MANAJEMEN DAN ANALISA DATA

ANALISIS FAKTOR

DISUSUN OLEH:

KELOMPOK

CLARA WULANDA

JUMIA ELDA RIANTI

NAVILLATA BIRRAH AMIRA

DOSEN PEMBIMBING:

NOOR ELD GOLDEIMER, M.Si

UNIVERSITAS PAHLAWAN TUANKU TAMBUSAI

TAHUN AJARAN 2017/2018

 KATA PENGANTAR

Puji syukur selalu tercurah kepada Allah Subbhana huwata’ala yang mana
telah memberikan kami semua kekuatan serta kelancaran dalam menyelesaikan
makalah mata kuliah Manajemen dan Analisa Data yang berjudul “Analisis
Faktor” dapat selesai seperti waktu yang telah kami rencanakan. Tersusunnya
makalah ini tentunya tidak lepas dari berbagai pihak yang telah memberikan
bantuan secara materil dan moril, baik secara langsung maupun tidak langsung.
Oleh karena itu penulis mengucapkan terima kasih kepada:

1. Ibu Noor Eld Goldeimer, M.Si selaku dosen mata kuliah Manajemen
dan Analisa Data di Universitas Pahlawan Tuanku Tambusai.
2. Orang tua yang telah memberikan dukungan dan bantuan kepada
penulis sehingga makalah ini dapat terselesaikan.
3. Teman-teman yang telah membantu dan memberikan dorongan
semangat agar makalah ini dapat di selesaikan

Selain untuk menambah wawasan dan pengetahuan penyusun, makalah

ini disusun untuk memenuhi salah satu tugas Mata Kuliah Manajemen dan
Analisa Data.

Penyusun menyadari bahwa makalah ini masih jauh dari kesempurnaan

baik dari bentuk penyusunan maupun materinya. Untuk itu kami mengharapkan
kritik dan saran yang membangun dari pembaca untuk penyempurnaan makalah-
makalah selanjutnya.

Bangkinang, 05 Mei 2018

Penulis

i
 DAFTAR ISI

KATA PENGANTAR ............................................................................................. i

DAFTAR ISI ........................................................................................................... ii

BAB I PENDAHULUAN ....................................................................................... 1

A. Latar Belakang ............................................................................................. 1

B. Rumusan Masalah ........................................................................................ 1

C. Tujuan .......................................................................................................... 2

BAB II PEMBAHASAN ANALISIS FAKTOR .................................................... 3

A. Definisi Analisis Faktor ............................................................................... 3

B. Fungsi Analisis Faktor ................................................................................. 3

C. Jenis-Jenis Analisis Faktor ........................................................................... 4

D. Penentuan Banyaknya Faktor ....................................................................... 5

E. Alasan Menggunakan Analisis Faktor ......................................................... 6

F. Metode Analisis Faktor ................................................................................ 6

G. Rumus Analisis Faktor ................................................................................. 7

H. Langkah-Langkah Melakukan Analisis Faktor ............................................ 9

I. Proses Analisis Faktor ................................................................................ 11

J. Contoh Penerapan Kasus Dalam Analisis Faktor ...................................... 16

BAB III PENUTUP .............................................................................................. 23

A. Kesimpulan ................................................................................................ 23

B. Saran ........................................................................................................... 24

DAFTAR PUSTAKA ........................................................................................... 25

ii
 BAB I

PENDAHULUAN

A. Latar Belakang
Analisis faktor adalah salah satu teknik statistika yang dapat
digunakan untuk memberiikan deskripsi yang relatif sederhana melalui
reduksi jumlah peubah yang disebut faktor. Analisis faktor adalah
prosedur untuk mengidentifikasi item atau variabel berdasarkan
kemiripannya. Kemiripan tersebut ditunjukkan dengan nilai korelasi yang
tinggi. Item-item yang memiliki korelasi yang tinggi akan membentuk satu
kerumunan faktor. Prinsip dasar dalam analisis faktor adalah
menyederhanakan deskripsi tentang data dengan mengurangi jumlah
variabel/ dimensi.
Tujuan utama analisis faktor adalah untuk menjelaskan struktur
hubungan di antara banyak variabel dalam bentuk faktor atau vaiabel laten
atau variabel bentukan. Faktor yang terbentuk merupakan besaran acak
(random quantities) yang sebelumnya tidak dapat diamati atau diukur atau
ditentukan secara langsung.
Pada makalah ini, kami akan membahas mengenai Analisi faktor
dalam Manajemen dan Analisis Data.

B. Rumusan Masalah
Adapun rumusan masalah makalah ini adalah sebagai berikut:
1. Apa saja pengertian Analisis faktor?
2. Apa fungsi Analisis faktor?
3. Apa saja jenis-jenis Analisis faktor?
4. Bagaimana cara menentukan banyaknya faktor dalam Analisis
faktor?
5. Apa saja alasan untuk menggunakan Analisis faktor?
6. Apa saja metode Analisis faktor?

1
 7. Apa saja rumus Analisi faktor?
8. Bagaimana langkah-langkah Analisis faktor?
9. Bagaimana proses Analisis faktor?
10. Bagaimana contoh penerapan kasus dalam Analisis faktor?

C. Tujuan
Adapun tujuan makalah ini adalah sebagai berikut:
1. Mengetahui pengertian Analisis faktor.
2. Mengetahui fungsi Analisis faktor.
3. Mengetahui jenis-jenis Analisis faktor.
4. Mengetahui cara menentukan banyaknya faktor dalam Analisis
faktor.
5. Mengetahui alasan untuk menggunakan Analisis faktor.
6. Mengetahui metode Analisis faktor.
7. Mengetahui rumus Analisi faktor.
8. Mengetahui langkah-langkah Analisis faktor.
9. Mengetahui proses Analisis faktor.
10. Mengetahui contoh penerapan kasus dalam Analisis faktor.

2
 BAB II

PEMBAHASAN ANALISIS FAKTOR

A. Definisi Analisis Faktor

Analisis faktor merupakan metode analisis multivariat yang
didasarkan pada korelasi antar variabel. Analisis faktor termasuk salah
satu teknik statistika yang dapat digunakan untuk memberikan deskripsi
yang relatif sederhana melalui reduksi jumlah variabel yang disebut faktor.
Analisis faktor dipergunakan untuk mereduksi data atau meringkas,
dari variabel lama yang banyak diubah menjadi sedikit variabel baru yang
disebut faktor, dan masih memuat sebagian besar informasi yang
terkandung dalam variabel asli (Supranto, 2004).

B. Fungsi Analisis Faktor

Analisis faktor memiliki fungsi penting dalam pengembangan alat
ukur. Beberapa fungsi tersebut antara lain sebagai berikut:
1) Pengujian Dimensionalitas Pengukuran
Dimensionalitas pengukuran adalah banyaknya atribut yang
diukur oleh sebuah alat ukur. Alat ukur yang unidimensi mengukur
satu atribut psikologis saja sedangkan alat ukur yang multidimensi

3
 mengukur lebih dari satu atribut ukur. Pengukuran dalam bidang
psikologi didominasi oleh pengukuran unidimensi karena alat ukur
yang dikembangkan peneliti psikologi biasanya mengukur satu target
ukur saja. Misalnya Skala Kecemasan, skala ini diharapkan mengukur
atribut kecemasan saja dan tidak mengukur atribut yang lain. Untuk
mengetahui apakah alat ukur yang dikembangkan oleh peneliti
mengukur satu atribut atau banyak atribut diperlukan analisis faktor.
2) Pengujian Komponen atau Aspek dalam Alat Ukur
Penyusunan alat ukur psikologi biasanya diawali dari
penurunan konsep menjadi komponen atau aspek konsep sebelum
diturunkan menjadi aitem berupa pernyataan skala. Untuk
mengidentifikasi apakah item-item yang diturunkan dari komponen
alat ukur mewakili komponen tersebut maka diperlukan analisis faktor.
Analisis faktor juga dapat menunjukkan apakah antar komponen
memiliki keterkaitan ataukah tidak (independen).

C. Jenis-Jenis Analisis Faktor

1) Analisis Faktor Eksploratori (Exploratory Factor Analysis)
Seorang peneliti membuat seperangkat item yang mengukur
kualitas pelayanan bank. Item tersebut merupakan operasionalisasi dari
teori dan indikator mengenai kualitas layanan. Peneliti hendak
mengidentifikasi berapa faktor yang ada di dalam seperangkat item
tersebut. Dari analisis faktor kemudian didapatkan ada 4 faktor yang
menggambarkan kualitas layanan bank, antara lain faktor fitur layanan,
fasilitas gedung, keramahan karyawan, serta jaminan keamanan.
2) Analisis Faktor Konfirmatori (Confirmatory Factor Analysis).
Seorang peneliti merancang sebuah alat ukur mengenai dukungan
sosial. Alat ukur tersebut berisi seperangkat aitem yang diturunkan dari
lima dimensi dukungan sosial. Peneliti berusaha memastikan apakah
alat ukur yang dibuatnya benar-benar menjelaskan kelima dimensi
tersebut. Ia kemudian melakukan analisis faktor konfirmatori. Hasil

4
 dari analisis faktor menunjukkan bahwa pembagian kelima faktor
akhirnya dibuktikan.

D. Penentuan Banyaknya Faktor

Maksud melakukan analysis faktor adalah mencari variable baru
yang disebut faktor yang tidak saling berkorelasi, bebas satu sama lain,
lebih sedikit dari variable asli, tapi dapat menyerap sebagian besar
informasi yang terkandung dalam variable asli atau yang dapat
memberikan sumbangan terhadap varian seluruh variable. Ada beberapa
cara:
1. Penentuan Apriori
Kadang karena peneliti sebelumnya sudah mengetahui berapa
faktor yang digunakan maka kita akan menentukan dulu berapa faktor
yang akan digunakan.
2. Penentuan Berdasar Eigenvalue
Faktor dengan eigenvalue lebih besar dari satu yang dipertahankan
jika lebih kecil dari satu faktornya tidak diikutsertakan dalam model.
Suatu eigenvalue menunjukkan besar sumbangan dari faktor terhadap
varian seluruh variable asli. Hanya faktor dengan varian lebih dari 1
yang dimasukkan dalam model. Faktor dengan varian kurang dari 1
tidak baik karena variable asli telah dibakukan yang berarti rata-
ratanya 0 dan variansnya 1. Bila banyak variable asli asli kurang dari
20 pendekatan ini menghasilkan sejumlah faktor yang konservatif.
3. Penentuan Berdasar Screeplot
Dapat dilihat dari grafik screeplot dimana scree mulai terjadi
menunjukkan banyak faktor yang benar, tepatnya ketika scree mulai
mendatar. Kenyataan menunjukkan bahwa penentuan banyaknya
faktor dengan screeplot akan mencapai satu atau lebih banyak dari
penentuan dengan eigenvalue.
4. Penentuan Didasarkan Pada Presentase Varian

5
 Banyak faktor diekstraksi ditentukan sedemikian rupa sehingga
kumulatif presentase varian yang diekstraksi oleh faktor mancapai
suatu level tertentu yang memuaskan. Ekstraksi faktor dihentikan jika
kumulatif presentase varian sudah mencapai paling sedikit 60% atau
75% dari seluruh varian variable asli.

E. Alasan Menggunakan Analisis Faktor

Analisis faktor dalam analisis multivariate tergolong analisis
interdependensi (interdependence technique) dimana seluruh set hubungan
yang interdependen diteliti.Variabel yang berada dalam satu kelompok
akan memiliki korelasi yang tinggi sedangkan variabel yang berbeda
kelompok akan memiliki korelasi yang rendah.
Dalam tulisan Supranto, dikatakan bahwa analisis faktor digunakan
untuk mereduksi data/variabel. Analisis faktor dipergunakan dalam
kondisi sebagai berikut:
1. Mengenali atau mengidentifikasi dimensi yang mendasari (underlying
dimensions) atau faktor, yang menjelaskan korelasi antara suatu set
variabel.
2. Mengenali atau mengidentifikasi suatu set variabel baru yang tidak
berkorelasi (independent) yang lebih sedikit jumlahnya untuk
3. Menggantikan suatu set variabel asli yang saling berkorelasi di dalam
analisis multivariat selanjutnya.
4. Mengenali atau mengidentifikasi suatu set variabel yang penting dari
suatu set variabel yang lebih banyak jumlahnya untuk dipergunakan
dalam analisis multivariat selanjutnya.

F. Metode Analisis Faktor

Terdapat dua cara yang dapat dipergunakan dalam analisis faktor
khususnya koefisien skor faktor, yaitu Principal component dan Common
factor analysis.
1. Principal component

6
 Jumlah varian dalam data dipertimbangkan. Diagonal
matrik korelasi terdiri dari angka satu dan full variance dibawa
dalam matriks faktor. Principal component direkomendasikan jika
hal yang pokok adalah menentukan bahwa banyaknya faktor harus
minimum dengan memperhitungkan varians maksimum dalam data
untuk dipergunakan di dalam analysis multivariate lebih lanjut.
2. Common factor analisis
Faktor diestimasi hanya didasarkan pada common variance,
communalities dimasukkan dalam matrik korelasi. Metode ini
dianggap tepat jika tujuan utamanya mengenali/mengidentifikasi
dimensi yang mendasari dan common variance yang menarik
perhatian.

G. Rumus Analisis Faktor

Vektor variabel acak X yang diamati dengan p komponen
merupakan vektor rata-rata μ dan matriks ragam peragam Σ, secara linear
bergantung pada sejumlah variabel acak yang tak teramati, yaitu F1, F2,
… , Fm yang disebut common factors dan p penyimpangan tambahan ε1,
ε2, … , εp yang disebut specific factors. Model persamaan analisis faktor
dirumuskan sebagai berikut:

dimana:
μ = rata-rata dari variabel ke-i
εi = faktor spesifik (specific factors) ke-i.
λi = loading untuk variabel ke-i pada faktor ke-j.
Fj = common factors ke-j
i = 1, 2, … , p dan j = 1, 2, …, q
Dalam notasi matriks dapat dituliskan sebagai berikut:

7
 X(p×1) - μ(p×1) = L(p×q)F(q×1) + ε(p×1)

Adapun struktur kovarian untuk model adalah:

1. Cov(X) = LL' + ψ
Var(Xi) = li12 + li22 + ⋯ + lim2
Cov(Xi,Yj) = li12lj12 + li22lj22 + ⋯ + lim2ljm2

2. Cov(X,F) = L
Cov(Xi,Yj) = lim

Model (X - μ) = LF + ε adalah linier dalam faktor bersama. Bagian

dari Var(Xi) yang dapat diterangkan oleh faktor bersama disebut
communality ke-i. Sedangkan bagian dari Var(Xi) karena faktor spesifik
disebut varian spesifik ke-i.

Dimana:
hi2 = communality
ψi = varian spesifik ke-i

Faktor-faktor yang diperoleh melalui metode komponen utama

pada umumnya masih sulit diinterpretasikan secara langsung. Untuk itu
dilakukan manipulasi dengan cara merotasi loading L dengan
menggunakan metode Rotasi Tegak Lurus Varimax (Varimax Orthogonal
Rotation) sesuai dengan saran beberapa ahli, karena rotasi tegak lurus
varimax lebih mendekati kenyataan dibanding yang lain. Rotasi varimax
adalah rotasi yang memaksimalkan faktor pembobot, dan mengakibatkan
korelasi variabel-variabel dengan suatu faktor mendekati satu, serta
korelasi dengan faktor lainnya mendekati nol, sehingga mudah
diinterpretasikan.Dari rotasi tersebut menghasilkan matriks loading baru

8
 L*, yaitu L*(pxq) = L(pxq) . T(qxq), dimana T adalah matriks
transformasi yang dipilih sehingga T'T = TT' = I. Matriks transformasi T
ditentukan sedemikian serupa hingga total keragaman kuadrat loading L,
yaitu:

Menjadi maksimum, dimana V = Σ merupakan keragaman dari kuadrat

loading untuk faktor ke-j dan hi2 = λi12 + λi22 + ⋯ + λiq2 (communality,
yaitu jumlah varians dari suatu variable ke-i yang dapat dijelaskan oleh
sejumlah m common factors).
Dari perumusan di atas, rotasi merupakan suatu upaya untuk
menghasilkan faktor penimbang baru yang lebih mudah diinterpretasikan
yaitu dengan mengalikan faktor penimbang awal dengan matriks
transformasi yang bersifat orthogonal, sehingga matriks korelasinya tidak
akan berubah. Dari merotasi matriks loading tadi menyebabkan setiap
variabel asal mempunyai korelasi yang tinggi dan faktor tertentu saja,
sedangkan dengan faktor lain mempunyai korelasi relatif rendah sehingga
pada akhirnya setiap faktor akan lebih mudah diinterpretasikan.

H. Langkah-Langkah Melakukan Analisis Faktor

Supranto (2004) mengemukakan bahwa langkah-langkah dalam
menentukan analisis faktor adalah pertama merumuskan masalah dan
mengidentifikasi variabel asli yang akan dianalisis faktor. Kemudian suatu
matriks korelasi dari variabel dibentuk dan metode analisis faktor dipilih.
Peneliti menentukan banyaknya faktor yang akan dipilih (extracted) dari
variabel yang banyak tersebut dan metode rotasi akan dipergunakan.
Selanjutnya menginterpretasikan faktor hasil rotasi.
Berikutnya tergantung pada tujuan penelitian, menghitung skor
faktor ataukah memilih surrogate variable, untuk mewakili faktor yang

9
akan digunakan untuk analisis multivariat selanjutnya. Dengan mengacu
pada teori diatas, secara singkat, proses analisis faktor dapat dilakukan
tahapan sebagai berikut:
1. Mengelompokan variabel-variabel yang akan dianalisis faktor dalam
suatu permasalahan dan menyusun matriks korelasinya.
2. Melakukan Ekstraksi faktor.
3. Merotasi faktor.
4. Menghitung skor faktor
5. Interpretasikan Faktor
6. Pembuatan factor scores.
7. Pilih variabel surrogate atau tentukan summated scale.
Berikut langkah-langkah analisis faktor:
1. Melakukan uji korelasi antar variabel asal dengan tujuan agar
penyusutan variabel analisis faktor menjadi lebih sederhana dan
bermanfaat, tanpa kehilangan banyak informasi sebelumnya.
2. Uji kelayakan data (menggunakan basis faktor) apakah cocok
dilakukan analisis faktor.
3. Mencari akar ciri dan matriks Σ atau R.
4. Mengurutkan akar ciiri yang terbentuk dari terbesar sampai
terkecil.
5. Mencari proporsi keragaman atau berguna untuk mengetahui
berapa faktor yang akan terbentuk.
6. Mengalokasikan setiap variabel asal kedalam faktor sesuai dengan
nilai loading.
7. Apabila terdapat nilai loading yang identik atau hampir sama maka
lakukan rotasi baik dengan cara orthogonal ataupun non
orthogonal.
8. Setelah yakin dengan faktor yang terbentuk, maka berikan
penamaan pada faktor tersebut dengan cara melihat variabel-
variabel apa saja yang menyusun faktor tersebut.

10
I. Proses Analisis Faktor
1. Merumuskan masalah
Merumuskan masalah meliputi beberapa hal:
a) Tujuan analisis faktor harus diidentifikasi.
b) Variabel yang akan dipergunakan di dalam analisis faktor harus
dispesifikasi berdasarkan penelitian sebelumnya, teori dan
pertimbangan dari peneliti.
c) Pengukuran variabel berdasarkan skala interval atau rasio.
d) Banyaknya elemen sampel (n) harus cukup atau memadai.
2. Menyusun matriks korelasi
Adapun Pemeriksaan matriks korelasi, seperti dijelaskan
sebelumnya bahwa analisis faktor didasari oleh korelasi antara
variabel-variabel yang digunakan. Variabel awal yang digunakan
merupakan variabel yang saling berkorelasi diharapkan setelah
dilakukan analisis faktor akan terbentuk set variabel baru yang lebih
sedikit dan tidak berkorelasi.
Oleh karena itu, langkah pertama perlu dicek apakah terdapat
korelasi antar variabel yang diteliti, karena jika tidak terdapat korelasi
maka analisis faktor yang digunakan menjadi tidak berguna.
Pemeriksaan matriks korelasi dapat dilakukan dengan tiga cara
yaitu;
1. Uji Bartlett
2. Uji KMO
3. Uji MSA
a) Uji Bartlett (Bartlett Test of Sphericity)
Pengujian ini digunakan untuk melihat apakah matriks
korelasi bukan merupakan matriks identitas. Tujuan dari
melihat apakah matriks korelasi merupakan matriks identitas
atau bukan adalah agar penyusutan dimensi peubah menjadi
lebih sederhana dan bermanfaat tanpa banyak kehilangan
informasi sebelumnya.

11
 Apabila dari uji Bartlett hasilnya significant, maka matriks
korelasi bukan matriks identitas. Maka penyusutan dimensi
peubah tersebut bermakna untuk dilakukan analisis komponen
utama. Dengan kata lain, pengurangan peubah akan
mempunyai arti dan kegunaan.
b) Uji KMO (Kaiser Meyer Olkin)
KMO digunakan untuk mengukur kecukupan sampling
(sampling adequacy). Nilai ini membandingkan besarnya
koefisien korelasi terobservasi dengan koefisien korelasi
parsial. Nilai KMO yang kecil menunjukkan bahwa korelasi
antar pasangan variabel tidak bisa diterangkan oleh variabel
lainnya dan analisis faktor mungkin tidak tepat.
Rumusnya adalah:
\(KMO=\frac{\sum_i \sum_{i\neq j}r_{ij}^{2}}{\sum_i
\sum_{i\neq j}r_{ij}^{2}+\sum_i \sum_{i\neq
j}\alpha_{ij}^{2}};i=1,2,..,p ;j=1,2,…,p\)

Keterangan:
\(r_{ij}\) = koefisien korelasi sederhana antara peubah i dan j
\(alpha_{ij}\) = koefisien korelasi parsial antara peubah i dan j
Menurut Kaiser (1970) dalam Widarjono (2010) penilaian uji
KMO adalah sebagai berikut :
Tabel Penilaian Uji KMO

Rentang Nilai KMO Kategori Penilaian

data sangat baik

0,9≤KMO≤1,0 (marvelous) untuk analisis

faktor

0,8≤KMO<0,9 data baik (meritorious)

12
 untuk analisis faktor

data cukup (middling)

0,7≤KMO<0,8 untuk analisis faktor

data kurang (mediocre)

0,6≤KMO<0,7 untuk analisis faktor

data buruk (miserable)

0,5≤KMO<0,6 untuk analisis faktor

data tidak dapat diterima

KMO≤0,5 (unacceptable) untuk

analisis faktor

c) Pengujian dengan MSA

Selanjutnya untuk menilai kelayakan setiap variabel untuk
dianaisis faktor digunakan kriteria Measure of Sampling
Adequacy (MSA). Hair dan Anderson (1998) menyatakan
bahwa MSA merupakan ukuran lain yang digunakan untuk
mengukur interkorelasi antar variabel dan kesesuaian dari
analisis faktor. Santosa (2002) mengemukakan kriteria MSA
yang digunakan adalah:

Tabel Kategori Nilai MSA

Rentang Nilai
Kriteria Kategori Penilaian
MSA
variabel dapat diprediksi tanpa
MSA = 1
kesalahan oleh variabel lain
variabel masih bisa diprediksi dan
MSA ≥ 0,5
dianalisis lebih lanjut

13
 variabel dapat dieliminasi untuk tidak
MSA < 0,5
disertakan dalam analisis faktor

[o[otw_shortcode_info_box border_type=”bordered”
border_color_class=”otw-aqua-border” border_style=”dashed”
background_pattern=”otw-pattern-1"]iteria diatas dapat anda
jadikan acuan penentuan penilaian pada output
SPSS[/ot[/otw_shortcode_info_box]

Hair (1998) menyatakan bahwa kenaikan nilai MSA

ditentukan oleh: 1) kenaikan ukuran sampel, 2) kenaikan
korelasi rata-rata, 3) kenaikan jumlah variabel, atau 4)
penurunan jumlah faktor.

3. Ekstraksi faktor
Ekstraksi Faktor adalah suatu metode yang digunakan untuk
mereduksi data dari beberapa indikator untuk menghasilkan faktor
yang lebih sedikit yang mampu menjelaskan korelasi antara indikator
yang diobservasi. Ada beberapa metode yang bisa digunakan untuk
melakukan ekstraksi faktor yaitu:
a) Principal Components Analysis: Analisis komponen utama
(principal components analysis) merupakan metode yang paling
sederhana di dalam melakukan ekstraksi faktor. Metode ini
membentuk kombinasi linear dari indikator yang diobservasi.
b) Principal Axis Factoring: Metode ini hampir sama dengan metode
principal components analysis sebelumnya kecuali matriks korelasi
diagonal diganti dengan sebuah estimasi indikator kebersamaan,
namun tidak sama dengan principal components analysis di mana
indikator kebersamaan yang awal selalu diberi angka 1.
c) Unweighted Least Square: Metode ini adalah prosedur untuk
meminimumkan jumlah perbedaan yang dikuadratkan antara

14
 matriks korelasi yang diobservasi dan yang diproduksi dengan
mengabaikan matriks diagonal dari sejumlah faktor tertentu.
d) Generalized Least Square: Metode ini adalah metode
meminimumkan error sebagaimana metode unweighted least
squares. Namun, korelasi diberi timbangan sebesar keunikan dari
indikator (error). Korelasi dari indikator yang mempunyai error
yang besar diberi timbangan yang lebih kecil dari indikator yang
mempunyai error yang kecil.
e) Maximum Likelihood: Adalah suatu prosedur ekstraksi faktor yang
menghasilkan estimasi parameter yang paling mungkin untuk
mendapatkan matriks korelasi observasi jika sampel mempunyai
distribusi normal multivariat.
4. Merotasi Faktor
Setelah kita melakukan ekstraksi faktor, langkah selanjutnya
adalah rotasi faktor (rotation). Rotasi faktor ini diperlukan jika metode
ekstraksi faktor belum menghasilkan komponen faktor utama yang
jelas. Tujuan dari rotasi faktor ini agar dapat memperoleh struktur
faktor yang lebih sederhana agar mudah diinterpretasikan. Ada
beberapa metode rotasi faktor yang bisa digunakan yaitu:
a) Varimax Method: Adalah metode rotasi orthogonal untuk
meminimalisasi jumlah indikator yang mempunyai factor loading
tinggi pada tiap faktor.
b) Quartimax Method: Merupakan metode rotasi untuk
meminimalisasi jumlah faktor yang digunakan untuk menjelaskan
indikator.
c) Equamax Method: Merupakan metode gabungan antara varimax
method yang meminimalkan indikator dan quartimax method yang
meminimalkan faktor.
5. Interpretasikan Faktor
Setelah diperoleh sejumlah factor yang valid, selanjutnya kita perlu
menginterprestasikan nama-nama factor, mengingat factor merupakan

15
 sebuah konstruk dan sebuah konstruk menjadi berarti kalau dapat
diartikan. Interprestasi factor dapat dilakukan dengan mengetahui
variable-variabel yang membentuknya. Interprestasi dilakukan dengan
judgment. Karena sifatnya subjektif, hasil bisa berbeda jika dilakukan
oleh orang lain.
6. Pembuatan factor scores
Faktor score yang dibuat, berguna jika akan dilakukan analisis
lanjutan, seperti analisis regresi, analisis diskriminan atau analisis
lainnya.
7. Pilih variabel surrogate atau tentukan summated scale
a) Variabel surrogate adalah satu variable yang paling dapat mewakili
satu factor. Misak factor 1 terdiri dari variable X1, X2 dan X3.
Maka yang paling mewakili factor 1 adalah variable yang memiliki
factor loading terbesar. Apabila factor loading tertinggi dalam satu
factor ada yang hampir sama, missal X1 = 0,905 dan X2 = 0,904
maka sebaiknya pemilihan surrogate variable ditentukan
berdasarkan teori, yaitu variable mana secara teori yang paling
dapat mewakili factor. Atau cara lain adalah dengan menggunakan
Summated Scale.
b) Summated Scale adalah gabungan dari beberapa variable dalam
satu factor, bisa berupa nilai rata-rata dari semua factor tersebut
atau nilai penjumlahan dari semua variable dalam satu factor.

J. Contoh Penerapan Kasus dalam Analisis Faktor

Diduga ada 5 variabel bebas yang mempengaruhi variabel bebas
nilai ujian mateatika siswa kelas VI sebuah SD. Sample siswa yang
diambil adalah 17 orang dari 75 orang siswa.
Variabel tak bebasnya adalah:
Y: Nilai UAS matematika siswa kelas VI SD X
Kelima variabel bebasnya adalah:
X1: Rata-rata lama belajar dalam sehari (jam)

16
X2: Jumlah konsumsi susu dalam seminggu (liter)
X3: Rata-rata lama tidur dalam sehari (jam)
X4: Rata-rata jumlah buku yang dibaca dalam sehari (buah)
X5:Jarak rumah ke sekolah (kilometer)
Berikut ini adalah tabel yang menyediakan data dari 17 sample
siswa:
Lama belajar Konsumsi Lama tidur Rata-rata Jarak
susu buku dibaca rumah
sekolah
7 3 6 4 2
1 3 2 4 5
6 2 3 4 1
4 5 4 6 2
1 2 2 3 6
6 3 6 4 2
5 3 6 3 4
6 6 7 4 1
3 4 2 3 6
2 6 2 6 7
6 4 7 3 2
2 3 1 4 5
7 2 6 4 1
4 6 4 5 3
1 3 2 2 6
6 4 6 3 3
5 3 6 3 3
7 3 7 4 1
2 4 3 3 6
3 5 3 6 4
1 3 2 3 5

17
 5 4 5 4 2
2 2 1 5 4
4 6 4 6 4
6 5 4 2 1
3 5 4 6 4
4 4 7 2 2
3 7 2 6 4
4 6 3 7 2
2 3 2 4 7
Prosedur dalam SPSS:
Menjalankan Prosedur Analisis Faktor
Untuk penghitungan analisis faktor ini tahapannya sebagai berikut:
1. Pilih menu Analyze, lalu pilih Data reduction dan pilih Factor
2. Pilih variabel X1 s/d X24 dan pindahkan ke kotak variabel
3. Pilih Descriptives kemudian pada kelompok Statistics pilih
option Initial solution, pada kelompok Correlation
Matrix, pilihCoefficiens, Significance levels, KMOand
Bartlett…dan Determinant, kemudian klik Continue.
4. Pilih Extraction, pilih Principle
components pada Method, pada Analyze pilih Correlation matrix,
pada Extract pilih Eigenvalue over 1, pada Display pilih Scree Plot,
kemudian klik Continue.
5. Pilih Rotation kemudian pilih Varimax pada pilihan Method,
kemudian klik Continue.
6. Klik Scores kemudian pilih Save as
variables dengan Method sebagai Bartlett. Klik Display factor
score coefficient matrix. Kemudian klik Continue.
7. Pilih Options kemudian klik Sorted by size. Kemudian
klik Continue.
8. Klik OK.

18
 Proses analisis factor
Output di SPSS dan Interpretasinya
Factor Analysis
Correlation Matrix

Rata_ju
Lama_bel konsumsi_su mlah_bu Jarak_rumah_se
ajar su Lama_tidur ku kolah
Correlation Lama_belajar 1.000 -.001 .830 -.086 -.858
konsumsi_susu -.001 1.000 .012 .548 -.044
Lama_tidur .830 .012 1.000 -.251 -.713
Rata_jumlah_bu
-.086 .548 -.251 1.000 -.007
ku
Jarak_rumah_se
-.858 -.044 -.713 -.007 1.000
kolah

Semakin besar nilai korelasi matriknya maka hubungan antar

variable terkait akan semakin besar. Dari table “Corelation Matrix” maka
dapat dilihat bahwa korelasi kuat terjadi antara variable Lama_belajar dan
Lama_tidur sebesar 0,830 kemudian diikuti oleh variabel
Rata_jumlah_buku dan Konsumsi_susu sebesar 0,548 ke duanya
mempunyai hubungan positif.

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling
.620
Adequacy.

Bartlett's Test of Approx. Chi-Square 81.294

Sphericity df 10
Sig. .000

KMO merupakan suatu nilai yang merupakan ukuran untuk

kelayakan data. Nilai KMOyang kecil mengindikasikan bahwa
penggunaan analisis factor harus dipertimbangkan kembali, karena
korelasi antar peubah asal tidak dapat diterangkan oleh peubah lain.
Menurut Kaiser dan Rice (1974) menetapkan criteria pengukuran bahwa
nilai KMO sebesar 0,9 adalah sangat bagus; 0,8 adalah bagus; 0,7 adalah

19
cukup; 0,6 adalah kurang;0,5 adalah jelek dan di bawah 0,5 tidak dapat
diterima (Sharma,1996).
Menurut J. Supranto, jika besar KMO lebih dari 0,5 maka
penggunaan analisis factor sudah cocok untuk data tersebut.
Dari table KMO and Bartlett’s Test didapat nilai KMO sebesar
0,620. Ini berarti bahwa analisis Faktor cukup tepat untuk menganalisis
untuk menganalisis matrix data yang bersangkutan.

Communalities

Initial Extraction
Lama_belajar 1.000 .925
konsumsi_susu 1.000 .764
Lama_tidur 1.000 .844
Rata_jumlah_buku 1.000 .794
Jarak_rumah_sekolah 1.000 .851
Extraction Method: Principal Component Analysis.

Komunalitas merupakan proporsi keragaman peubah asal ke-I

yang dapat dijelaskan oleh factor umum,dan sisanya yang tidak dapat
dijelaskan oleh factor umum dijelaskan oleh factor khusus yang melalui
ragam khusus (specific variance).
Menurut J.Supranto Komunalitas adalah jumlah varian yang
disumbangkan oleh suatu variabel dengan seluruh variabel lainnya dalam
analisis. Bisa juga disebut proporsi atau bagian darivarian yang dijelaskan
oleh common factor atau besarnya sumbangan suatu faktorterhadap varian
seluruh variabel.
Dari table “communalities” diatas maka pada kolom Extraction
bias dijelaskan, bahwa proporsi varian lama_bljr terhadap jumlah seluruh
varians adalah sebesar 0,925. Demikina halnya dengan variabel lainnya.

20
 Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings

% of Cumulative % of Cumulative
Component Total Variance % Total Variance %
1 2.625 52.493 52.493 2.625 52.493 52.493
2 1.553 31.052 83.545 1.553 31.052 83.545
3 .502 10.047 93.592
4 .214 4.288 97.880
5 .106 2.120 100.000
Extraction Method: Principal Component Analysis.

Sree Plot merupakan plot dari eigen value sebagai sumbu vertical
dan banyaknya faktor sebagai sumbu horizontal, untuk menentukan
banyaknya factor yangbisa ditarik (factor extraction).
Hasil percobaan diatas menunjukkan bahwa titik pada tempat di
mana The Scree mulai terjadi, menunjukkan banyaknya factor yang benar.
Tepatnya pada saatthe scree mulai merata/mendatar (keterangan lengkap
pada buku J.Supranto hal 129)

Component Matrix(a)
Component
1 2
Lama_belajar .958 .083
konsumsi_susu -.037 .873
Lama_tidur .918 -.030
Rata_jumlah_buku -.201 .868
Jarak_rumah_sekolah -.907 -.171
Extraction Method: Principal Component Analysis.
a 2 components extracted.

Matrik komponen merupakan matrik hubungan antara variabel dan

Faktor yang merupakan pengkategori dari variabel-variabel ybs. Dari
matrik komponen di atas dapat disimpulkan bahwa dari sebanyak 5
variabel diperoleh sebanyak 2 faktor.

21
2 Komponen (factor) yang terbentuk adalah:
a. Komponen 1 meliputi variabel Lama_belajar, Lama_tidur dan
Jarak_rumah_sekolah.
b. Komponen 2 meliputi variabel Rata_jumlah_buku dan
Konsumsi_susu.

22
 BAB III
PENUTUP

B. Kesimpulan
Analisis faktor adalah salah satu teknik statistika yang dapat digunakan
untuk memberiikan deskripsi yang relatif sederhana melalui reduksi
jumlah peubah yang disebut faktor. Analisis faktor adalah prosedur untuk
mengidentifikasi item atau variabel berdasarkan kemiripannya. Kemiripan
tersebut ditunjukkan dengan nilai korelasi yang tinggi. Item-item yang
memiliki korelasi yang tinggi akan membentuk satu kerumunan faktor.
Prinsip dasar dalam analisis faktor adalah menyederhanakan deskripsi
tentang data dengan mengurangi jumlah variabel/ dimensi.
Tujuan utama analisis faktor adalah untuk menjelaskan struktur
hubungan di antara banyak variabel dalam bentuk faktor atau vaiabel laten
atau variabel bentukan. Faktor yang terbentuk merupakan besaran acak
(random quantities) yang sebelumnya tidak dapat diamati atau diukur atau
ditentukan secara langsung.
Supranto (2004) mengemukakan bahwa langkah-langkah dalam
menentukan analisis faktor adalah pertama merumuskan masalah dan
mengidentifikasi variabel asli yang akan dianalisis faktor. Kemudian suatu
matriks korelasi dari variabel dibentuk dan metode analisis faktor dipilih.
Peneliti menentukan banyaknya faktor yang akan dipilih (extracted) dari
variabel yang banyak tersebut dan metode rotasi akan dipergunakan.
Selanjutnya menginterpretasikan faktor hasil rotasi.
Berikutnya tergantung pada tujuan penelitian, menghitung skor faktor
ataukah memilih surrogate variable, untuk mewakili faktor yang akan
digunakan untuk analisis multivariat selanjutnya.

23
C. Saran
Penulis menyadari bahwa makalah ini masih jauh dari sempurna, oleh
karena itu kritik dan saran dari semua pihak yang bersifat membangun
selalu kami harapkan demi kesempurnaan makalah ini.

24
 DAFTAR PUSTAKA

http://statistikceria.blogspot.co.id/2013/03/teori-analisis-faktor-factor-
analysis.html?m=1

https://statmat.id/panduan-menguasai-metode-analisis-faktor/

https://www.rumusstatistik.com/2015/03/analisis-faktor-factor-analysis.html?m=1

https://www.statistikian.com/2014/03/analisis-faktor.html

25