A N A L I S I S FA K T O R

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

• Analisis Faktor adalah teknik interdependen yang tujuan

utamanya untuk menentukan struktur yang mendasari
hubungan antar variabel
• Variabel dikelompokan berdasarkan korelasinya

PRINSIP
Menyederhanakan dengan mengurangi jumlah variable atau
dimensi

1
 KONSEP DASAR

EIGEN VALUE COMMUNALITY FAKTOR LOADING

Total varian dari Besarnya varian Korelasi antara variable
masing masing faktor variabel dengan faktor

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:

panjang vektor proyeksi memberikan komunalitas variabel. 

7
 Sumbu pada Gambar 5.5 dapat diputar tanpa mengubah
orientasi atau panjang vektor 𝑥1𝑝 ′ dan 𝑥2𝑝 '. Figure 5.6
adalah memberikan 1 rotasi.

Berdasarkan figure 5.6 meskipun total komunalitas suatu variabel

tidak berubah, dekomposisi total komunalitas akan berubah.
Artinya, dekomposisi dari total komunalitas adalah tidak tetap. 

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

• Tujuan: untuk mengidentifikasi dimensi - dimensi m+p dan LEBIH

communalities yang dihasilkan dan variasi kesalahan. 
DARI 2
• Selanjutnya, vektor m yang mewakili faktor umum FA K TO R
dirotasikan tanpa mengubah orientasi vektor.

• Note: orientasi dimensi (mis., Dekomposisi dari total

communalities) harus ditentukan dengan menggunakan
kriteria lain 

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 :

6 Principal Component berdasarkan Exhibit 5.1 [2]

13
PRINCIPAL COMPONENT FACTORING
(PCF)

 Variansi untuk Principal Component adalah 3.367, 1.194,

0.507, 0.372, 0.313, dan 0.247. [1]

Principal Component Scores yang distandarisasi untuk

mendapatkan nilai varansi = 1,
Misal PC 1 :

14
 PRINCIPAL COMPONENT FACTORING(PCF)

 Dengan masing-masing PC memiliki indicator M, P, C, E,

Sehingga diperoleh standarisasi dari PC : H, F maka persamaannya menjadi :

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)

 Variansi yang dihitung berdasarkan 2 faktor, yaitu 3.365

dan 1.194
Total variansi berdasarkan variansi unik = 1.441

18
PRINCIPAL COMPONENT FACTORING
(PCF)

Pada Table 5.5 :

• Nilai RMSR harus kecil untuk membentuk struktur yang
bagus
• Nilai korelasi residual harus kecil untuk membentuk struktur
yang bagus
• Diagonal dari matriks korelasi mengindikasikan komunalitas
antar indicator
• Diagonal dari matriks korelasi merupakan variansi yang unik
dan elemen sisanya merupakan perbedaan antara korelasi
observasi dengan korelasi yang dijelaskan oleh estimasi
faktor

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

P R I N C PA L 2. Perubahan maksimum pada komunalitas yang telah diestimasi dihitung. Ini

AXIS didefinisikan sebagai perbedaan maksimum antara estimasi komunalitas
FA C T O R I N G sebelumnya dan revisi untuk masing-masing variabel.

( PA F ) 3. Jika perubahan maksimum pada komunalitas lebih besar dari convergence

criterion yang telah ditentukan, maka matriks korelasi yang asli dimodifikasi
dengan mengganti diagonal dengan komunalitas baru yang telah diestimasi.
PCA yang baru dilakukan pada matriks korelasi yang dimodifikasi dan
prosedurnya dijelaskan pada langkah ke-2. Langkah ke-2 dan ke-3 diulang
sampai perubahan pada komunalitas yang diestimasi kurang dari convergence
criterion

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

• Rotasi yang dimaksudkan di sini adalah untuk

menyimpelkan struktur faktor yang akan
sangat berguna interpretasinya bagi para
peneliti.
• Ortogonal adalah salah satu contoh rotasi
dimana yang dimaksudkan disini adalah data
yang ortogonal satu sama lain

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

• Langkah terpenting pada analisis faktor yaitu menghasilkan

interpretasi dari struktur faktor yang sudah di ektraski

• Untuk contoh ini, hipotesisnya adalah consumen menggunakan

dimensi ortogonal untuk mengevaluasi berbagai merek detergent di
pasaran menggunakan rotasi varimax

• Dia ingin menganalisis analisis pada masyarakat tentang faktor apa

saja yang memepengaruhi mereka dalam pembelian detergen di
pasaran

• Rotasi varimax digunakan untuk menyediakan sebuah struktur

sederhana.

• Sehingga didapatkan faktor faktor dalam analisis seperti performa

detergen dan kelembutan pakaian akibat detergen

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
Suatu teknik dalam analisis multivariat yang
bertujuan mengidentifikasi sejumlah faktor
umum (common factor) yang dibutuhkan
untuk menjelaskan korelasi antar indikator
(Widarjono, 2010).
A N A L I S I S K O M P O N E N U TA M A
Teknik mereduksi data multivariat (banyak data)
untuk mengubah (transformasi) suatu matriks
data awal menjadi suatu set kombinasi linier
yang lebih sedikit akan tetapi menyerap sebagian
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
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,
pemeriksaan validitas instrument, dan
mendapatkan data variabel latent sebagai input dari
analisis diskriminan, analisis regresi, cluster analysis,
MANOVA, Analisis Path, Model Struktural, MDS dan
lainnya.
1. REDUKSI
Mengubah suatu set variabel yang berdimensi tinggi
ke dimensi rendah, namun masih memiliki sebagian
besar informasi dari variabel asal.
2. TRANSFORMASI
PCA juga bisa digunakan untuk mengatasi masalah
multikolinieritas. Sehingga antar variabel akan
memiliki korelasi yang rendah.
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.

• Misal kita mempunyai variabel X1 = Nilai Matematika, X2 =

Nilai Fisika, X3 = Nilai Geografi, X4 = Nilai PPKN, X5 = Nilai
Sejarah. Set variabel tersebut mempunyai dua faktor yaitu
Kemampuan Logika, Kemampuan Menghafal.

a.Kemampuan Logika (F1) sama-sama dimiliki oleh X1,X2.

b.Kemampuan Menghafal (F2) sama-sama dimiliki oleh
X3,X4,X5.

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
E X P L O R AT O RY
Merupakan suatu teknik analisis
faktor dimana beberapa faktor
yang akan terbentuk berupa
variabel laten yang belum dapat
ditentukan sebelum analisis
dilakukan
A N A L I S I S FA K T O R
C O N F I R M AT O RY
• Suatu teknik analisis faktor berdasarkan teori
dan konsep yang sudah diketahui, dipahami,
atau sudah ditentukan sebelumnya, maka
dibuat sejumlah faktor yang akan dibentuk
dan sudah pasti tujuannya.
• Pembentukan faktor konfirmatori secara
sengaja berdasarkan teori dan konsep,
dalam upaya untuk mendapatkan variabel
baru atau faktor yang mewakili beberapa
item atau sub-variabel, yang merupakan
variabel teramati.
33
CONTOH

34