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

. + Cpm Fm + εp Di mana: Fj. . .. . 2. εi (i = 1.. sedangkan diketahui hahwa: maka diperoleh persamaan: atau dapat juga dinyatakan sebagai: i j ij Cov (X) = ∑. m) merupakan parameter yang merefleksikan pentingnya faktor komponen ke-j dalam komposisi dari respons ke-i. .. Dalam hal ini berlaku hubungan: X' = (X1. 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. . . Cii dalam analisis faktor atau analisis komponen utama disebut sebagai bobot (loading) dari respons ke-i pada faktor/ komponen bersama ke-j. . .. + C2m Fm + ε2 [8. . X ~ Np (μ. . . . m) merupakan faktor atau komponen bersama ke-j Cij (i = 1. Bayangkan.3] . Xp). + C1m Fm + ε1 X2 = C21 F1 + C22 F2 + . . Model umum analisis faktor atau analisis komponen utama adalah seperti: X1 = C11 F1 + C12 F2 + . 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. . . .pdffactory.µY )' E[AX . dan j = 1. . serta memiliki nilai ratarata μ dan matriks varians-kovarian S sebagai penduga ∑. 2. . ∑) E (X) = μ dan Cov (X) = ∑. . . (j = 1. . apabila didefinisikan: Y = A X. dalam analisis faktor/komponen utama disebut sebagai faktor/ komponen spesifik ke-i yang bersifat acak. 2. .Dari persamaan [8. . . .E(AX)] [AX .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. X2. . Xp = Cp1 F1 + Cp2 F2 + . . p) merupakan galat dari respons ke-i.1]. 2. . 170 PDF created with pdfFactory Pro trial version www. .com . . . 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 ∑. . . . . .

p. 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). ε2. . dan lain-lainnya. + C1m 2 atau Var (Xi) = σ1i = hi + ψi Di mana: hi = C11 m 2 2 2 2 + C12 + . . merupakan proporsi varians dari variabel eksogen Xi. demikian pula dalam kebanyakan paket aplikasi komputer proses komputasi didasarkan pada metode komponen utama (PCA). SXW. F2. Struktur varians-kovarians untuk model analisis faktor dinyatakan dalam persamaan [8. . p) ditentukan sebagai berikut: [8. . 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). . Dalam kebanyakan analisis.com . Faktor acak F1. Kovarians untuk variabel respons Xi dan Xk. ε1. dan terdapat banyak paket aplikasi komputer untuk analisis faktor seperti SPSS. . . . m dan j = 1. dalam contoh penerapan analisis faktor akan menggunakan bantuan komputer. Var (X1) = σ11 = C11 [8. .3] di atas. MINITAB. ..2] dan [8. . . STATGRAPHICS.Dari model [8. + C1m = ∑C i =1 2 ij Dari persamaan [8. STATISTICA. k = 1. . Fj) = Cij i = 1. .4] berikut ini. εp yang disebut sebagai galat atau errors atau kadang-kadang disebut juga sebagai faktor spesifik (specific factors). . yang disebabkan oleh faktor spesifik atau galat (error) dan disebut sebagai varians spesifik (specific variance).5] COV (Xi.pdffactory. dengan sejumlah p sumber kovarians tambahan. ..3] dapat dinyatakan pula seperti persamaan [8.. sedangkan komponen ψi. . . 2. . . . 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). model analisis faktor diduga berdasarkan metode komponen utama (PCA).6] COV (Xi. AMOS. 2.4] di atas tampak bahwa varians dari variabel eksogen Xj diterangkan 2 oleh dua komponen atau faktor yaitu komponen hi dan komponen ψi (baca: psi). Tampak dari persamaan [8. Fm yang disebut faktor bersama (common factors). di mana i ≠ k (i.4] di atas bahwa komunalitas hi merupakan jumlah kuadrat berbobot (loadings) dari variabel eksogen Xi pada k faktor bersama. . 171 PDF created with pdfFactory Pro trial version www.. Sedangkan. . 2. + Cim Ckm = 2 ∑c c i=1 m ij kj Kovarians antara variabel eksogen Xi dan faktor ke-j (Fj) ditentukan sebagai berikut: [8.4] 2 2 2 + C12 + . Xk) = Ci1 Ck1 + . .

. maka analisis faktor dapat diturunkan dari matriks koefisien korelasi ρ yang diduga berdasarkan matriks koefisien korelasi sampel r.. k) ditentukan berdasarkan persamaan [8.com . atau analisis yang lain.23%) hal ini adalah sangat kecil. maka besamya keragaman yang dapat diterangkan oleh faktor atau komponen ke-j (j = 1.. + C 2 pj S 211 + S 2 22 + .pdffactory. [8. Sebagai contoh untuk kasus yang mempengaruhi pengkajian proses industrialisasi.94.8] seperti uraian berikut di bawah ini.7] Peranan Fj = p 2 2 2 C1 j + C 2 j + . banyaknya variabel Xi yang di analisis. 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. tiga. Apabila pada analisis faktor didasarkan pada matriks varians-kovarians sampel S . 2.23%.Untuk dapat memahami secara baik tentang analisis faktor yang diturunkan berdasarkan metode komponen utama (PCA). k) ditentukan berdasarkan persamaan dengan menggunakan persamaan [8. katakanlah hanya memilih k buah faktor dari p buah faktor yang mungkin dihasilkan (k<p).. maka cukup melibatkan satu faktor dari empat faktor yang dihasilkan dari hasil analisis faktor yang berdasarkan metode komponen utama.7] di bawah ini. 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. maka besamya keragaman yang dapat diterangkan oleh faktor atau komponen ke-j (j = 1. . Apabila semua variabel yang diamati mempunyai satuan pengukuran yang sama.. 172 PDF created with pdfFactory Pro trial version www. atau lebih faktor untuk digunakan sebagai faktor awal dalam analisis lanjutan... dan tiga faktor lainnya menjelaskan keragaman total hanya 5. maka pembaca terlebih dahulu harus memahami secara baik tentang konsep matriks. [8.77% (= 1 .. mungkin diperlukan dua. analisis faktor lanjutan (scond factor analysis). Berdasarkan metode komponen utama. apabila analisis faktor didasarkan pada matriks koefisien korelasi r.. 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%. dapat ditentukan banyaknya faktor yang perlu dilibatkan dalam analisis lanjutan. 2. karena berdasarkan analisis faktor diketahui bahwa keragaman total data yang diterangkan oleh faktor atau komponen utama pertama adalah cukup besar yaitu 94.8] 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. seperti analisis regresi berganda. Dalam situasi lain. maka model analisis faktor dapat diturunkan dari matriks varians-kovarians (Σ) yang diduga berdasarkan matriks varians-kovarians 2 sampel (S ) atau matriks korelasi ( r ).

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

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

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

Selanjutnya. dan kebersihan toko. dan sebaliknya apabila sub-variabel tersebut layak maka diikutkan pada analisis. setelah faktornya terbentuk.1 Contoh analisis faktor eksploratori (CPA) Apa yang dijelaskan pada sub Bab 8. pengembangan sebuah teori yang berdasarkan landasan il mi ah adalah syarat utama dan pertama sebelum menggunakan analisis SEM. tetapi sangat disarankan berdasarkan pertimbangan problem indentifikasi. 176 PDF created with pdfFactory Pro trial version www. sehingga terbentuk satu faktor yang dapat mewakili sub-variabel dengan item pembentuk faktor yang baru. Suatu penelitian yang ingin mengetahui faktor apa saja yang sebenarnya membuat seseorang ingin membeli barang pada suatu pertokoan.2 adalah analisis faktor eksploratori. 8.pembuktiannya dibutuhkan sebuah pengujian empirik.437 28 0.1 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. Untuk itu dilakukan penelitian dan responden diminta pendapatnya mengenai atribut pertokoan seperti: layout pertokoan. Pengujian empirik itulah kadangkala di l a ku k an me l a kui analisis SEM (Sistem Equation Modeling). 3. Pada tahap kedua. maka dapat dilakukan analisis data lanjutan dengan menggunakan nilai skor faktor (SF). image.com . kelengkapan barang yang dijual. dan selamjutnya akan dijelaskan pada aplikasi praktis dalam penelitian. Walaupun terdapat beberapa contoh hasil penelitian di mana faktor hanya dibentuk oleh dua variabel terobservasi.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.7. Pada langkah selanjutnya. pelayanan kasir. Untuk proses uji validasi reliabilitas dengan metode analisis faktor konfirmatori ada beberapa macam syarat hang harus dipenuhi yaitu: 1. pelayanan karyawan toko. item-item yang tidak layak untuk difaktorkan. Oleh karena itu. sebaiknya faktor dibentuk lebih dari dua item. Hasil output komputer sebagai berikut dan datanya tidak ditampilkan: Tabel 8. promosi. Analisis SEM digunakan untuk menguji kausalitas yang sudah jelas ada dasar teorinya.pdffactory.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. maka dilakukan faktoring atau mereduksi item dengan jalan sub-variabel yang tidak layak difaktorkan dikeluarkan dari analisis faktor. Apabila tidak layak maka sub-variabel tersebut tidak diikutkan sertakan pada analisis faktor. 2. dilakukan analisis ulang.7 Contoh Analisis Faktor Eksploratori dan Analisis Faktor Konfirmatori 8. Akan tetapi.552 87. Pada tahap kepertama menilai apakah semua sub-variabel atau item atau indikator pembentuk faktor layak untuk diikutkan pada analisis faktor atau tidak. 8. harga barang. bukan digunakan u n t u k membentuktikan sebuah teori kausalitas.

khususnya nilai pada angka koefisien korelasi yang berada pada off diagonal (nilai yang ditebalkan).0451 . menunjukkan bahwa ke enam variabel: layout.05 dan angka KMO-MSA > 0.0587 -.2520 .2 berikut di mana nilai matriks anti image correlation.0467 -.0587 -. dan hasilnya seperti pada Tabel 8. promosi.0598 -.1700 -.09301 a Measures of Sampling Adequacy (MSA) Apabila nilai anti image correlation lebih kecil dari setengah.2520 .6140 a -.000. Perhatikan Tabel 8.3 di bawah ini.4882 -.2670 . Dari hasil analisis faktor.2070 .5130 .2670 a .4735 a . 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. Ternyata dari Tabel 8.1300 .pdffactory.1300 -.1030 -.1300 -. lengkap.0044 .1290 -.2 Anti Image Matrices Harga -. sehingga sub-variabel terukur atau item tersebut dimasukan ke dalam faktor yang bersangkutan.2030 . maka variabel tersebut harus dikeluarkan atau dieliminasi dari analisis faktor.1580 . Perhatikan nilai yang diberi tanda dengan a atau yang ditebalkan..4631 .1 nilai KMO-MSA > 0.0474 -.1300 -.5095 . Setelah sub-variabel pelkar dan pelkasir di faktoring dan dianalisis kembali. image.05034 -.5. dan bersih telah dianalisis dan terbentuk menjadi dua faktor yaitu komponen faktor-1 dan komponen faktor-2 (Component-1 dan Component-2).1 di atas didapatkan nilai Kaiser-Meyer-Olkin-Measure of Sampling Adequacy sebasar 0.com .2030 -. maka dikatakan bahwa itemiem yang dianalisis dalam analisis faktor sudah layak untuk difaktorkan. Apabila nilai matriks anti image correlation lebih kecil dari setengah.5. Variabel yang layak dianalisis lebih lanjut adalah: layout.1700 .1580 . 177 PDF created with pdfFactory Pro trial version www. Dari Tabel 8.4760 a Bersih -. lengkap.1930 .1930 -.1500 -.0667 -.0044 -.1580 . lengkap. sehingga analisis faktor yang dilakukan menunjukkan sampel tersebut layak untuk difaktorkan dan faktornya dapat dianalisis lebih lanjut.1290 .1040 -. Tabel 8.5 dan dengan nilai peluang (p) < 0.4740 a Pelkasir Promosi Image . Cara memasukkan sub-variabel ke dalam faktor dapat dilihat dari angka koefisien komponennya yaitu apabila nilainya > 0. maka variabel tersebut tidak layak dianalisis lebih lanjut.1040 -. harga. Sebagai kriteria umum apabila tingkat kemaknaan yaitu p < 0.1210 .4150 -.0463 -.2070 . Dari Tabel 8.5280 Lengkap Harga Pelkar Pelkasir Promosi Image Bersih a Pelkar .1500 -.6240 a Layout Lengkap Layout . promosi.05.3 berikut.1580 .0599 -.3 di bawah.2. image.Apabila nilai KMO-MSA sama dan lebih besar dari setengah dan dengan nilai signifikan (sig) atau peluang (p) lebih kecil dari setengah.552 dengan nilai sig atau peluang (p) = 0.4150 .210 .1030 .2570 -.5050 a -.2570 .0488 -. dan bersih. variabel yang tidak layak dianalisis lebih lanjut adalah: pelkar dan pelkasir. harga. dan bersih seperti Tabel 8. Analisis lebih lanjut adalah melakukan reduksi terhadap variabel yang tidak layak difaktorkan atau dikenal dengan istilah faktoring atau eliminasi.7080 .0510 .30 .0503 .09.45130 . Kemudian perhatikan dari Tabel 8.

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. faktor internal (FI) dan faktor eksternal (FE) disebut variabel laten atau faktor tingkat ke-pertama.555 0.1 di atas. Suatau hal yang harus diperhatikan bahwa. lengkap. Selanjutnya.280 -6. faktor internal (FI) dan faktor eksternal (FE) adalah berupa variabel unobserable atau variabel yang tidak teramati atau berupa faktor.com .774 -02 7.1 berbeda dengan uraian dari Tabel 8. FE FI Layout Lengkap Bersih Gambar 8.148 E -03 Component 2 0.331 0.737 Sedangkan.622 0.3 Component Matrix Item 1 Layout Lengkap Harga Promosi Image Bersih 7. yang termasuk ke dalam faktor-2 atau komponen-2 yang selanjutnya disebut faktor eksternal (FE) adalah sub-variabel atau item harga.735 0. Dari Gambar 8.2 Contoh analisis faktor konfirmatori (CFA) Pada analisis faktor konfirmatori.304 E -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.05. Analisi faktor yang dilakukan di atas adalah analisis faktor eksploratori 8.3 di atas. semenjak analisis faktor dilakukan karena nilai anti image correlation-nya <0.Tabel 8. peneliti secara apriori telah dapat membuat atau membangun suatu hipotesis berdasarkan konsep dan teori dengan faktor strukturnya yang telah ditentukan. Variabel pelkar dan pelkasir telah dikeluarkan dari analisis faktor (faktoring). dalam analisis faktor konfirmatori satu sub-dimensi atau satu indikator seperti layout.1 Harga Promosi Image Pola Analisis Faktor Konfirmatori Contoh Gambar 8.7. Sebagai contoh faktor struktur digambarkan seperti di bawah ini. faktor skunder penjualan dihipotesiskan ditentukan oleh faktor internal (FI) dan faktor eksternal (FE). promosi.156 E-03 0. Sehingga.683 -02 9. dan bersih hanya mengukur 178 PDF created with pdfFactory Pro trial version www.pdffactory. dan image.035 E -0.

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

Apabila dibandfingkan dengan t-tabel pada taraf nyata (α) = 0.05 artinya model analisis faktor tersebut adalah Fit (cara pembuktian dengan AMOS). untuk pendugaan parameternya. Ada pula yang mengatakan bahwa apabila nilai koefisien komponen matriks setiap sub-variabel bernilai ≥ 0.pdffactory.05. Cara lain untuk mengkofirmasi sub-dimensi pembentuk faktor dapat menggunakan analisis dengan AMOS. Artinya sub-variabel atau demensi penyusun faktor adalah layak untuk difaktorkan. Pada analisis faktor eksternal (FE) ternyata semua parameternya menunjukkan hasil yang signifikan pada uji-t dengan α = 0. hal ini berarti bahwa variabel harga. analisisnya menggunakan matriks korelasi atau matriks varians-kovarians. selain penggunakan matriks korelasi anti image. maka direkomendasikan pada model analisis faktor konfirmatori menggunakan matriks varians-kovarians. promosi. Akan tetapi. maka sub-variabel atau demensi teramati atau item atau indikator tersebut dapat diterima sebagai sub-variabel pembentuk faktor.05 dengan derajat bebas (db) = n-1.5. 180 PDF created with pdfFactory Pro trial version www. pengujian sub-demensi yang membentuk faktor dapat dilakukan dengan uji-t. Gambar 8.3 maka item tersebut dapat dikatakan ikut membentuk fator yang dimaksud. yang ini bersifat relatif dan tergantung pada sipeneliti. Pembentukan Faktor FE dan FI Korelasi antara FE dengan FI Pada model analisis faktor konfirmatori. Ternyata dari uji signifikansi-t terhadap sub-variabel layout dan bersih tidak signifikan.32. Ada juga yang memakai nilai koefisien komponen matriks setiap sub-variabel atau dimensi bernilai ≥ 0. Apabila dari signifikansi model menunjukkan nilai uji chi-square dengan nilai yang ≥ 0. secara teori pada umumnya menggunakan prosedur maksimum likelihood bukan yang lain. Pada analisis faktor konfirmatori.com . dan image tersebut dapat dianggap sebagai indikator atau sub-demensi faktor eksternal.Layout Bersih Lengkap FI Harga Promosi FE Image Gambar 8. sehingga variabel tersebut dapat dikatakan bahwa kedua variabel bukan indikator atau sub-demensi pembentuk faktor internal (FI).

00 90.00 18.00 720.00 12960.00 4.00 1080.00 720.00 25.00 1125.21 36.00 4.00 21600.00 25920.00 148.00 1609.00 1460.20 43.00 5.00 1260.00 1771.1 di bawah ini.00 25200.00 1.00 14.25 123.00 2052.00 3.00 1628.00 5.00 90.00 6.00 34200.00 36.00 1455.00 34560. Keberhasilan diukur dengan berat sapi yang dijualnya (Y) setelah pemeliharaan.50 135.60 1.00 36.00 32400.00 2.00 544.00 19.00 23400.00 540.00 5400.00 21600.00 148.25 90.50 137.00 1731.00 3.00 18000.00 796.00 360.40 36.00 Hijauan ( Kg) (X2) 14400.00 817.00 2.00 575.pdffactory.00 525.50 171.00 2.00 36.00 1186. Kandang yang digunakan adalah kandang permanen D = 1.00 2.00 32400.00 1080.50 101.00 875.00 17280.00 43.00 46800.00 57600. Tabel 8.00 720.00 575.00 16200.00 2803.00 885.00 3.60 21.00 4.00 2.00 112.00 18000.00 28.00 8640.00 1.85 149.00 10800.00 813.00 6.00 9000.00 1080.00 1158.25 99.00 1065.75 108.00 10800.00 1990.00 1167.00 19800. 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. makanan kering jerami (X3). dan kandang tradisional D = 0.00 1138.00 1211.20 28.00 23400.00 3082.00 17280.00 575.00 21900.00 6480.00 No.00 3.00 21.00 6.00 30600.00 540.00 8.00 1080.20 50.60 32.00 4.00 360.00 584.00 976.00 11520.00 9720.00 12600.00 14400.00 23400.00 Dedak (Kg) (X4) 360.00 14400.00 5.00 Jerami (Kg) (X3) 7200.00 2.00 12.00 2041.00 1460.00 6.00 1544.00 3.80 14.00 99.00 540.00 14400.60 10.50 126.00 21600.9 Aplikasi Analisis Faktor Suatu kelompok peternak pemelihara sapi ingin mengetahui keberhasilan pemeliharaan ternak sapinya yang didasarkan pada berat bibit awal yang dipeliharanya (X1).00 103.00 862.00 6480.60 27.00 18000.00 27000.00 1080.00 900.50 194.00 9720.00 1080.00 566.00 34200.50 99.00 180.00 3.40 12.00 Obat (Dosis) (X6) 2.00 1080.40 160.00 180.00 101.00 875.00 865.00 1682.00 63000.60 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 5760.00 546.00 112.00 16200.00 2369.00 870.00 9000.80 16.00 360.20 27.00 7200.00 1080.00 36000.00 10800.00 1117.00 14400.90 18. jenis obat-obatan (X6).25 157.00 1419.00 16200.00 360.com .00 900.00 804.00 Suplemen (Kg) (X5) 1.00 12960.50 117.00 1252.00 7.00 1551.00 101.25 90.00 883.8.00 600.00 90.00 92.00 1238.00 180.40 61.00 5400.00 6.00 938.20 18.00 900.80 30. jumlah makanan hijauan (X2).00 2381.00 809.00 Tenaga Kerja (Jam) (X7) 112.00 21600.00 12600.00 36.00 540.90 149.00 720.20 43. jenis suplemen (X5).00 1214. tenaga kerja yang dicurahkan pada usaha ternaknya (X6).00 534.00 27000. Cobalah lakukan analisis faktor ekspolatori dan analisis faktor konfirmatori dari data pada Tabel 8.00 45000.00 1080.00 900.00 16200.00 575.00 1598.00 973.50 101.00 16200.00 2001.00 540.4 Data Pemeliharaan Ternak Sapi Berat bibit (Kg) (X1) 555.00 36000.00 2042.00 1558.00 7200.00 112.00 822.00 6.00 3.00 34560.00 12600. dan jenis kandang (D) yang digunakan pada pemeliharaan ternaknya.00 21600.00 43200.80 30.00 1200.00 23400.00 1171.00 1251.00 1695.00 5.00 2.00 540.00 3.00 1260.00 989. makanan dedak (X4).00 2200.00 126.00 9000.00 781.40 1.00 54000.25 90.

Tabel 8.00 794.00 32400.00 6.00 182. didapatkan nilai KMOMSA (Kaiser-Meyer-Olkin measure of sampling adequacy) sebesar 0.00 No.00 1090.00 45.00 2160.00 54000. (6) component scor coefisient matrix. (3) total variance explained test.00 1937.45 175.00 30600.00 9.20 209.00 202.00 108.00 43200.00 72.00 1447.00 1781. (4) cumunality.com .00 46800.00 126. dengan uraian seperti berikut.00 45000.00 2350.00 232.00 126.00 2700.00 21600.).00 2160. (1).00 16.00 225.00 8.00 1620.00 1172.00 13.00 1451.00 3780.853 > 0.00 36000.00 16.00 2532.4 di atas dapat digunakan hasil perhitungan seperti: (1) Kaiser-Meyer-Olkin (KMO test).00 13.00 90.00 1985.00 3429.00 45.00 799.00 1460.00 157.00 39000.00 41400.00 3423.5 berikut.00 34200.00 37800.00 1430.00 33400.00 1938.00 1620. Yang perlu diperhatikan dalam KMO and Bartlett's test yaitu nilai KMO-MSA dan nilai peluang (sig.00 3780.00 2989.00 2390.00 1140. kandang permanen D = 1 dan kandang tradisional D = 0.00 41400.00 39600.00 1131. Analisis faktor eksploratori dan 2).00 8.00 1334.00 50400.00 6.20 193.00 2160.00 1061.75 191. Analisis faktor konfirmatori.20 198.95 164.00 Obat (Dosis) (X6) 7.00 64400.00 36000.00 3240.00 3240.00 1477.50 180.00 39600.00 216.00 55800.00 813.00 2700.70 209.00 11.00 1065.00 7.00 90.00 1157.00 2007.00 15.25 172.00 36000.00 793.00 1946.00 2413.00 1891.00 41400. Untuk menjawab pertanyaan di atas.00 1620.00 27000.00 39600.00 1914.00 21600.00 1431.00 23400.00 1648.00 45000. (2) anti-image correlassion test.60 175.00 45.00 3361.00 2160.00 72.00 783.00 88200.00 Dedak (Kg) (X4) 1620.00 2160.05 dan dengan nilai peluang (p) < 0.00 75600.00 2160.00 45.50 168. dan (7) factor rotation. 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 .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 8.00 6.00 66600.00 63000.00 1359.00 Suplemen (Kg) (X5) 45. (5) component matrix.00 2700.00 45.00 45.00 32400. masing-masing dengan uraian: 1. Dari hasil analisis kelayakan faktor di atas.00 1620.00 1985.00 72.00 45000.00 798. 182 PDF created with pdfFactory Pro trial version www.00 36000.00 72.00 108.00 10.00 108.00 72.00 14.00 1778.00 1443.4 Data Pemeliharaan Ternak Sapi (lanjutan) Berat bibit (Kg) (X1) 807. Kaiser-Meyer-Olkin and Bartlett's Test.00 36000.00 Tenaga kerja (Jam) (X7) 157.00 1417.00 54000.00 12.95 187.00 3780.00 15.00 45.00 1113.00 28800.00 2160.00 1690.00 90.00 11.00 3240.00 807.00 2923.00 72.00 57600.00 15.25 171.00 14.00 2880. = p.00 23400.00 72.00 10.00 34200.75 135.00 45000.20 209.00 Hijauan ( Kg) (X2) 33400.00 1620.00 72.00 43200. Analisis faktor eksploratori Untuk menjelaskan data Tabel 8.00 43200.00 126.00 1994.70 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 10.00 21600.00 180.00 187.00 90.00 2700.00 12.00 1932.pdffactory.00 90000.00 32400.00 Jerami (Kg) (X3) 23760.00 2160.00 1299.00 34200.00 30600.35 187.00 36000.00 7.00 1620.00 168.00 12.00 1620.00 21600. ada dua macam analisis faktor yaitu: 1).

Sumbangan faktor bersama yang terbentuk dalam analisis dapat dilihat dari nilai Total variance explained.337 .125 -. dalam hal contoh ini sebanyak delapan faktor bersama.024 X4 .208 .5 maka variabel pengukuran tersebut harus dikeluarkan dari komponen faktor bersama dan data dianalisis ulang tanpa mengikut sertakan data yang nilai anti-image-nya < 0.039 -.335 -.015 -.679 28. Total variance explained test.697(a) -.887(a) -.257 -.6 di bawah ternyata dari delapan sub-variabel pengukuran atau dimensi yang difaktorkan menunjukkan semua variabel pengukuran mempunyai nilai anti image korelasi > 0.7 diketahui bahwa dari tujuh variabel pengukuran atau dimensi (X1 sd D) terbentuk dua faktor bersama.61 dan faktor bersama dua (F2) dengan persentase varians = 14.97% terdiri atas enam faktor bersama yang masing-masing nilainya dapat dilihat pada Tabel 8.081 .405 -.586 -.657 .pdffactory.586 .795(a) .6 Anti-image correlation X1 X2 X3 X4 X5 X6 X7 D Anti-image Matrices Correlation X1 .098 -.691 -.085 -.46 serta komulatif persentase varians yang terbentuk dari ke-dua faktor bersama adalah sebesar = 96.101 -.015 . 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. 183 PDF created with pdfFactory Pro trial version www.335 -.039 .208 . Faktor bersama dengan nilai initial eigenvalue total yang ≥ 1.848(a) -.405 .538 .081 X3 -. Dan apabila nilai anti-image < 0.125 -.033 X6 -.300 .7.128 .691 .148 .853 1031.284 .5 yang berarti bahwa semua sub-variabel pengukuran atau dimensi berhak dijadikan komponen faktor bersama penentu keberhasilan pemeliharaan ternak sapi.148 -.337 .584 -.538 X2 -.033 -.000 Approx.065 -.406 .199 -.199 . jumlah faktor bersama yang terbentuk adalah sebanyak variabel penyusunnya atu dimensi. Ternyata dari Tabel 8.041 . yaitu faktor berama satu (F1) dengan persentase variansnya = 81.904(a) -.792(a) (3). Tabel 8.128 -.098 -. merupakan faktor yang mewakili sub-variabel pembentuknyua.300 X5 -.284 -. Selanjutnya.085 -.971(a) -.041 -.584 .657 D . Tabel 8.000 0.406 .5 Hasil Analisis Kelayakan Faktor (KMO and Bartlett's Test) pada Pemeliharaan Ternak Sapi 0.com . Anti-image correlassion test.7.257 -.07 dan sisanya 3.065 . Chi-Square Degree of fredom Significant Kaiser-Meyer-Olkin Measure of Sampling Adequacy Bartlett's Test of sphericity (2). dari Tabel 8.486 -.869(a) -.486 -.Tabel 8.5.101 X7 -.024 -.

157 81.8 diketahui bahwa peranan dimensi yang terbesar adalah sub-variabel X5 sebesar 0.077 0.140 0. Tabel 8.049 0.000 1.011 0.964 0.397 99.139 0.000 Extraction 0.783 99.070 97.157 0.076 81.000 1.000 1.529 1. Nilai initial mencerminkan peranan atau sumbangan kalau variabel penyusun faktor secara individual membentuk faktor tersebut.Tabel 8. sehingga peranan atau sumbangan masing-masing dimensi atau sub-variabel penyusun terhadap faktor secara bersama yaitu F1 dan F2 seperti pada Tabel 8.460 81.9.907 atau 90.460 1.610 14.957 0. masing-masing dimensi penyusun faktornya terdapat pada Tabel 8.816 98. Dalam komunaliti (Communalities) faktor yang terbentuk merupakan satu kesatuan. Pada penjelasan (3) di atas bahwa terbentuk dua faktor bersama F1 dan F2. sedangkan extraction menjelaskan persentase peranan atau sumbangan masing-masing dimensi atau sub-variabel penyusun faktor secara individual terhadap vaktor.978 0.000 6.610 96.006 81.903 0.967 0. Pada penjelasan (3) di atas bahwa terbentuk dua faktor bersama F1 dan F2. (4) Communalities atau peranan faktor). 184 PDF created with pdfFactory Pro trial version www.784 99.946 0. (5) Component matrix (dimensi penyusun faktor). Dari Tabel 8. Perhatikan nilai-nilai pada setiap komponen faktor.8 Communalities (Peranan Variabel) Variable X1 X2 X3 X4 X5 X6 X7 D Initial 1.924 100.7 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 6.979 0.983 atau 98.com .746 0.529 1.7%.000 1.000 1.975 Extraction Method: Principal Component Perhatikan nilai initial dan extraction.614 0.000 1.pdffactory.3% dan yang terkecil adalah X7 sebesar 0.610 14.610 96.031 0.070 Extraction Method: Principal Component Analysis.000 1.387 0.983 0.8.

115 2 (F2) 0.892 0. dan nilai korelasi yang tertinggi pada F1 adalah korelasi antara F1 dengan X5 (rF1X5) sebesar 0.4 data tidak dapat dirotasi.168 -0.750 2 (F2) 0.com .555 185 PDF created with pdfFactory Pro trial version www.679 0. Sebagai contoh korelasi antara F1 dengan X1 dan F2 dengan X1 masing-masing komponen faktor sebesar 0. Apabila antara komponen faktor satu dan komponen faktor dua terdapat nilai-nilai dalam satu variabel pengukuran yang ≥ 0.5 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 ≥ 0.151 0.5 berarti bahwa dimensi atau sub-variabel pengukuran faktor tersebut merupakan anggota faktor yang terbentuk. Ternyata dari Tabel 8.719.9 Component Matrix (Variabel Penyusun Faktor) Component Dimensi X1 X2 X3 X4 X5 X6 X7 D 1 (F1) 0.149 0.034 -0.930 0. sehingga data selanjutnya diinterprestasi apa adanya pada analisis pertama.10.719 0.5 berarti bahwa dimensi sub-variabel pengukuran bukan anggota faktor tersebut.044 0.051 0.093 -0.029 -0.194 -0. Pada penjelasan pembicaraan ini. Tabel 8. Scor coefient merupakan kontanta atau koefisien serupa dengan koefisien regresi (βi ) pada persamaan regresi berganda.10 Component Scor Coefisien Matrix (Koefisien Dimensi Penyusun Faktor) Component Dimensi X1 X2 X3 X4 X5 X6 X7 D 1 (F1) 0. apabila nilai komponen faktornya ≥ 0.152 0.679 dan 0.991 0. Nilai komponen faktor dapat pula diartikan sebagai korelasi antara faktor yang terbentuk dengan komponennya (rFjXi).643 Extraction Method: Principal Component Analysis.967 0. Sebaliknya.108 -0. jika nilai komponen faktor < 0. Perhatikan komponen faktor satu (F1) dari X1 sd D.063 -0.143 0.148 0. karena setelah itersasi ke-3 kalinya menjadi konvergen.104 0.137 0.Tabel 8.pdffactory.5 pada dua komponen faktor atau lebih. menekankan pada bentuk hubungan atau model atau persamaan antara faktor dengan variabel penyusunnya Tabel 8.988 0.991.976 0. (6) Component scor coefient matrix atau koefisien dimensi penyusun faktor.621 0. a 2 components extracted.355 -0.073 -0.411 -0.

. Rumus umum Z adalah: Z i = Xi − X i . Sebagai contoh dimensi atau item X1 pada faktor F1 dan faktor F2 dengan nilai komponen faktor maing-masing sebesar 0.152 ZX5 + 0. . .149 ZX3 + 0.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 = 0.5 pada kedua faktor bersaama. ai dalam analisis faktor disebut bobot (loading) atau Component Scor Coefisien Matrix dari respons ke-i pada faktor bersama ke-j.168 ZX7 .9 baris kedelapan.643 keduanya ≥ |0. k) merupakan skor faktor atau komponen bersama ke-j ZXi = sub-variabel atau dimensi atau item yang distandarkan ai (i = 1.. k) merupakan galat dari respons ke-j. sehingga data diinterprestasi apa adanya seperti pada analisis pertama. (5) component matrix.115 ZD Untuk skor faktor duau -> F2 = 0. εj (i = 1. dan data tanpa satuan atau relatif).719 keduanya ≥ 0. (4) cumunality.. .143 ZX7 + 0.151 ZX4 + 0.148 ZX6 + 0. . Kecuali tidak melakukan rotasi faktor sehinga yang ditentukan: (1) Kaiser-MeyerOlkin (KMO test).10 di atas.063 ZX3 . (3) cumunality. dan (6) component scor coefisient matrix. + ap ZXp + εj Di mana: Fj (j = 1. p. Persamaan umum skor faktor Fj = a1 ZX1 + a2 ZX2 + .679 dan 0.621 ZX1 + 0.0. 2. .0.. .5 seperti pada Tabel 8.5 pada dua komponen faktor atau lebih.5|.0. . 2. . 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. sehingga persamaan skor faktor dari contoh analisis menjadi: Untuk skor faktor satu -> F1 = 0. karena setelah itersasi ke-3 menjadi konvergen. . k) merupakan parameter yang merefleksikan pentingnya faktor komponen ke-j.104 ZX1 + 0. Nilai koefisien scor matrix atau bobot faktor diambil dari Tabel 8.9 baris pertama. dan j = 1.0. . 186 PDF created with pdfFactory Pro trial version www. 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. maka analisis faktor harus diulang dengan cara lain atau dilakukan rotasi faktor (factor rotation).4 data tidak dapat dirotasi.4 dengan analisis faktor konfirmatori pola perhitungannya hampir sama seperti analisis faktor eksploratori yang telah dibicarakan. Ternyata dari Tabel 8. . (2) anti-image correlassion test. 2.pdffactory.029 ZX5 . Apabila antara komponen faktor yang satu dan komponen faktor yang lain terdapat nilai-nilai komponen faktor dalam satu variabel pengukuran yang ≥ 0. 2.com . Analisis faktor konfirmatori Untuk menjelaskan data pada Tabel 8.093 ZX6 . Demikian pula dimensi atau item D pada faktor F1 dan faktor F2 dengan nilai komponen faktor maing-masing sebesar 0. dalam analisis disebut sebagai faktor/ komponen spesifik ke-i yang bersifat acak. .. sehingga perlu dilakukan rotasi seperti pada Tabel 8.137 ZX2 + 0.355 ZX2 . 2.555 ZD (7) Factor rotation. varians = 1.0. .650 dan -0.

Seperti pada Tabel 8.12 Anti-image Matrices Correlation Hasil Analisis Faktor Makanan pada Pemeliharaan Ternak Sapi Anti-image Correlation X2 X3 X4 X5 X6 X2 . dan jenis obat-obatan (X6). seperti pada data Tabel 8.875(a) -0. KMO and Bartlett's test dan nilai peluang (sig.pdffactory. terlihat bahwa hanya sebuah faktor bersama makanan yang terbentuk dari sub-variabel penyusunnya.143 -0. dan (2) faktor makanan utambahan yang terdiri atas jenis suplemen (X5) dan jenis obat-obatan (X6).325 X6 0.110 X5 -0. Selanjutnya.369 .802(a) 0. Chi-Square Df Sig. Kaiser-Meyer-Olkin and Bartlett's Test.). Tergantung pada teori dan konsep yang diajukan atau dipostulatkan. makanan jerami kering (X3).936(a) a.05 dan dengan nilai peluang (p) < 0. 187 PDF created with pdfFactory Pro trial version www.11 berikut. Faktor makanan yang dapat dibentuk dari makanan hijauan (X2).853 649. Measures of Sampling Adequacy (MSA) (3).11 Hasil Analisis Kelayakan Faktor Makanan pada Pemeliharaan Ternak Sapi 0. makanan dedak (X4). faktor makanan dapat dipilah menjadi: (1) faktor makanan utama yang terdiri atas: makanan hijauan (X2). Dari Tabel 8.673 -0.com .Yang membedakan analisis faktor konfirmatori dengan analisis faktor eksploratori adalah penentuan sub-variabel pengukuran sudah ditentukan jauh sebelum analisis dilakukan. Sumbangan faktor bersama makanan yang terbentuk dari dimensi X2 sd X6 dengan persentase varians sebesar 93.660 -0.5 yang berarti bahwa semua variabel tersebut syah untuk difaktorkan menjadi faktor makanan Tabel 8.660 0.369 0.912(a) -0.13.110 -0.211 .368 -0. makanan jerami kering (X3). (2).644 10. Hasil analisis faktor konfirmatori faktor makan menjadi: (1). Tabel 8.000 0. jenis suplemen (X5).580. sebesar 0.763(a) -0. Anti-image correlassion test.132 X4 0. 853 > 0.000 Kaiser-Meyer-Olkin Measure of Sampling Adequacy Bartlett's Test of Sphericity Approx.313 X3 0.12 di bawah ternyata dari enam subvariabel pengukuran penyusun faktor makanan (X2 sd X6) menunjukkan semua variabel mempunyai nilai anti image korelasi > 0. Total variance explained test.679 ≥ 1. merupakan faktor yang mewakili sub-variabel pembentuknyua.8.673 0.368 -0.325 0. = p.313 -0. Faktor bersama makanan tersebut dengan nilai initial eigenvalue total sebesar 4.143 -0. dan makanan dedak (X4).132 -0.05 ini berarti bahwa semua sub-variabel pengukuran makanan layak sebagai faktor makanan (dari X2 sd X6) seperti pada Tabel 8. Jadi jumlah faktor bersama yang mewakili lima sub-variabel pengukuran atau dimensi X2 sd X6 ditentukan oleh satu faktor bersama makanan.211 -0.

000 Extraction Sums of Squared Loadings % of CumulaTotal Variance tive (%) 4.8% seperti pada Tabel 8.15 di bawah ini. Pada penjelasan total variance explained test di bawah bahwa terbentuk satu faktor bersama makanan. sehingga peranan atau sumbangan masingmasing dimensi atau sub-variabel penyusun faktor terhadap faktornya.968 Extraction Method: Principal Component Analysis.996 0.2% dan terkecil oleh sub variabel X2 (makanan hijauan) sebesar 81.984 99.982 0. seperti peranan sub-variabel makanan terhadap variabel makanan tertinggi ditentukan oleh sub variabel X5 (jenis suplemen) sebesar 99. Perhatikan nilai-nilai pada setiap komponen faktor.992 0.000 1.com .991 0.580 93. ternyata nilai komponen faktor ≥ 0.15 Component matrix (dimensi penyusun faktor) Dimensi faktor atau komponen penysun faktor X2 X3 X4 X5 X6 Component Faktor makanan 0.580 4.13 Sumbangan Komponen Faktor Makanan Component Total 1 2 3 4 5 4.847 .679 .580 Extraction Method: Principal Component Analysis.Tabel 8.153 100.000 Extraction 0.008 Initial Eigenvalues % of CumulaVariance tive (%) 93. Tabel 8.368 . karena terbentuk satu faktor bersama makanan. 188 PDF created with pdfFactory Pro trial version www.384 .975 0. Ternyata dari Tabel 8. Communalities atau peranan faktor.000 1.818 0.479 99. Dalam komunaliti faktor makanan yang terbentuk merupakan satu kesatuan.905 0.951 0.pdffactory. a One components extracted. Perhatikan komponen faktor makanan X2 sd X6. semua dimensi penyusun faktornya (X2 sd X6) terdapat pada Tabel 8.804 98.15 tidak perlu dirotasi. (4).024 .14 Communalities (Peranan Variabel = R2) Variable X2 X3 X4 X5 X6 Initial 1.679 93. Tabel 8.000 1.14 di bawah ini.5 berarti bahwa dimensi faktor makanan X2 sd X6 tersebut merupakan anggota faktor makananan yang terbentuk.936 Extraction Method: Principal Component (5) Component matrix (dimensi penyusun faktor).049 .240 .580 93.000 1.

213 ZX5 + 0.pdffactory.207 189 PDF created with pdfFactory Pro trial version www.213 0.: Fmakanan = 0.208 ZX3 + 0.212 0.193 0.212 ZX4 + 0.15 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. 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.208 0.207 ZX6.193 ZX2 + 0. Nilai skor faktor untuk setiap dimemsi skor faktor (SF) atau nilai koefisiennya = CFC.(5) Component scor coefient matrix atau fungsi hubungan dimensi-faktor. Tabel 8.com .