ANALISIS FAKTOR

KEDUDUKAN ANALISIS FAKTOR

DALAM ANALISIS MULTIVARIAT
ANALISIS
MULTIVARIAT

MODEL MODEL
DEPENDEN INTERDEPENDEN

1 Variabel ≥2 Variabel Skala Skala

Dependen Dependen Nominal Interval/Ratio

Skala Skala Skala Skala

Penskalaan Analisis
Nominal Interval/Ratio Nominal Interval/Ratio Model Analisis
Dimensi Komponen
Loglinier Faktor
Ganda Non Utama
Analisis Analisis Analisis Analisis Analisis Metrik
Varian Penskalaan
Diskrimi Logistik Regresi Kanonikal
Multivariat Dimensi Analisis
nan Ganda Ganda Rumpun
Metrik

Analisis multivariat adalah teknik menganalisis sejumlah besar

variabel obyek dalam satu atau lebih sampel secara serentak
Sumber: diolah dari Bahan Pelatihan Statistika (DR.Widayat, SE.MM) 2
 DEFINISI (PENGERTIAN)
“Factor analysis attempts to simplify complex and diverse
relationships that exist among a set of observed variables by
uncovering common dimensions or factors that link together the
seemingly unrelated variables, and consequently provides insight
into the underlying structure of the data”
Dillon, W dan Goldstein M, Multivariate Analysis: Methods and Applications, John
Willey & Son, 1984

• Analisis Faktor adalah salah satu teknik analisis statistika multivariat yang berupaya
untuk menghilangkan keragaman variabel yang direduksi dan dikelompokkan
ke dalam bentukan kelompok variabel baru yang saling berkorelasi dan
lebih ringkas/sedikit (disebut Faktor) tanpa kehilangan informasi yang berarti.

• Selain sebagai hasil akhir, Analisis faktor sering kali digunakan sebagai langkah
awal untuk analisis statistika yang bersifat lebih besar atau lebih kompleks.
Misal sebagai input untuk membangun analisis regresi, analisis cluster, analisis
skalogram

3
TUJUAN ANALISIS FAKTOR
(HAIR, 2010)
Menyederhanakan sekumpulan besar data/variabel yang
saling berkorelasi menjadi kelompok-kelompok variabel yang
lebih kecil (FAKTOR) agar dapat dianalisis dengan mudah

Data • Identifikasi hubungan keeratan

Sumarization antar variabel Uji Korelasi

• Reduksi informasi dalam variabel

Data awal ke dalam set/kelompok
Reduction variable baru yang lebih kecil
Faktor

4
ILUSTRASI ANALISIS FAKTOR
Contoh sederhana:
 Hasil Analisis terhadap Faktor-faktor yang mempengaruhi Persepsi terhadap penampilan
seseorang (Body Image) .
 Dapat diilustrasikan bahwa terdapat pengelompokan variabel ke dalam faktor baru.
 Apabila pada data awal, diilustrasikan bahwa variabel adalah p dan jumlah sample
adalah n maka matriksnya berupa p x n. Namun setelah dibentuk faktor, maka (k)
matriksnya menjadi k x n.
Faktor 1
(Persepsi terhadap Wajah)
Variabel :
Bentuk wajah (p1)
Variabel (p): Warna kulit wajah(p2)
Bentuk wajah (p1) Wajah mulus(p3)
Warna kulit wajah(p2)
Faktor 2
Wajah mulus(p3) (Persepsi terhadap tubuh)
Tinggi/pendek(p4) Variabel:
Bentuk tubuh atletis(p5) Tinggi/pendek(p4)
Berat badan (p6) Bentuk tubuh atletis(p5)
Jenis rambut(p7) Berat badan (p6)
Model rambut (p8) Faktor 3
Warna rambut (p9) (Persepsi terhadap rambut)
Variabel:
Jenis rambut(p7)
Model rambut (p8)
Warna rambut (p9)
5
 JENIS PENDEKATAN ANALISIS FAKTOR
Item Component Factor Common Factor
Pembeda Analysis Analysis
Asumsi Menganalisis seluruh data; tidak Memperhatikan common maupun unique
Dasar ada memperhatikan common varians dalam data, dan hanya menguji
maupun unique varians dalam data data common varians saja
Tujuan Menemukan/mengeksplorasi melakukan konfirmasi berdasarkan teori
hubungan antarvariabel baru atau atau konsep untuk membentuk sebuah
faktor yang terbentukAn.Faktor faktor yang telah dihipotesiskanAn.
Eksploratori Faktor Konfirmatori
Pemilihan peneliti tidak atau belum Secara apriori berdasarkan teori dan
faktor mempunyai pengetahuan atau teori konsep yang sudah diketahui.
atau suatu hipotesis yang menyusun
struktur faktor-faktor yang akan
terbentuk.
Teknik Principal Component Analysis Principal Factor
Utama
6
TAHAPAN ANALISIS FAKTOR
Perumusan Masalah

Penyusunan Matriks Korelasi

(nilai korelasi tinggi, korelasi parsial, KMO)

Ekstraksi Faktor

Rotasi Faktor
(jika metode ekstraksi faktor belum menghasilkan komponen
faktor utama yang jelas)

Interpretasi Faktor
7
PERUMUSAN MASALAH

3. Jumlah sample 1. Tujuan

Sampel yang
digunakan harus Merumuskan
besar (50-100 tujuan penelitian
sampel atau tujuan
pengamatan), atau penggunaan
dengan asumsi 1:10
untuk masing-masing analisis faktor
variabel (Hair,
2010).

2. Jenis Data
Data yang digunakan
(skala pengukuran)
Interval/Rasio.

8
INPUT DATA
Dalam input data dari data mentah untuk pengolahan analisis
faktor, terdapat dua jenis data yang dapat diinput :

 Kovarian : data yang ada memiliki ukuran/ unit/ skala yang

sama
 Korelasi : data yang ada tidak memiliki ukuran/ unit/ skala yang
sama

Apabila terdapat bentuk data korelasi, dimana data tidak dalam

ukuran/ unit/ skala yang sama maka dapat dilakukan standarisasi
ukuran/ unit/ skala. Standarisasi untuk menyamakan unit dilakukan
berdasarkan nilai standar deviasi

9
PENYUSUNAN MATRIK KORELASI
1. Korelasi matriks
Tingginya korelasi antar variabel mengindikasikan bahwa variabel tsb
dapat dikelompokkan ke dalam sebuah variabel yang bersifat
homogeny  nilai determinannya yg mendekati nol
2. Korelasi parsial
Metode kedua adalah memeriksa korelasi parsial yaitu mencari
korelasi satu indikator dengan indikator lain dengan mengontrol
indikator lain.  sign kurang dari 0,05
3. Kaiser-Meyer Olkin (KMO) MSA
Metode KMO ini mengukur kecukupan sampling secara menyeluruh
dan mengukur kecukupan sampling untuk setiap indikator.
 nilai Kiser Meyer Olkin measure of sampling adequency (KMO) > 0,5

10
Ekstraksi
PENDEKATAN PRINCIPAL COMPONENT ANALYSIS (PCA)
 PCA merupakan pendekatan yang
menguji total variance dalam data
 Bersifat empiris, tidak ada teori yang
mendasari terbentuknya faktor sebelum
dilakukan analisis
PC1 = W11X1+W12X2+……..+W1pXp
PC2 = W21X2+W22X2+……..+W2pXp
PCm = Wm1Xm+Wm2X2+……..+WmpXp
Ekstraksi

PENDEKATAN COMMON FACTOR(CF)

 CF merupakan pendekatan yang
membedakan adanya common dan uniqe
variance, dan hanya menguji data common.
 Didasari teori dan merupakan pendekatan
yang berfungsi mengkomfirmasi hipotesis.
X1 = v11CF1 + v12CF2 +……..+ v1mCFm + e1
X2 = v21CF2 + v22CF2 +……..+ v2mCFm + e2
Xp = vp1CFp + vp2CF2 +……..+ vpmCFm + ep

12
 Common Varians
&
Unique Varians

Component Factor Analysis/Principal

Component Analysis Common Factor Analysis
 Analisis faktor dilakukan pada seluruh data. Analisis faktor dilakukan dengan
 Semua data diekstraksi, tanpa memperhatikan unik varians dan common
memperhatikan apakah terdapat keunikan varians
atau terdapat overlap pada variabel.
 Teknik utama yang digunakan yaitu Principal
Component Analysis (PCA)
ROTASI FAKTOR
-Metode rotasi ortogonal, manakala sumbu baru saling ortogonal
(tegak lurus 90o) satu sama lain. Karena saling tegak lurus, dalam 1 Orthogonal rotation faktor II
rotasi ortogonal masing-masing faktor independen satu sama
lainnya. Metode rotasi ortogonal ada beberapa macam, seperti Oblique rotation faktor II

metode varimax, quartimax, dan equimax. Metode ini bertujuan

0,5
untuk mengurangi jumlah variabel asli dan mengelompokannya
dalam faktor yang tidak saling berhubungan.
1. Rotasi Varimax, bertujuan mendapat struktur loading dimana
masing-masing variabel (Yi) hanya memiliki hubungan kuat -1 - 0,5 0 0,5 1
(loading) dengan hanya satu faktor saja, sementara itu
loading pada faktor-faktor lainnya serendah mungkin
(mendekati nol). - 0,5

2. Rotasi Quartimax, memaksimalkan varians kuadrat faktor Oblique rotation faktor I

loading pada masing-masing variabel sehingga
menyederhanakan baris matriks loading. -1 Orthogonal rotation faktor I

3. Rotasi Equimax, merupakan metode kompromi metode

varimax dan quartimax, cara perhitungannya adalah dengan
melakukan pembobotan atas hasil rotasi varimax dan
quartimax.
– Metode rotasi oblique, manakala sumbu baru tidak diwajibkan
untuk ortogonal satu sama lain. Dalam rotasi oblique tidak ada
paksaan bahwa sumbu yang satu harus independen terhadap
yang lain sehingga sumbu baru dibebaskan untuk mengambil posisi
dalam ruang, namun demikian tetap diharapkan bahwa korelasi
antar sumbu faktor kecil karena jika korelasi mereka besar maka
lebih baik dua atau lebih faktor tersebut digabung saja.
PENAMAAN FACTOR (HAIR DKK, 1992)

Memberikan nama faktor yang

dapat mewakili nama-nama
variabel yang membentuk faktor
tersebut.
Memberikan nama faktor
berdasarkan variabel yang
memiliki nilai factor loading
tertinggi. Hal ini dilakukan
apabila tidak dimungkinkan untuk
memberikan nama faktor yang
dapat mewakili semua variabel
yang membentuk faktor tersebut.
CONTOH APLIKASI ANALISIS FAKTOR DALAM
KONTEKS PERENCANAAN WILAYAH DAN KOTA
“Faktor Pemilihan Taksi Roda Dua (Gojek) Sebagai Moda Transportasi”

Rumusan Masalah:
• Variabel apa saja yang dapat direduksi &
dikelompokkan sebagai Faktor (kumpulan variable
baru) yang mempengaruhi preferensi seseorang
dalam memilih Taksi Roda Dua
(Gojek)Bagaimana Faktor baru yang terbentuk?

Tujuan Penelitian :
• Mengetahui kumpulan variabel baru (Faktor) yang
terbentuk dari variable pemilihan Taksi Roda Dua
(Gojek)

16
VARIABEL DATA
Penyusunan variabel penelitian bersifat eksploratori atau tidak ada
teori/ hipotesis yang menyusun struktur faktor yang terbentuk.
Variabel – variabel dalam pemilihan jasa taksi roda dua (O.Z Tamin
(1997) :
1. Faktor kebutuhan;
2. Pendapatan;
3. Tarif;
4. Lokasi tujuan;
5. Ketepatan waktu;
6. Pelayanan;
7. Keamanan dan kenyamanan; dan
8. Frekuensi Penggunaan
Dilakukan perubahan dari ordinal ke interval dengan metode MSi
17
PENGOLAHAN DENGAN SPSS
LANGKAH-LANGKAH
 DESKRIPSI DATA
• Pada tabel correlation dijelaskan besarnya korelasi antar variabel yang
akan dianalisis. Semakin mendekati 1 maka nilai korelasi semakin besar.
• Pada sig.(1-tailed) menunjukkan signifikansi korelasi antara variabel-
variabel tersebut. Jika p-value (Sig.) <0,05 maka terdapat hubungan.

Terdapat hubungan yang signifikan :

1. Faktor kebutuhan dengan tk.pendapatan dan frekuensi
Correlation <0,05
penggunaan
Sig. = P value= 0,00
2. Ketepatan waktu dengan keamanan dan kenyamanan  terdapat hubungan/korelasi
3. Tarif dengan pendapatan dan jarak
PENGUJIAN KMO & BARTLETT’S TEST

Metode KMO ini mengukur kecukupan sampling secara menyeluruh dan

mengukur kecukupan sampling untuk setiap indikator.

Nilai KMO sebesar 0,641 menunjukkan bahwa p-value >0,5 sehingga layak
untuk dianalisis.

Nilai signifikansi (Sig.) pada Bartlett’s Test of Sphericity yaitu 0,000 < 0,05
sehingga dapat dilakukan PCA
MEASURE OF SAMPLING ADEQUENCY (MSA)
ANTI IMAGE MATRICES

Image matrices untuk mengetahui apakah variabel – variabel secara parsial layak
untuk dianalisis dan tidak dikeluarkan dalam pengujian apabila MSA>0,5.
Terdapat variabel yang tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut atau
dikeluarkan dari variabel lainnya karena nilai MSA variabel-variabel tersebut kurang
dari 0,5. Variabel yang dikeluarkan dimulai dari variabel terkecil.
Communalities Scree Plot

Semua variabel mempunyai

nilai communalities yang
besar ( > 0.5) sehingga
variabel yang digunakan
memiliki hubungan yang kuat
dengan faktor yang
terbentuk. Berdasarkan scree plot terdapat 3 faktor baru yang
terbentuk dilihat dari nilai eigen value lebih dari 1.
 LOADING FACTOR DAN ROTASI
Unrotated Rotated

• Hasil dari loading faktor yang telah dirotasi dengan

• Apabila hasil component matrix, Varimax tidak ada yang <0.5 sehingga dapat
digunakan.
pengelompokkan variabel ke dalam
• Nilai dari diagonal utama pada component
faktor masih sulit untuk diputuskan transformation matrix tidak ada yang <0,5 maka
maka dapat dilakukan rotasi hasilnya dapat digunakan untuk analsiis lanjutan
• Tanda – atau + hanya menunjukkan
arah korelasi sehingga masih sulit
untuk mengelompokkan
 FAKTOR BARU

Untuk lebih memastikan bahwa faktor

baru dapat digunakan, dilihat dari nilai
Faktor baru yang terbentuk berdasarkan component transformation matrix yang
nilai loading faktor yang terbesar yaitu
 Faktor 1 : Faktor kebutuhan,
pertama >0,5
pendapatan, frekuensi penggunaan
 Faktor 2 : Ketepatan waktu,
keamanan, dan kenyamanan
 Faktor 3 : Tarif dan jarak
SKOR FAKTOR
Skor faktor digunakan sebagai
data input selanjutnya sesuai
dengan jumlah sample awal yaitu
129 data faktor baru.
PENAMAAN FAKTOR
Dilakukan penamaan berdasarkan variabel dengan nilai factor
loading terbesar dari masing-masing faktor

Penamaan:
Faktor 1 : Faktor kebutuhan
Faktor 2 : Keamanan
Faktor 3 : Jarak
REFERENSI
 Dillon, W dan Goldstein M, Multivariate Analysis: Methods and
Aplication, John Willey & Son, 1984
 Tabachnick BG dan Fidell LS, Using Multivariate Statistics, Fifth
Edition, Pearson, 2007
 Hair JF dkk, Multivariate Data Analysis with readings, 3rd Edition,
Macmillan Publishing Company, 2010
 Pramita, NI & Budiadi, Setyo , ANALISIS FAKTOR YANG
MEMPENGARUHI KEPUTUSAN KONSUMEN DALAM MEMILIH JASA
TRANSPORTASI TAKSI RODA DUA (Studi Pada PT. Sahabat Solusi
Intermoda-Cak Transport, Surabaya), 2014