KELOMPOK 8
1. Andreas Panjaitan
2. Fitria Dwi Wulandari
3. Putri Triridita
4. Rindang Eka Swari
5. Theo Andita Nugraha
PENGERTIAN
w w w . u n ti t l e d a d r e s s . c o m
PRINSIP
Menyederhanakan dengan mengurangi jumlah variable atau
dimensi
1
KONSEP DASAR
KMO RESIDUAL
Indeks untuk menguji Perbedaan korelasi yang
ketepatan penggunaan diobservasi dengan yang
analisis faktor diestimasi
2
MODE Common factor dapat ditulis sebagai kombinasi
linear dari variable yang diamati
L 𝜹 𝒎=𝒘𝐦 𝟏 𝒙𝟏 +𝒘 𝐦 𝟐 𝒙 𝟐+ …+𝒘 𝒎 𝒑 𝒙 𝒑
Keterangan :
𝒙 𝒑=𝝀 𝒑 𝟏 𝜹 𝟏+ 𝝀 𝒑 𝟐 𝜹 𝟐 +…+ 𝝀 𝒑𝒎 𝜹 𝒎 +𝝐 𝒑
: Estimasi factor ke-m
Keterangan : : Bobot atau koefisien skor faktor
: variabel baku ke-p : Banyaknya variabel
𝝀 𝒑 𝒎 : Koefisien untuk variable p untuk common
factor ke-m
: Common factor
: Unique factor untuk variable ke-p
𝒎 : Banyaknya common factor
3
T U J U A N A N A L I S I S FA K TO R
1. Mengidentifikasi jumlah terkecil dari faktor umum (model
faktor yang paling parsimoni) yang menjelaskan atau
menghitung korelasi antara indikator.
2. Mengidentifikasi via rotasi faktor, solusi faktor yang paling
masuk akal
3. Mengestimasi pola dan pemuatan struktur, komunaliti, dan
variansi unik dari indikator
4. Menyediakan intepretasi untuk faktor umum
5. Jika dibutuhkan, mengestimasi nilai faktor
4
Contoh:
ANALISIS
FA K TO R
DARI SUDUT
GEOMETRI
Berdasarkan gambar di atas, model dapat direpresentasikan sbg:
5
ESTIMASI
MASALAH
COMMUNALITY
Untuk mengetahui dan mengestimasi
loadings, perlu diketahui communalities-
nya, berlaku juga sebaliknya
6
• Dengan asumsi, sumbu 𝜖1 dan 𝜖2 diidentifikasi d
an diperbaiki (yaitu,komunalitasmemiliki telah di
perkirakan), vector 𝑥1′ dan 𝑥2′
tidak dapat diproyeksikan ke dua dimensi subrua
ng diwakili oleh 𝜀1 dan 𝜀2.
• Figure 5.5 menunjukkan proyeksi-
proyeksi yang dihasilkan vektor, x1𝑝' dan 𝑥2𝑝'.
• Vektor proyeksi, 𝑥1𝑝' dan 𝑥2𝑝' dapat diproyeksika ESTIMASI
n lebih lanjut subruang satu dimensi yang ditentuk
an oleh vektor 𝜀1 dan 𝜀2. MASALAH
R O TA S I
• Komunalitas untuk 𝑥1 sama dengan 𝜆11^2 + 𝜆12^2 dan komunalitas untuk 𝑥2
sama dengan 𝜆21^2 + 𝜆22^2 Dari teorema Pythagoras:
8
Total communality dari variable dapat didekomposisi menjadi komunalitas variabel dengan masing-masing
faktor dalam jumlah cara yang tak terbatas. Setiap dekomposisi akan menghasilkan solusi faktor yang berbeda.
Figure 5.7
• Plot dari solusi faktor yang diberikan oleh Eq 5.2 di mana
pembebanan adalah koordinat yang berkaitan dengan
sumbu Q dan V.
• Faktor solusi yang diberikan oleh Eq. 5.4 setara untuk
merepresentasikan pembebanan sebagai koordinat
sehubungan dengan sumbu Q * dan V*.
• Solusi faktor yang diberikan oleh Eq. 5.4 dapat dilihat
sebagai masalah rotasi karena kedua sumbu, Q dan V.
diputar secara ortogonal untuk memperoleh sumbu baru,
Q* dan V*.
Note:
Kita dapat memiliki jumlah rotasi yang tidak terbatas, akan ada jumlah tak terbatas dari factor solusi.
Rotasi "yang benar" adalah yang memberikan interpretasi faktor yang masuk akal atau dapat diterima.
9
• Pada kasus p-indikator, m-faktor model, p vector, dapat
direpresentasikan dalam n-dimensi ruang observasi. Akan
tetapi, vektor p akan terletak pada subruang dimensi m+p
10
w w w . u n ti t l e d a d r e s s . c o m
T E K N I K A N A L I S I S FA K TO R
1. PRINCIPAL COMPONENT FACTORING
2. PRINCIPAL AXES FACTORING
11
PRINCIPAL COMPONENT FACTORING
(PCF)
L A N G K A H P E RTA M A :
ASUMSI :
1. Menetapkan estimasi awal komunalitas. Estimasi awal
2. Matriks korelasi dengan estimasi komunalitas untuk
komunalitas di dalam diagonal merupakan semua variable = 1
Principal Component Analysis.
12
PRINCIPAL COMPONENT FACTORING(PCF)
Contoh :
13
PRINCIPAL COMPONENT FACTORING
(PCF)
14
PRINCIPAL COMPONENT FACTORING(PCF)
15
PRINCIPAL COMPONENT FACTORING
(PCF)
LANGKAH KEDUA :
Tentukan Principal Component yang perlu dipertahankan
dengan memperhatikan aturan :
• Eigen value 1, dengan indikasi jika 2 PC memiliki eigen
value >1 maka PC tersebut perlu dipertahankan.
• Scree plot
• Prosedur parallel
16
PRINCIPAL COMPONENT FACTORING(PCF)
Contoh : menggunakan persamaan 4.17 dengan Berdasarkan plot di samping, dapat disimpulkan
nilai adalah 1.237, 1.105, 1.002, 0.919 diperoleh bahwa kedua PC perlu dipertahankan. Salah satu
scree plot sebagai berikut cara merepresentasikan 6 indikator diatas dengan 2
faktor umum dan 6 faktor unik yang dimodifikasi :
dimana
17
PRINCIPAL COMPONENT FACTORING
(PCF)
18
PRINCIPAL COMPONENT FACTORING
(PCF)
19
1. Diasumsikan bahwa estimasi awal dari komunalitas adalah 1. Sebuah solusi
PCF akan diperoleh. Berdasarkan jumlah dari komponen (faktor) yang
dipertahankan, estimasi dari struktur atau pola diperoleh yang kemudian
digunakan untuk mengestimasi ulang komunalitas.
w w w . u n ti t l e d a d r e s s . c o m
20
PRINCPAL AXIS FACTORING(PAF)
21
TA H A PA N
A N A L I S I S FA K T O R
22
M E N G U J I K E L AYA K A N D ATA 2. kita dapat memeriksa apakah korelasi
kontrol parsial mengendalikan variabel
lain
Sebagai landasan awal kita perlu mengetahui
apakah data yang kita punya itu sesuai untuk 3. kita dapat menguji ukuran Kaiser dari
analisis faktor atau tidak pengambilan sampel dan dan ukuran
kecukupan pengambilan sampel untuk
setiap indikator. Semakin tinggi ukuran
semakin bagus, disarankan lebih dari 0.8
1. Yang kita lakukan adalah memeriksa matriks dan sekitar 0.60 masih ditoleransi
korelasinya dimana korelasi yang tinggi
antara variabel menunjukkan bahwa variabel
dapat dikelompokkan kepada set yang
homogen dan sebaliknya dimana jika korelasi
rendah antara variabel menunjukkan bahwa
variabel tersebut tidak memiliki banyak
kesamaan
23
M E N E N T U K A N FA K TO R S O L U S
MENENTUKAN
B A N YA K N YA FA K T O R • Faktor solusi tidak unik karena adanya rotasi
YA N G D I P E R L U K A N karena itu pola faktor tidak unik juga sehingga
variansi antara faktor dan variabel tidak unik.
• Langkah selanjutnya menentukan banyaknya
faktor yang diperlukan untuk menjelaskan • Konsekuensinya variansinya bukan
korelasi antar variabel mirip dengan merupakan pengukuran yang penting untuk
1. menentukan
Yang kita lakukan
jumlah adalah memeriksa
komponen matriks
utama yang mengukur faktor yang tepat demi menemukan
korelasinya
harus digunakandimana korelasi yang tinggi
dalam analisis solusi yang unik.
antara variabel menunjukkan bahwa variabel
• Paralel
dapat analisis
dikelompokkan
yang sudahkepada setdi yang
kita bahas bagian • Kita dapat mengukur korelasi antara indikator
homogen dan sebaliknya
sebelumnya dimana jika sepanjang
direkomendasikan korelasi setelah efek dari faktor tidak digunakan
rendah antara
interpretasi hasilvariabel menunjukkanbanyaknya
untuk menentukan bahwa
variabel
faktor yangtersebut
diperlukantidak
dalammemiliki banyak
faktor analisis • Untuk faktor solusi yang baik korelasi parsial
kesamaan yang digunakan harus mendekati nol karena
efek dari faktor umum telah dihapus sehingga
tidak ada yang menghubungkan indikator
24
R O TA S I
25
I N T E R P R E TA S I S T R U K T U R FA K T O R
26
A N A L I S I S FA K T O R
Vs
A N A L I S I S K O M P O N E N U TA M A
27
DEFINISI
A N A L I S I S FA K T O R A N A L I S I S K O M P O N E N U TA M A
Suatu teknik dalam analisis multivariat yang Teknik mereduksi data multivariat (banyak data)
bertujuan mengidentifikasi sejumlah faktor untuk mengubah (transformasi) suatu matriks
umum (common factor) yang dibutuhkan data awal menjadi suatu set kombinasi linier
untuk menjelaskan korelasi antar indikator yang lebih sedikit akan tetapi menyerap sebagian
(Widarjono, 2010). besar jumlah varians dari data awal (Supranto,
2010
28
ANALISIS ANALISIS
FA K T O R FUNGSI KOMPONEN
U TA M A
1 . E K S P L O R AT O R Y
Mereduksi suatu set variabel berdimensi tinggi ke 1. REDUKSI
dimensi rendah, namun masih memiliki sebagian Mengubah suatu set variabel yang berdimensi tinggi
besar informasi dari variabel asal. ke dimensi rendah, namun masih memiliki sebagian
besar informasi dari variabel asal.
2 . C O N F I R M AT O R Y
Mengekstrak variabel laten dari indikator, 2. TRANSFORMASI
pemeriksaan validitas instrument, dan PCA juga bisa digunakan untuk mengatasi masalah
mendapatkan data variabel latent sebagai input dari multikolinieritas. Sehingga antar variabel akan
analisis diskriminan, analisis regresi, cluster analysis, memiliki korelasi yang rendah.
MANOVA, Analisis Path, Model Struktural, MDS dan
lainnya.
29
MODEL
M AT E M AT I
KA
1 . A N A L I S I S FA K T O R
Variabel Awal seolah-olah merupakan kombinasi
linier dari common factor.
2 . A N A L I S I S K O M P O N E N U TA M A
Variabel baru (PC) seolah-olah merupakan kombinasi
linier dari variabel asal.
30
COMMON
FA C T O R
• Ada tidaknya faktor bersama menjadi pembeda dari kedua
metode ini. Jika set variabel tersebut memiliki faktor
bersama, maka data tersebut bisa digunakan untuk analisis
faktor. Common factor adalah faktor yang secara bersama-
sama dimiliki oleh variabel lain.
31
E X P L O R AT O R Y
Vs
C O N F I R M AT O R Y
32
A N A L I S I S FA K T O R
A N A L I S I S FA K T O R C O N F I R M AT O RY
E X P L O R AT O RY
33
CONTOH
34