ANALISIS FAKTOR

1. Konsep Analisis Faktor

Analisis faktor adalah sebuah teknik yang digunakan untuk mencari faktor-faktor yang
mampu menjelaskan hubungan atau korelasi antara berbagai indikator independen yang
diobservasi.Analisis faktor merupakan perluasan dari analisis komponen utama. Digunakan juga
untuk mengidentifikasi sejumlah faktor yang relatif kecil yang dapat digunakan untuk
menjelaskan sejumlah besar variabel yang saling berhubungan.Sehingga variabel-variabel dalam
satu faktor mempunyai korelasi yang tinggi, sedangkan korelasi dengan variabel-variabel pada
faktor lain relatif rendah. Tiap-tiap kelompok dari variabel mewakili suatu konstruksi dasar yang
disebut faktor. Untuk meningkatkan daya interpretasi faktor, harus dilakukan transformasi pada
matriks loading. Transformasi dilakukan dengan merotasi matriks tersebut dengan metode
varimax, quartimax, equamax, quartimin, biquartimin dan covarimin serta oblimin.

Hasil rotasi ini akan mengakibatkan setiap variabel asal mempunyai korelasi tinggi
dengan faktor tertentu saja dan dengan faktor yang lain korelasi relatif rendah sehingga setiap
faktor akan lebih mudah untuk diinterpretasikan. Untuk mengetahui rotasi mana yang sesuai
digunakan Μ2min yang dihasilkan dari analisis procrustes.

Analisis procrustes adalah suatu teknik analisis yang digunakan untuk membandingkan
dua konfigurasi. Dalam hal ini konfigurasi data hasil analisis factor yang sudah dirotasi
dibandingkan dengan data asal. Sebelum kedua data dibandingkan terlebih dahulu kedua data
diproses berdasarkan penetapan dan penyesuaian posisi. Penetapan dan penyesuaian dengan
posisi dilakukan dengan transformasi yaitu transformasi translasi, rotasi maupun dilasi yang
dibuat sedemikian sehingga diperoleh jarak yang sedekat mungkin. Setelah proses tersebut
dilakukan dapat diketahui sejauh mana konfigurasi data analisis faktor dapat menggambarkan
data asal.

Analisis factor memungkinkan penelitian untuk:

a. Menguji ketepatan model (goodness of fit test) factor yang terbentuk dari item-item
alat ukur.
b. Menguji kesetaraan unit pengukuran antar item.
c. Menguji reliabilitas item-item pada tiap factor yang diukur.
d. Mengui adanya invarian item pada populasi.

2. Jenis Analisis Faktor

a. Analisis factor eksploratori (exploratory factor analysis)

Seorang peneliti membuat seperangkat item yang mengukur kualitas pelayanan bank.
Item tersebut merupakan operasionalisasi dari teori dan indicator mengenai kualitas layanan.
Peneliti hendak mengidentifikasi berapa factor yang ada didalam seperangkat item tersebut. Dari
analisis factor kemudian didapatkan ada empat factor yang mengambakan kualitas layanan bank,
antara lain factor fitur layanan, fasilitas edung, keramahan karyawan, serta jaminan keamanan.

b. Analisis factor konfirmatori (confirmatory factor analysis)

Seorang peneliti meracang sebuah alat ukur mengenai dukungan social. Alat ukur
tersebut berisi seperangkat item yang diturunkan dari lima dimensi dukungan social. Peneliti
berusaha memastikan apakah alat kur yang dibuatnya benar-benar menjelaskan kelima dimensi
tersebut. Ia kemdian melakukan analisis factor konfirmatori. Hasil dari analisis factor
menunjukkan bahwa pembagian kelima factor akhirnya dibuktikan.

3. Fungsi Analisis Faktor

Analisis factor memiliki fungsi penting dalam pengembangan alat ukur.beberapa fungsi
tersebut antara lain sebagai berikut:

3.1. Pengujian Dimensionalitas pengukuran

 Dimensionalitas pengukuran adalah banyaknya atribut yang diukur oleh sebuah alat ukur.
Alat ukur yang unidimensi mengukur satu atribut psikologis saja sedangkan alat ukur yang
multidimensi mengukur lebih dari satu atribut ukur. Pengukuran dalam bidang psikologis
didominasi oleh pengukuran unidimensi karena alat ukur yang dikembangkan peneliti psikologis
biaanya mengukur satu target ukur saja. Misalnya skala kecemasan, skala ini diharapkan
mengukur atribut kecemasan saja dan tidak mengukur atribut yang lain. Untuk mengetahui
apakah alat ukur yang dikembangkan oleh penelitian mengukur satu atribut atau banyak atribut
diperlukan analisis factor.

3.2. Pengujian Komponen atau Askpek dalam Alat Ukur

Penyusunan alat ukur psikologi biasanya diawali dari penurunan konsep menjadi
komponen atau aspek konsep sebelum diturunkan menjadi item berupa pernyataan skala. Untuk
mengidentifikasi apakah item-item yang diukurunkan dari komponen alat ukur mewakili
komponen tersebut maka diperlukan analisis factor. Analisis factor juga dapat menunjukkan
apakah antar komponen memiliki keterkaitan ataukah tidak (independen).

4. Langkah-langkah Analisis Faktor

Langkah-langkah yang dapat dilakukan untuk melakukan pengujian analisis adalah
sebagai berikut:

a. Melakukan uji korelasi antara variable asal dengan tujuan agar penyususn variable
analisis factor menjadi lebih sederhana dan bermanfaat, tanpa kehilangan banyak
informasi sebelumnya.
b. Uji kelayakan data( menggunakan basis factor) apakah cocok dilakukan analisis
factor atau tidak.
c. Mencari akar ciri dan matriks atau R.
d. Mengurutkan akar ciri yang terbentuk dari data yang terbesar hingga data yang
terkecil.
e. Mencari proporsi keragaman atau berguna untuk mengetahi berapa factor yang akan
terbentuk.
f. Apabila terdapat nilai loading yang identic atau hamper sama maka lakukan rotasi
baik dengan cara orthogonal ataupun non-ortogonal.
 g. Setelah yakin dengan factor yang terbentuk, maka berikan penamaan factor tersebut
dengan cara melihat variable-variabel apa saja yang menyusun factor tersebut.

5. Proses Analisis Faktor

5.1. Merumuskan masalah

Merumuskan masalah meliputi beberapa hal:

a. Tujuan analisis faktor harus diidentifikasi.

b. Variabel yang akan dipergunakan di dalam analisis faktor harus dispesifikasi

berdasarkan penelitian sebelumnya, teori dan pertimbangan dari peneliti.

c. Pengukuran variabel berdasarkan skala interval atau rasio.

d. Banyaknya elemen sampel (n) harus cukup atau memadai.

5.2. Menyusun Matriks Korelasi

Di dalam melakukan analisis faktor, keputusan pertama yang harus diambil
oleh peneliti adalah menganalisis apakah data yang ada cukup memenuhi syarat di
dalam analisis faktor. Langkah pertama ini dilakukan dengan mencari korelasi
matriks antara indicator-indikator yang diobservasi. Ada beberapa ukuran yang bisa
digunakan untuk syarat kecukupan data sebagai rule of thumb yaitu:

a. Korelasi matriks antar indikator: Metode yang pertama adalah memeriksa

korelasi matriks. Tingginya korelasi antara indikator mengindikasikan bahwa
indikator-indikator tersebut dapat dikelompokkan ke dalam sebuah indikator
yang bersifat homogen sehingga setiap indikator mampu membentuk faktor
umum atau faktor konstruk. Sebaliknya korelasi yang rendah antara indikator
megindikasikan bahwa indikator-indikator tersebut tidak homogen sehingga
tidak mampu membentuk faktor konstruk.
b. Korelasi parsial: Metode kedua adalah memeriksa korelasi parsial yaitu mencari
korelasi satu indikator dengan indikator lain dengan mengontrol indikator lain.
Korelasi parsial ini disebut dengan negative anti-image correlations.
 c. Kaiser-Meyer Olkin (KMO) : Metode ini paling banyak digunakan untuk melihat
syarat kecukupan data untuk analisis faktor. Metode KMO ini mengukur
kecukupan sampling secara menyeluruh dan mengukur kecukupan sampling
untuk setiap indikator.

5.3. Ekstraksi Faktor

Ekstraksi Faktor adalah suatu metode yang digunakan untuk mereduksi data
dari beberapa indikator untuk menghasilkan faktor yang lebih sedikit yang mampu
menjelaskan korelasi antara indikator yang diobservasi. Ada beberapa metode yang
bisa digunakan untuk melakukan ekstraksi faktor yaitu:

a. Principal Components Analysis: Analisis komponen utama (principal

components analysis) merupakan metode yang paling sederhana di dalam
melakukan ekstraksi faktor. Metode ini membentuk kombinasi linear dari
indikator yang diobservasi.
b. Principal Axis Factoring: Metode ini hampir sama dengan metode principal
components analysis sebelumnya kecuali matriks korelasi diagonal diganti
dengan sebuah estimasi indikator kebersamaan, namun tidak sama dengan
principal components analysis di mana indikator kebersamaan yang awal selalu
diberi angka 1.
c. Unweighted Least Square: Metode ini adalah prosedur untuk meminimumkan
jumlah perbedaan yang dikuadratkan antara matriks korelasi yang diobservasi
dan yang diproduksi dengan mengabaikan matriks diagonal dari sejumlah faktor
tertentu.
d. Generalized Least Square: Metode ini adalah metode meminimumkan error
sebagaimana metode unweighted least squares. Namun, korelasi diberi
timbangan sebesar keunikan dari indikator (error). Korelasi dari indikator yang
mempunyai error yang besar diberi timbangan yang lebih kecil dari indikator
yang mempunyai error yang kecil.
e. Maximum Likelihood: Adalah suatu prosedur ekstraksi faktor yang menghasilkan
estimasi parameter yang paling mungkin untuk mendapatkan matriks korelasi
observasi jika sampel mempunyai distribusi normal multivariat.

5.4. Merotasi Faktor

 Setelah kita melakukan ekstraksi faktor, langkah selanjutnya adalah rotasi faktor
(rotation). Rotasi faktor ini diperlukan jika metode ekstraksi faktor belum
menghasilkan komponen faktor utama yang jelas. Tujuan dari rotasi faktor ini agar
dapat memperoleh struktur faktor yang lebih sederhana agar mudah diinterpretasikan.
Ada beberapa metode rotasi faktor yang bisa digunakan yaitu:

a. Varimax Method: Adalah metode rotasi orthogonal untuk meminimalisasi jumlah

indikator yang mempunyai factor loading tinggi pada tiap faktor.
b. Quartimax Method: Merupakan metode rotasi untuk meminimalisasi jumlah
faktor yang digunakan untuk menjelaskan indikator.
c. Equamax Method: Merupakan metode gabungan antara varimax method yang
meminimalkan indikator dan quartimax method yang meminimalkan faktor.

5.5. Interpretasikan Faktor

Setelah diperoleh sejumlah factor yang valid, selanjutnya kita perlu

menginterprestasikan nama-nama factor, mengingat factor merupakan sebuah
konstruk dan sebuah konstruk menjadi berarti kalau dapat diartikan. Interprestasi
factor dapat dilakukan dengan mengetahui variable-variabel yang membentuknya.
Interprestasi dilakukan dengan judgment. Karena sifatnya subjektif, hasil bisa berbeda
jika dilakukan oleh orang lain.

5.6. Pembuatan Faktor Scores

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

Pilih variabel surrogate atau tentukan summated scale

a. Variabel surrogate adalah satu variable yang paling dapat mewakili satu factor.
Misak factor 1 terdiri dari variable X1, X2 dan X3. Maka yang paling mewakili
factor 1 adalah variable yang memiliki factor loading terbesar. Apabila factor
loading tertinggi dalam satu factor ada yang hampir sama, missal X1 = 0,905 dan
X2 = 0,904 maka sebaiknya pemilihan surrogate variable ditentukan
berdasarkan teori, yaitu variable mana secara teori yang paling dapat mewakili
factor. Atau cara lain adalah dengan menggunakan Summated Scale.
 b. Summated Scale adalah gabungan dari beberapa variable dalam satu factor, bisa
berupa nilai rata-rata dari semua factor tersebut atau nilai penjumlahan dari
semua variable dalam satu factor.

6. Menentukan Banyaknya Faktor

Maksud melakukan analisis factor adalah mencari variable baru yan disebut
factor yang tidak saling berkorelasi, bebas satu sama lain, lebih sedikit dari fariabel asli,
tapi dapat menyerap sebagian besar informasi yang terkandung dalam variable asli
atau yang dapat memberikan sumbangan terhadap varian seluruh variabel. Ada
beberapa cara dalam menentukan metode penyajiannya, yaitu:

6.1. Penentuan Apriori

Kadang karena penelitian sebelumnya sudah mengetahui berapa factor yang

dgunkan maka kita akan menentukan dulu berapa factor yang akan dignakan.

6.2. Penentuan Berdasarkan Eigen Value

Factor dengan eigenvalue lebih besar dari satu yang dipertahankan jika lebih
kecil sari satu yang dipertahankan jika lebih kecil dari satu faktornya tidak
diikutsertakan dalam model. Suatau eigenvalue menunjukkan besar sumbangandari
model factor terhadap varian sluruh variable asli. Hanya factor dengan varian lebih
dari 1 yang dimasukkan dalam model. Faktoe=r dengan varian kurang dari 1 tidak
baik karena variable asli telah dibakukan yang berarti rata-ratanya 0 dan variansnya
1. Bila banyak variable asli kurang dari 20 pendekatan ini menghasilkan sejumlah
factor yang konservatif

6.3. Penentuan Berdasar Screeplot

Dapat dilihat dari grafik sceeplot dimana scree mulai terjadi menunjukkan
banyak factor yang benar, tepatnya apabila plot mulai mendatar. Kenyataannya
menunjukkan bahwa penentuan banyaknya factor dengan plot akan mencapai satu
atau lebih banyak dari penentuan dengan eigen value.

6.4. Penentuan Didasarkan pada Persentase Varian

Banyak factor diekstraksi ditentukan sedemikian rupa sehingga komulatif

persentase varian yang diekstraksi oleh factor mencapai suatu level tertentu yang
 memuaskan. Ekstraksi factor dihentikan jika komulatif persentase varian sudah
mencapai paling sedikit 60% atau 75% dari seluruh varian variable asli.

7. Contoh Kasus Analisis Faktor

Diduga Ada 5 Variabel Bebas Yang Mempengaruhi Variabel Bebas Nilai Ujian
Matematika Siswa Kelas VI Sebuah SD. Sample Siswa Yang Diambil Adalah 15 Orang Dari 80
Orang Siswa. Variabel Tak Bebasnya Adalah:

Y: Nilai UAS Matematika Siswa Kelas VI SD

Kelima Variabel Bebasnya Adalah

X1: Rata-Rata Lama Belajar Dalam Sehari (Jam)

X2: Jumlah Konsumsi Susu Dalam Seminggu(Liter)

X3: Rata-Rata Lama Tidur Dalam Sehari (Jam)

X4: Rata-Rata Jumlah Buku Yang Dibaca Dalam Sehari (Buah)

X5: Jarak Rumah Ke Sekolah (Kilometer)

Berikut Ini Adalah Tabel Yang Menyediakan Data Dari 15 Sample Siswa:

Lama Konsumsi Lama Rata-Rata Buku Jarak Rumah Ke

Belajar Susu Tidur Dibaca Sekolah
7 3 6 4 2
1 3 7 3 1
6 2 5 4 3
4 1 7 4 2
1 4 8 4 5
5 3 7 3 4
6 2 5 4 6
4 3 6 4 3
5 4 7 5 2
3 1 9 4 1
 2 3 7 5 2
5 2 6 3 4
3 1 7 3 6
6 4 8 5 4
5 2 7 7 5

MENGGUNAKAN SPSS

1. pertama, masukkan data.kemudian klik Analyze,lalu klik Data reduction dan pilih Factor.

2. pilih variabel X1 sampai X5 dan pindahkan ketotak variabel.

3. pilih descriptives kemudian pada kelompok statistics pilih option initial solution, pada
kelompok correlation matrix, pilih coefficiens, significance levels, KMO and Bartlett… dan
Determinant, kemudian klik Continue.

4. pilih extraction, pilih principle components pada method, pada analyze pilih correlation
matrix, pada extract pilih eigenvalue over 1, pada display pilih scree plot, kemudian klik
continue.
5. pilih rotation kemudian pilih varimax pada pilihan method, kemudian klik continue.

6. klik scores kemudian pilih save as variables dengan method sebagai Bartlett. Klik display
factor score coefficient matrix. Kemudian klik continue.
7. pilih options kemudian klik sorted by size . kemudian klik continue.

8. klik OK.

HASIL OUTPUT
 Semakin besar nilai korelasi matriknya maka hubungan antar variabel terkait akan
semakin besar. Dari table “Corelation Matrix” maka dapat dilihat bahwa korelasi kuat terjadi
antara variabel Lama_belajar dan Lama_tidur sebesar 0,511 kemudian diikuti oleh variabel
Rata_jumlah_buku dan Konsumsi_susu sebesar 0,630 ke duanya mempunyai hubungan positif.
 KMO merupakan suatu nilai yang merupakan ukuran untuk kelayakan data. Nilai
KMOyang kecil mengindikasikan bahwa penggunaan analisis factor harus dipertimbangkan
kembali, karena korelasi antar peubah asal tidak dapat diterangkan oleh peubah lain. Menurut
Kaiser dan Rice (1974) menetapkan criteria pengukuran bahwa nilai KMO sebesar 0,9 adalah
sangat bagus; 0,8 adalah bagus; 0,7 adalah cukup; 0,6 adalah kurang;0,5 adalah jelek dan di
bawah 0,5 tidak dapat diterima (Sharma,1996).

Dari table KMO and Bartlett’s Test didapat nilai KMO sebesar 0,528. Ini berarti bahwa
analisis Faktor cukup tepat untuk menganalisis untuk menganalisis matrix data yang
bersangkutan.

Komunalitas merupakan proporsi keragaman peubah asal ke-I yang dapat dijelaskan oleh
factor umum,dan sisanya yang tidak dapat dijelaskan oleh factor umum dijelaskan oleh factor
khusus yang melalui ragam khusus (specific variance).

Dari table “communalities” diatas maka pada kolom Extraction bias dijelaskan, bahwa
proporsi varian lama_bljr terhadap jumlah seluruh varians adalah sebesar 0,670. Demikian
halnya dengan variabel lainnya.
 Sree Plot merupakan plot dari eigen value sebagai sumbu vertical dan banyaknya faktor
sebagai sumbu horizontal, untuk menentukan banyaknya factor yangbisa ditarik (factor
extraction).

Hasil percobaan diatas menunjukkan bahwa titik pada tempat di mana The Scree mulai
terjadi, menunjukkan banyaknya factor yang benar. Tepatnya pada saatthe scree mulai
merata/mendatar.
 Matrik komponen merupakan matrik hubungan antara variabel dan Faktor yang
merupakan pengkategori dari variabel-variabel ybs. Dari matrik komponen di atas dapat
disimpulkan bahwa dari sebanyak 5 variabel diperoleh sebanyak 2 faktor.

2 Komponen (factor) yang terbentuk adalah:

1. Komponen 1 meliputi variabel Lama_belajar, Lama_tidur dan Jarak_rumah_sekolah.

2. Komponen 2 meliputi variabel Rata_jumlah_buku dan Konsumsi_susu.