Anda di halaman 1dari 39

Pengantar

Analisis faktor mencoba menemukan hubungan antar sejumlah variabel yang bersifat independen satu dengan yang lain sehingga bisa dibuat satu atau beberapa kumpulan variabel (faktor) yang lebih sedikit dari jumlah variabel awal. Analisis faktor merupakan salah satu dari analisis ketergantungan antar variabel. Prinsip dasar dari analisis faktor adalah mengekstraksi sejumlah faktor bersama (common factors) dari gugusan variabel asal X1, X2, X3,.Xp

Akibat proses ekstrasi:


Banyaknya faktor menjadi lebih sedikit dibandingkan dengan banyaknya variabel asal. Sebagian informasi (ragam) variabel asal X tersimpan dalam sejumlah faktor.

Faktor yang terbentuk merupakan variabel baru yang bersifat unobservable atau variabel latent atau konstruk (construct). Sebaliknya, variabel asal X merupakan variabel yang dapat diukur atau diamati, yang lazim disebut sebagai observable variable atau variabel manifest atau indikator.

Kenapa Analisis Faktor?


Pemilihan analisis faktor sebagai alat analisis pada penelitian disebabkan peneliti ingin mencoba menemukan hubungan (interrelationship) beberapa variabel yang saling independen satu dengan yang lainnya sehingga bisa dibuat kumpulan variabel yang lebih sedikit dari jumlah variabel awal sehingga akan lebih mudah dikontrol oleh peneliti ybs.

Analisis faktor digunakan dalam situasi: Mengenali atau mengindentifikasi dimensi yang mendasari atau faktor, yang menjelaskan korelasi antara suatu set variabel. Mengenali atau mengindentifikasi suatu set variabel baru yang tidak berkorelasi yang lebih sedikit jumlahnya untuk menggantikan suatu set variabel asli yang saling berkorelasi di dalam analisis multivariat selanjutnya.

Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu set variabel yang lebih banyak jumlahnya untuk dipergunakan di dalam analisis multivariat selanjutnya.

Tujuan Analisis Faktor Data Summarization, yaitu mengindentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi. Data Reduction, yaitu setelah melakukan korelasi, kemudian dilakukan proses membuat sebuah sekelompok variabel baru yang dinamakan faktor untuk menggantikan sejumlah variabel tertentu.

Sample Size Ideal Analisis Faktor


Jumlah sampel ideal adalah 50 100. Jika digunakan rasio, rasio yang ideal adalah 10 : 1, artinya 10 sampel untuk satu variabel penelitian. Jika menggunakan program SPSS, besarnya sampel ideal adalah 50 100 baris. Dalam SPSS 1 variabel = 1 kolom. Jadi, 1 kolom minimum berisi 10 baris. Jika menggunakan 5 variabel, jumlah baris minimum yang diperlukan adalah 50.

Kegunaan Analisis Faktor


Mengekstrak variabel laten dari variabel manifes atau indikator. Dengan kata lain, mereduksi variabel asal menjadi variabel baru yang jumlahnya lebih sedikit. Mempermudah interpretasi hasil analisis sehingga diperoleh informasi yang realistik. Pengelompokkan dan pemetaan objek berdasarkan karakteristik yang terkandung di dalam faktor.

Pemeriksaan validitas dan reliabilitas instrumen penelitian (berupa kuesioner). Dengan diperolehnya skor faktor, analisis faktor merupakan langkah awal (sebagai input) dari berbagai metode analisis data yang lain, misalnya analisis diskriminan, analisis regresi, analisis klaster, ANOVA, MANOVA, analisis jalur, dan model struktural.

Asumsi-asumsi Analisis Faktor


Besar korelasi antar variabel independen > 0,5. Besar Korelasi Parsial, yaitu korelasi antar dua variabel dengan mengganggap tetap variabel lain justru harus kecil. (Pada SPSS deteksi terhadap korelasi parsial diberikan lewat pilihan ANTIIMAGE CORELLATION). Pengujian seluruh matrik korelasi diukur dengan nilai BARTLET TEST OF SPHERICITY atau MEASURE SAMPLING ADEQUACY (MSA). Pengujian ini mengharuskan adanya korelasi yang signifikan di antara beberapa variabel. Data harus normal.

Proses Dasar Analisis Faktor


Menentukan variabel-variabel penelitian. Menguji variabel-variabel tersebut dengan menggunakan metode Bartlet test of sphericity atau measure sampling adequacy (MSA). Melakukan factoring, yaitu menurunkan satu atau lebih faktor dari variabel-variabel yang telah lolos pada uji variabel sebelumnya. Melakukan proses Factor Rotation atau rotasi terhadap faktor yang telah terbentuk, yang bertujuan untuk memperjelas variabel yang masuk ke dalam faktor tertentu.

Interpretasi atas faktor yang telah terbentuk, khususnya memberi nama atas faktor yang terbentuk tersebut, yang dianggap bisa mewakili variabel-variabel anggota faktor tersebut. Validasi atas hasil faktor untuk mengetahui apakah faktor yang terbentuk telah valid. Validasi dapat dilakukan dengan cara sebagai berikut:

Membagi sampel awal menjadi dua bagian, kemudian membandingkan hasil faktor sampel satu dengan sampel dua. Jika hasilnya sama, dapat dikatakan faktor yang terbentuk telah valid. Dengan melakukan Confirmatory Factor Analysis dengan cara Structural Equation Modeling. Pada umumnya dilakukan dengan menggunakan program khusus, misalnya AMOS, LISREL.

Jenis-jenis Analisis Faktor


AF KONFIRMATORI

Analisis Faktor
AF EKSPLORATORI

Analisis Faktor Eksploratori


Di dalam AFE jumlah faktor yang akan terbentuk dan faktor tersebut merupakan variabel laten apa saja belum dapat ditentukan sebelum AFE dilakukan. Dengan AFE akan dieksplorasi indikator-indikator atau variabel-variabel manifes yang ada sehingga terbentuk faktor-faktor yang akan dilakukan interpretasi terhadapnya guna menentukan variabelvariabel laten apa saja yang diperoleh.

X1

X2

X3 F? X4

Berapa F yang Akan terbentuk?

X5

F tersebut merupakan variabel laten apa saja?

X6

Analisis Faktor Konfirmatori


Dalam AFK seorang peneliti secara apriori berdasarkan landasan teori dan konsep yang dimiliki sudah mengetahui berapa banyak faktor yang harus terbentuk serta variabel-variabel apa laten saja yang termasuk ke dalam faktor-faktor tersebut. Dengan AFK peneliti hanya akan mengonfirmasi berdasarkan konsep atau teori yang sudah ada terhadap keakuratan (valid dan reliabel) instrumen yang dibuat sebelumnya.

X1

X2
F1 X3

Faktor yang harus terbentuk = 2, yaitu F1 dan F2.

X4 F2 X5

X6

MENILAI KELAYAKAN SUATU VARIABEL


Tahap I pada Analisis Faktor adalah menilai variabel-variabel apa saja yang dianggap layak untuk dimasukkan dalam analisis selanjutnya dengan melakukan sejumlah pengujian. Pengujian dilakukan dengan anggapan bahwa jika suatu variabel memiliki kecenderugan mengelompok dan membentuk suatu faktor, variabel tersebut berkorelasi yang cukup tinggi dengan variabel lain.

Contoh Kasus I
Buka file faktor. Dari menu Analyze, pilih submenu Dimension Reduction. Masukkan variabel-variabel irit, onderdil, harga, model, warna, promosi, dan kredit. Aktifkan pilihan KMO and Bartletts test of sphericity dan Anti-image pada kotak DESCRIPTIVE.

Analisis Hasil
Tabel KMO and Bartletts Test. Untuk menentukan kelayakan suatu variabel untuk dianalisis lebih lanjut, perhatikan angka Sig. dan MSA. 1. Angka Sig. digunakan dengan kriteria berikut: Jika angka Sig. > 0,05, sampel belum layak untuk dianalisis lebih lanjut. Jika angka Sig. < 0,05, sampel sudah layak untuk dianalisis lebih lanjut.

Angka Sig. dapat dilihat dalam Tabel KMO and Bartletts Test berikut ini.
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig. .560 57.339 28 .001

Karena angka Sig. < 0,05, sampel sudah layak untuk dianalisis lebih lanjut.

2. Angka KMA
Angka MSA, yang berkisar antara 0 s.d. 1 digunakan dengan kriteria berikut:
Jika MSA = 1, variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel yang lain. Jika MSA > 0,5, variabel tersebut masih dapat dianalisis lebih lanjut. Jika MSA < 0,5, variabel tersebut tidak dapat diprediksi dan dianalisis lebih lanjut sehingga harus dikeluarkan.

Untuk menggunakan angka MSA tersebut, lihat Tabel Anti-image Matrices, khususnya pada bagian Anti-image Correlation. Angka MSA dapat dilihat pada arah diagonal dari kiri atas ke kanan bawah, khususnya pada angka korelasi yang bertanda a). Jika ada suatu variabel yang memiliki angka korelasi < 0,50, variabel tersebut harus dikeluarkan dan pengujian diulangi lagi. Jika terdapat dua variabel atau lebih yang memiliki angka MSA < 0,50, variabel yang memiliki angka MSA yang terkecil yang harus dikeluarkan.

FACTORING dan ROTASI


Factoring bertujuan untuk menurunkan satu atau lebih faktor dari variabel-variabel yang telah lolos pada uji variabel sebelumnya dengan melalui proses ekstraksi terhadap variabel-variabel tersebut. Metode yang paling populer digunakan dalam proses ekstraksi adalah metode Principal Component Analysis.

Jika terdapat suatu variabel yang sulit ditentukan akan masuk ke dalam faktor tertentu dengan tepat, perlu dilakukan proses Rotasi (Rotation) pada faktor-faktor yang terbentuk sehingga memperjelas posisi suatu variabel. Cara untuk melakukan proses rotasi dapat digolongkan ke dalam
Orthogonal Oblimin

Lanjutan Kasus 1
Masukkan variabel-variabel irit, onderdil, harga, warna, awet, dan kredit. Pada pilihan Extraction, aktifkan Scree Plot. Pada pilihan Rotation, aktifkan Varimax pada bagian Method dan Loading Plot(s) pada bagian Display. Tekan OK untuk memproses Factoring dan Rotasi.

OUTPUT
Tabel Communalities Tabel ini menjelaskan jumlah varians dari suatu variabel mulamula yang bisa dijelaskan oleh faktor yang ada.
Communalities Initial Hemat Bahan Bakar Ketersediaan Suku Cadang Harga Motor yang kompetitif 1.000 1.000 1.000 Extraction .816 .705 .675

Model Motor yang menarik


Kombinasi Warna Motor yang menarik Keawetan Mesin Motor Sistem Pembayaran Kredit yang wajar Extraction Method: Principal Component Analysis.

1.000
1.000 1.000 1.000

.740
.650 .322 .600

Tabel Total Variance Explained terdiri atas 3 kolom, yaitu Initial Eigenvalue, Extraction Sums of Squared Loadings, dan Rotation Sums of Squared Loadings.
Initial Eigenvalues Component

Total
1 2 3 4 2.136 1.307 1.064 .907

% of Variance
30.520 18.670 15.204 12.953

Cumulative %
30.520 49.190 64.394 77.347

5
6 7

.691
.534 .361

9.872
7.622 5.160

87.219
94.840 100.000

Initial Eigenvalue
Kolom ini menunjukkan besarnya varians yang bisa dijelaskan oleh jumlah faktor yang terbentuk (lihat kolom % of Variance dan Cummulative %). Kolom Total Initial Eigenvalue menunjukkan kepentingan relatif setiap faktor dalam menghitung varians ketujuh variabel yang dianalisis. Jumlah faktor yang terbentuk bisa dilihat dari nilai Eigenvalue yang besarnya > 1.

Jumlah faktor yang dihasilkan sebanyak 3 faktor dengan angka eigenvalues > 1. Dengan demikian , proses factoring berhenti pada 3 faktor saja. Jumlah faktor yang terbentuk juga dapat dilihat dalam gambar Scree Plot berikut.

Tabel Component Matrix Tabel ini menunjukkan distribusi semua variabel ke dalam faktor faktor yang terbentuk. Angka-angka yang ada dalam tabel tersebut merupakan factor loading yang menunjukkan besarnya korelasi antara suatu variabel dengan faktor-faktor yang terbentuk. Penentuan penggolongan suatu variabel ke dalam suatu faktor ditentukan oleh besarnya factor loading yang besarnya > 0,55, yang merupakan cut-off point.

Catatan:
Jika ada suatu variabel yang memiliki angka factor loading > 0,55 pada lebih dari 1 faktor, perlu dilakukan proses rotasi. Variabel suku cadang tampak masuk dalam komponen 1 dan 2 sehingga perlu dilakukan rotasi untuk menentukan variabel tersebut masuk komponen 1 atau 2 dengan pasti. Setelah rotasi, variabel suku cadang masuk ke dalam komponen 2.

Component Matrixa Component 1 Hemat Bahan Bakar Ketersediaan Suku Cadang .369 .627 2 .290 -.558 3 .772 .000

Harga Motor yang kompetitif


Model Motor yang menarik Kombinasi Warna Motor yang menarik Keawetan Mesin Motor

.354
.764 .666 -.174

.729
-.109 .287 .532

-.131
-.380 -.353 -.092

Sistem Pembayaran Kredit yang wajar

.651

-.047

.417

Extraction Method: Principal Component Analysis. a. 3 components extracted.

Tabel Rotated Component Matrix


Tabel ini menunjukkan distribusi variabel yang lebih jelas dan nyata setelah dilakukan rotasi.
Rotated Component Matrixa Component Hemat Bahan Bakar Ketersediaan Suku Cadang Harga Motor yang kompetitif Model Motor yang menarik Kombinasi Warna Motor yang menarik 1 -.053 .413 .499 .812 .791 2 .099 -.709 .610 -.280 .122 3 .897 .179 .231 .030 .097

Keawetan Mesin Motor


Sistem Pembayaran Kredit yang wajar

.005
.306

.566
-.268

-.041
.659

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 5 iterations.

Tabel Component Transformation Matrix


Tabel ini digunakan untuk membuktikan ketepatan faktorfaktor yang terbentuk dengan cara melihat angka-angka yang ada pada diagonal dari kiri atas ke kanan bawah.
Component Transformation Matrix Component 1 2 1 .825 .187 2 -.280 .955 3 .491 .229

3 -.533 -.097 .840 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.

Tampak bahwa ketiga angka (0,825, 0,955, dan 0,840) jauh di atas 0,5. Hal ini membuktikan ketiga komponen (faktor) yang terbentuk sudah tepat karena memiliki korelasi yang tinggi.

Simpulan
Dari variabel yang digunakan dalam analisis, dengan proses factoring dapat direduksi menjadi hanya 3 faktor. Faktor 1 terdiri atas variabel model dan warna. Jika faktor tersebut diberi nama, bisa disebut Faktor Desain. Faktor 2 terdiri atas variabel onderdil, harga, dan awet. Jika faktor tersebut diberi nama, bisa disebut Faktor Internal. Faktor 3 terdiri atas variabel hemat dan kredit. Jika faktor tersebut diberi nama, bisa disebut Faktor Keunggulan.

Tugas Analisis Faktor


Manajemen Hatco bermaksud mereduksi variabel X1 s.d. X7 menjadi dua atau tiga faktor. Lakukan analisis faktor untuk memenuhi tujuan di atas dan beri nama setiap faktor yang terbentuk namun tetap mencerminkan isi faktor tersebut. Simpan hasilnya dalam file Analisis Faktor.