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

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

.Dari model [8..6] COV (Xi. merupakan proporsi varians dari variabel eksogen Xi. . STATGRAPHICS.3] dapat dinyatakan pula seperti persamaan [8. 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). . + C1m = ∑C i =1 2 ij Dari persamaan [8. . . di mana i ≠ k (i. 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). 171 PDF created with pdfFactory Pro trial version www.5] COV (Xi. Fm yang disebut faktor bersama (common factors).. Sedangkan. 2. Dalam kebanyakan analisis. dan terdapat banyak paket aplikasi komputer untuk analisis faktor seperti SPSS. ε1. .4] berikut ini. . . . . .4] 2 2 2 + C12 + . . MINITAB. Faktor acak F1. demikian pula dalam kebanyakan paket aplikasi komputer proses komputasi didasarkan pada metode komponen utama (PCA). dalam contoh penerapan analisis faktor akan menggunakan bantuan komputer. yang disebabkan oleh faktor spesifik atau galat (error) dan disebut sebagai varians spesifik (specific variance). . dengan sejumlah p sumber kovarians tambahan. Struktur varians-kovarians untuk model analisis faktor dinyatakan dalam persamaan [8. 2. ε2.pdffactory. STATISTICA. .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). model analisis faktor diduga berdasarkan metode komponen utama (PCA). εp yang disebut sebagai galat atau errors atau kadang-kadang disebut juga sebagai faktor spesifik (specific factors). + C1m 2 atau Var (Xi) = σ1i = hi + ψi Di mana: hi = C11 m 2 2 2 2 + C12 + . . Tampak dari persamaan [8. . Kovarians untuk variabel respons Xi dan Xk. Fj) = Cij i = 1. + Cim Ckm = 2 ∑c c i=1 m ij kj Kovarians antara variabel eksogen Xi dan faktor ke-j (Fj) ditentukan sebagai berikut: [8. Var (X1) = σ11 = C11 [8.4] di atas bahwa komunalitas hi merupakan jumlah kuadrat berbobot (loadings) dari variabel eksogen Xi pada k faktor bersama. . sedangkan komponen ψi. 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). p) ditentukan sebagai berikut: [8. p. AMOS. dan lain-lainnya. . m dan j = 1.3] di atas. . Xk) = Ci1 Ck1 + . k = 1. . . F2. 2. ...com .2] dan [8. . SXW. .

7] di bawah ini. + C 2 pj S 211 + S 2 22 + . + S 2 pp x 100% = Di mana: ∑ C ij2 i =1 tr ( S ) tr (S) = teras dari matriks varians-kovarians S 2 Sedangkan. 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%.23%) hal ini adalah sangat kecil.23%. Apabila pada analisis faktor didasarkan pada matriks varians-kovarians sampel S . maka analisis faktor dapat diturunkan dari matriks koefisien korelasi ρ yang diduga berdasarkan matriks koefisien korelasi sampel r. dan tiga faktor lainnya menjelaskan keragaman total hanya 5.8] 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. Berdasarkan metode komponen utama.Untuk dapat memahami secara baik tentang analisis faktor yang diturunkan berdasarkan metode komponen utama (PCA)..77% (= 1 . tiga. Sebagai contoh untuk kasus yang mempengaruhi pengkajian proses industrialisasi. dapat ditentukan banyaknya faktor yang perlu dilibatkan dalam analisis lanjutan.94. maka pembaca terlebih dahulu harus memahami secara baik tentang konsep matriks. apabila analisis faktor didasarkan pada matriks koefisien korelasi r.. banyaknya variabel Xi yang di analisis. karena berdasarkan analisis faktor diketahui bahwa keragaman total data yang diterangkan oleh faktor atau komponen utama pertama adalah cukup besar yaitu 94. 2.. maka besamya keragaman yang dapat diterangkan oleh faktor atau komponen ke-j (j = 1. [8.7] Peranan Fj = p 2 2 2 C1 j + C 2 j + . katakanlah hanya memilih k buah faktor dari p buah faktor yang mungkin dihasilkan (k<p). Apabila semua variabel yang diamati mempunyai satuan pengukuran yang sama..pdffactory. k) ditentukan berdasarkan persamaan dengan menggunakan persamaan [8. tr (r) = p..com .. seperti analisis regresi berganda.8] seperti uraian berikut 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. [8. . maka besamya keragaman yang dapat diterangkan oleh faktor atau komponen ke-j (j = 1. analisis faktor lanjutan (scond factor analysis).. maka model analisis faktor dapat diturunkan dari matriks varians-kovarians (Σ) yang diduga berdasarkan matriks varians-kovarians 2 sampel (S ) atau matriks korelasi ( r ). mungkin diperlukan dua... 172 PDF created with pdfFactory Pro trial version www.. . atau analisis yang lain. Dalam situasi lain. k) ditentukan berdasarkan persamaan [8. 2. maka cukup melibatkan satu faktor dari empat faktor yang dihasilkan dari hasil analisis faktor yang berdasarkan metode komponen utama. atau lebih faktor untuk digunakan sebagai faktor awal dalam analisis lanjutan.

atau item. Tujuan ketiga adalah untuk menguji valisitas dan reliabilitas instrumen dengan analisis faktor konfirmatori. 4. Tujuan kepertama untuk mereduksi sejumlah variabel asal yang jumlahnya banyak menjadi sejumlah variabel baru yang jumlahnya lebih sedikit dari variabel asal. apabila k buah faktor yang dilibatkan dalam analisis cukup banyak. Analisis faktor ini disebut analisis faktor kofirmatori.9] Var Xi yang diterangkan Fj = 2 Cij 2 ∑ Cij i =1 p x 100% Dalam situasi tertentu. atau variabel laten. Analisis faktor ekspolatori dan 2). Selain tujuan utama analisis faktor. Dalam melakukan reduksi data atau mengurangi jumlah variabel.. atau variabel komponen. Dengan demikian. dengan menggunakan pengujian koefisien korelasi antarfaktor dengan komponen pembentuknya. Tujuan keempat salah satu tujuan analisis faktor adalah validasi data untuk mengetahui apakah hasil analisis faktor tersebut dapat digeralisasi ke dalam populasinya. Nilai skor faktor (SF) dari variabel laten atau faktor yang terbentuk tergantung pada item atau sub-variabel penyusunnya. 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. .pdffactory. Hal ini dikarenakan adanya tumpang tindih variabel-variabel Xj yang dapat diterangkan oleh k buah faktor bersama tersebut. yang akan digunakan dalam analisis lanjutan. 3. maka peneliti sudah mempunyai suatu hipotesis baru berdasarkan hasil analisis faktor. dan variabel baru tersebut dinamakan faktor atau variabel laten atau konstruk atau variabel bentukan. 2. yang berupa nilai skor faktor (SF) atau skor komponen. Tujuan kedua adalah untuk mengidentifikasi adanya hubungan antarvariabel penyusun faktor atau dimensi dengan faktor yang terbentuk. 2. atau konstruk yang menggantikan sejumlah variabel asal.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.com . 173 PDF created with pdfFactory Pro trial version www. variabel atau komponen atau faktor yang terbentuk haruslah ada datanya.9] seperti berikut. atau faktor. Analisis faktor konfirmatori. . maka dilakuakan proses analisis faktor eksploratori atau analisis faktor eksplanatori untuk membuat sebuah set variabel baru. Untuk mengatasi hal ini. katakanlah k > 4. 8.4 Analisis Faktor Ekspolatori atau Analisis Komponen Utama Analisis faktor dapat dibedakan menjadi dua macam yaitu: 1). 8.Besarnya keragaman dari variabel Xi yang dapat diterangkan oleh faktor atau komponen ke-j di mana (j = 1. Faktor yang terbentuk merupakan besaran acak (random quantities) yang sebelumnya tidak dapat diamati atau diukur atau ditentukan secara langsung. atau demensi penyusunnya. Seringkali analisis faktor eksploratori merupakan analisis awal untuk digunakan pada analisis lanjutan dari suatu rangkaian analisis dalam suatu penelitian. k) ditentukan berdasarkan persamaan [8. [8. maka dilakukan rotasi faktor (factor rotation). terdapat tujuan lainnya adalah: 1. sehingga setelah terbentuk faktor. . maka terdapat kesulitan dalam menginterpretasikan hasil analisis faktor. .

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

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

Pada tahap kedua. 3.pdffactory. Untuk proses uji validasi reliabilitas dengan metode analisis faktor konfirmatori ada beberapa macam syarat hang harus dipenuhi yaitu: 1. maka dilakukan faktoring atau mereduksi item dengan jalan sub-variabel yang tidak layak difaktorkan dikeluarkan dari analisis faktor. kelengkapan barang yang dijual. Suatu penelitian yang ingin mengetahui faktor apa saja yang sebenarnya membuat seseorang ingin membeli barang pada suatu pertokoan.1 Contoh analisis faktor eksploratori (CPA) Apa yang dijelaskan pada sub Bab 8. Hasil output komputer sebagai berikut dan datanya tidak ditampilkan: Tabel 8. maka dapat dilakukan analisis data lanjutan dengan menggunakan nilai skor faktor (SF).552 87.437 28 0. dan selamjutnya akan dijelaskan pada aplikasi praktis dalam penelitian. 8.1 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. sebaiknya faktor dibentuk lebih dari dua item.pembuktiannya dibutuhkan sebuah pengujian empirik. pelayanan kasir. Selanjutnya.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. Pengujian empirik itulah kadangkala di l a ku k an me l a kui analisis SEM (Sistem Equation Modeling). Pada langkah selanjutnya. Oleh karena itu. dan sebaliknya apabila sub-variabel tersebut layak maka diikutkan pada analisis. Analisis SEM digunakan untuk menguji kausalitas yang sudah jelas ada dasar teorinya.2 adalah analisis faktor eksploratori. Akan tetapi. image. dilakukan analisis ulang. sehingga terbentuk satu faktor yang dapat mewakili sub-variabel dengan item pembentuk faktor yang baru.7. dan kebersihan toko. tetapi sangat disarankan berdasarkan pertimbangan problem indentifikasi. Apabila tidak layak maka sub-variabel tersebut tidak diikutkan sertakan pada analisis faktor. 8. pelayanan karyawan toko. 176 PDF created with pdfFactory Pro trial version www. promosi. pengembangan sebuah teori yang berdasarkan landasan il mi ah adalah syarat utama dan pertama sebelum menggunakan analisis SEM. bukan digunakan u n t u k membentuktikan sebuah teori kausalitas. Walaupun terdapat beberapa contoh hasil penelitian di mana faktor hanya dibentuk oleh dua variabel terobservasi. harga barang.com . item-item yang tidak layak untuk difaktorkan.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. 2.7 Contoh Analisis Faktor Eksploratori dan Analisis Faktor Konfirmatori 8. setelah faktornya terbentuk. Untuk itu dilakukan penelitian dan responden diminta pendapatnya mengenai atribut pertokoan seperti: layout pertokoan. Pada tahap kepertama menilai apakah semua sub-variabel atau item atau indikator pembentuk faktor layak untuk diikutkan pada analisis faktor atau tidak.

1 nilai KMO-MSA > 0.1030 . harga. lengkap.5095 . image.3 di bawah ini.5.45130 .1930 -.4740 a Pelkasir Promosi Image .6240 a Layout Lengkap Layout .2520 . dan bersih.3 di bawah. khususnya nilai pada angka koefisien korelasi yang berada pada off diagonal (nilai yang ditebalkan). promosi.2.210 .2070 .2030 ..2670 .0503 . Analisis lebih lanjut adalah melakukan reduksi terhadap variabel yang tidak layak difaktorkan atau dikenal dengan istilah faktoring atau eliminasi.05 dan angka KMO-MSA > 0.5280 Lengkap Harga Pelkar Pelkasir Promosi Image Bersih a Pelkar .6140 a -.7080 .1040 -. Variabel yang layak dianalisis lebih lanjut adalah: layout.0451 .0598 -. dan bersih telah dianalisis dan terbentuk menjadi dua faktor yaitu komponen faktor-1 dan komponen faktor-2 (Component-1 dan Component-2).1500 -.1300 .0488 -.4150 -. Sebagai kriteria umum apabila tingkat kemaknaan yaitu p < 0.1300 -.Apabila nilai KMO-MSA sama dan lebih besar dari setengah dan dengan nilai signifikan (sig) atau peluang (p) lebih kecil dari setengah.2570 .2520 .2030 -. sehingga analisis faktor yang dilakukan menunjukkan sampel tersebut layak untuk difaktorkan dan faktornya dapat dianalisis lebih lanjut.1300 -. maka dikatakan bahwa itemiem yang dianalisis dalam analisis faktor sudah layak untuk difaktorkan.000.1290 -. Dari hasil analisis faktor. Tabel 8.4760 a Bersih -.1700 .1040 -. lengkap. Cara memasukkan sub-variabel ke dalam faktor dapat dilihat dari angka koefisien komponennya yaitu apabila nilainya > 0.pdffactory.5 dan dengan nilai peluang (p) < 0.0044 . menunjukkan bahwa ke enam variabel: layout.2 Anti Image Matrices Harga -.0587 -.5050 a -.1290 .1580 .1700 -.30 .2070 . image. Kemudian perhatikan dari Tabel 8.0599 -.0474 -.05034 -.com . dan hasilnya seperti pada Tabel 8.3 berikut. promosi.0510 . lengkap. harga.5.1580 .1930 .1580 .552 dengan nilai sig atau peluang (p) = 0.2 berikut di mana nilai matriks anti image correlation. maka variabel tersebut harus dikeluarkan atau dieliminasi dari analisis faktor.1 di atas didapatkan nilai Kaiser-Meyer-Olkin-Measure of Sampling Adequacy sebasar 0.1210 . Ternyata dari Tabel 8.5130 . 177 PDF created with pdfFactory Pro trial version www.0044 -.09301 a Measures of Sampling Adequacy (MSA) Apabila nilai anti image correlation lebih kecil dari setengah. dan bersih seperti Tabel 8.05. variabel yang tidak layak dianalisis lebih lanjut adalah: pelkar dan pelkasir.4735 a .0463 -. Dari Tabel 8.1300 -.0467 -. Perhatikan nilai yang diberi tanda dengan a atau yang ditebalkan.1500 -.4631 .4882 -. Perhatikan Tabel 8.1030 -. Setelah sub-variabel pelkar dan pelkasir di faktoring dan dianalisis kembali.2670 a .0667 -.0587 -. Dari Tabel 8.1580 . maka variabel tersebut tidak layak dianalisis lebih lanjut.09. 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.4150 .2570 -. sehingga sub-variabel terukur atau item tersebut dimasukan ke dalam faktor yang bersangkutan. Apabila nilai matriks anti image correlation lebih kecil dari setengah.

pdffactory.304 E -0.1 Harga Promosi Image Pola Analisis Faktor Konfirmatori Contoh Gambar 8. faktor internal (FI) dan faktor eksternal (FE) adalah berupa variabel unobserable atau variabel yang tidak teramati atau berupa faktor. Selanjutnya. yang termasuk ke dalam faktor-2 atau komponen-2 yang selanjutnya disebut faktor eksternal (FE) adalah sub-variabel atau item harga.555 0. faktor skunder penjualan dihipotesiskan ditentukan oleh faktor internal (FI) dan faktor eksternal (FE). Sehingga.3 Component Matrix Item 1 Layout Lengkap Harga Promosi Image Bersih 7.1 berbeda dengan uraian dari Tabel 8. Variabel pelkar dan pelkasir telah dikeluarkan dari analisis faktor (faktoring). FE FI Layout Lengkap Bersih Gambar 8. peneliti secara apriori telah dapat membuat atau membangun suatu hipotesis berdasarkan konsep dan teori dengan faktor strukturnya yang telah ditentukan.05. lengkap.683 -02 9.1 di atas. semenjak analisis faktor dilakukan karena nilai anti image correlation-nya <0.737 Sedangkan. 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. Analisi faktor yang dilakukan di atas adalah analisis faktor eksploratori 8. Suatau hal yang harus diperhatikan bahwa.7.2 Contoh analisis faktor konfirmatori (CFA) Pada analisis faktor konfirmatori. Sebagai contoh faktor struktur digambarkan seperti di bawah ini.774 -02 7. promosi.Tabel 8.622 0. dan bersih hanya mengukur 178 PDF created with pdfFactory Pro trial version www.035 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.280 -6.331 0.3 di atas. Dari Gambar 8.com .156 E-03 0.735 0. dalam analisis faktor konfirmatori satu sub-dimensi atau satu indikator seperti layout.148 E -03 Component 2 0. dan image.

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

3 maka item tersebut dapat dikatakan ikut membentuk fator yang dimaksud. Apabila dari signifikansi model menunjukkan nilai uji chi-square dengan nilai yang ≥ 0. pengujian sub-demensi yang membentuk faktor dapat dilakukan dengan uji-t. 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. maka sub-variabel atau demensi teramati atau item atau indikator tersebut dapat diterima sebagai sub-variabel pembentuk faktor. promosi. hal ini berarti bahwa variabel harga.Layout Bersih Lengkap FI Harga Promosi FE Image Gambar 8. Ada juga yang memakai nilai koefisien komponen matriks setiap sub-variabel atau dimensi bernilai ≥ 0.pdffactory. 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.05. dan image tersebut dapat dianggap sebagai indikator atau sub-demensi faktor eksternal. untuk pendugaan parameternya. Pada analisis faktor konfirmatori. Akan tetapi. selain penggunakan matriks korelasi anti image. sehingga variabel tersebut dapat dikatakan bahwa kedua variabel bukan indikator atau sub-demensi pembentuk faktor internal (FI).05 artinya model analisis faktor tersebut adalah Fit (cara pembuktian dengan AMOS).5. Ada pula yang mengatakan bahwa apabila nilai koefisien komponen matriks setiap sub-variabel bernilai ≥ 0.05 dengan derajat bebas (db) = n-1. Gambar 8. secara teori pada umumnya menggunakan prosedur maksimum likelihood bukan yang lain. maka direkomendasikan pada model analisis faktor konfirmatori menggunakan matriks varians-kovarians. analisisnya menggunakan matriks korelasi atau matriks varians-kovarians. 180 PDF created with pdfFactory Pro trial version www.com . Cara lain untuk mengkofirmasi sub-dimensi pembentuk faktor dapat menggunakan analisis dengan AMOS.32. yang ini bersifat relatif dan tergantung pada sipeneliti. Apabila dibandfingkan dengan t-tabel pada taraf nyata (α) = 0.

90 149.00 101.00 9000.00 2.00 4.20 50.00 34200.00 54000.00 27000.00 1990.00 1460.00 16200.00 16200.00 2.00 25.00 1609.40 1.00 3.50 99.00 1419.75 108.00 546.00 973.80 30.00 1260.00 1158.00 180.00 23400.25 90.40 36.00 6480.00 1167.00 575.25 157.00 9720.00 21900.00 2.00 865.00 3.00 544.00 5.pdffactory.00 1771.00 18000.90 18.00 16200.00 12600.00 36.00 32400. tenaga kerja yang dicurahkan pada usaha ternaknya (X6).00 1080.00 2.00 21600.00 360.00 180.00 10800.50 101.00 3.00 781.00 1200.00 34560.00 2381.00 575.00 1080.00 796.00 1080.00 2.00 23400.00 1598.00 19.60 21.00 21600.60 10.00 1065.00 45000.00 938.00 540.00 3.50 135. makanan kering jerami (X3).00 14400.00 2052.00 126.00 6. dan kandang tradisional D = 0.00 900.00 14.00 2042.00 7.00 1260.80 16.00 36.00 1080.00 862.00 Obat (Dosis) (X6) 2.4 Data Pemeliharaan Ternak Sapi Berat bibit (Kg) (X1) 555.00 1171.00 148.00 21600.00 14400.00 17280.00 1544.00 6.00 6.00 3.00 18.85 149.00 900.00 6.00 540.00 900.00 900.00 360.00 1080.00 360.00 17280.00 12960.00 9000.00 46800.00 23400.00 804.00 90.50 137.60 27.00 7200.00 1558.60 1.00 57600.00 6. 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. jenis obat-obatan (X6).00 25200.00 90.00 720.00 575.00 540.00 3082.00 1138.00 23400.00 36.00 36000.20 27.00 1214.00 720.00 27000.00 720.25 99.com .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) 785.00 885.00 2001.00 21600.40 12.00 14400.00 43.00 18000.00 103. jumlah makanan hijauan (X2).00 No.00 5.00 584.00 12960.00 10800.00 3.00 3.00 5.00 360.00 34200.00 540.20 43.00 112.40 61.00 10800.00 12600. Keberhasilan diukur dengan berat sapi yang dijualnya (Y) setelah pemeliharaan.25 90.50 101.00 1.00 720.00 21600.00 148. Cobalah lakukan analisis faktor ekspolatori dan analisis faktor konfirmatori dari data pada Tabel 8.00 1125.00 2803.00 540.00 34560.40 160.00 112.00 566.00 7200.50 117.00 25920.80 30.00 92.00 4.00 813.00 1460.00 1.00 5400.00 540.00 5.00 1211.50 194.00 43200.00 8.00 3.00 36.00 36000. Tabel 8.00 101.1 di bawah ini.00 575.00 2041.00 Jerami (Kg) (X3) 7200.00 809.00 1731.00 870.00 112.00 1628.60 32.00 1117.00 976.8.00 99.00 Dedak (Kg) (X4) 360.00 32400.25 123.25 90.00 1251.00 5760.00 28.00 2200.00 14400.00 12600.00 5400.00 1551.00 9000.50 126.00 1695.00 2.00 16200.00 1455.00 63000.00 11520.00 875.00 883.00 1080.00 1682.00 1080. makanan dedak (X4).00 Hijauan ( Kg) (X2) 14400.00 30600.00 1080.00 1252.21 36.00 16200.00 534.00 Tenaga Kerja (Jam) (X7) 112.00 6480. Kandang yang digunakan adalah kandang permanen D = 1.00 8640.00 9720.00 525.50 171.9 Aplikasi Analisis Faktor Suatu kelompok peternak pemelihara sapi ingin mengetahui keberhasilan pemeliharaan ternak sapinya yang didasarkan pada berat bibit awal yang dipeliharanya (X1).00 18000.00 989.20 18.00 Suplemen (Kg) (X5) 1.20 43.00 1186.80 14.00 875.00 817.00 600.00 1238.00 21.20 28.00 1080.00 2.00 90.00 180.00 4.00 2369. jenis suplemen (X5). dan jenis kandang (D) yang digunakan pada pemeliharaan ternaknya.00 6.00 4.00 19800.00 12.00 822.

00 157.00 64400. didapatkan nilai KMOMSA (Kaiser-Meyer-Olkin measure of sampling adequacy) sebesar 0.00 36000.00 1781.00 180.00 2413.00 41400.00 1477.00 2700.00 Hijauan ( Kg) (X2) 33400.00 14. (2) anti-image correlassion test.00 50400.00 43200.95 187.00 1443.00 45.00 3240. 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 . (5) component matrix.00 2390.00 6.00 7. (4) cumunality.5 berikut.50 180.00 1778.00 2532.00 182.00 1891.00 807.4 di atas dapat digunakan hasil perhitungan seperti: (1) Kaiser-Meyer-Olkin (KMO test).00 2989.00 13.00 57600.00 794.00 Dedak (Kg) (X4) 1620.00 27000.00 1431. Untuk menjawab pertanyaan di atas.4 Data Pemeliharaan Ternak Sapi (lanjutan) Berat bibit (Kg) (X1) 807.20 193.00 1359. kandang permanen D = 1 dan kandang tradisional D = 0.00 21600.00 126.00 1620.00 1932.00 2700.00 2160.00 1994.00 39600.00 28800. 182 PDF created with pdfFactory Pro trial version www.00 783.00 2160.00 45000.00 8.00 1620.00 232.00 72.00 36000.00 72.00 7.00 33400.00 1447.00 168.00 30600. Analisis faktor konfirmatori.00 72.00 3780.00 3429.00 45.00 41400. Kaiser-Meyer-Olkin and Bartlett's Test.Tabel 8.00 1334.50 168.00 9.00 108.00 2700.00 3361.). = p.00 3240.00 16.00 1299.00 1620.00 14.00 1061.00 36000.00 793.00 12.00 45.00 Jerami (Kg) (X3) 23760.25 172.00 36000. Dari hasil analisis kelayakan faktor di atas.00 30600.00 39000.00 1620.00 15.75 191.00 1417.00 187.00 1690.35 187.00 13.00 108.00 12.00 90000.00 21600.00 10.00 23400. Analisis faktor eksploratori Untuk menjelaskan data Tabel 8.00 45.00 10.00 15.00 45000.00 90.00 225.00 45000.00 90.00 1131.00 813.00 Suplemen (Kg) (X5) 45.20 209.00 1985.00 39600.00 11.00 43200.00 32400.00 3780.00 45000.00 45.00 1938.00 72. dengan uraian seperti berikut.00 3780.20 209.00 1460.00 55800.00 72.00 75600.00 1065.00 32400.00 36000. ada dua macam analisis faktor yaitu: 1).00 1620.00 2007.75 135.00 2160.00 88200.00 46800.00 21600.00 90.00 3240.95 164.00 1937. (3) total variance explained test.00 1985.00 216.00 799.00 16.00 32400.00 37800.05 dan dengan nilai peluang (p) < 0.00 1172.25 171.00 39600.00 1620.00 1430. (1).00 126.pdffactory. Analisis faktor eksploratori dan 2).00 43200.00 6.00 15.00 798.00 1648.45 175.00 1090.70 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 3423.00 2160.00 66600.00 23400.05 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 2160.00 10.com .00 2923.00 34200.70 209.00 12.00 11.00 2880.00 1157.00 54000.00 2160.60 175.00 Tenaga kerja (Jam) (X7) 157.00 2160. (6) component scor coefisient matrix.00 108.00 2160.00 54000.00 63000.00 1620.00 2700.00 34200.00 45.00 72.00 No.00 1140.00 45.853 > 0.00 1113.00 41400.00 1451. Yang perlu diperhatikan dalam KMO and Bartlett's test yaitu nilai KMO-MSA dan nilai peluang (sig.00 36000.20 198.00 Obat (Dosis) (X6) 7.00 1946.00 126.00 2350. masing-masing dengan uraian: 1.00 34200.00 21600.00 6.00 72.00 1914. dan (7) factor rotation.00 8.00 72.00 90.00 202.

691 -.284 -.085 -.039 . dari Tabel 8.46 serta komulatif persentase varians yang terbentuk dari ke-dua faktor bersama adalah sebesar = 96.335 -.081 X3 -. Faktor bersama dengan nilai initial eigenvalue total yang ≥ 1.065 -.257 -.869(a) -.6 Anti-image correlation X1 X2 X3 X4 X5 X6 X7 D Anti-image Matrices Correlation X1 .199 -. Tabel 8. merupakan faktor yang mewakili sub-variabel pembentuknyua.406 .199 .538 X2 -.795(a) .887(a) -.065 .853 1031.7.691 .406 .61 dan faktor bersama dua (F2) dengan persentase varians = 14. Selanjutnya.125 -. Anti-image correlassion test.5 Hasil Analisis Kelayakan Faktor (KMO and Bartlett's Test) pada Pemeliharaan Ternak Sapi 0.792(a) (3).584 .041 -.pdffactory.697(a) -.000 Approx.405 .128 -.300 X5 -.07 dan sisanya 3.538 .com .085 -.6 di bawah ternyata dari delapan sub-variabel pengukuran atau dimensi yang difaktorkan menunjukkan semua variabel pengukuran mempunyai nilai anti image korelasi > 0. Dan apabila nilai anti-image < 0.208 . Total variance explained test. jumlah faktor bersama yang terbentuk adalah sebanyak variabel penyusunnya atu dimensi.300 .486 -.586 -.337 . Sumbangan faktor bersama yang terbentuk dalam analisis dapat dilihat dari nilai Total variance explained. dalam hal contoh ini sebanyak delapan faktor bersama.904(a) -.039 -. Tabel 8.015 . 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 F2.208 .024 -.657 .148 .024 X4 .335 -.033 -.128 . yaitu faktor berama satu (F1) dengan persentase variansnya = 81.098 -.97% terdiri atas enam faktor bersama yang masing-masing nilainya dapat dilihat pada Tabel 8.033 X6 -. Ternyata dari Tabel 8.125 -.5.7.000 0.337 . Chi-Square Degree of fredom Significant Kaiser-Meyer-Olkin Measure of Sampling Adequacy Bartlett's Test of sphericity (2).584 -.586 .405 -.284 .041 .098 -.257 -.5 maka variabel pengukuran tersebut harus dikeluarkan dari komponen faktor bersama dan data dianalisis ulang tanpa mengikut sertakan data yang nilai anti-image-nya < 0.679 28.081 .486 -.7 diketahui bahwa dari tujuh variabel pengukuran atau dimensi (X1 sd D) terbentuk dua faktor bersama.015 -.971(a) -.848(a) -.5 yang berarti bahwa semua sub-variabel pengukuran atau dimensi berhak dijadikan komponen faktor bersama penentu keberhasilan pemeliharaan ternak sapi. 183 PDF created with pdfFactory Pro trial version www.657 D .148 -.101 -.101 X7 -.Tabel 8.

983 0.157 81. Tabel 8.049 0.957 0.9.140 0.967 0.8 Communalities (Peranan Variabel) Variable X1 X2 X3 X4 X5 X6 X7 D Initial 1.000 1.070 Extraction Method: Principal Component Analysis. Pada penjelasan (3) di atas bahwa terbentuk dua faktor bersama F1 dan F2.746 0.000 1.783 99. masing-masing dimensi penyusun faktornya terdapat pada Tabel 8.964 0.139 0.000 1. sedangkan extraction menjelaskan persentase peranan atau sumbangan masing-masing dimensi atau sub-variabel penyusun faktor secara individual terhadap vaktor.000 1.157 0.460 1.011 0.979 0.397 99.816 98.7 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. Nilai initial mencerminkan peranan atau sumbangan kalau variabel penyusun faktor secara individual membentuk faktor tersebut.pdffactory.983 atau 98.000 1. (4) Communalities atau peranan faktor).907 atau 90.077 0.610 96.com . Dalam komunaliti (Communalities) faktor yang terbentuk merupakan satu kesatuan.8 diketahui bahwa peranan dimensi yang terbesar adalah sub-variabel X5 sebesar 0. Perhatikan nilai-nilai pada setiap komponen faktor.610 14. Dari Tabel 8.000 6.8.529 1.610 14.006 81.784 99.000 Extraction 0.Tabel 8.7%.460 81.3% dan yang terkecil adalah X7 sebesar 0.610 96.946 0.978 0.070 97.000 1.924 100.000 1.387 0.031 0.903 0.529 1.076 81.614 0. Pada penjelasan (3) di atas bahwa terbentuk dua faktor bersama F1 dan F2. sehingga peranan atau sumbangan masing-masing dimensi atau sub-variabel penyusun terhadap faktor secara bersama yaitu F1 dan F2 seperti pada Tabel 8. (5) Component matrix (dimensi penyusun faktor).975 Extraction Method: Principal Component Perhatikan nilai initial dan extraction. 184 PDF created with pdfFactory Pro trial version www.

137 0. Pada penjelasan pembicaraan ini.143 0.719 0.051 0. a 2 components extracted.9 Component Matrix (Variabel Penyusun Faktor) Component Dimensi X1 X2 X3 X4 X5 X6 X7 D 1 (F1) 0. menekankan pada bentuk hubungan atau model atau persamaan antara faktor dengan variabel penyusunnya Tabel 8.930 0.152 0.5 berarti bahwa dimensi sub-variabel pengukuran bukan anggota faktor tersebut.4 data tidak dapat dirotasi.151 0.073 -0. karena setelah itersasi ke-3 kalinya menjadi konvergen.719.988 0.976 0. Nilai komponen faktor dapat pula diartikan sebagai korelasi antara faktor yang terbentuk dengan komponennya (rFjXi).Tabel 8.750 2 (F2) 0. sehingga data selanjutnya diinterprestasi apa adanya pada analisis pertama.679 0.149 0. jika nilai komponen faktor < 0. (6) Component scor coefient matrix atau koefisien dimensi penyusun faktor.034 -0.555 185 PDF created with pdfFactory Pro trial version www. Ternyata dari Tabel 8.148 0.5 pada dua komponen faktor atau lebih.168 -0.679 dan 0. Sebagai contoh korelasi antara F1 dengan X1 dan F2 dengan X1 masing-masing komponen faktor sebesar 0.104 0.10.044 0.pdffactory. dan nilai korelasi yang tertinggi pada F1 adalah korelasi antara F1 dengan X5 (rF1X5) sebesar 0.892 0.115 2 (F2) 0. Apabila antara komponen faktor satu dan komponen faktor dua terdapat nilai-nilai dalam satu variabel pengukuran yang ≥ 0.10 Component Scor Coefisien Matrix (Koefisien Dimensi Penyusun Faktor) Component Dimensi X1 X2 X3 X4 X5 X6 X7 D 1 (F1) 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.com .063 -0.967 0.5 berarti bahwa dimensi atau sub-variabel pengukuran faktor tersebut merupakan anggota faktor yang terbentuk.411 -0. Sebaliknya.355 -0. Tabel 8. Perhatikan komponen faktor satu (F1) dari X1 sd D.194 -0.108 -0.991.093 -0.643 Extraction Method: Principal Component Analysis.621 0.029 -0.991 0. apabila nilai komponen faktornya ≥ 0.

2.5 pada dua komponen faktor atau lebih. Rotasi faktor dilakukan dengan metode varimax atau equamax atau yang lain sampai tidak terdapat nilai komponen bersama yang ada pada sub-variabel ≥ 0. .. ai dalam analisis faktor disebut bobot (loading) atau Component Scor Coefisien Matrix dari respons ke-i pada faktor bersama ke-j.9 baris kedelapan. k) merupakan parameter yang merefleksikan pentingnya faktor komponen ke-j. 2. .719 keduanya ≥ 0. dan (6) component scor coefisient matrix. 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.621 ZX1 + 0. . . karena setelah itersasi ke-3 menjadi konvergen.0.pdffactory. maka analisis faktor harus diulang dengan cara lain atau dilakukan rotasi faktor (factor rotation).151 ZX4 + 0. 186 PDF created with pdfFactory Pro trial version www.9 baris pertama.650 dan -0. dalam analisis disebut sebagai faktor/ komponen spesifik ke-i yang bersifat acak. 2.5 pada kedua faktor bersaama..5 seperti pada Tabel 8.4 dengan analisis faktor konfirmatori pola perhitungannya hampir sama seperti analisis faktor eksploratori yang telah dibicarakan.137 ZX2 + 0.115 ZD Untuk skor faktor duau -> F2 = 0. p. dan data tanpa satuan atau relatif).10 di atas.. Persamaan umum skor faktor Fj = a1 ZX1 + a2 ZX2 + . .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. k) merupakan galat dari respons ke-j. .168 ZX7 .148 ZX6 + 0. . sehingga persamaan skor faktor dari contoh analisis menjadi: Untuk skor faktor satu -> F1 = 0. Apabila antara komponen faktor yang satu dan komponen faktor yang lain terdapat nilai-nilai komponen faktor dalam satu variabel pengukuran yang ≥ 0. sehingga data diinterprestasi apa adanya seperti pada analisis pertama.355 ZX2 . sehingga perlu dilakukan rotasi seperti pada Tabel 8. Kecuali tidak melakukan rotasi faktor sehinga yang ditentukan: (1) Kaiser-MeyerOlkin (KMO test).143 ZX7 + 0.. Rumus umum Z adalah: Z i = Xi − X i . .149 ZX3 + 0. (5) component matrix.4 data tidak dapat dirotasi. (3) cumunality.029 ZX5 . k) merupakan skor faktor atau komponen bersama ke-j ZXi = sub-variabel atau dimensi atau item yang distandarkan ai (i = 1. .com . (2) anti-image correlassion test. Sebagai contoh dimensi atau item X1 pada faktor F1 dan faktor F2 dengan nilai komponen faktor maing-masing sebesar 0. Analisis faktor konfirmatori Untuk menjelaskan data pada Tabel 8.555 ZD (7) Factor rotation.104 ZX1 + 0.0. varians = 1. + ap ZXp + εj Di mana: Fj (j = 1.152 ZX5 + 0.0. . (4) cumunality. Demikian pula dimensi atau item D pada faktor F1 dan faktor F2 dengan nilai komponen faktor maing-masing sebesar 0. .044 ZX4 + 0. . 2. . Nilai koefisien scor matrix atau bobot faktor diambil dari Tabel 8. .679 dan 0.643 keduanya ≥ |0.093 ZX6 .0.5|.063 ZX3 . Ternyata dari Tabel 8. dan j = 1. εj (i = 1.0. .

dan jenis obat-obatan (X6).143 -0.580.000 Kaiser-Meyer-Olkin Measure of Sampling Adequacy Bartlett's Test of Sphericity Approx. Chi-Square Df Sig.368 -0.325 X6 0.11 Hasil Analisis Kelayakan Faktor Makanan pada Pemeliharaan Ternak Sapi 0. Dari Tabel 8. Tabel 8.000 0.325 0.673 -0.11 berikut. Total variance explained test.211 -0.673 0. Selanjutnya.143 -0.211 .644 10.Yang membedakan analisis faktor konfirmatori dengan analisis faktor eksploratori adalah penentuan sub-variabel pengukuran sudah ditentukan jauh sebelum analisis dilakukan. Measures of Sampling Adequacy (MSA) (3). jenis suplemen (X5).853 649.679 ≥ 1. seperti pada data Tabel 8.660 -0.com . Faktor makanan yang dapat dibentuk dari makanan hijauan (X2). faktor makanan dapat dipilah menjadi: (1) faktor makanan utama yang terdiri atas: makanan hijauan (X2).8.pdffactory. 853 > 0.368 -0.05 ini berarti bahwa semua sub-variabel pengukuran makanan layak sebagai faktor makanan (dari X2 sd X6) seperti pada Tabel 8.875(a) -0.912(a) -0.369 .12 di bawah ternyata dari enam subvariabel pengukuran penyusun faktor makanan (X2 sd X6) menunjukkan semua variabel mempunyai nilai anti image korelasi > 0.110 -0.763(a) -0.313 -0. 187 PDF created with pdfFactory Pro trial version www.936(a) a.5 yang berarti bahwa semua variabel tersebut syah untuk difaktorkan menjadi faktor makanan Tabel 8.110 X5 -0. Faktor bersama makanan tersebut dengan nilai initial eigenvalue total sebesar 4. merupakan faktor yang mewakili sub-variabel pembentuknyua.12 Anti-image Matrices Correlation Hasil Analisis Faktor Makanan pada Pemeliharaan Ternak Sapi Anti-image Correlation X2 X3 X4 X5 X6 X2 . KMO and Bartlett's test dan nilai peluang (sig.). sebesar 0. dan makanan dedak (X4). Tergantung pada teori dan konsep yang diajukan atau dipostulatkan. dan (2) faktor makanan utambahan yang terdiri atas jenis suplemen (X5) dan jenis obat-obatan (X6). Anti-image correlassion test. Jadi jumlah faktor bersama yang mewakili lima sub-variabel pengukuran atau dimensi X2 sd X6 ditentukan oleh satu faktor bersama makanan.05 dan dengan nilai peluang (p) < 0.660 0.802(a) 0. Sumbangan faktor bersama makanan yang terbentuk dari dimensi X2 sd X6 dengan persentase varians sebesar 93. Hasil analisis faktor konfirmatori faktor makan menjadi: (1). (2). Seperti pada Tabel 8.132 X4 0.132 -0.313 X3 0. makanan jerami kering (X3). = p.369 0.13. terlihat bahwa hanya sebuah faktor bersama makanan yang terbentuk dari sub-variabel penyusunnya. makanan jerami kering (X3). Kaiser-Meyer-Olkin and Bartlett's Test. makanan dedak (X4).

000 1.580 Extraction Method: Principal Component Analysis.804 98. sehingga peranan atau sumbangan masingmasing dimensi atau sub-variabel penyusun faktor terhadap faktornya.996 0.153 100.pdffactory. Perhatikan nilai-nilai pada setiap komponen faktor. Perhatikan komponen faktor makanan X2 sd X6.13 Sumbangan Komponen Faktor Makanan Component Total 1 2 3 4 5 4.991 0. ternyata nilai komponen faktor ≥ 0.847 . karena terbentuk satu faktor bersama makanan.479 99. Tabel 8.679 . Ternyata dari Tabel 8. seperti peranan sub-variabel makanan terhadap variabel makanan tertinggi ditentukan oleh sub variabel X5 (jenis suplemen) sebesar 99.000 1.580 93. semua dimensi penyusun faktornya (X2 sd X6) terdapat pada Tabel 8.968 Extraction Method: Principal Component Analysis.992 0.984 99. a One components extracted.000 1.008 Initial Eigenvalues % of CumulaVariance tive (%) 93.Tabel 8.14 Communalities (Peranan Variabel = R2) Variable X2 X3 X4 X5 X6 Initial 1. (4).000 Extraction Sums of Squared Loadings % of CumulaTotal Variance tive (%) 4.15 di bawah ini.240 .818 0.951 0.580 4.905 0.384 .000 Extraction 0.049 .8% seperti pada Tabel 8.580 93.14 di bawah ini. 188 PDF created with pdfFactory Pro trial version www.15 Component matrix (dimensi penyusun faktor) Dimensi faktor atau komponen penysun faktor X2 X3 X4 X5 X6 Component Faktor makanan 0.936 Extraction Method: Principal Component (5) Component matrix (dimensi penyusun faktor). Tabel 8.2% dan terkecil oleh sub variabel X2 (makanan hijauan) sebesar 81.com .975 0.000 1. Pada penjelasan total variance explained test di bawah bahwa terbentuk satu faktor bersama makanan.024 .982 0.5 berarti bahwa dimensi faktor makanan X2 sd X6 tersebut merupakan anggota faktor makananan yang terbentuk.15 tidak perlu dirotasi. Dalam komunaliti faktor makanan yang terbentuk merupakan satu kesatuan.679 93. Communalities atau peranan faktor.368 .

207 ZX6.(5) Component scor coefient matrix atau fungsi hubungan dimensi-faktor.208 ZX3 + 0.213 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.212 ZX4 + 0.193 0. Tabel 8.15 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.213 ZX5 + 0. Nilai skor faktor untuk setiap dimemsi skor faktor (SF) atau nilai koefisiennya = CFC.com .208 0.: Fmakanan = 0.193 ZX2 + 0.pdffactory.212 0.

Sign up to vote on this title
UsefulNot useful