PENGANTAR

 Analisis Faktor merupakan suatu tehnik

(Statistik) untuk mereduksi data (variabel).
 Analysis factor adalah salah satu teknik statistik
yang digunakan untuk melihat sekelompok
variable berdadasarkan kemiripannya
 PENGANTAR
Apabila terdapat data dengan variabel yang cukup banyak,
kadang-kadang menyulitkan untuk analisis data.
Untuk itu
Variabel yang dikelompokkan ke dalam kelompok yang
sejenis,
bisa dibuat satu atau beberapa kumpulan variabel (baru)
yang lebih sedikit dari jumlah variabel awal.
Dan memudahkan untuk analisis selanjutnya
 PENGANTAR
Contoh,
Jika semula ada sejumlah (banyak) variabel yang saling independen,

Analisis faktor mungkin bisa meringkas hanya menjadi > satu

kumpulan variabel baru
Kumpulan variabel baru tersebut dikenal sebagai

FAKTOR
Faktor: tidak dapat langsung diukur (Unobservable variable / latent
variable)
 LOGIKA PENGUJIAN ANALISIS FAKTOR

Jika sebuah variabel yang mempunyai kecenderungan

mengelompok dan membentuk sebuah Faktor,
Maka
Variabel tersebut akan mempunyai korelasi yang cukup
tinggi dengan variabel lain
Sebaliknya
Variabel dengan korelasi yang lemah dengan variabel lain
cenderung tidak akan mengelompok dalam faktor tertentu.
 KEGUNAAN ANALISIS FAKTOR

 Mengekstrak variabel laten dari indikator-indikator, atau mereduksi

variabel variabel menjadi variabel baru yang jumlahnya lebih sedikit.
 Mempermudah interpretasi hasil analisis, sehingga di dapatkan
informasi yang realistik dan sangat berguna
 Pengelompokan dan pemetaan obyek (mapping and clustering)
berdasarkan karakteristik yang terkandung dalam faktor.
 Dengan diperolehnya skor faktor, maka analisis faktor merupakan
langkah awal (sebagai data input) dari berbagai metode analisis data
yang lain, misalnya analisis diskriminan, analisis regresi, cluster
analysis, ANOVA, MANCOVA, Analisis Jalur (path analysis), Model
Struktural (Structural Equation Modeling)
 KONSEP DASAR

Misal terdapat variabel X1, X2,…Xp yang menyebar normal

dengan vektor nilai tengah µ dan var-cov matrik ∑,
X = Np(µ, ∑)
maka dpt dibuat model :
X1 = c11F1 + c12F2 +…+ c1pFp + €1
X2 = c21F1 + c22F2 +…+ c2pFp + €2
:
:
Xp = cp1F1 + cp2F2 +…+ cppFp + €p
 EKSPLORATORY FACTOR ANALYSIS

Suatu penelitian yang bersifat eksploratif, umumnya

bertujuan untuk mengetahui faktor-faktor penyusun dari
suatu dari suatu dimensi kehidupan. Misalnya ingin
mengetahui faktor-faktor perilaku konsumen terhadap
suatu produk di suatu kota. Untuk itu dikembangkan
instrumen penelitian berupa kuesioner yang didalamnya
memuat indikator-indikator (item-item berupa
pertanyaan). Indikator-indikator ini dalam analisis faktor
ada yang menyebutnya variabel manifest (observable
variable). Sedangkan variabel yang diamati, misal
perilaku konsumen, merupakan variabel laten
(unobservable variable)
Di dalam analisis faktor eksploratori, jumlah faktor yang
akan terbentuk dan faktor tersebut merupakan variabel
laten apa saja belum diketahui sebelum analisis dilakukan.
X1

X2
Berapa F yang akan
terbentuk ?
X3

F? F tersebut merupakan
X4
Variabel laten apa saja?

X5

X6 Dalam gambar tsb terdapat 6 indikator (var

observasi) yang akan membentuk berapa
Faktor (var laten) belum diketahui
 CONFIRMATORY FACTOR ANALYSIS

 Dalam analisis faktor konfirmatori, seseorang secara apriori

berdasarkan landasan teori dan konsep yang dimiliki, ia sudah
mengetahui berapa banyak faktor yang harus terbentuk, serta
variabel-variabel laten apa saja yang termasuk dalam faktor-faktor
tersebut.
 Mis: Misalnya kita ingin mengukur Ability dan Aspiration dari
karyawan. Kedua varaibel tersebut bersifat laten (unobservable),
sehingga perlu dikembangkan indikator sebagai pengukurnya.
Untuk mengukur Ability dikembangkan 4 indikator yaitu X 1 s/d X4,
dan untuk mengukur Aspiration dibuat 2 indikator, yaitu X 5 dan X6.
Permasalahannya apakah X 1 s/d X4 merupakan pengukur Ability
dan X5 serta X6 merupakan pengukur Aspiration valid dan reliabel ?
 Untuk itu perlu dilakukan konfirmasi berdasarkan teori atau
konsep yang sudah ada terhadap keakuratab (valid dan reliabel)
instrumen yang kita buat.
X1

X2
Berapa F yang akan
terbentuk = 2
X3 Ability

Faktor I = Ability
X4
Faktor II = Aspiration

Aspiration
X5

X6
 TUJUAN PENGGUNAAN FACTOR
ANALYSIS
• Analisis faktor adalah analisis yang bertujuan mencari faktor-faktor utama yang paling
mempengaruhi variabel dependen dari serangkaian uji yang dilakukan atas serangkaian variabel
independen sebagai faktornya.
• Analisis faktor digunakan sebagai teknik reduksi data.
• Analisis faktor mengambil sejumlah besar variabel dan mengurangi atau meringkasnya untuk
mewakili mereka dalam faktor-faktor kecil yang berbeda, faktor-faktor tersebut terdiri dari
kumpulan variabel awal.
• Analisis faktor adalah metode untuk menyelidiki apakah sejumlah variabel yang menarik terkait
dengan sejumlah kecil faktor yang tidak dapat diamati. Hal ini dilakukan dengan
mengelompokkan variabel berdasarkan interkorelasi diantara sekumpulan variabel.
• Variabel awal tersebut adalah variabel manifes/variabel teramati sedangkan faktor yang
diekstraksi dalam proses adalah variabel laten.
• Penggunaan umum analisis faktor adalah dalam mengembangkan skala/kuesioner untuk
mengukur konstruksi yang tidak dapat diamati secara langsung dalam kehidupan nyata.
• Teknik Analisis faktor terutama mempelajari saling ketergantungan yang sistematis di antara
serangkaian variabel yang diamati (melalui korelasi), dan variabel-variabel yang memiliki
korelasi lebih tinggi dikelompokkan bersama.
• Analisis faktor membantu para sarjana menjawab pertanyaan bahwa “Seberapa baik item-item itu
berjalan dengan baik? Jika kami sedang membangun Skala baru ”
 EKSPLORATORY FACTOR ANALYSIS
(ANALISIS FAKTOR EKSPOLARATORI)
• Eksploratory Factor Analysis (Analisis Faktor
Ekspolaratori)adalah metode statistik yang digunakan untuk
membangun model struktur yang terdiri dari satu set atau banyak
variabel. EFA adalah salah satu metode analisis faktor untuk
mengidentifikasi hubungan antara variabel manifest atau variabel
indikator dalam membangun sebuah konstruk. EFA digunakan
dalam kondisi dimana peneliti tidak memiliki informasi awal atau
hipotesis harus dikelompokkan ke dalam variabel mana saja
sekumpulan indikator yang telah dibuat. jadi peneliti berangkat
dari indikator (manifest) kemudian membentuk variabel. EFA
juga digunakan dalam kondisi dimana variabel laten memiliki
indikator yang belum jelas. indikator satu variabel laten
dimungkinkan overlap dengan indikator variabel laten lainnya.
 CONFIRMATORY FACTOR ANALYSIS
(ANALISIS FAKTOR KONFIRMATORY)

• Tujuan CFA adalah untuk mengidentifikasi model yang tepat

yang menjelaskan hubungan antara seperangkat item-item
dengan konstrak yang diukur oleh item tersebut. Model
pengukuran memiliki ketepatan model yang baik ketika item-
item yang dilibatkan mampu menjadi indikator dari konstrak
yang diukur yang dibuktikan dengan nilai eror pengukuran
yang rendah dan loading factor komponen yang tinggi. Model
ini diperoleh berdasarkan kajian teoritis yang sudah kuat.
 KESAMAAN EFA DAN CFA

• Satu hal yang serupa dengan kedua metode statistik ini adalah
keduanya menggunakan varians dari masing-masing variabel
manifest sebagai representasi ukuran kontribusi terhadap
variabel konstruknya.
 TABEL OUTPUT DALAM ANALISIS
FAKTOR
• Kaiser-Meyer-Olkin (KMO) Measure of sampling adequacy (MSA)
Indeks digunakan untuk meneliti ketepatan analisis faktor, nilai antara
0,5-1 berarti analisis factor tepat, kalau kurang dari 0,5 analisis faktor
dikatakan tidak tepat. Measure of sampling adequacy (MSA) ukuran
dihitung untuk seluruh matrix korelasi dan setiap variabel yang layak
untuk diaplikasikan pada analisis faktor.
 MSA = 1, variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel
lain.
 MSA > 0,5 variabel masih dapat diprediksi dan dapat dianalisis lebih
lanjut.
 MSA < 0,5 variabel tidak dapat diprediksi dan tidak dapat dianalisis lebih
lanjut.
 TABEL OUTPUT DALAM ANALISIS
FAKTOR

• Bartlett's Test of Sphericity

Statistik yang menunjukkan tingkat signifikansi secara
menyeluruh (overall), semua korelasi antar variabel dalam
sebuah matrix korelasi. nilai Bartlett’s Tes of Sphericity (Sig.)
0,000 < 0,05, maka analysis faktor dalam penelitian ini dapat
dilanjutkan karena sudah meenuhi persyaratan perta
 TABEL OUTPUT DALAM ANALISIS
FAKTOR
• Tabel output kedua Anti-image Matrces
Anti-image Matrces berguna untuk mengetahui dan menentukan variabel
mana saja yang layak pakai dalam analisis faktor. Perhatikan bagian Anti-
image Matrces , pada tabel tersebut terdapat kode huruf (a) yang artinya
untuk Measure of Sampling Adequacy(MSA). Persyaratan yang harus
terpenuhi dalam analisis faktor adalah nilai MSA > 0,50. Dari hasil diatas
diketahui bahwa nilai MSA untuk semua variabel yang diteliti adalah >
0,50 maka persyaratan kedua dalam analisi faktor ini terpenuhi.
Catatan : jika ada variabel yang memiliki nila MSA < 0,50 maka solusinya
adalah dengan melakukan proses analisis ulang hanya untuk variabel yang
memiliki nilai MSA < 0,50
 TABEL OUTPUT DALAM ANALISIS
FAKTOR
• Tabel Communalities
ini menunjukan nialai variabel yang diteliti apakah mampu untuk
menjelaskan faktor atau tidak. Variabel dianggap mampu menjelaskan
faktor apabila nilai Extraction lebih dari 0,50. Apabila nilai Extraction <
0,50 maka variabel tersebut dikeluarkan dari pengujian serta harus
mengulang langkah analisis faktor dari awal tanpa mengikutsertakan
variabel yang tidak memenuhi syarat kounalitas.
• Output keempat Total Variance Explained
Tabel Total Variance Explained menunjukan nilai masing-masing variabel
yang dianalisis. Ada dua macam analisis untuk menjelaslkan suatu varian,
yatu Initial Eigennvalues dan Extraction Sums of Squared Loadings. Pada
varian Initial Eigenvalues menunjukan faktor yang terbentuk . apabila
semua vaktor dijumlahkan menunjukan jumlah variabel Sedangkan pada
bagian Extraction Sums of Squared Loadings menunjukan jumlah variasi
atau banyaknya faktor yang dapat terbentuk
 TABEL OUTPUT DALAM ANALISIS
FAKTOR
• Output kelima Scree Plot
Gambar Scree Plot ini dapat juga menunujukan jumlah fakor yang terbentuk.
Caranya dengan melihat nilai tititk Component yang memiliki nilaimEigenvalue >
1
• Tabel output Component Matrix
Component Matrix ini menunjukan nilai korelasi atau hubungan masing-masing
variabel dengan faktor yang akan terbentuk
• Tabel output Rotated Component Matrix
Untuk memastikan suatu variabel masuk dalam kelompok faktor mana, maka dapat
ditentukan dengan melihat nilai korelasi terbesar antar variabel dengan faktor
(Component) yang terbentuk.
• Tabel output Component Transformation Matrix
Component Transfomation Matrix menunjukan bahwa pada component-component
nilai korelasinya yang merangku seua variabel yang danalis dalam faktor-faktor
yang terbentuk.
 CONTOH FACTOR ANALYSIS
MENGGUNAKAN SPSS
Persyaratan dalam analisis faktor
• Data masing-masing variabel yang diteliti berdistribusi normal
• Nilai Kaiser-Mayer-Olkin Measure of Sampling Adequaci (KMO MSA) lebih besar dari 0,50 dan nilai
Bartlett’s Test of SPhercity (Sig) lebih kecil 0,05
• Ada hubungan atau korelasi yang kuat antar variabel. Hal ini ditandai dengan nilai Anti-image Correlation
antar variabel lebih besar dari 0,50.
1. Keiritan bahan bakar sepeda motor
2. Ketersedian suku cadang (onderdil) termasuk kualitas onderdil
3. Harga sepeda motor
4. Model dan desain sepeda motor
5. Kombinasi warna sepeda motor
6. Keawetan sepeda motor, khususnya mesin
7. Promosi yang dilakukan
8. Sistem pembayaran (secara kredit)
9. Selanjutnya setiap atribut diberi nilai 1 (sangat tidak setuju) sampai 5 (sangat setuju), dengan contoh
pertanyaan (kuisioner) sebagai berikut :

Note :
• Responden akan memberi tanda diantara 1 sampai 5. Denagan demikian , skala untuk pengukuran presepsi
ini adalah data interval, karena dimungkinkan hasil berupa decimal.
• Tabel data hasil penyebaran kuisioner sebagai berikut :
• Dari data presepsi konsumen terhadap faktor-faktor yang menentukan dalam pembelian sebuah sepeda
motor tersebut, akan diuji variable mana saja yang bisa dilakukan pengujian lanjutan.
 LANGKAH-LANGKAH PENGUJIAN

• Buka program SPSS, sampai tampil window SPSS Data Editor

 LANGKAH-LANGKAH PENGUJIAN

Selanjutnya beri nama variable pada tab Variable View seperti

terlihat seperti di bawah ini :
 LANGKAH-LANGKAH PENGUJIAN

Setelah semua variable terisi, masukan data hasil koesioner dengan terlebih dahulu masuk
pada tab Data View , baik secara manual ataupun melalui tabel yang dilakukan pada
program excel (lebih mudah) sehingga tampak sebagai berikut :
 LANGKAH-LANGKAH PENGUJIAN

•Menu Analyze  Dimension Reduction Factor….. tampak di layar

Untuk pengisian :
 LANGKAH-LANGKAH PENGUJIAN

Untuk pengisian :
Variables atau variable mana yang akan diuji. Sesuai
dengan contoh kasus, masukkan semua variable ke
dalam kotak variable tersebut, yakni irit, onderdil,
harga, warna, awet, promosi dan kredit.
 LANGKAH-LANGKAH PENGUJIAN
•Descriptives
Klik mouse pada kotak descroptives..... hingga
tampak

Pengisian :
Lihat bagian Correlation Matrix yang berisi
berbagai alat pengujian dengan korelasi
antar-variabel. Untuk keseragaman,
aktifkan KMO dan Barlett’s test of
sphericity dan Anti-Image.
 LANGKAH-LANGKAH PENGUJIAN

•Selanjutnya klik Extraction.....

maka muncul kotak dialog
“Factor Analysis: Extracton”
berikan tanda centang (v)
pada Unrotated factor
solution dan Scree plot, lalu
klik Continue
 LANGKAH-LANGKAH PENGUJIAN

•Berikutnya klik Rotation…. Maka

muncul kotak dialog “Factor
Analysis: Rotation” lalu aktifkan
Varimax dan beri tanda (v) pada
Rotated solution, lalu klik
Continue.
 LANGKAH-LANGKAH PENGUJIAN

•Kemudian klik Scores… maka muncul

kotak dialog “Factor Analysis: Scores”
lalu aktifkan Save as Variable, lalu klik
Continue

•Terakhir adalah klik OK. Maka

akan muncul output Factor
Analysis SPSS
Interpretasi analisis faktor
dengan SPSS lengkap
 INTERPRETASI
ANALISIS FAKTOR
DENGAN SPSS
 TABEL OUTPUT PERTAMA “KMO AND
BARTLETT’S TEST”
Tabel output KMO and Bartlett’s Tes berguna mengetahui kelayakan suatu variabel, apakah dapat diproses

lebih lanjut menggunakan teknik analisis faktor ini atau tidak. Caranya dengan melihat nilai KMO dan MSA

(Kaiser-Mayer-Olkin Measure 0f Sampling Adequacy). Jika nilai KMO MSA > 0,50 maka teknik analysis

faktor dapat dilanjutkan. Berdasarkan output diatas diketahui nilai KMO MSA sebesar 0,590 > 0,50 dan nilai

Bartlett’s Tes of Sphericity (Sig.) 0,000 < 0,05, maka analysis faktor dalam penelitian ini dapat dilanjutkan

karena sudah meenuhi persyaratan pertama

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .590

Bartlett's Test of Sphericity Approx. Chi-Square 59.450

Df 28
Sig. .000
 TABEL OUTPUT KEDUA ANTI-IMAGE
1. MATRCES
TABEL OUTPUT KETIGA COMUNALITIES

Communalities
Initial Extraction

KEIRITAN BAHAN BAKAR 1.000 .625

SEPEDA MOTOR
KETERSEDIAN SUKU 1.000 .675
CADANG (ONDERDIL)
TERMASUK KUALITAS
ONDERDIL
HARGA SEPEDA MOTOR 1.000 .531
MODEL DAN DESAIN 1.000 .638
SEPEDA MOTOR
KOMBINASI WARNA 1.000 .671
SEPEDA MOTOR
KEAWETAN SEPEDA 1.000 .771
MOTOR, KHUSUSNYA
MESIN
PROMOSI YANG 1.000 .492
DILAKUKAN
SISTEM PEMBAYARAN 1.000 .494
(SECARA KREDIT)
Extraction Method: Principal Component Analysis.
 TABEL OUTPUT KETIGA
COMUNALITIES Communalities

Initial Extractio
n
KEIRITAN BAHAN 1.000 .719
BAKAR SEPEDA
Sampai tahap ini anda telah berhasil memnuhi MOTOR
syrat-syarat/asumsi untuk pengujian Analisis KETERSEDIAN SUKU 1.000 .689
Faktor. Untuk interpretasi selanjutnya yaitu CADANG (ONDERDIL)
pembentukan component faktor, rotasi faktor, TERMASUK KUALITAS

scree plot, dan faktor scor. ONDERDIL

HARGA SEPEDA 1.000 .657
MOTOR
MODEL DAN DESAIN 1.000 .760
SEPEDA MOTOR
KOMBINASI WARNA 1.000 .682
SEPEDA MOTOR
KEAWETAN SEPEDA 1.000 .790
MOTOR, KHUSUSNYA
MESIN

Extraction Method: Principal Component

Analysis.
OUTPUT KEEMPAT TOTAL VARIANCE
EXPLAINED
1.
OUTPUT KELIMA SCREE PLOT
TABEL OUTPUT COMPONENT MATRIX
a
Component Matrix

Component

1 2 3
KEIRITAN BAHAN BAKAR .292 -.487 .630
SEPEDA MOTOR
KETERSEDIAN SUKU .668 -.491 -.033
CADANG (ONDERDIL)
TERMASUK KUALITAS
ONDERDIL
HARGA SEPEDA MOTOR .336 .731 .103
MODEL DAN DESAIN .869 -.015 .071
SEPEDA MOTOR
KOMBINASI WARNA .660 .468 -.167
SEPEDA MOTOR
KEAWETAN SEPEDA -.189 .376 .783
MOTOR, KHUSUSNYA
MESIN
Extraction Method: Principal Component Analysis.
a. 3 components extracted.
TABEL OUTPUT ROTATED COMPONENT
MATRIX
a
Rotated Component Matrix

Component

1 2 3

KEIRITAN BAHAN BAKAR -.228 .743 .340

SEPEDA MOTOR
KETERSEDIAN SUKU .098 .746 -.350
CADANG (ONDERDIL)
TERMASUK KUALITAS
ONDERDIL
HARGA SEPEDA MOTOR .747 -.155 .273
MODEL DAN DESAIN .569 .647 -.133
SEPEDA MOTOR
KOMBINASI WARNA .806 .120 -.136
SEPEDA MOTOR
KEAWETAN SEPEDA .057 -.044 .886
MOTOR, KHUSUSNYA
MESIN
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 7 iterations.
 Dengan demikian kesimpulan yang bisa kita ambil dalam analisis faktor ini adalah
sebagai berikut

FAKTOR VARIABEL
1 HARGA SEPEDA MOTOR, KOMBINASI WARNA SEPEDA
MOTOR
2 KEIRITAN BAHAN BAKAR SEPEDA MOTOR, KETERSEDIAN
SUKU CADANG (ONDERDIL) TERMASUK KUALITAS
ONDERDIL DAN MODEL DAN DESAIN SEPEDA MOTOR
3 KEAWETAN SEPEDA MOTOR, KHUSUSNYA MESIN
COMPONENT TRANSFORMATION
MATRIX

Component Transformation Matrix

Component 1 2 3
1 .676 .702 -.222
2 .728 -.591 .348
3 -.113 .397 .911

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser
Normalization.
 TABEL SCOR

• Terakhir silakan anda perhatikan pada tampilan Data View,

maka distu ada variabel baru dengan nama FAC1_1; FAC2_1
dan FAC3_1 karena kita meghilangkan variabel 7 dan 8 maka
yang akan muncul FAC1_2; FAC2_2 dan FAC3_2

• Untuk melakukan perhitungan score faktor diakukan dengan

cara sebagai berikut
TABEL SCOR
 TABEL SCORE
• Pastikan untuk sub
menu Score Factor di
check list bagian save as
variables, kemudian pilih
Regression. Kemudian
klik continue
 TABEL SCORE

• Setelah di running, lihat pada sheet SPSS di bagian

Data View. Akan muncul score untuk masing-
masing faktor.
 TABEL SCORE

Buat persamaan dari loading faktor. (lihat Table Total Variance Explained)

•Membuat persamaan regresi dari Comulative loading faktor. Dengan

memproporsikan variance dengan total variance. Contoh data SAQ :
Score faktor = (26.605/71,623) FAC1_2 + (26.310/71,623) FAC2_2 +
(18.888/71,623) FAC3_2
 TABEL SCORE
•Membuat persamaan regresi dari Comulative
loading faktor. Dengan memproporsikan
variance dengan total variance. Contoh data
SAQ :
Score faktor = (26.605/71,623) FAC1_2 +
(26.310/71,623) FAC2_2 + (18.888/71,623)
FAC3_2
•Compute di SPSS dari persamaan faktor di
langkah sebelunya untuk menghasilkan Output
Score Factor dengan
•Pada sheet Data View klik Transform pilih
menu Compute Variable
 TABEL SCORE

•Masukan persamaan
regresi seperti pada
langkah 4 lalu klik OK
 TABEL SCORE

•Kembali ke sheet Data View maka

akan di tampilkan variabel atau tabel
baru pada kolom tersebut
 KESIMPULAN

• Analisis faktor (Factor Analysis) adalah kajian tentang saling

ketergantungan antara variabel-variabel, dengan tujuan untuk
menemukan himpunan variabel-variabel baru, yang lebih
sedikit jumlahnya dari pada variabel semula, dan yang
menunjukkan yang mana di antara variabel-variabel semula itu
yang merupakan faktor-faktor persekutuan Berdasarkan
tujuannya analisis faktor dapat dikelompokkan menjadi dua
macam yaitu analisis faktor eksploratori dan analisis faktor
konfirmatori.
TERIMA KASIH