BAB VIII. ANALISIS FAKTOR (FACTOR ANALYSIS) 8.

1 Pendahuluan
Pada awalnya teknik analisis faktor dikembangkan pada awal abad ke-20. Teknik analisis ini dikembangkan dalam bidang psikometrik atas usaha akhli statistikaw Karl Pearson, Charles Spearman, dan lainnya untuk mendefinisikan dan mengukur intelegensia seseorang. Pada analisis faktor (factor analysis) dapat dibagi dua macam yaitu analisis komponen utama (principal component analysis = PCA) dan analisis faktor (factor analysis = FA). Kedua analisis di atas bertujuan menerangkan struktur ragam-peragam melalui kombinasi linear dari variabel-variabel pembentuknya. Sehingga dapat dikatakan bahwa faktor atau komponen adalah variabel bentukan bukan variabel asli. Secara umum analisis faktor atau analisis komponen utama bertujuan untuk mereduksi data dan menginterpretasikannya sebagai suatu variabel baru yang berupa variabel bentukan. Pada dasarnya analisis faktor atau analisis komponen utama mendekatkan data pada suatu pengelompokan atau pembentukan suatu variabel baru yang berdasarkan adanya keeratan hubungan antardemensi pembentuk faktor atau adanya konfirmatori sebagai variabel baru atau faktor. Meskipun dari p buah variabel awal atau variabel asal dapat diturunkan atau dibentuk sebanyak p buah faktor atau komponen untuk menerangkan keragaman total sistem, namun sering kali keragaman total itu dapat diterangkan secara sangat memuaskan hanya oleh sejumlah kecil faktor yang terbentuk, katakanlah oleh sebanyak k buah faktor atau komponen yang terbentuk, di mana k < p; umpamanya dari sejumlah variabel p yaitu sebanyak 10 demensi atau item, dari 10 demensi tersebut terbentuk sebanyak k = 2 buah faktor atau komponen yang dapat menerakan kesepuluh demensi atau item semula. Jika demikian halnya, maka akan diperperoleh sebagian terbesar informasi tentang struktur ragam-peragam dari p buah variabel asal yang dapat diterangkan oleh k buah faktor atau komponen yang terbentuk. Dalam hal ini k buah faktor atau komponen utama dapat mewakili p buah variabel asalnya, sehingga lebih sederhana. Data asli yang dianalisis dalam analisis faktor dinyatakan dalam bentuk matriks berukuran n x p (di mana n jumlah sampel dan p variabel pengamatan), yang dapat direduksi ke dalam matriks yang berukuran lebih kecil dan mengandung sejumlah n pengukuran pada k buah komponen utama atau faktor, sehingga matriks yang terbentuk berukuran n x k (n jumlah sampel dan k komponen utama atau faktor), dan k < p. Jumlah faktor yang terbentuk adalah sebanyak variabel asal = p, dan k adalah sejumlah faktor yang memenuhi kriteria atau aturan. Analisis faktor sering kali dilakukan tidak saja merupakan analisis akhir dari suatu pekerjaan analisis statistika atau pengolahan data, tetapi dapat merupakan tahapan atau langkah awal bahkan langkah antara dalam kebanyakan analisis statistika yang bersifat lebih besar atau lebih kompleks. Sebagai misalnya dalam analisis regresi faktor (factor regresion), maka analisis faktor akan merupakan tahap antara suatu analisis statistika dari data awal untuk membentuk variabel baru yang akan menuju ke analisis regresi. Oleh karena itu, analisis faktor digunakan sebagai input dalam membangun analisis regresi yang lebih lanjut, demikian pula dalam analisis gerombol atau cluster analysis di mana faktor atau variabel baru yang terbentuk dipergunakan sebagai input untuk melakukan analisis pengelompokan terhadap suatu set data.

168

PDF created with pdfFactory Pro trial version www.pdffactory.com

8.2

Pengertian Dasar Analisis Faktor (FA) atau Analisis Komponen Utama (PCA)

Telah diketahui bahwa analisis faktor merupakan salah satu teknik analisis statistika multivariate, dengan menitik beratkan pada data yang mempunyai hubungan yang sangat erat secara bersama-sama pada segugusan variabel, tanpa membedakan antara variabel tergantung atau variabel endogen Y dan variabel bebas atau variabel eksogen X, cara ini disebut sebagai metode antarketergantungan (independence methods). Analisis faktor dapat pula dipandang sebagai perluasan dari tehnik analisis komponen utama. Kedua analisis analisis faktor dan analisis komponen utama tersebut merupakan teknik analisis yang menjelaskan struktur hubungan di antara banyak variabel antarketergantungan dalam suatu sistem konkret yang sering dinyatakan dengan keeratan hubungan. Untuk studi ketergantungan di antara variabel-variabel dapat dipergunakan analisis faktor selain analisis komponen utama. Analisis faktor atau analisis komponen utama merupakan salah satu teknik analisis ketergantungan yang sangat populer dan telah dipergunakan secara luas dalam berbagai bidang ilmu pengetahuan. Oleh karena itu, peneliti atau mahasiswa harus memperhatikan struktur hubungan secara keseluruhan di antara variabel-variabel yang mencirikan obyek-obyek atau individu-individu atau variabel-variabel atau item-item atau dimensi-dimensi pengamatan yang akan membentuk faktor atau variabel laten atau kontruks. Dalam pembahasan ini akan diuraikan pengertian dasar analisis komponen utama atau dan analisis faktor, sedangkan analisis lanjutannya seperti analisis regresi komponien utama atau analisis faktor dan analisis-analisis selanjutnya akan dihahas dalam bab-bab berikutnya. Bayangkan bahwa terdapat sebanyak p buah variabel asal Xi, yaitu X1, X2, . . . , Xp di mana diasumsikan bahwa: X ~ Np (U, ∑), X' = (X1, X2, . . . , Xp) di mana µ = adalah rata-rata umum (E (X)) = µ , Cov (X) = ∑
∑ = adalah ragam-peragam

Dalam bentuk pernyataan di atas, dikatakan bahwa variabel asal atau vektor X berdistribusi multi-normal dengan nilai harapan X (E (X)) atau nilai rata-rata = µ dan matriks varian-kovarian ∑. Apabila didefinisikan [A] sebagai matriks konstanta berukuran p x p, maka komponen utama atau faktor didefinisikan sebagai kombinasi linier berbobot dari variabel awal (p buah variabel asal) yang dinyatakan dalam bentuk persamaan matriks sebagai berikut di bawah ini. [8.1] Y = AX

Dalam bentuk yang lebih jelasnya, maka persamaan [8.1] dapat dinyatakan sebagi persamaan seperti berikut : Y11 = a11 X1 + a21 X2 + . . . + ap1 Xp Y12 = a12 X1 + a22 X2 + . . . + ap2 Xp [8.2]
: : : : : : : : : : : :

Y1p = a1p1 + a2p X2 + . . . + app Xp

169

PDF created with pdfFactory Pro trial version www.pdffactory.com

p) merupakan galat dari respons ke-i.pdffactory. . 2. 170 PDF created with pdfFactory Pro trial version www. dalam analisis faktor/komponen utama disebut sebagai faktor/ komponen spesifik ke-i yang bersifat acak. . 2. bahwa terdapat vektor acak yang diamati atau diukur secara langsung yang merupakan gabungan dari beberapa item X dengan p buah variabel sebagai variabel asal atau variabel awal. . . + Cpm Fm + εp Di mana: Fj. .. . . .µY )' E[AX . Model umum analisis faktor atau analisis komponen utama adalah seperti: X1 = C11 F1 + C12 F2 + . .. . . (j = 1. Cii dalam analisis faktor atau analisis komponen utama disebut sebagai bobot (loading) dari respons ke-i pada faktor/ komponen bersama ke-j. .. . m) merupakan faktor atau komponen bersama ke-j Cij (i = 1. Bayangkan. . . 2. . . . . X2. .E(AX)]' EA [(X-µ)] [A(X-µ)]' A E[X-µ] [X-µ]'A' A ∑ A' Analisis faktor merupakan teknik analisis statistika yang bertujuan menerangkan struktur hubungan di antara variabel-variabel yang teramati dengan jalan membangkitkan beberapa faktor atau komponen atau variabel laten yang jumlahnya lebih sedikit = k dari sejumlah variabel asalnya = p buah. . dan j = 1. . ∑) E (X) = μ dan Cov (X) = ∑.Dari persamaan [8.3] . . . Np = berarti menyebar normal X menyebar normal dengan rata-rata = μ dan ∑ = varians-kovarians Dalam bentuk pernyataan matriks dikatakan bahwa vektor acak X berdistribusi multinormal dengan nilai rata-rata vektor μ dan matriks varians-kovarians ∑. sedangkan diketahui hahwa: maka diperoleh persamaan: atau dapat juga dinyatakan sebagai: i j ij Cov (X) = ∑. . + C2m Fm + ε2 [8. Xp). m) merupakan parameter yang merefleksikan pentingnya faktor komponen ke-j dalam komposisi dari respons ke-i.1]. . . Xp = Cp1 F1 + Cp2 F2 + .. X ~ Np (μ. .com .E(AX)] [AX . . Dalam hal ini berlaku hubungan: X' = (X1. apabila didefinisikan: Y = A X. . serta memiliki nilai ratarata μ dan matriks varians-kovarian S sebagai penduga ∑. 2. . . . εi (i = 1. Cov (Y) = A ∑ A' P P Cov (Y) = Cov (Y) ∑∑ aaσ i=1 i=1 (hal ini dapat dibuktikan dengan perhitungan berikut) = = = = = E(Y – µY ) (Y . . p. . . . + C1m Fm + ε1 X2 = C21 F1 + C22 F2 + .

Dari model [8. . εp yang disebut sebagai galat atau errors atau kadang-kadang disebut juga sebagai faktor spesifik (specific factors). ε2. .4] di atas tampak bahwa varians dari variabel eksogen Xj diterangkan 2 oleh dua komponen atau faktor yaitu komponen hi dan komponen ψi (baca: psi). yang disebabkan oleh faktor spesifik atau galat (error) dan disebut sebagai varians spesifik (specific variance). model analisis faktor diduga berdasarkan metode komponen utama (PCA). merupakan proporsi varians dari variabel eksogen Xi. . dan lain-lainnya. . . di mana i ≠ k (i. Struktur varians-kovarians untuk model analisis faktor dinyatakan dalam persamaan [8. . .. . + C1m = ∑C i =1 2 ij Dari persamaan [8. 2. . Tampak dari persamaan [8. demikian pula dalam kebanyakan paket aplikasi komputer proses komputasi didasarkan pada metode komponen utama (PCA).. p. dengan sejumlah p sumber kovarians tambahan. MINITAB. STATISTICA. 2. . . dalam analisis faktor mempostulatkan bahwa vektor acak X tergantung secara linear pada beberapa variabel acak yang tidak teramati atau faktor (unobservable random variables atau factors atau laten variables). AMOS. STATGRAPHICS.2] dan [8..3] di atas. Pada dasarnya terdapat dua metode pendugaan parameter yang umum digunakan dalam model analisis faktor yaitu metode komponen utama (principal component analysis/method = PCA) dan metode kemungkinan maksimum (maximum likelihood method). Xk) = Ci1 Ck1 + . Var (X1) = σ11 = C11 [8. Fj) = Cij i = 1. k = 1.4] di atas bahwa komunalitas hi merupakan jumlah kuadrat berbobot (loadings) dari variabel eksogen Xi pada k faktor bersama. . Fm yang disebut faktor bersama (common factors).4] berikut ini. . 2. 2 Komponen hi disebut sebagai komunalitas (communality) setipe dengan R2 yang pada analisis regresi menunjukkan proporsi varians dari variabel eksogen Xi yang dapat menerangkan sejumlah k faktor atau komponen bersama (secara bersama). dalam contoh penerapan analisis faktor akan menggunakan bantuan komputer. . m dan j = 1. .3] dapat dinyatakan pula seperti persamaan [8. Sedangkan. + C1m 2 atau Var (Xi) = σ1i = hi + ψi Di mana: hi = C11 m 2 2 2 2 + C12 + . ε1. + Cim Ckm = 2 ∑c c i=1 m ij kj Kovarians antara variabel eksogen Xi dan faktor ke-j (Fj) ditentukan sebagai berikut: [8. . . . dan terdapat banyak paket aplikasi komputer untuk analisis faktor seperti SPSS. .com .5] COV (Xi. p) ditentukan sebagai berikut: [8. Faktor acak F1. SXW. .4] 2 2 2 + C12 + .6] COV (Xi. F2. sedangkan komponen ψi. Kovarians untuk variabel respons Xi dan Xk. . .. Dalam kebanyakan analisis. . . 171 PDF created with pdfFactory Pro trial version www.pdffactory.

maka besamya keragaman yang dapat diterangkan oleh faktor atau komponen ke-j (j = 1.8] seperti uraian berikut di bawah ini. maka pembaca terlebih dahulu harus memahami secara baik tentang konsep matriks. maka besamya keragaman yang dapat diterangkan oleh faktor atau komponen ke-j (j = 1. seperti analisis regresi berganda. Sebagai contoh untuk kasus yang mempengaruhi pengkajian proses industrialisasi. Banyaknya faktor yang terbentuk adalah sebanyak variabel asal = p... Batas minimal keragaman total data yang diterangkan oleh faktor bersama atau komponen utama bersama adalah ≥ 60%. Berdasarkan metode komponen utama. k) ditentukan berdasarkan persamaan [8. katakanlah hanya memilih k buah faktor dari p buah faktor yang mungkin dihasilkan (k<p).. . atau lebih faktor untuk digunakan sebagai faktor awal dalam analisis lanjutan. [8. maka cukup melibatkan satu faktor dari empat faktor yang dihasilkan dari hasil analisis faktor yang berdasarkan metode komponen utama.pdffactory. Dalam situasi lain... 2. Penentuan banyaknya faktor atau komponen yang dilibatkan dalam analisis lanjutan tergantung pada struktur datanya dan hasil analisis faktor dengan komponen varians yang lebih besar dari pada satu. apabila analisis faktor didasarkan pada matriks koefisien korelasi r. dapat ditentukan banyaknya faktor yang perlu dilibatkan dalam analisis lanjutan.7] Peranan Fj = p 2 2 2 C1 j + C 2 j + . 172 PDF created with pdfFactory Pro trial version www. mungkin diperlukan dua.com . atau analisis yang lain... dan tiga faktor lainnya menjelaskan keragaman total hanya 5. analisis faktor lanjutan (scond factor analysis). tr (r) = p. + S 2 pp x 100% = Di mana: ∑ C ij2 i =1 tr ( S ) tr (S) = teras dari matriks varians-kovarians S 2 Sedangkan. Apabila semua variabel yang diamati mempunyai satuan pengukuran yang sama. 2.23%) hal ini adalah sangat kecil. k) ditentukan berdasarkan persamaan dengan menggunakan persamaan [8. Apabila pada analisis faktor didasarkan pada matriks varians-kovarians sampel S . . tiga.23%.. [8. karena berdasarkan analisis faktor diketahui bahwa keragaman total data yang diterangkan oleh faktor atau komponen utama pertama adalah cukup besar yaitu 94. + C 2 pj S 211 + S 2 22 + .8] Peranan Fj = ∑ C ij2 i =1 p tr (r ) 2 ∑ Cij p x 100% = i =1 p Di mana: tr (r) p x 100% = = teras dari matriks korelasi r.Untuk dapat memahami secara baik tentang analisis faktor yang diturunkan berdasarkan metode komponen utama (PCA).. banyaknya variabel Xi yang di analisis. maka model analisis faktor dapat diturunkan dari matriks varians-kovarians (Σ) yang diduga berdasarkan matriks varians-kovarians 2 sampel (S ) atau matriks korelasi ( r ). maka analisis faktor dapat diturunkan dari matriks koefisien korelasi ρ yang diduga berdasarkan matriks koefisien korelasi sampel r.94..77% (= 1 .7] di bawah ini.

. maka dilakukan rotasi faktor (factor rotation). Tujuan kedua adalah untuk mengidentifikasi adanya hubungan antarvariabel penyusun faktor atau dimensi dengan faktor yang terbentuk.. Dalam melakukan reduksi data atau mengurangi jumlah variabel.3 Tujuan Analisis Faktor Tujuan utama analisis faktor adalah untuk menjelaskan struktur hubungan di antara banyak variabel dalam bentuk faktor atau vaiabel laten atau variabel bentukan. maka dilakuakan proses analisis faktor eksploratori atau analisis faktor eksplanatori untuk membuat sebuah set variabel baru.4 Analisis Faktor Ekspolatori atau Analisis Komponen Utama Analisis faktor dapat dibedakan menjadi dua macam yaitu: 1). atau konstruk yang menggantikan sejumlah variabel asal. 3. Untuk mengatasi hal ini. Analisis faktor ekspolatori dan 2). maka peneliti sudah mempunyai suatu hipotesis baru berdasarkan hasil analisis faktor.9] Var Xi yang diterangkan Fj = 2 Cij 2 ∑ Cij i =1 p x 100% Dalam situasi tertentu. 2. Rotasi faktor tidak lain merupakan transformasi ortogonal dari faktor yang telah terbentuk agar tidak terjadi keadaan variabel yang tumpang tidih dalam menerangkan faktor bersama atau komponen bersama yang dapat dilihat dari nilai loding faktornya. Tujuan kepertama untuk mereduksi sejumlah variabel asal yang jumlahnya banyak menjadi sejumlah variabel baru yang jumlahnya lebih sedikit dari variabel asal. . atau variabel laten. Dengan demikian. Analisis faktor ini disebut analisis faktor kofirmatori.Besarnya keragaman dari variabel Xi yang dapat diterangkan oleh faktor atau komponen ke-j di mana (j = 1. . 4. atau demensi penyusunnya. dengan menggunakan pengujian koefisien korelasi antarfaktor dengan komponen pembentuknya. yang berupa nilai skor faktor (SF) atau skor komponen. 8. Faktor yang terbentuk merupakan besaran acak (random quantities) yang sebelumnya tidak dapat diamati atau diukur atau ditentukan secara langsung. variabel atau komponen atau faktor yang terbentuk haruslah ada datanya. Seringkali analisis faktor eksploratori merupakan analisis awal untuk digunakan pada analisis lanjutan dari suatu rangkaian analisis dalam suatu penelitian. maka terdapat kesulitan dalam menginterpretasikan hasil analisis faktor. Hal ini dikarenakan adanya tumpang tindih variabel-variabel Xj yang dapat diterangkan oleh k buah faktor bersama tersebut.9] seperti berikut. atau faktor. atau item. Analisis faktor konfirmatori. sehingga setelah terbentuk faktor. . katakanlah k > 4. apabila k buah faktor yang dilibatkan dalam analisis cukup banyak. k) ditentukan berdasarkan persamaan [8. Selain tujuan utama analisis faktor. dan variabel baru tersebut dinamakan faktor atau variabel laten atau konstruk atau variabel bentukan. terdapat tujuan lainnya adalah: 1. 173 PDF created with pdfFactory Pro trial version www. yang akan digunakan dalam analisis lanjutan. Tujuan ketiga adalah untuk menguji valisitas dan reliabilitas instrumen dengan analisis faktor konfirmatori. Nilai skor faktor (SF) dari variabel laten atau faktor yang terbentuk tergantung pada item atau sub-variabel penyusunnya. atau variabel komponen. [8.com . 8.pdffactory. 2. Tujuan keempat salah satu tujuan analisis faktor adalah validasi data untuk mengetahui apakah hasil analisis faktor tersebut dapat digeralisasi ke dalam populasinya.

Analisis faktor eksploratori persis sama dengan anlisis komponen utama (PCA). analisis faktor lanjutan. Hasil analisis faktor berbeda dengan nilai kepandaian yang dinyatakan dengan IP = indeks prestasi. Sebagai misal. variabel.Analisis lanjutan tersebut dapat berupai: uji t. sehingga didapatkan informasi yang realistik dan sangat berguna bagi data aslinya. yang selanjutnya dapat diinterprestasi sesuai dengan faktor atau komponen atau konstruk yang terbentuk. Pada prinsipnya analisis faktor eksploratori di mana terbentuknya faktor-faktor atau variabel laten baru adalah bersifat acak. Seperti contohnya dalam analisis regresi faktor atau analisis regresi komponen utama. kepasisan berbahasa. analisis kluter. Akan tetapi. Sub-variabel juga disebut variabel pengamatan (obserabel variable) atau variabel manifest. atau ANOVA. Untuk mempermudah pengertian dalam analisis faktor perlu pemahaman tentang istilah-istilah seperti: komponen atau faktor. 174 PDF created with pdfFactory Pro trial version www. atau item seperti: 1. sehingga dengan demikian pada analisis faktor eksploratori merupakan teknik untuk membantu membangun teori baru. 3. sub variabel. 8.pdffactory. karena sifatnya yang abstrak yaitu variabel tersebut tidak dapat diukur atau diamati secara langsung oleh peneliti.5 Analisis Faktor Eksploratori dan Analisis Faktor Konfirmatori Analisis faktor pada dasarya dapat dibedakan secara nyata menjadi dua macam yaitu: 1. Analisis faktor eksploratori atau analisis komponen utama (PCA) Analisis faktor eksploratori atau analisis komponen utama (PCA = principle component analysis) yaitu suatu teknik analisis faktor di mana beberapa faktor yang akan terbentuk berupa variabel laten yang belum dapat ditentukan sebelum analisis dilakukan. dan lain-lain sebagainya yang diukur dari nilai rapor. uji F. Faktor merupakan variabel baru yang bersifat unobservable variable atau variabel tidak teramati atau variabel laten atau konstruks atau ada yang menyebut non visible variable. dan indikator. kepadaian menulis. faktor atau variabel laten kepandaian seseorang tidak dapat diamati atau diukur secara langsung. Dalam analisis faktor eksploratori di mana sipeneliti tidak atau belum mempunyai pengetahuan atau teori atau suatu hipotesis yang menyusun struktur faktor-faktornya yang akan dibentuk atau yang terbentuk. atau item. dan hasil pengukurannya adalah bervariasi dan nyata. 2. dan lainnya. Analisis lanjutan akan mempermudah interpretasi hasil analisis. Karena faktor merupakan variabel bentukan maka faktor disebut variabel laten (latent variable) atau unobserabel variable. pada analisis faktor. tetapi dapat diketahui atau diukur melalui berbagai variabel pengukuran kepandaian seperti: kepasihan membaca. Faktor atau komponen adalah sebuah variabel bentukan yang dibentuk melalui indikator-indikator atau item-item yang teramati (obserabel variable). atau beberapa variabel pengamatan (obserabel variable). Variabel adalah data pengamatan atau data bentukan yang nilai-nilainya bervariasi secara acak atau random. sehingga disebut observable variable atau variabel manifest atau indikator. kecakapan berhitung. pintar mengarang. di mana faktor merupakan kumpulan atau gabungan yang bersifat linier berbobot dari beberapa pengukuran. atau beberapa indikator. atau indikator adalah suatu konsep yang merupakan variabel yang dapat diukur atau diamati secara langsung. analisis regresi.com . dengan tujuan untuk menghilangkan adanya kolinieritas ganda antarvariabel eksogen atau variabel bebas Xi. kepandaian ilmu sosial.

Pada dasarnya tujuan analisis faktor konfirmatori adalah: kepertama untuk mengidentifikasi adanya hubungan antarvariabel dengan melakukan uji korelasi. kumpulan variabel baru tersebut dikenal dengan nama faktor atau komponen atau konstruk. di mana item-item pembentuknya berkontribusi dengan item lainnya membentuk himpunan variabel baru atau faktor atau komponen atau variabel laten. pintar mengarang. Contoh lain faktor keberhasilan seseorang dapat diukur dengan variabel: kepandaian. Faktor yang terbentuk tetap mewakili atau mencerminkan variabel asli atau variabel awalnya. kecakapan berhitung. kepandaian ilmu sosial. yang untuk 175 PDF created with pdfFactory Pro trial version www. keuletan. Apabila nilai loding faktor atau nilai lamda (λi) yang diperoleh lebih besar atau sama dengan setengah (λi ≥ 0. Selanjutnya. kepadaian menulis. Pembentukan faktor konfirmatori (CFA) secara sengaja berdasarkan teori dan konsep. Tujuan kedua untuk menguji valisitas dan reliabilitas instrumen. dan apabila variabel menunjukkan signifikan berarti variabel Xi atau instrumen atau item tersebut sahih untuk dijadikan sebagai anggota faktor yang bersangkutan. Jadi antarfaktor yang terbentuk tidak berkorelasi sesamanya. melalui variabel kepasihan membaca. Analisis faktor eksplanatori menggunakan matriks korelasi ( r ) untuk mengestimasi faktor strukturnya.com . Analisis faktor konfirmatori (CFA) Analisis faktor konfirmatori yaitu suatu teknik analisis faktor di mana secara apriori berdasarkan teori dan konsep yang sudah diketahui dipahami atau ditentukan sebelumnya. Proses analisis faktor eksploratori mencoba untuk menemukan hubungan antarvariabel baru atau faktor yang terbentuk yang saling independen sesamanya. dalam upaya untuk mendapatkan variabel baru atau faktor yang mewakili beberapa item atau sub-variabel. Sebagai contoh. Pada dasarnya teknik analisis faktor konfirmatori (FCA). Analisis faktor eksploratori atau analisis komponen utama (PCA) yang menitik beratkan pada bagian variasi total yang dapat diterangkan oleh faktor bersama yang terbentuk. jika semula terdapat sepuluh variabel awal yang saling dependen sesamanya.pdffactory. Pada analisis faktor ekplanatori umumnya dikembangkan untuk menjelaskan adanya korelasi yang sangat erat di antara variabel pembentuk faktornya. yang merupakan variabel teramati atau observerb variable. 2. kekayaan. sehingga bisa dibuat satu atau beberapa kumpulan variabel laten atau faktor yang lebih sedikit dari jumlah variabel awal yang bebas atau tidak berkorelasi sesamanya.Analisis faktor eksploratori merupakan suatu teknik untuk mereduksi data dari variabel asal atau variabel awal menjadi variabel baru atau faktor yang jumlahnya lebih kecil dari pada variabel awal. dengan analisis faktor ekplanatori mungkin bisa diringkas atau terbebtuk hanya menjadi satu atau dua kumpulan variabel laten atau variabel baru atau komponen baru atau faktor. Dalam pengujian terhadap valisitas dan reliabilitas instrumen atau kuisner untuk mendapatkan data penelitian yang valid dan reliabel dengan analisis faktor konfirmator. Mungkin sebuah teori yang baru dikembangkan oleh penelili atau teori yang sudah dikembangkan sejak lama oleh orang lain. kepasisan berbahasa. serta variabel apa saja yang termasuk ke dalam masing-masing faktor yang dibentuk dan sudah pasti tujuannya. Tehnik analisis konfirmatori digunakan u n t u k menguji sebuah konsep atau teori secara teoritis. dan kamujuran. Teknik analisis faktor konfirmatori persis sama dengan tehnik analisis faktor eksploratori dengan menghitung factor loading atau koefisien faktor atau nilai lamda (λi) yang serupa dengan nilai koefisien regresi βi yaitu faktor loding antara indikator Xi dengan faktor Fj yang terbentuk. sebagai lawan dari analisis faktor eksploratori (PCA). Sebagai misal faktor kepandaian diukur secara langsung.5) atau dapat diuji dengan uji t. maka dibuat sejumlah faktor yang akan dibentuk.

Hasil output komputer sebagai berikut dan datanya tidak ditampilkan: Tabel 8.7 Contoh Analisis Faktor Eksploratori dan Analisis Faktor Konfirmatori 8. pelayanan kasir.7. Untuk itu dilakukan penelitian dan responden diminta pendapatnya mengenai atribut pertokoan seperti: layout pertokoan. dilakukan analisis ulang.pembuktiannya dibutuhkan sebuah pengujian empirik. promosi. setelah faktornya terbentuk. kelengkapan barang yang dijual. 176 PDF created with pdfFactory Pro trial version www.1 KMO and Bartlett’s Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy (MSA) Approximate Chi-Square Bartlett’s Test of Sphericity Degree of fredom Significant 0. maka dapat dilakukan analisis data lanjutan dengan menggunakan nilai skor faktor (SF).437 28 0. 8. image. bukan digunakan u n t u k membentuktikan sebuah teori kausalitas. Akan tetapi. tetapi sangat disarankan berdasarkan pertimbangan problem indentifikasi. Suatu penelitian yang ingin mengetahui faktor apa saja yang sebenarnya membuat seseorang ingin membeli barang pada suatu pertokoan.pdffactory. sehingga terbentuk satu faktor yang dapat mewakili sub-variabel dengan item pembentuk faktor yang baru. Pada tahap kepertama menilai apakah semua sub-variabel atau item atau indikator pembentuk faktor layak untuk diikutkan pada analisis faktor atau tidak. dan selamjutnya akan dijelaskan pada aplikasi praktis dalam penelitian. pengembangan sebuah teori yang berdasarkan landasan il mi ah adalah syarat utama dan pertama sebelum menggunakan analisis SEM. maka dilakukan faktoring atau mereduksi item dengan jalan sub-variabel yang tidak layak difaktorkan dikeluarkan dari analisis faktor. dan kebersihan toko. harga barang.2 adalah analisis faktor eksploratori. 8. Pengujian empirik itulah kadangkala di l a ku k an me l a kui analisis SEM (Sistem Equation Modeling). pelayanan karyawan toko. Oleh karena itu. Selanjutnya. Pada tahap kedua.000 Angka KMO-MSA (Kaiser-Meyer-Olkin and Measure of Sampling Adequacy) berkisar antara 0 sampai dengan 1 yang menunjukkan apakah sampel bisa dianalisis lebih lanjut atau tidak.com .1 Contoh analisis faktor eksploratori (CPA) Apa yang dijelaskan pada sub Bab 8. Untuk proses uji validasi reliabilitas dengan metode analisis faktor konfirmatori ada beberapa macam syarat hang harus dipenuhi yaitu: 1. Apabila tidak layak maka sub-variabel tersebut tidak diikutkan sertakan pada analisis faktor. 3. item-item yang tidak layak untuk difaktorkan. Walaupun terdapat beberapa contoh hasil penelitian di mana faktor hanya dibentuk oleh dua variabel terobservasi. sebaiknya faktor dibentuk lebih dari dua item. Analisis SEM digunakan untuk menguji kausalitas yang sudah jelas ada dasar teorinya. dan sebaliknya apabila sub-variabel tersebut layak maka diikutkan pada analisis. Pada langkah selanjutnya. 2.6 Tahapan Analisis Faktor Konfirmatori (FCA) Dalam merancang sebuah model analisis faktor perlu diperhatikan untuk dapat membentuk sebuah faktor paling tidak mewakili tiga variabel terobservasi atau item atau sub-variabel.552 87.

lengkap.1030 -.4760 a Bersih -.2670 a . menunjukkan bahwa ke enam variabel: layout..3 di bawah.3 di bawah ini.2670 . 177 PDF created with pdfFactory Pro trial version www. promosi. sehingga analisis faktor yang dilakukan menunjukkan sampel tersebut layak untuk difaktorkan dan faktornya dapat dianalisis lebih lanjut.1210 .2 Anti Image Matrices Harga -.0044 -.0463 -. Analisis lebih lanjut adalah melakukan reduksi terhadap variabel yang tidak layak difaktorkan atau dikenal dengan istilah faktoring atau eliminasi. image.1930 . lengkap. lengkap.0598 -.4150 -. Dari Tabel 8.4631 .4882 -. dan bersih seperti Tabel 8.5 dan dengan nilai peluang (p) < 0.1500 -.552 dengan nilai sig atau peluang (p) = 0.0488 -. Ternyata dari Tabel 8.5050 a -.4150 .05034 -.0510 . maka variabel tersebut tidak layak dianalisis lebih lanjut.0044 .0467 -.1300 -. sehingga sub-variabel terukur atau item tersebut dimasukan ke dalam faktor yang bersangkutan.2 berikut di mana nilai matriks anti image correlation.2070 .0587 -.2030 .1 di atas didapatkan nilai Kaiser-Meyer-Olkin-Measure of Sampling Adequacy sebasar 0.0587 -.05 dan angka KMO-MSA > 0.6240 a Layout Lengkap Layout .1030 . maka variabel tersebut harus dikeluarkan atau dieliminasi dari analisis faktor.1 nilai KMO-MSA > 0.210 . Cara memasukkan sub-variabel ke dalam faktor dapat dilihat dari angka koefisien komponennya yaitu apabila nilainya > 0. Apabila nilai matriks anti image correlation lebih kecil dari setengah.5095 . dan bersih telah dianalisis dan terbentuk menjadi dua faktor yaitu komponen faktor-1 dan komponen faktor-2 (Component-1 dan Component-2).1930 -.1580 .1290 -.09.30 .5. Setelah sub-variabel pelkar dan pelkasir di faktoring dan dianalisis kembali.2030 -.2.45130 .pdffactory. Tabel 8.7080 . Sebagai kriteria umum apabila tingkat kemaknaan yaitu p < 0.com .0599 -. Dari Tabel 8. maka dikatakan bahwa itemiem yang dianalisis dalam analisis faktor sudah layak untuk difaktorkan.5280 Lengkap Harga Pelkar Pelkasir Promosi Image Bersih a Pelkar . Perhatikan Tabel 8. Variabel yang layak dianalisis lebih lanjut adalah: layout.1300 .3 berikut.2570 .1580 .2570 -.1300 -.1580 . dan bersih. harga.Apabila nilai KMO-MSA sama dan lebih besar dari setengah dan dengan nilai signifikan (sig) atau peluang (p) lebih kecil dari setengah.000. promosi.1040 -.0667 -.0503 .4735 a .09301 a Measures of Sampling Adequacy (MSA) Apabila nilai anti image correlation lebih kecil dari setengah.05.0451 . image. variabel yang tidak layak dianalisis lebih lanjut adalah: pelkar dan pelkasir.2520 .1500 -. Dari hasil analisis faktor.0474 -. khususnya nilai pada angka koefisien korelasi yang berada pada off diagonal (nilai yang ditebalkan).1580 .5.1700 . Hasil analisis faktor menunjukkan bahwa yang tergolong ke dalam faktor-1 atau komponen-1 yang selanjutnya disebut dengan faktor internal (FI) adalah sub-variabel layout.1290 .4740 a Pelkasir Promosi Image .2070 .6140 a -.1700 -. dan hasilnya seperti pada Tabel 8. Kemudian perhatikan dari Tabel 8. harga.1040 -. Perhatikan nilai yang diberi tanda dengan a atau yang ditebalkan.5130 .1300 -.2520 .

3 di atas. dan image.com . Suatau hal yang harus diperhatikan bahwa. Sehingga. Sebagai contoh faktor struktur digambarkan seperti di bawah ini. FE FI Layout Lengkap Bersih Gambar 8.156 E-03 0.035 E -0. peneliti secara apriori telah dapat membuat atau membangun suatu hipotesis berdasarkan konsep dan teori dengan faktor strukturnya yang telah ditentukan.pdffactory.737 Sedangkan.331 0. Analisi faktor yang dilakukan di atas adalah analisis faktor eksploratori 8. faktor internal (FI) dan faktor eksternal (FE) disebut variabel laten atau faktor tingkat ke-pertama.774 -02 7.280 -6.683 -02 9.148 E -03 Component 2 0. Faktor yang dibentuk oleh faktor internal (FI) dan faktor eksternal (FE) disebut variabel laten atau faktor primer yang dapat membentuk faktor lanjutan atau faktor skunder dan sterusnya. semenjak analisis faktor dilakukan karena nilai anti image correlation-nya <0. Variabel laten atau faktor yang dibentuk oleh faktor internal (Fi) dan faktor eksternal (FE) merupakan variabel laten atau faktor baru yang terbentuk yaitu faktor penjualan (FP) yang disebut faktor tingkat ke-dua atau faktor skunder. dan bersih hanya mengukur 178 PDF created with pdfFactory Pro trial version www. lengkap. Dari Gambar 8.555 0. faktor skunder penjualan dihipotesiskan ditentukan oleh faktor internal (FI) dan faktor eksternal (FE).1 Harga Promosi Image Pola Analisis Faktor Konfirmatori Contoh Gambar 8. dalam analisis faktor konfirmatori satu sub-dimensi atau satu indikator seperti layout. Variabel pelkar dan pelkasir telah dikeluarkan dari analisis faktor (faktoring).Tabel 8.1 berbeda dengan uraian dari Tabel 8.304 E -0.622 0. promosi.05. yang termasuk ke dalam faktor-2 atau komponen-2 yang selanjutnya disebut faktor eksternal (FE) adalah sub-variabel atau item harga.7.1 di atas. Selanjutnya.735 0.3 Component Matrix Item 1 Layout Lengkap Harga Promosi Image Bersih 7. faktor internal (FI) dan faktor eksternal (FE) adalah berupa variabel unobserable atau variabel yang tidak teramati atau berupa faktor.2 Contoh analisis faktor konfirmatori (CFA) Pada analisis faktor konfirmatori.

dan analisis lainnya. sehingga analisis fator tersebut dinamakan analisis faktor konfirmatori.2. faktor skunder. dan image. lengkap. Layout Bersih Lengkap Penjualan Harga Promosi FE FI Image Gambar 8. dan untuk selanjutnya dapat dilakukan analisis lanjutan seperti analisis regresi. 3 Gambar 8. apakah benar-benar indikator layout. Pada analisis faktor konfirmatori. 179 PDF created with pdfFactory Pro trial version www.2 Pembentukan Faktor KOnvirmatori Sekunder Penjualan Pembentukan Faktor Skuder Penjualan Faktor internal (FI) yang merupakan variabel laten atau variabe unobserable dengan tiga sub-dimensi atau sub-faktor atau indikator atau item. promosi. Jadi pada perinsipnya hanya melakukan konfirmasi berdasarkan teori atau konsep untuk membentuk sebuah faktor yang telah dihipotesiskan. Perhatikan Gambar 8. Untuk mengukur faktor internal (FI) yang dihipotesiskan terdiri atas tiga indikator. lengkap. karena variabel tersebut tidak bisa diukur secara langsung. Hal inilah yang harus dilakukan dalam analisis faktor seperti di atas. sehingga perlu ditentukan indikator atau sub-demensi sebagai pengukurnya yaitu suatu nialai skor-faktor (SF). yaitu: layout. Masing-masing sub-dimensi yang diukur dengan indikator atau variabel manifes atau variabel obserable atau subvariabel terukur atau sub-variabel teramati secara langsung. dan bersih merupakan alat pengukur faktor intenal (FI) dan apakah indikator harga. faktor eksternal (FE) yang merupakan variabel laten atau variabel unobserable dibentuk dengan tiga sub-dimensi atau sub-faktor atau item atau indikator.3 di abawah ini yang merupakan analisis korelasi antara faktor internal (FI) dengan faktor ekstrnal (FE). faktor dari hasil analisis dapat dipandang sebagai variabel laten eksogen (variabel bebas) atau variabel endogen (variabel tergantung). Permasalahanya sekarang. Faktor internal (FI) dan faktor eksternal (FE) dikatakan variabel laten.com . dan bersih. Jadi faktor internal (FI) dan faktor eksternal (FE) membentuk sebuah faktor skunder yang dinamakan faktor penjualan (FP) lihat Gambar 8. sedangkan satu faktor bisa terdiri atas beberapa indikator. dan image merupakan alat pengukur faktor eksternal (FE) yang valid dan reliabel. promosi. korelasi. Demikian juga. Dan faktor eksternal (FE) yang juga dihipotesiskan terdiri atas tiga indikator seperti.untuk satu faktor saja.pdffactory. Untuk itu perlu konfirmasi lebih lanjut dengan memeriksa validitas dan reliabilitas masingnasing faktor internal dan faktor ekternal seperti yang telah disebutan di atas. yaitu: harga.

maka sub-variabel atau demensi teramati atau item atau indikator tersebut dapat diterima sebagai sub-variabel pembentuk faktor. sehingga variabel tersebut dapat dikatakan bahwa kedua variabel bukan indikator atau sub-demensi pembentuk faktor internal (FI). promosi. Apabila dari signifikansi model menunjukkan nilai uji chi-square dengan nilai yang ≥ 0.com .pdffactory. Gambar 8. Pembentukan Faktor FE dan FI Korelasi antara FE dengan FI Pada model analisis faktor konfirmatori.3 maka item tersebut dapat dikatakan ikut membentuk fator yang dimaksud.05 artinya model analisis faktor tersebut adalah Fit (cara pembuktian dengan AMOS). Cara lain untuk mengkofirmasi sub-dimensi pembentuk faktor dapat menggunakan analisis dengan AMOS. secara teori pada umumnya menggunakan prosedur maksimum likelihood bukan yang lain.5. Artinya sub-variabel atau demensi penyusun faktor adalah layak untuk difaktorkan. Akan tetapi. Ada pula yang mengatakan bahwa apabila nilai koefisien komponen matriks setiap sub-variabel bernilai ≥ 0. Apabila dibandfingkan dengan t-tabel pada taraf nyata (α) = 0. maka direkomendasikan pada model analisis faktor konfirmatori menggunakan matriks varians-kovarians. Ternyata dari uji signifikansi-t terhadap sub-variabel layout dan bersih tidak signifikan.05. Ada juga yang memakai nilai koefisien komponen matriks setiap sub-variabel atau dimensi bernilai ≥ 0. hal ini berarti bahwa variabel harga. selain penggunakan matriks korelasi anti image. Pada analisis faktor konfirmatori.05 dengan derajat bebas (db) = n-1. analisisnya menggunakan matriks korelasi atau matriks varians-kovarians. yang ini bersifat relatif dan tergantung pada sipeneliti. pengujian sub-demensi yang membentuk faktor dapat dilakukan dengan uji-t. Pada analisis faktor eksternal (FE) ternyata semua parameternya menunjukkan hasil yang signifikan pada uji-t dengan α = 0. dan image tersebut dapat dianggap sebagai indikator atau sub-demensi faktor eksternal.Layout Bersih Lengkap FI Harga Promosi FE Image Gambar 8. untuk pendugaan parameternya. 180 PDF created with pdfFactory Pro trial version www.32.

00 54000.25 90.00 2369.00 720. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 181 PDF created with pdfFactory Pro trial version www. Tabel 8.00 10800.00 544.00 17280.00 865.00 540.00 976. Keberhasilan diukur dengan berat sapi yang dijualnya (Y) setelah pemeliharaan.50 137.00 126.00 781.20 18.00 180.80 30.20 50.50 194.00 9720.00 28.20 43.00 1551.00 12600.00 18. Cobalah lakukan analisis faktor ekspolatori dan analisis faktor konfirmatori dari data pada Tabel 8.00 43200.60 21.00 720.00 540.00 1.00 103.00 34560. makanan kering jerami (X3).00 6480.00 18000.00 90.50 99.00 90.00 1.00 875.00 2052.00 1990.00 43.00 575.00 36000.00 Obat (Dosis) (X6) 2.00 1214.00 3.com . tenaga kerja yang dicurahkan pada usaha ternaknya (X6). dan jenis kandang (D) yang digunakan pada pemeliharaan ternaknya.00 8.25 99.00 546.00 870.00 813.00 1080.00 900.00 3.00 6.00 5.00 1695.00 1117.60 27.00 6.00 21600.00 1771.00 5400.00 18000.00 34560.4 Data Pemeliharaan Ternak Sapi Berat bibit (Kg) (X1) 555.00 14400. jenis suplemen (X5).00 885.00 5760.00 540.00 23400.40 160.00 1138.00 1158.00 1186.00 1171.00 101.00 23400.00 19.00 540.00 809.1 di bawah ini.00 540.00 1080.00 7.00 1125.00 25920.00 36.00 4.00 5.00 6.00 16200.00 17280.00 822.00 36.00 1080.00 600.00 938.00 92.00 360.00 21900.50 117.00 57600.00 14400.50 101.00 584.00 9000.00 720.00 16200.00 25200.00 148.00 23400.00 2.00 Tenaga Kerja (Jam) (X7) 112.00 3.80 16.00 Jerami (Kg) (X3) 7200.00 180.00 112.00 10800.00 1455.00 3082.00 46800.00 2.00 1080.90 149.00 2803.00 2.00 112.00 90.20 28.00 900.00 1609.25 123.00 5400.00 30600.00 1238.00 796.00 36.00 1731.00 14400.00 973.00 6.00 1260.00 148.00 12600.00 1251.00 9000.00 1211.20 27.00 2001.00 No.00 5.00 1682.00 1260.00 1065.00 883.00 27000.00 575.00 21600.00 900.00 11520.00 36.80 30.00 360.00 2381.00 Dedak (Kg) (X4) 360.00 540. dan kandang tradisional D = 0.00 16200.00 12960.00 1598.00 989.pdffactory.50 101.00 534.00 575.00 21600.00 1080.00 21.00 23400.00 16200.9 Aplikasi Analisis Faktor Suatu kelompok peternak pemelihara sapi ingin mengetahui keberhasilan pemeliharaan ternak sapinya yang didasarkan pada berat bibit awal yang dipeliharanya (X1).00 1080.00 566.00 8640.00 19800.00 18000.50 135.00 2041.00 4.00 3.00 900.00 575.00 14.00 804.20 43.00 875.00 4.00 1544.00 1167.00 6.00 12.00 817.00 1080.00 180.00 2.25 90.00 3.00 1460.75 108.60 32.00 Hijauan ( Kg) (X2) 14400.40 36.00 2.00 2.00 9720.25 90.00 21600.00 14400.00 36000.00 525.50 126.00 1558.00 32400. makanan dedak (X4).00 45000.00 7200.00 1419.00 6.00 3.00 1080.00 4.00 862. jenis obat-obatan (X6).00 25.00 1460.00 5.00 12960.00 32400.00 3.60 Jenis kandang (D) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 Output (Kg) (Y) 785.00 720.85 149.00 2200.40 1.00 16200.00 3.00 34200.40 12.21 36.00 1200.00 7200.25 157.00 2042.00 Suplemen (Kg) (X5) 1.00 2.00 112.00 1628.40 61.00 9000.00 360.00 10800.00 101.00 21600.90 18.00 6480.00 63000.00 34200.80 14.00 1080. jumlah makanan hijauan (X2).60 1.00 360.00 27000.50 171. Kandang yang digunakan adalah kandang permanen D = 1.00 99.00 1252.8.00 12600.60 10.

Untuk menjawab pertanyaan di atas.00 16.00 15.00 7.00 1620.00 1417. masing-masing dengan uraian: 1.00 2700.00 182.00 45.00 36000.00 3780. Analisis faktor eksploratori Untuk menjelaskan data Tabel 8.00 807.00 72.00 88200.pdffactory.853 > 0.00 45.00 30600. Kaiser-Meyer-Olkin and Bartlett's Test.00 216.00 Jerami (Kg) (X3) 23760.00 41400.00 3429.00 1648.00 21600.00 54000.00 1778.00 Dedak (Kg) (X4) 1620.00 45000.00 39000.00 41400.00 21600.00 2160.00 1131.00 32400.00 90. (4) cumunality.00 1443.00 1140.4 di atas dapat digunakan hasil perhitungan seperti: (1) Kaiser-Meyer-Olkin (KMO test).00 783.00 3361.00 2700.00 12.00 2700.00 36000.00 2007.00 10. (1).00 Suplemen (Kg) (X5) 45.00 1620.00 34200.00 2160.00 1090.35 187.70 209.00 2390.70 Jenis kandang (D) 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Output (Kg) (Y) 1460.00 12.00 72.00 2532.00 1937.00 Hijauan ( Kg) (X2) 33400.00 45.00 232.00 1891.00 72.60 175.00 30600.05 dan dengan nilai peluang (p) < 0. (3) total variance explained test.00 1359.00 63000.00 2160.00 45.00 34200. 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 D = jenis kandang .00 90000.00 1061.00 1113.00 1451. didapatkan nilai KMOMSA (Kaiser-Meyer-Olkin measure of sampling adequacy) sebesar 0.00 108. Dari hasil analisis kelayakan faktor di atas.00 45000.00 1781.Tabel 8.00 21600.00 54000.00 45000.00 90.00 Tenaga kerja (Jam) (X7) 157.00 108.00 45.00 No.00 9. kandang permanen D = 1 dan kandang tradisional D = 0.00 27000.00 225.4 Data Pemeliharaan Ternak Sapi (lanjutan) Berat bibit (Kg) (X1) 807. 182 PDF created with pdfFactory Pro trial version www.00 2880.00 41400.00 1690.00 799.).00 28800.00 2413. Analisis faktor konfirmatori.00 1985.00 2160. dengan uraian seperti berikut.00 1946. Yang perlu diperhatikan dalam KMO and Bartlett's test yaitu nilai KMO-MSA dan nilai peluang (sig.00 126.00 1985.00 11.00 11.00 3240.00 1914.45 175.00 1299.00 1431.00 168.00 64400.00 39600.00 45.00 180.00 1172. (2) anti-image correlassion test.00 3780.00 1620.00 72.00 72.00 202.00 1994. ada dua macam analisis faktor yaitu: 1).00 39600.00 8.00 34200.95 187.00 126.00 1932.00 1620.00 33400.00 46800.00 3780.00 1477.00 1938.00 1334.00 39600.00 37800.00 6.00 43200.00 2160.00 1460.75 191.00 72.00 2989.00 57600.00 2700.00 157.00 Obat (Dosis) (X6) 7. Analisis faktor eksploratori dan 2).00 72.00 3240.50 180.00 126.20 198.95 164.00 187.00 14.00 10.20 209.00 14.25 171.00 2160.20 209.00 3423.00 6.00 12.00 23400.00 50400.00 21600.75 135.00 36000.00 3240.00 2160.00 793.00 2350.00 2160.00 1620.00 75600.00 794. (6) component scor coefisient matrix. (5) component matrix.00 1447.00 15.00 813.00 8.00 90.00 15.00 6.00 1620.50 168. = p.00 43200.00 108.00 55800.00 1430.25 172.00 32400.00 36000.00 43200.00 16.5 berikut.00 32400.00 2923.00 45000.00 90.20 193.00 7.00 36000.00 45.00 23400.00 36000.00 798.00 66600.00 13.00 10.com .00 72.00 1620.00 1157. dan (7) factor rotation.00 1065.00 13.05 ini berarti bahwa semua sub-variabel pengukuran atau dimensi yang menentukan keberhasilan pemeliharaan ternak sapi (dari X1 sd D) syah untuk difaktorkan seperti pada Tabel 8.

7 diketahui bahwa dari tujuh variabel pengukuran atau dimensi (X1 sd D) terbentuk dua faktor bersama.065 -.657 D .869(a) -.5.Tabel 8.098 -.971(a) -.07 dan sisanya 3.406 . Selanjutnya.335 -.024 X4 . Anti-image correlassion test. Ternyata dari Tabel 8.024 -.7.039 -. Faktor bersama dengan nilai initial eigenvalue total yang ≥ 1.098 -. jumlah faktor bersama yang terbentuk adalah sebanyak variabel penyusunnya atu dimensi.7.486 -.015 -.904(a) -.128 .015 .101 -.125 -.853 1031.284 -.5 Hasil Analisis Kelayakan Faktor (KMO and Bartlett's Test) pada Pemeliharaan Ternak Sapi 0.300 .033 X6 -.97% terdiri atas enam faktor bersama yang masing-masing nilainya dapat dilihat pada Tabel 8.257 -. Tabel 8.486 -. Tabel 8.085 -.000 0. dalam hal contoh ini sebanyak delapan faktor bersama.5 yang berarti bahwa semua sub-variabel pengukuran atau dimensi berhak dijadikan komponen faktor bersama penentu keberhasilan pemeliharaan ternak sapi.033 -.125 -.148 .887(a) -.000 Approx.405 .848(a) -.199 -.405 -. Chi-Square Degree of fredom Significant Kaiser-Meyer-Olkin Measure of Sampling Adequacy Bartlett's Test of sphericity (2).657 .199 .584 -. Total variance explained test.148 -.pdffactory. dari Tabel 8.257 -.6 di bawah ternyata dari delapan sub-variabel pengukuran atau dimensi yang difaktorkan menunjukkan semua variabel pengukuran mempunyai nilai anti image korelasi > 0.128 -.538 X2 -.337 .697(a) -. 183 PDF created with pdfFactory Pro trial version www.691 .085 -.041 -.795(a) .337 .335 -.101 X7 -.081 .081 X3 -.538 .208 .039 .61 dan faktor bersama dua (F2) dengan persentase varians = 14.284 .46 serta komulatif persentase varians yang terbentuk dari ke-dua faktor bersama adalah sebesar = 96.6 Anti-image correlation X1 X2 X3 X4 X5 X6 X7 D Anti-image Matrices Correlation X1 . Sumbangan faktor bersama yang terbentuk dalam analisis dapat dilihat dari nilai Total variance explained.792(a) (3). yaitu faktor berama satu (F1) dengan persentase variansnya = 81.586 .584 .406 .065 . Jadi jumlah faktor bersama yang mewakili delapan sub-variabel pengukuran atau dimensi (X1 sd D) ditentukan oleh nilai initial eigenvalue total yang ≥ 1 yaitu sebanyak dua buah faktor yaitu F1 dan F2.586 -. Dan apabila nilai anti-image < 0.041 .679 28.208 .691 -.300 X5 -. merupakan faktor yang mewakili sub-variabel pembentuknyua.5 maka variabel pengukuran tersebut harus dikeluarkan dari komponen faktor bersama dan data dianalisis ulang tanpa mengikut sertakan data yang nilai anti-image-nya < 0.com .

Pada penjelasan (3) di atas bahwa terbentuk dua faktor bersama F1 dan F2.8 diketahui bahwa peranan dimensi yang terbesar adalah sub-variabel X5 sebesar 0.614 0.460 1.903 0.8 Communalities (Peranan Variabel) Variable X1 X2 X3 X4 X5 X6 X7 D Initial 1.967 0. Dalam komunaliti (Communalities) faktor yang terbentuk merupakan satu kesatuan.460 81.000 6.7 Total Variance Explained (Sumbangan Komponen Faktor) Component Total Initial Eigenvalues Persentase CumulaVariance tive (%) Extraction Sums of Squared Loadings Persentase CumulaTotal Variance tive (%) 1 2 3 4 5 6 7 8 6.000 1.957 0.9.387 0.157 81.070 Extraction Method: Principal Component Analysis.pdffactory.070 97.610 96.000 1.006 81.746 0.983 atau 98.964 0.7%.784 99. Perhatikan nilai-nilai pada setiap komponen faktor.3% dan yang terkecil adalah X7 sebesar 0.975 Extraction Method: Principal Component Perhatikan nilai initial dan extraction.000 Extraction 0.979 0.610 96. Nilai initial mencerminkan peranan atau sumbangan kalau variabel penyusun faktor secara individual membentuk faktor tersebut. (5) Component matrix (dimensi penyusun faktor).140 0.983 0.610 14.397 99. Dari Tabel 8. Tabel 8. 184 PDF created with pdfFactory Pro trial version www.com .000 1.946 0.000 1.000 1.529 1. sedangkan extraction menjelaskan persentase peranan atau sumbangan masing-masing dimensi atau sub-variabel penyusun faktor secara individual terhadap vaktor.000 1.816 98.Tabel 8.031 0.139 0.077 0.049 0.011 0.907 atau 90.000 1.978 0.610 14. sehingga peranan atau sumbangan masing-masing dimensi atau sub-variabel penyusun terhadap faktor secara bersama yaitu F1 dan F2 seperti pada Tabel 8.783 99. masing-masing dimensi penyusun faktornya terdapat pada Tabel 8.924 100. Pada penjelasan (3) di atas bahwa terbentuk dua faktor bersama F1 dan F2.529 1. (4) Communalities atau peranan faktor).8.076 81.157 0.

137 0.148 0. Sebagai contoh korelasi antara F1 dengan X1 dan F2 dengan X1 masing-masing komponen faktor sebesar 0.5 berarti bahwa dimensi sub-variabel pengukuran bukan anggota faktor tersebut.5 pada dua komponen faktor atau lebih.411 -0. sehingga data selanjutnya diinterprestasi apa adanya pada analisis pertama.5 berarti bahwa dimensi atau sub-variabel pengukuran faktor tersebut merupakan anggota faktor yang terbentuk.151 0.719 0.com .073 -0.643 Extraction Method: Principal Component Analysis.115 2 (F2) 0.Tabel 8.679 0. Perhatikan komponen faktor satu (F1) dari X1 sd D.143 0. jika nilai komponen faktor < 0. dan nilai korelasi yang tertinggi pada F1 adalah korelasi antara F1 dengan X5 (rF1X5) sebesar 0. Nilai komponen faktor dapat pula diartikan sebagai korelasi antara faktor yang terbentuk dengan komponennya (rFjXi). menekankan pada bentuk hubungan atau model atau persamaan antara faktor dengan variabel penyusunnya Tabel 8.pdffactory.555 185 PDF created with pdfFactory Pro trial version www.093 -0.104 0. apabila nilai komponen faktornya ≥ 0.063 -0.679 dan 0.988 0.168 -0.930 0. Tabel 8.152 0. Pada penjelasan pembicaraan ini.4 data tidak dapat dirotasi.719.976 0.621 0. (6) Component scor coefient matrix atau koefisien dimensi penyusun faktor.967 0. Scor coefient merupakan kontanta atau koefisien serupa dengan koefisien regresi (βi ) pada persamaan regresi berganda.5 pada kedua faktor maka analisis faktor harus diulang dan dilakukan rotasi faktor dengan metode varimax atau yang lain sampai tidak terdapat nilai-nilai komponen bersama yang ≥ 0. a 2 components extracted.034 -0.892 0. Sebaliknya.108 -0.355 -0.991.10.044 0. karena setelah itersasi ke-3 kalinya menjadi konvergen.991 0.029 -0.9 Component Matrix (Variabel Penyusun Faktor) Component Dimensi X1 X2 X3 X4 X5 X6 X7 D 1 (F1) 0.10 Component Scor Coefisien Matrix (Koefisien Dimensi Penyusun Faktor) Component Dimensi X1 X2 X3 X4 X5 X6 X7 D 1 (F1) 0.149 0.194 -0.750 2 (F2) 0.051 0. Ternyata dari Tabel 8. Apabila antara komponen faktor satu dan komponen faktor dua terdapat nilai-nilai dalam satu variabel pengukuran yang ≥ 0.

. 186 PDF created with pdfFactory Pro trial version www. karena setelah itersasi ke-3 menjadi konvergen.0.143 ZX7 + 0.5 seperti pada Tabel 8. . Persamaan umum skor faktor Fj = a1 ZX1 + a2 ZX2 + .. . Sebagai contoh dimensi atau item X1 pada faktor F1 dan faktor F2 dengan nilai komponen faktor maing-masing sebesar 0. (5) component matrix. . k) merupakan parameter yang merefleksikan pentingnya faktor komponen ke-j.5 pada kedua faktor bersaama. Ternyata dari Tabel 8. Rumus umum Z adalah: Z i = Xi − X i . dan data tanpa satuan atau relatif).Perlu dipahami bahwa pada analisis faktor semua dimensi atau sub-variabel penyusun faktor atau item telah ditranspormasi ke dalam data standar atau data Z (data Z mempunyai rata-rata = 0.0.555 ZD (7) Factor rotation.10 di atas. εj (i = 1. dan j = 1. dalam analisis disebut sebagai faktor/ komponen spesifik ke-i yang bersifat acak. Apabila antara komponen faktor yang satu dan komponen faktor yang lain terdapat nilai-nilai komponen faktor dalam satu variabel pengukuran yang ≥ 0. . Nilai koefisien scor matrix atau bobot faktor diambil dari Tabel 8.0.355 ZX2 .9 baris pertama. Demikian pula dimensi atau item D pada faktor F1 dan faktor F2 dengan nilai komponen faktor maing-masing sebesar 0.719 keduanya ≥ 0. 2.093 ZX6 . Kecuali tidak melakukan rotasi faktor sehinga yang ditentukan: (1) Kaiser-MeyerOlkin (KMO test).168 ZX7 .063 ZX3 . k) merupakan skor faktor atau komponen bersama ke-j ZXi = sub-variabel atau dimensi atau item yang distandarkan ai (i = 1. . Nilai faktor untuk setiap sampel disebut dengan nilai skor faktor (SF) dan setiap nilai skor faktor merupakan data baru yang menyusun sebuah variabel baru dari sub-variabel penyusun atau dimensi atau itemnya. (4) cumunality. .5 pada dua komponen faktor atau lebih. .643 keduanya ≥ |0. .9 baris kedelapan.pdffactory.137 ZX2 + 0.0.4 data tidak dapat dirotasi.149 ZX3 + 0. .. sehingga perlu dilakukan rotasi seperti pada Tabel 8. Rotasi faktor dilakukan dengan metode varimax atau equamax atau yang lain sampai tidak terdapat nilai komponen bersama yang ada pada sub-variabel ≥ 0.044 ZX4 + 0. . (2) anti-image correlassion test. ai dalam analisis faktor disebut bobot (loading) atau Component Scor Coefisien Matrix dari respons ke-i pada faktor bersama ke-j. . .029 ZX5 . + ap ZXp + εj Di mana: Fj (j = 1. (3) cumunality. 2.. varians = 1.4 dengan analisis faktor konfirmatori pola perhitungannya hampir sama seperti analisis faktor eksploratori yang telah dibicarakan.148 ZX6 + 0.679 dan 0. k) merupakan galat dari respons ke-j.104 ZX1 + 0. 2.115 ZD Untuk skor faktor duau -> F2 = 0.151 ZX4 + 0. dan (6) component scor coefisient matrix.5|. .0. 2.152 ZX5 + 0.650 dan -0. sehingga data diinterprestasi apa adanya seperti pada analisis pertama. maka analisis faktor harus diulang dengan cara lain atau dilakukan rotasi faktor (factor rotation). sehingga persamaan skor faktor dari contoh analisis menjadi: Untuk skor faktor satu -> F1 = 0.. p. . 2.621 ZX1 + 0.com . Analisis faktor konfirmatori Untuk menjelaskan data pada Tabel 8.

makanan jerami kering (X3).802(a) 0.8. seperti pada data Tabel 8. merupakan faktor yang mewakili sub-variabel pembentuknyua.313 -0.11 berikut. Total variance explained test.132 -0.875(a) -0.313 X3 0. Faktor makanan yang dapat dibentuk dari makanan hijauan (X2). Measures of Sampling Adequacy (MSA) (3). 853 > 0.143 -0.211 -0. 187 PDF created with pdfFactory Pro trial version www. Jadi jumlah faktor bersama yang mewakili lima sub-variabel pengukuran atau dimensi X2 sd X6 ditentukan oleh satu faktor bersama makanan. = p.5 yang berarti bahwa semua variabel tersebut syah untuk difaktorkan menjadi faktor makanan Tabel 8.110 X5 -0. faktor makanan dapat dipilah menjadi: (1) faktor makanan utama yang terdiri atas: makanan hijauan (X2). makanan jerami kering (X3).12 di bawah ternyata dari enam subvariabel pengukuran penyusun faktor makanan (X2 sd X6) menunjukkan semua variabel mempunyai nilai anti image korelasi > 0. Dari Tabel 8.05 dan dengan nilai peluang (p) < 0.132 X4 0.000 Kaiser-Meyer-Olkin Measure of Sampling Adequacy Bartlett's Test of Sphericity Approx.com . Tergantung pada teori dan konsep yang diajukan atau dipostulatkan. Chi-Square Df Sig.143 -0.11 Hasil Analisis Kelayakan Faktor Makanan pada Pemeliharaan Ternak Sapi 0. jenis suplemen (X5). (2). dan jenis obat-obatan (X6).).13.211 . Seperti pada Tabel 8. Kaiser-Meyer-Olkin and Bartlett's Test.673 -0. makanan dedak (X4).pdffactory.660 -0. sebesar 0.368 -0.673 0.369 . dan (2) faktor makanan utambahan yang terdiri atas jenis suplemen (X5) dan jenis obat-obatan (X6). terlihat bahwa hanya sebuah faktor bersama makanan yang terbentuk dari sub-variabel penyusunnya.05 ini berarti bahwa semua sub-variabel pengukuran makanan layak sebagai faktor makanan (dari X2 sd X6) seperti pada Tabel 8.Yang membedakan analisis faktor konfirmatori dengan analisis faktor eksploratori adalah penentuan sub-variabel pengukuran sudah ditentukan jauh sebelum analisis dilakukan.679 ≥ 1. Sumbangan faktor bersama makanan yang terbentuk dari dimensi X2 sd X6 dengan persentase varians sebesar 93.853 649.660 0.368 -0.12 Anti-image Matrices Correlation Hasil Analisis Faktor Makanan pada Pemeliharaan Ternak Sapi Anti-image Correlation X2 X3 X4 X5 X6 X2 . Hasil analisis faktor konfirmatori faktor makan menjadi: (1).000 0. Faktor bersama makanan tersebut dengan nilai initial eigenvalue total sebesar 4.644 10. KMO and Bartlett's test dan nilai peluang (sig.110 -0.763(a) -0. Selanjutnya. dan makanan dedak (X4). Anti-image correlassion test.369 0.580.936(a) a.912(a) -0.325 X6 0.325 0. Tabel 8.

pdffactory. ternyata nilai komponen faktor ≥ 0.991 0.13 Sumbangan Komponen Faktor Makanan Component Total 1 2 3 4 5 4.153 100.000 Extraction Sums of Squared Loadings % of CumulaTotal Variance tive (%) 4.5 berarti bahwa dimensi faktor makanan X2 sd X6 tersebut merupakan anggota faktor makananan yang terbentuk.15 di bawah ini.975 0.15 tidak perlu dirotasi.479 99. Ternyata dari Tabel 8.384 . Dalam komunaliti faktor makanan yang terbentuk merupakan satu kesatuan.000 1.992 0. seperti peranan sub-variabel makanan terhadap variabel makanan tertinggi ditentukan oleh sub variabel X5 (jenis suplemen) sebesar 99.240 .024 . Pada penjelasan total variance explained test di bawah bahwa terbentuk satu faktor bersama makanan. semua dimensi penyusun faktornya (X2 sd X6) terdapat pada Tabel 8. Tabel 8.368 .000 1. (4).679 .008 Initial Eigenvalues % of CumulaVariance tive (%) 93.905 0. Communalities atau peranan faktor.2% dan terkecil oleh sub variabel X2 (makanan hijauan) sebesar 81. 188 PDF created with pdfFactory Pro trial version www.984 99.818 0.000 1.000 Extraction 0. sehingga peranan atau sumbangan masingmasing dimensi atau sub-variabel penyusun faktor terhadap faktornya. Tabel 8. Perhatikan nilai-nilai pada setiap komponen faktor.000 1. karena terbentuk satu faktor bersama makanan. a One components extracted.951 0.com .8% seperti pada Tabel 8.580 4.049 .14 di bawah ini.15 Component matrix (dimensi penyusun faktor) Dimensi faktor atau komponen penysun faktor X2 X3 X4 X5 X6 Component Faktor makanan 0. Perhatikan komponen faktor makanan X2 sd X6.580 93.580 Extraction Method: Principal Component Analysis.968 Extraction Method: Principal Component Analysis.847 .982 0.580 93.804 98.Tabel 8.14 Communalities (Peranan Variabel = R2) Variable X2 X3 X4 X5 X6 Initial 1.679 93.936 Extraction Method: Principal Component (5) Component matrix (dimensi penyusun faktor).996 0.

Nilai skor faktor untuk setiap dimemsi skor faktor (SF) makanan dengan persamaan umum skor faktor (perhatikan cara penulisan persamaannnya selalu memakai nilai baku atau nilai standar Z) adalah sebagai berikut.15 Component scor coefient matrix (dimensi penyusun faktor) Dimensi faktor atau komponen penysun faktor X2 X3 X4 X5 X6 Component scor coefient (CSC) Faktor makanan 0.207 189 PDF created with pdfFactory Pro trial version www.212 ZX4 + 0.212 0. Tabel 8.208 ZX3 + 0.207 ZX6.213 ZX5 + 0.208 0.com .: Fmakanan = 0.193 0.213 0.193 ZX2 + 0.(5) Component scor coefient matrix atau fungsi hubungan dimensi-faktor. Nilai skor faktor untuk setiap dimemsi skor faktor (SF) atau nilai koefisiennya = CFC.pdffactory.

Sign up to vote on this title
UsefulNot useful