikut:

Kemudian klik Continue untuk kembali mendapatkan layar:

Klik Rotation untuk mendapatkan layar:

Klik Continue untuk mendapatkan kembali layar:

Statistika Multivariat Overview Factor Analysis 14

Klik OK untuk mendapatkan hasil atau output antara lain:

Pertama:
Component Matrixa

Component
1 2 3
Hemat Bahan Bakar .369 .290 .772
Ketersediaan Suku
.627 -.558 -6.84E-04
Cadang
Harga Motor yang
.354 .729 -.131
kompetitif
Model Motor yang menarik
.764 -.109 -.380
Kombinasi Warna Motor
.666 .287 -.353
yang menarik
Keawetan Mesin Motor -.174 .532 -9.23E-02
Sistem Pembayaran
.651 -4.74E-02 .417
Kredit yang wajar
Extraction Method: Principal Component Analysis.
a. 3 components extracted.

Karena pada Component Matrix ini terdapat 3 komponen, berarti akan terbentuk 3
faktor, artinya variabel
irit, onderdil, harga, model, warna, awet,kredit
kelak sebaiknya dibagi kedalam 3 kelompok.

Kedua:
Communalities

Initial Extraction
Hemat Bahan Bakar 1.000 .816
Ketersediaan Suku
1.000 .705
Cadang
Harga Motor yang
1.000 .675
kompetitif
Model Motor yang menarik
1.000 .740

Kombinasi Warna Motor

1.000 .650
yang menarik
Keawetan Mesin Motor 1.000 .322
Sistem Pembayaran
1.000 .600
Kredit yang wajar
Extraction Method: Principal Component Analysis.

Statistika Multivariat Overview Factor Analysis 15

Interpretasi dari hasil di atas antara lain:
 81.6% dari variasi pada nilai variabel irit (Hemat Bahan Bakar) dapat
diterangkan (dijelaskan) oleh faktor yang terbentuk dan sebagainya
Semakin besar nilai communalities dari sebuah variabel, semakin erat hubungannya
dengan faktor yang terbentuk, yang akan mengandung variabel tersebut.

Ketiga:
Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
% of Cumulative % of Cumulative % of Cumulative
Component Total Variance % Total Variance % Total Variance %
1 2.136 30.520 30.520 2.136 30.520 30.520 1.802 25.750 25.750
2 1.307 18.670 49.190 1.307 18.670 49.190 1.369 19.563 45.313
3 1.064 15.204 64.394 1.064 15.204 64.394 1.336 19.081 64.394
4 .907 12.953 77.347
5 .691 9.872 87.219
6 .534 7.622 94.840
7 .361 5.160 100.000
Extraction Method: Principal Component Analysis.

Artinya dari 7 variabel yang terlibat dalam analisa faktor, yaitu:

irit, onderdil, harga, model, warna, awet,kredit
jika mereka:
 dikelompokkan kedalam 2 faktor, maka varians faktor pertama adalah 30.52%,
varians faktorkedua adalah 18.67%, total kedua faktir ini dapat menjelaskan
49,12% dari variabilitas ketujuh variabel aslinya.
Karena terdapat 3(tiga) nilai eigenvalues yang lebih besar daripada 1 (satu), maka
sebaiknya ketujuh variabel di atas dikelompokkan kedalam 3 faktor.
Keempat:

Scree Plot
2.5

2.0

1.5

1.0
Eigenvalue

.5

0.0
1 2 3 4 5 6 7

Component Number

Dari scree plot tampak bahwa untuk jumlah komponen = 3 gambar mulai landai,
artinya sbeaiknya ketujuh variabel dikelompokan atau diringkas kedalam 3 faktor.

Statistika Multivariat Overview Factor Analysis 16

Kelima:
Component Matrixa

Component
1 2 3
Hemat Bahan Bakar .369 .290 .772
Ketersediaan Suku
.627 -.558 -6.84E-04
Cadang
Harga Motor yang
.354 .729 -.131
kompetitif
Model Motor yang menarik
.764 -.109 -.380
Kombinasi Warna Motor
.666 .287 -.353
yang menarik
Keawetan Mesin Motor -.174 .532 -9.23E-02
Sistem Pembayaran
.651 -4.74E-02 .417
Kredit yang wajar
Extraction Method: Principal Component Analysis.
a. 3 components extracted.

Kita ulas kembali tabel Component Matrix.

Angka-angka pada tabel ini disebut factor loadings, yang menyatakan besarnya korelasi
antara suatu variabel dengan faktor-1,2 dan 3.

Variabel irit jelas akan masuk faktor-3

Variabel onderdil akan masuk factor-2
Variabel harga jelas akan masuk faktor-2
Variabel model jelas akan masuk faktor-1
Variabel warna jelas akan masuk faktor-1
Variabel awet jelas akan masuk faktor-2
Variabel kredit jelas akan masuk faktor-3

Tetapi variabel onderdil belum jelas akan masuk faktor mana, karena terdapat 2 nilai
korelasi yang hampir sama besarnya, yaitu 0.627 dan 0.558 (tanda negatif hanya
menunuukkan arah korelasi), Untukitu terhadap variabel ini perlu dilakukan proses rotasi
agar menjadi jelas akan masuk kedalam faktor yang mana.

Statistika Multivariat Overview Factor Analysis 17

Keenam:
Rotated Component Matrixa

Component
1 2 3
Hemat Bahan Bakar -5.30E-02 9.859E-02 .897
Ketersediaan Suku
.413 -.709 .179
Cadang
Harga Motor yang
.499 .610 .231
kompetitif
Model Motor yang menarik
.812 -.280 3.044E-02
Kombinasi Warna Motor
.791 .122 9.678E-02
yang menarik
Keawetan Mesin Motor 5.065E-03 .566 -4.10E-02
Sistem Pembayaran
.306 -.268 .659
Kredit yang wajar
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 6 iterations.

Hasil Rotated Component Matrix lebih memberikan kejelasan tentang menjadi anggota
faktor manakah sebuah variabel itu?

Variabel irit jelas akan masuk faktor-3

Variabel harga jelas akan masuk faktor-2
Variabel model jelas akan masuk faktor-1
Variabel warna jelas akan masuk faktor-1
Variabel awet jelas akan masuk faktor-2
Variabel kredit jelas akan masuk faktor-1

Variabel onderdil yang sebelumnya belum jelas, kini menjadi jelas bahwa ia harus
dimasukkan kedalam faktor-2.

Dengan demikian ketujuh variabel:

irit, onderdil, harga, model, warna, awet,kredit
akan mengalami pengelompokan atau pemfaktoran sebagi berikut:

Faktor-1: model, warna

Faktor-2: onderdil, harga, awet
Faktor-3: hemat, kredit

Statistika Multivariat Overview Factor Analysis 18

Ketujuh:
Component Transformation Matrix

Component 1 2 3
1 .825 -.280 .491
2 .187 .955 .229
3 -.533 -.097 .840
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Dari Component Transformation Matrix tampak bahwa pengelompokan ketujuh
variabel kedalam 3 faktir sudah baik, karena ketiga faktir yang terbentuk memiliki
korelasi yang tinggi (diatas 0.5), yaitu 0.825, 0.955 dan 0.840.

Kedelapan:
Component Plot in Rotated Space

1.0
harga motor yang kom
keawetan mesin motor
.5
kombinasi warna moto hemat bahan bakar

Component 2 0.0
sistem
model motor yang menpembayaran kr

-.5 ketersediaan suku ca

1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
Component 1 Component 3

Bagan ini menggambarkan letak ketujuh variabel pada ketiga faktor tersebut.

Selanjutnya perlu diberikan interpretasi terhadap faktor yang terbentuk, yaitu:

Faktor-1: model, warna

Faktor-2: onderdil, harga, awet
Faktor-3: hemat, kredit

(dibahas di kelas).

Sampai disini kita telah berhasil:

 variabel manakah (pada masalah pembelian sepeda motor) yang perlu
dipertimbangkan pada analisa faktor
 mengelompokan variabel kedalam faktor,

Statistika Multivariat Overview Factor Analysis 19

  memberi nama pada faktor
Masih ada 2 langkah lagi yang harus ditempuh, yaitu:
 melakukan validasi terhadap hasil analisis faktor, dan
 menghitung factor scores

Validasi ditujukan untuk menjawab apakah hasil pengelompokan varaibel kedalam faktor
dapat digeneralisasikan ke populasi

Validasi dilakukan di Langkah-3, sedangkan perhitungan factor scores di langkah-4.

Statistika Multivariat Overview Factor Analysis 20