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

dan j = 1. 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 ∑. 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 .µY )' E[AX . Xp = Cp1 F1 + Cp2 F2 + . . ∑) E (X) = μ dan Cov (X) = ∑. X2. . apabila didefinisikan: Y = A X.pdffactory. . Xp). Bayangkan. . .. . (j = 1. . . + C1m Fm + ε1 X2 = C21 F1 + C22 F2 + . . .E(AX)] [AX . p) merupakan galat dari respons ke-i. . sedangkan diketahui hahwa: maka diperoleh persamaan: atau dapat juga dinyatakan sebagai: i j ij Cov (X) = ∑. . . . 2. .. .Dari persamaan [8. 2. . . 2. . . . .. . + C2m Fm + ε2 [8.3] . 2. . 170 PDF created with pdfFactory Pro trial version www. . εi (i = 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. . Model umum analisis faktor atau analisis komponen utama adalah seperti: X1 = C11 F1 + C12 F2 + . + Cpm Fm + εp Di mana: Fj. . . serta memiliki nilai ratarata μ dan matriks varians-kovarian S sebagai penduga ∑.. p. . . Cii dalam analisis faktor atau analisis komponen utama disebut sebagai bobot (loading) dari respons ke-i pada faktor/ komponen bersama ke-j.1]. . . m) merupakan faktor atau komponen bersama ke-j Cij (i = 1. . dalam analisis faktor/komponen utama disebut sebagai faktor/ komponen spesifik ke-i yang bersifat acak. . m) merupakan parameter yang merefleksikan pentingnya faktor komponen ke-j dalam komposisi dari respons ke-i. X ~ Np (μ. . Dalam hal ini berlaku hubungan: X' = (X1. .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.com . .

Dari model [8.4] di atas tampak bahwa varians dari variabel eksogen Xj diterangkan 2 oleh dua komponen atau faktor yaitu komponen hi dan komponen ψi (baca: psi). . + Cim Ckm = 2 ∑c c i=1 m ij kj Kovarians antara variabel eksogen Xi dan faktor ke-j (Fj) ditentukan sebagai berikut: [8. . demikian pula dalam kebanyakan paket aplikasi komputer proses komputasi didasarkan pada metode komponen utama (PCA). . . 171 PDF created with pdfFactory Pro trial version www. . dengan sejumlah p sumber kovarians tambahan. STATISTICA. 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). . k = 1. Xk) = Ci1 Ck1 + . model analisis faktor diduga berdasarkan metode komponen utama (PCA). p) ditentukan sebagai berikut: [8. Struktur varians-kovarians untuk model analisis faktor dinyatakan dalam persamaan [8. STATGRAPHICS.. .4] berikut ini.com . + C1m = ∑C i =1 2 ij Dari persamaan [8. + C1m 2 atau Var (Xi) = σ1i = hi + ψi Di mana: hi = C11 m 2 2 2 2 + C12 + . εp yang disebut sebagai galat atau errors atau kadang-kadang disebut juga sebagai faktor spesifik (specific factors). 2. 2. . Fm yang disebut faktor bersama (common factors). Fj) = Cij i = 1. . m dan j = 1.6] COV (Xi.3] di atas. ε1. Sedangkan. . Kovarians untuk variabel respons Xi dan Xk.. . ε2. Var (X1) = σ11 = C11 [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). . .. Faktor acak F1.pdffactory. di mana i ≠ k (i.3] dapat dinyatakan pula seperti persamaan [8.2] dan [8. . . Tampak dari persamaan [8. . yang disebabkan oleh faktor spesifik atau galat (error) dan disebut sebagai varians spesifik (specific variance). sedangkan komponen ψi. . . SXW.4] 2 2 2 + C12 + . dalam contoh penerapan analisis faktor akan menggunakan bantuan komputer. 2. F2. p. dan lain-lainnya.4] di atas bahwa komunalitas hi merupakan jumlah kuadrat berbobot (loadings) dari variabel eksogen Xi pada k faktor bersama. .5] COV (Xi. . 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). .. MINITAB. Dalam kebanyakan analisis. dan terdapat banyak paket aplikasi komputer untuk analisis faktor seperti SPSS. AMOS. . merupakan proporsi varians dari variabel eksogen Xi.

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

yang berupa nilai skor faktor (SF) atau skor komponen. Seringkali analisis faktor eksploratori merupakan analisis awal untuk digunakan pada analisis lanjutan dari suatu rangkaian analisis dalam suatu penelitian. k) ditentukan berdasarkan persamaan [8.Besarnya keragaman dari variabel Xi yang dapat diterangkan oleh faktor atau komponen ke-j di mana (j = 1. 2.4 Analisis Faktor Ekspolatori atau Analisis Komponen Utama Analisis faktor dapat dibedakan menjadi dua macam yaitu: 1). atau konstruk yang menggantikan sejumlah variabel asal. 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. apabila k buah faktor yang dilibatkan dalam analisis cukup banyak.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. Analisis faktor ekspolatori dan 2). atau variabel laten. Tujuan kepertama untuk mereduksi sejumlah variabel asal yang jumlahnya banyak menjadi sejumlah variabel baru yang jumlahnya lebih sedikit dari variabel asal. atau demensi penyusunnya. . [8. 8. Tujuan kedua adalah untuk mengidentifikasi adanya hubungan antarvariabel penyusun faktor atau dimensi dengan faktor yang terbentuk. dan variabel baru tersebut dinamakan faktor atau variabel laten atau konstruk atau variabel bentukan. Dengan demikian. . 4. . Tujuan ketiga adalah untuk menguji valisitas dan reliabilitas instrumen dengan analisis faktor konfirmatori. Dalam melakukan reduksi data atau mengurangi jumlah variabel. Nilai skor faktor (SF) dari variabel laten atau faktor yang terbentuk tergantung pada item atau sub-variabel penyusunnya.pdffactory. terdapat tujuan lainnya adalah: 1. sehingga setelah terbentuk faktor. Analisis faktor konfirmatori. Tujuan keempat salah satu tujuan analisis faktor adalah validasi data untuk mengetahui apakah hasil analisis faktor tersebut dapat digeralisasi ke dalam populasinya. Faktor yang terbentuk merupakan besaran acak (random quantities) yang sebelumnya tidak dapat diamati atau diukur atau ditentukan secara langsung. 2. 8. katakanlah k > 4.9] Var Xi yang diterangkan Fj = 2 Cij 2 ∑ Cij i =1 p x 100% Dalam situasi tertentu. atau variabel komponen. dengan menggunakan pengujian koefisien korelasi antarfaktor dengan komponen pembentuknya.9] seperti berikut. Analisis faktor ini disebut analisis faktor kofirmatori. Selain tujuan utama analisis faktor. yang akan digunakan dalam analisis lanjutan. variabel atau komponen atau faktor yang terbentuk haruslah ada datanya. 3. atau item.. 173 PDF created with pdfFactory Pro trial version www. . maka peneliti sudah mempunyai suatu hipotesis baru berdasarkan hasil analisis faktor. Hal ini dikarenakan adanya tumpang tindih variabel-variabel Xj yang dapat diterangkan oleh k buah faktor bersama tersebut. Untuk mengatasi hal ini. maka terdapat kesulitan dalam menginterpretasikan hasil analisis faktor. maka dilakuakan proses analisis faktor eksploratori atau analisis faktor eksplanatori untuk membuat sebuah set variabel baru. maka dilakukan rotasi faktor (factor rotation). atau faktor.com .

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

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

1 Contoh analisis faktor eksploratori (CPA) Apa yang dijelaskan pada sub Bab 8.7 Contoh Analisis Faktor Eksploratori dan Analisis Faktor Konfirmatori 8. Suatu penelitian yang ingin mengetahui faktor apa saja yang sebenarnya membuat seseorang ingin membeli barang pada suatu pertokoan. 8. Hasil output komputer sebagai berikut dan datanya tidak ditampilkan: Tabel 8. setelah faktornya terbentuk.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. sebaiknya faktor dibentuk lebih dari dua item. pengembangan sebuah teori yang berdasarkan landasan il mi ah adalah syarat utama dan pertama sebelum menggunakan analisis SEM.552 87. Pada tahap kepertama menilai apakah semua sub-variabel atau item atau indikator pembentuk faktor layak untuk diikutkan pada analisis faktor atau tidak.2 adalah analisis faktor eksploratori. Untuk proses uji validasi reliabilitas dengan metode analisis faktor konfirmatori ada beberapa macam syarat hang harus dipenuhi yaitu: 1. sehingga terbentuk satu faktor yang dapat mewakili sub-variabel dengan item pembentuk faktor yang baru. 3. Pada tahap kedua. maka dilakukan faktoring atau mereduksi item dengan jalan sub-variabel yang tidak layak difaktorkan dikeluarkan dari analisis faktor. 2. pelayanan karyawan toko. Untuk itu dilakukan penelitian dan responden diminta pendapatnya mengenai atribut pertokoan seperti: layout pertokoan. bukan digunakan u n t u k membentuktikan sebuah teori kausalitas.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. image.pembuktiannya dibutuhkan sebuah pengujian empirik.437 28 0. Analisis SEM digunakan untuk menguji kausalitas yang sudah jelas ada dasar teorinya. 8.000 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. Akan tetapi. dan kebersihan toko. pelayanan kasir. Selanjutnya.7. dan sebaliknya apabila sub-variabel tersebut layak maka diikutkan pada analisis. 176 PDF created with pdfFactory Pro trial version www. harga barang. dan selamjutnya akan dijelaskan pada aplikasi praktis dalam penelitian. tetapi sangat disarankan berdasarkan pertimbangan problem indentifikasi. Apabila tidak layak maka sub-variabel tersebut tidak diikutkan sertakan pada analisis faktor. Oleh karena itu. Pengujian empirik itulah kadangkala di l a ku k an me l a kui analisis SEM (Sistem Equation Modeling). Walaupun terdapat beberapa contoh hasil penelitian di mana faktor hanya dibentuk oleh dua variabel terobservasi. kelengkapan barang yang dijual.pdffactory. dilakukan analisis ulang. maka dapat dilakukan analisis data lanjutan dengan menggunakan nilai skor faktor (SF). Pada langkah selanjutnya. promosi.com . item-item yang tidak layak untuk difaktorkan.

0044 .1930 .1030 .45130 .1300 -. dan bersih seperti Tabel 8.5. harga. Cara memasukkan sub-variabel ke dalam faktor dapat dilihat dari angka koefisien komponennya yaitu apabila nilainya > 0. maka dikatakan bahwa itemiem yang dianalisis dalam analisis faktor sudah layak untuk difaktorkan.1210 .1500 -.2070 .30 . 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 0.2520 .pdffactory. Ternyata dari Tabel 8.05034 -.3 berikut.4631 .5 dan dengan nilai peluang (p) < 0.0503 . Variabel yang layak dianalisis lebih lanjut adalah: layout.1 nilai KMO-MSA > 0.5050 a -. Analisis lebih lanjut adalah melakukan reduksi terhadap variabel yang tidak layak difaktorkan atau dikenal dengan istilah faktoring atau eliminasi.1300 ..1930 -.1700 -. promosi.5130 .0474 -.1580 .0467 -. Dari Tabel 8.4150 .552 dengan nilai sig atau peluang (p) = 0.5. lengkap. Dari Tabel 8.1700 .1040 -. dan bersih.05.2570 .2070 . Tabel 8. Sebagai kriteria umum apabila tingkat kemaknaan yaitu p < 0. lengkap.2 berikut di mana nilai matriks anti image correlation.2670 .com . Perhatikan nilai yang diberi tanda dengan a atau yang ditebalkan.0587 -.2.4760 a Bersih -.5095 .1580 .1500 -.000.0598 -.1300 -.0587 -.2 Anti Image Matrices Harga -. variabel yang tidak layak dianalisis lebih lanjut adalah: pelkar dan pelkasir. maka variabel tersebut harus dikeluarkan atau dieliminasi dari analisis faktor. Perhatikan Tabel 8.4150 -.Apabila nilai KMO-MSA sama dan lebih besar dari setengah dan dengan nilai signifikan (sig) atau peluang (p) lebih kecil dari setengah. Kemudian perhatikan dari Tabel 8. khususnya nilai pada angka koefisien korelasi yang berada pada off diagonal (nilai yang ditebalkan).2030 -.0463 -.210 .1290 -. image. 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. sehingga sub-variabel terukur atau item tersebut dimasukan ke dalam faktor yang bersangkutan.2670 a . Setelah sub-variabel pelkar dan pelkasir di faktoring dan dianalisis kembali. Apabila nilai matriks anti image correlation lebih kecil dari setengah. dan hasilnya seperti pada Tabel 8.1030 -.0667 -. harga.4735 a .1040 -. menunjukkan bahwa ke enam variabel: layout. maka variabel tersebut tidak layak dianalisis lebih lanjut.0451 .0599 -. Dari hasil analisis faktor.6240 a Layout Lengkap Layout .6140 a -.1580 .3 di bawah.09301 a Measures of Sampling Adequacy (MSA) Apabila nilai anti image correlation lebih kecil dari setengah.09.2520 .3 di bawah ini.1290 .0488 -.5280 Lengkap Harga Pelkar Pelkasir Promosi Image Bersih a Pelkar . sehingga analisis faktor yang dilakukan menunjukkan sampel tersebut layak untuk difaktorkan dan faktornya dapat dianalisis lebih lanjut.0044 -. promosi.0510 .2570 -.05 dan angka KMO-MSA > 0. 177 PDF created with pdfFactory Pro trial version www. image.7080 .4740 a Pelkasir Promosi Image .1580 . lengkap.2030 .1300 -.4882 -.

Analisi faktor yang dilakukan di atas adalah analisis faktor eksploratori 8. Dari Gambar 8. Selanjutnya.331 0.304 E -0. yang termasuk ke dalam faktor-2 atau komponen-2 yang selanjutnya disebut faktor eksternal (FE) adalah sub-variabel atau item harga.com .555 0. Sebagai contoh faktor struktur digambarkan seperti di bawah ini.3 Component Matrix Item 1 Layout Lengkap Harga Promosi Image Bersih 7.735 0. semenjak analisis faktor dilakukan karena nilai anti image correlation-nya <0. faktor internal (FI) dan faktor eksternal (FE) adalah berupa variabel unobserable atau variabel yang tidak teramati atau berupa faktor.7. Sehingga. 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.622 0.280 -6. FE FI Layout Lengkap Bersih Gambar 8. promosi.1 Harga Promosi Image Pola Analisis Faktor Konfirmatori Contoh Gambar 8. Variabel pelkar dan pelkasir telah dikeluarkan dari analisis faktor (faktoring). dan image.148 E -03 Component 2 0. peneliti secara apriori telah dapat membuat atau membangun suatu hipotesis berdasarkan konsep dan teori dengan faktor strukturnya yang telah ditentukan.Tabel 8. dan bersih hanya mengukur 178 PDF created with pdfFactory Pro trial version www.737 Sedangkan.3 di atas. Suatau hal yang harus diperhatikan bahwa.774 -02 7.1 berbeda dengan uraian dari Tabel 8.05. 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. dalam analisis faktor konfirmatori satu sub-dimensi atau satu indikator seperti layout. faktor skunder penjualan dihipotesiskan ditentukan oleh faktor internal (FI) dan faktor eksternal (FE).2 Contoh analisis faktor konfirmatori (CFA) Pada analisis faktor konfirmatori. faktor internal (FI) dan faktor eksternal (FE) disebut variabel laten atau faktor tingkat ke-pertama.1 di atas.683 -02 9.pdffactory.035 E -0.156 E-03 0. lengkap.

dan image merupakan alat pengukur faktor eksternal (FE) yang valid dan reliabel. Untuk itu perlu konfirmasi lebih lanjut dengan memeriksa validitas dan reliabilitas masingnasing faktor internal dan faktor ekternal seperti yang telah disebutan di atas. lengkap. sehingga perlu ditentukan indikator atau sub-demensi sebagai pengukurnya yaitu suatu nialai skor-faktor (SF). Jadi faktor internal (FI) dan faktor eksternal (FE) membentuk sebuah faktor skunder yang dinamakan faktor penjualan (FP) lihat Gambar 8. dan untuk selanjutnya dapat dilakukan analisis lanjutan seperti analisis regresi. faktor eksternal (FE) yang merupakan variabel laten atau variabel unobserable dibentuk dengan tiga sub-dimensi atau sub-faktor atau item atau indikator.pdffactory.3 di abawah ini yang merupakan analisis korelasi antara faktor internal (FI) dengan faktor ekstrnal (FE). Hal inilah yang harus dilakukan dalam analisis faktor seperti di atas.com . 3 Gambar 8. yaitu: layout. faktor skunder. karena variabel tersebut tidak bisa diukur secara langsung. Layout Bersih Lengkap Penjualan Harga Promosi FE FI Image Gambar 8. Faktor internal (FI) dan faktor eksternal (FE) dikatakan variabel laten. yaitu: harga. faktor dari hasil analisis dapat dipandang sebagai variabel laten eksogen (variabel bebas) atau variabel endogen (variabel tergantung). Dan faktor eksternal (FE) yang juga dihipotesiskan terdiri atas tiga indikator seperti. Permasalahanya sekarang. Perhatikan Gambar 8.2. dan bersih merupakan alat pengukur faktor intenal (FI) dan apakah indikator harga. lengkap. sedangkan satu faktor bisa terdiri atas beberapa indikator. dan analisis lainnya. Untuk mengukur faktor internal (FI) yang dihipotesiskan terdiri atas tiga indikator. sehingga analisis fator tersebut dinamakan analisis faktor konfirmatori. 179 PDF created with pdfFactory Pro trial version www. 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. Jadi pada perinsipnya hanya melakukan konfirmasi berdasarkan teori atau konsep untuk membentuk sebuah faktor yang telah dihipotesiskan. Demikian juga. Pada analisis faktor konfirmatori. apakah benar-benar indikator layout.untuk satu faktor saja. promosi. dan image. korelasi. Masing-masing sub-dimensi yang diukur dengan indikator atau variabel manifes atau variabel obserable atau subvariabel terukur atau sub-variabel teramati secara langsung. promosi.

yang ini bersifat relatif dan tergantung pada sipeneliti. Cara lain untuk mengkofirmasi sub-dimensi pembentuk faktor dapat menggunakan analisis dengan AMOS. Gambar 8. analisisnya menggunakan matriks korelasi atau matriks varians-kovarians.Layout Bersih Lengkap FI Harga Promosi FE Image Gambar 8.05.3 maka item tersebut dapat dikatakan ikut membentuk fator yang dimaksud. sehingga variabel tersebut dapat dikatakan bahwa kedua variabel bukan indikator atau sub-demensi pembentuk faktor internal (FI).32.5. promosi. Ada juga yang memakai nilai koefisien komponen matriks setiap sub-variabel atau dimensi bernilai ≥ 0. maka sub-variabel atau demensi teramati atau item atau indikator tersebut dapat diterima sebagai sub-variabel pembentuk faktor. selain penggunakan matriks korelasi anti image. Ada pula yang mengatakan bahwa apabila nilai koefisien komponen matriks setiap sub-variabel bernilai ≥ 0. Akan tetapi. Artinya sub-variabel atau demensi penyusun faktor adalah layak untuk difaktorkan. Pada analisis faktor konfirmatori. secara teori pada umumnya menggunakan prosedur maksimum likelihood bukan yang lain.05 artinya model analisis faktor tersebut adalah Fit (cara pembuktian dengan AMOS). Pada analisis faktor eksternal (FE) ternyata semua parameternya menunjukkan hasil yang signifikan pada uji-t dengan α = 0.05 dengan derajat bebas (db) = n-1. Apabila dibandfingkan dengan t-tabel pada taraf nyata (α) = 0. untuk pendugaan parameternya. Pembentukan Faktor FE dan FI Korelasi antara FE dengan FI Pada model analisis faktor konfirmatori. hal ini berarti bahwa variabel harga. maka direkomendasikan pada model analisis faktor konfirmatori menggunakan matriks varians-kovarians. 180 PDF created with pdfFactory Pro trial version www.pdffactory. Ternyata dari uji signifikansi-t terhadap sub-variabel layout dan bersih tidak signifikan.com . dan image tersebut dapat dianggap sebagai indikator atau sub-demensi faktor eksternal. Apabila dari signifikansi model menunjukkan nilai uji chi-square dengan nilai yang ≥ 0. pengujian sub-demensi yang membentuk faktor dapat dilakukan dengan uji-t.

90 149.00 18.00 540.50 101.00 Suplemen (Kg) (X5) 1.00 99.00 360.00 23400.00 11520.00 1125.00 17280.00 10800.00 817.00 180.00 1771.00 900.00 584.00 25200.00 720.00 360.20 50.00 2.00 2803.00 900.00 6.00 2.00 1171.00 4.00 885.00 90. jenis suplemen (X5).00 18000.00 21. Keberhasilan diukur dengan berat sapi yang dijualnya (Y) setelah pemeliharaan.00 5760.00 36.00 90.00 2.00 6.21 36.20 28.00 534.00 101.00 5.00 3.25 123.00 5.80 30.00 16200.25 99.pdffactory.00 2381.00 6.40 61.00 36.00 2.00 Hijauan ( Kg) (X2) 14400.25 90.00 1731.80 14.00 18000.8.00 540.00 12600.00 2.00 148.00 720.00 1260.80 30.00 1138.00 862. dan jenis kandang (D) yang digunakan pada pemeliharaan ternaknya.00 3.20 27.00 16200. makanan dedak (X4).00 10800.00 796.00 90.00 1080.00 23400.00 Jerami (Kg) (X3) 7200.00 1080.00 63000.00 21600.00 46800.00 1080.00 546.00 566.00 3. jumlah makanan hijauan (X2).00 938.50 194.00 1260.00 1080.00 21600.00 7200.00 720.00 822.00 No.60 21.00 540.00 23400.00 3.00 103.00 1080.00 45000.00 Dedak (Kg) (X4) 360.00 112.00 1544.com .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 5400.00 360.00 544.00 4.60 27.00 7200.00 1695.00 180.00 14400.20 18. tenaga kerja yang dicurahkan pada usaha ternaknya (X6). Kandang yang digunakan adalah kandang permanen D = 1.00 9000.40 1.00 2052.00 34200.00 540.00 973.00 92.00 16200.00 575.00 1211. Tabel 8.00 32400.00 1455.60 10.40 12.00 1080.00 19.00 101.50 126.00 883.60 1.90 18.00 4.00 16200.00 1551.00 19800.25 157.00 5400.20 43.40 36.00 5.00 43200.00 1.00 12.00 1.00 180.00 1158.00 36000.00 12600.00 14400.00 900.00 112.00 17280.50 99.00 1080.00 813.00 2369. 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.00 3082.00 36.00 6.00 14400.80 16.00 6.00 12600.00 1252. makanan kering jerami (X3).00 575.00 3.50 171.00 1065.00 10800.00 1214.00 2. jenis obat-obatan (X6).50 135.00 360. dan kandang tradisional D = 0.00 14400.00 1990.00 804.00 5.00 21600.00 1238.00 1460.00 781.00 36000.1 di bawah ini.00 8.00 9000.00 1167.00 600.00 809.00 2.00 14.00 23400.00 1080.00 34560.00 2200.00 1682.00 34560.00 27000.00 12960.00 1080.00 25920.00 16200. Cobalah lakukan analisis faktor ekspolatori dan analisis faktor konfirmatori dari data pada Tabel 8.00 1251.00 1200.00 1628.00 1419.00 6.00 8640.00 1609.00 54000.00 540.85 149.00 43.00 9720.00 21600.00 28.00 7.00 32400.00 30600.00 865.00 875.00 Obat (Dosis) (X6) 2.00 1117.60 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) 785.50 137.75 108.00 525.60 32.00 112.00 9000.00 575.00 6480.00 126.50 117.00 875.00 3.00 148.00 1558.00 3.00 2001.00 1460.00 25.4 Data Pemeliharaan Ternak Sapi Berat bibit (Kg) (X1) 555.00 6480.00 1598.00 21900.00 3.00 575.00 9720.00 21600.00 2041.00 12960.00 Tenaga Kerja (Jam) (X7) 112.00 57600.00 1186.00 900.00 4.00 540.00 34200.00 976.50 101.00 18000.00 36.20 43.25 90.25 90.00 2042.00 870.00 989.00 720.00 27000.40 160.

5 berikut.75 135.00 1172.00 187.00 2350.20 209.00 13.00 2700.60 175.00 1065.00 1061.35 187.00 Dedak (Kg) (X4) 1620.00 6.00 1932.00 1994.00 180.00 3240.00 64400.00 10.05 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 8.00 126.00 1914.00 157.).00 43200.00 45. (5) component matrix.00 27000.00 30600.00 45000.00 1430.00 45.00 1620.00 1620.853 > 0.00 75600.00 216.00 Hijauan ( Kg) (X2) 33400.00 1690.00 21600. 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 D = jenis kandang .00 3429. (1).00 1891.00 41400.00 2700.00 28800.00 88200.00 45.00 36000.00 8.00 2160. dengan uraian seperti berikut.00 798.00 43200.00 66600.00 41400.00 90000.00 15.00 Obat (Dosis) (X6) 7.00 No. (3) total variance explained test.00 39600.00 2160. (2) anti-image correlassion test.00 1113.00 108.00 23400.00 2413.00 3780.Tabel 8.00 2007.00 32400.00 1781.00 90.50 180.00 72.00 45.00 Tenaga kerja (Jam) (X7) 157.00 1460.00 2880.00 16.00 2700.00 90.00 2160.00 36000. Dari hasil analisis kelayakan faktor di atas.00 15.00 72.70 209.00 90.00 54000.00 1417.00 45000.20 193.00 14. Analisis faktor eksploratori Untuk menjelaskan data Tabel 8.00 2532.00 41400.00 1985.00 3780.00 1431.00 45.00 6.00 126.00 10.00 2390.00 72.00 34200.00 45.00 2923.00 21600.00 794.00 34200.00 2989.00 1985.20 198.00 72.00 793. Analisis faktor eksploratori dan 2). didapatkan nilai KMOMSA (Kaiser-Meyer-Olkin measure of sampling adequacy) sebesar 0.00 1620.00 202.00 72.00 1477.00 3423.00 2700. Yang perlu diperhatikan dalam KMO and Bartlett's test yaitu nilai KMO-MSA dan nilai peluang (sig.95 187.00 12.pdffactory. Analisis faktor konfirmatori.00 Suplemen (Kg) (X5) 45.00 72.00 21600.00 108.00 126.00 2160. (4) cumunality.00 783.00 3361.00 1946.00 39600.00 16.00 50400.00 21600.00 807.00 182.00 11.00 14.95 164.00 3780.00 43200.00 34200.00 7.00 72.00 1443.00 32400.00 799.00 1131.00 Jerami (Kg) (X3) 23760.00 45000. Untuk menjawab pertanyaan di atas. masing-masing dengan uraian: 1.00 72.00 54000.00 2160.00 10.00 13. (6) component scor coefisient matrix.00 225. 182 PDF created with pdfFactory Pro trial version www.00 36000.45 175.00 23400.00 45000.00 11.00 1620.00 1620.00 46800.00 1090.00 15.00 37800.00 1359.00 9.00 1157.00 30600.00 39000.00 32400.00 36000.00 90.00 33400.00 1648.00 168.75 191. dan (7) factor rotation.00 8.00 3240.00 1778.00 1938.00 39600.00 1620.00 1334.00 45.25 172.00 232.00 1937.00 6.00 57600.50 168.00 2160. kandang permanen D = 1 dan kandang tradisional D = 0. = p.com .00 1447.05 dan dengan nilai peluang (p) < 0.00 2160.00 63000.70 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. ada dua macam analisis faktor yaitu: 1).20 209.25 171.00 2160.4 Data Pemeliharaan Ternak Sapi (lanjutan) Berat bibit (Kg) (X1) 807. Kaiser-Meyer-Olkin and Bartlett's Test.00 55800.00 813.00 1299.00 36000.00 3240.00 1140.4 di atas dapat digunakan hasil perhitungan seperti: (1) Kaiser-Meyer-Olkin (KMO test).00 7.00 12.00 1451.00 1620.00 108.00 12.00 36000.

691 -.7.199 -.284 .257 -. yaitu faktor berama satu (F1) dengan persentase variansnya = 81.586 -.337 .405 .538 .pdffactory.081 X3 -.406 .com .041 .5.085 -.128 -. dari Tabel 8.679 28.657 D . jumlah faktor bersama yang terbentuk adalah sebanyak variabel penyusunnya atu dimensi. Anti-image correlassion test. Tabel 8.584 -.128 . 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 .904(a) -.697(a) -.024 -.085 -.792(a) (3).335 -.971(a) -.065 .538 X2 -.000 Approx.033 X6 -.848(a) -.869(a) -.486 -.657 .101 -.5 Hasil Analisis Kelayakan Faktor (KMO and Bartlett's Test) pada Pemeliharaan Ternak Sapi 0.065 -.125 -.039 .406 .208 .257 -. Selanjutnya.07 dan sisanya 3.148 . Sumbangan faktor bersama yang terbentuk dalam analisis dapat dilihat dari nilai Total variance explained.7 diketahui bahwa dari tujuh variabel pengukuran atau dimensi (X1 sd D) terbentuk dua faktor bersama.015 -.300 X5 -.584 .97% terdiri atas enam faktor bersama yang masing-masing nilainya dapat dilihat pada Tabel 8.039 -.586 . Ternyata dari Tabel 8.405 -. Chi-Square Degree of fredom Significant Kaiser-Meyer-Olkin Measure of Sampling Adequacy Bartlett's Test of sphericity (2).6 Anti-image correlation X1 X2 X3 X4 X5 X6 X7 D Anti-image Matrices Correlation X1 .887(a) -.015 .098 -.335 -.337 . Tabel 8.300 .5 maka variabel pengukuran tersebut harus dikeluarkan dari komponen faktor bersama dan data dianalisis ulang tanpa mengikut sertakan data yang nilai anti-image-nya < 0.284 -.7.691 .Tabel 8.081 .125 -.033 -.041 -.46 serta komulatif persentase varians yang terbentuk dari ke-dua faktor bersama adalah sebesar = 96.000 0.6 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. Faktor bersama dengan nilai initial eigenvalue total yang ≥ 1. Total variance explained test.148 -. dalam hal contoh ini sebanyak delapan faktor bersama.199 .101 X7 -.853 1031.795(a) .61 dan faktor bersama dua (F2) dengan persentase varians = 14.486 -.5 yang berarti bahwa semua sub-variabel pengukuran atau dimensi berhak dijadikan komponen faktor bersama penentu keberhasilan pemeliharaan ternak sapi. merupakan faktor yang mewakili sub-variabel pembentuknyua.024 X4 .098 -. 183 PDF created with pdfFactory Pro trial version www.

924 100. Tabel 8.Tabel 8.000 6.964 0.397 99. Nilai initial mencerminkan peranan atau sumbangan kalau variabel penyusun faktor secara individual membentuk faktor tersebut.610 96.000 1.000 1. (4) Communalities atau peranan faktor).140 0.000 1.000 1.983 0.610 14.3% dan yang terkecil adalah X7 sebesar 0.7 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 6.011 0.975 Extraction Method: Principal Component Perhatikan nilai initial dan extraction.000 1.000 Extraction 0.031 0.816 98.139 0.8.903 0.746 0.610 96.8 diketahui bahwa peranan dimensi yang terbesar adalah sub-variabel X5 sebesar 0.983 atau 98.387 0.077 0.com .529 1. Perhatikan nilai-nilai pada setiap komponen faktor.460 1.783 99.946 0.967 0. Dalam komunaliti (Communalities) faktor yang terbentuk merupakan satu kesatuan. Pada penjelasan (3) di atas bahwa terbentuk dua faktor bersama F1 dan F2.460 81. (5) Component matrix (dimensi penyusun faktor).610 14.8 Communalities (Peranan Variabel) Variable X1 X2 X3 X4 X5 X6 X7 D Initial 1. 184 PDF created with pdfFactory Pro trial version www.907 atau 90.784 99. sehingga peranan atau sumbangan masing-masing dimensi atau sub-variabel penyusun terhadap faktor secara bersama yaitu F1 dan F2 seperti pada Tabel 8.070 97.076 81.000 1.979 0.157 0.7%.157 81. masing-masing dimensi penyusun faktornya terdapat pada Tabel 8. sedangkan extraction menjelaskan persentase peranan atau sumbangan masing-masing dimensi atau sub-variabel penyusun faktor secara individual terhadap vaktor. Dari Tabel 8.978 0.000 1.957 0. Pada penjelasan (3) di atas bahwa terbentuk dua faktor bersama F1 dan F2.pdffactory.070 Extraction Method: Principal Component Analysis.049 0.529 1.9.614 0.006 81.

Apabila antara komponen faktor satu dan komponen faktor dua terdapat nilai-nilai dalam satu variabel pengukuran yang ≥ 0.621 0.093 -0. Nilai komponen faktor dapat pula diartikan sebagai korelasi antara faktor yang terbentuk dengan komponennya (rFjXi).991.5 berarti bahwa dimensi sub-variabel pengukuran bukan anggota faktor tersebut.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 ≥ 0.988 0.143 0.034 -0.108 -0.643 Extraction Method: Principal Component Analysis.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 ≥ 0.976 0. a 2 components extracted. Sebagai contoh korelasi antara F1 dengan X1 dan F2 dengan X1 masing-masing komponen faktor sebesar 0.411 -0.679 0. Tabel 8. dan nilai korelasi yang tertinggi pada F1 adalah korelasi antara F1 dengan X5 (rF1X5) sebesar 0. Scor coefient merupakan kontanta atau koefisien serupa dengan koefisien regresi (βi ) pada persamaan regresi berganda.5 pada dua komponen faktor atau lebih.9 Component Matrix (Variabel Penyusun Faktor) Component Dimensi X1 X2 X3 X4 X5 X6 X7 D 1 (F1) 0.044 0.149 0. Pada penjelasan pembicaraan ini.355 -0.137 0.Tabel 8.991 0. (6) Component scor coefient matrix atau koefisien dimensi penyusun faktor.194 -0.679 dan 0.10. jika nilai komponen faktor < 0.930 0.5 berarti bahwa dimensi atau sub-variabel pengukuran faktor tersebut merupakan anggota faktor yang terbentuk.892 0.4 data tidak dapat dirotasi.148 0.967 0.104 0. karena setelah itersasi ke-3 kalinya menjadi konvergen. sehingga data selanjutnya diinterprestasi apa adanya pada analisis pertama.555 185 PDF created with pdfFactory Pro trial version www. menekankan pada bentuk hubungan atau model atau persamaan antara faktor dengan variabel penyusunnya Tabel 8.029 -0. Perhatikan komponen faktor satu (F1) dari X1 sd D.pdffactory.051 0.719 0.168 -0.063 -0.com .151 0. Ternyata dari Tabel 8.115 2 (F2) 0.152 0. Sebaliknya.073 -0.719.750 2 (F2) 0.

2. .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 = 0.355 ZX2 .115 ZD Untuk skor faktor duau -> F2 = 0.151 ZX4 + 0.555 ZD (7) Factor rotation. εj (i = 1. ai dalam analisis faktor disebut bobot (loading) atau Component Scor Coefisien Matrix dari respons ke-i pada faktor bersama ke-j.719 keduanya ≥ 0. dan j = 1.0.4 dengan analisis faktor konfirmatori pola perhitungannya hampir sama seperti analisis faktor eksploratori yang telah dibicarakan.148 ZX6 + 0.643 keduanya ≥ |0. 2.104 ZX1 + 0. Ternyata dari Tabel 8. sehingga persamaan skor faktor dari contoh analisis menjadi: Untuk skor faktor satu -> F1 = 0. .152 ZX5 + 0.5 pada dua komponen faktor atau lebih.044 ZX4 + 0.com . Rotasi faktor dilakukan dengan metode varimax atau equamax atau yang lain sampai tidak terdapat nilai komponen bersama yang ada pada sub-variabel ≥ 0. . . .679 dan 0..9 baris kedelapan. dalam analisis disebut sebagai faktor/ komponen spesifik ke-i yang bersifat acak. k) merupakan skor faktor atau komponen bersama ke-j ZXi = sub-variabel atau dimensi atau item yang distandarkan ai (i = 1. Kecuali tidak melakukan rotasi faktor sehinga yang ditentukan: (1) Kaiser-MeyerOlkin (KMO test). karena setelah itersasi ke-3 menjadi konvergen.10 di atas. varians = 1. . Demikian pula dimensi atau item D pada faktor F1 dan faktor F2 dengan nilai komponen faktor maing-masing sebesar 0.pdffactory. 186 PDF created with pdfFactory Pro trial version www. . k) merupakan parameter yang merefleksikan pentingnya faktor komponen ke-j. . (4) cumunality. sehingga perlu dilakukan rotasi seperti pada Tabel 8. 2. (2) anti-image correlassion test.650 dan -0... k) merupakan galat dari respons ke-j. p. . dan (6) component scor coefisient matrix. .5|.5 seperti pada Tabel 8.149 ZX3 + 0.168 ZX7 . Rumus umum Z adalah: Z i = Xi − X i .0.093 ZX6 .0. 2.029 ZX5 . Apabila antara komponen faktor yang satu dan komponen faktor yang lain terdapat nilai-nilai komponen faktor dalam satu variabel pengukuran yang ≥ 0. dan data tanpa satuan atau relatif). . .5 pada kedua faktor bersaama.0. (5) component matrix. sehingga data diinterprestasi apa adanya seperti pada analisis pertama. . (3) cumunality.621 ZX1 + 0.0. + ap ZXp + εj Di mana: Fj (j = 1. maka analisis faktor harus diulang dengan cara lain atau dilakukan rotasi faktor (factor rotation).143 ZX7 + 0. .. Sebagai contoh dimensi atau item X1 pada faktor F1 dan faktor F2 dengan nilai komponen faktor maing-masing sebesar 0. Persamaan umum skor faktor Fj = a1 ZX1 + a2 ZX2 + .4 data tidak dapat dirotasi. 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.063 ZX3 . 2. Analisis faktor konfirmatori Untuk menjelaskan data pada Tabel 8.9 baris pertama.137 ZX2 + 0. Nilai koefisien scor matrix atau bobot faktor diambil dari Tabel 8. .

853 649. Faktor bersama makanan tersebut dengan nilai initial eigenvalue total sebesar 4.369 . Faktor makanan yang dapat dibentuk dari makanan hijauan (X2). Seperti pada Tabel 8. jenis suplemen (X5).143 -0. Sumbangan faktor bersama makanan yang terbentuk dari dimensi X2 sd X6 dengan persentase varians sebesar 93.313 -0.Yang membedakan analisis faktor konfirmatori dengan analisis faktor eksploratori adalah penentuan sub-variabel pengukuran sudah ditentukan jauh sebelum analisis dilakukan. Total variance explained test. 187 PDF created with pdfFactory Pro trial version www.pdffactory.644 10. Hasil analisis faktor konfirmatori faktor makan menjadi: (1).110 X5 -0. = p. makanan jerami kering (X3). makanan jerami kering (X3).912(a) -0.).com . dan (2) faktor makanan utambahan yang terdiri atas jenis suplemen (X5) dan jenis obat-obatan (X6).05 ini berarti bahwa semua sub-variabel pengukuran makanan layak sebagai faktor makanan (dari X2 sd X6) seperti pada Tabel 8.12 di bawah ternyata dari enam subvariabel pengukuran penyusun faktor makanan (X2 sd X6) menunjukkan semua variabel mempunyai nilai anti image korelasi > 0.660 -0.368 -0. (2).802(a) 0. dan makanan dedak (X4).936(a) a.13.580. Jadi jumlah faktor bersama yang mewakili lima sub-variabel pengukuran atau dimensi X2 sd X6 ditentukan oleh satu faktor bersama makanan.368 -0.673 -0.11 Hasil Analisis Kelayakan Faktor Makanan pada Pemeliharaan Ternak Sapi 0.369 0.875(a) -0.673 0. Anti-image correlassion test.132 -0. Chi-Square Df Sig. 853 > 0. dan jenis obat-obatan (X6). makanan dedak (X4).000 Kaiser-Meyer-Olkin Measure of Sampling Adequacy Bartlett's Test of Sphericity Approx.211 -0. Selanjutnya. Tergantung pada teori dan konsep yang diajukan atau dipostulatkan.325 X6 0.763(a) -0.679 ≥ 1. terlihat bahwa hanya sebuah faktor bersama makanan yang terbentuk dari sub-variabel penyusunnya. Measures of Sampling Adequacy (MSA) (3).313 X3 0.132 X4 0. seperti pada data Tabel 8.11 berikut. sebesar 0.660 0.211 . Dari Tabel 8.110 -0.8.05 dan dengan nilai peluang (p) < 0. Tabel 8.12 Anti-image Matrices Correlation Hasil Analisis Faktor Makanan pada Pemeliharaan Ternak Sapi Anti-image Correlation X2 X3 X4 X5 X6 X2 . Kaiser-Meyer-Olkin and Bartlett's Test. KMO and Bartlett's test dan nilai peluang (sig. merupakan faktor yang mewakili sub-variabel pembentuknyua.5 yang berarti bahwa semua variabel tersebut syah untuk difaktorkan menjadi faktor makanan Tabel 8.325 0. faktor makanan dapat dipilah menjadi: (1) faktor makanan utama yang terdiri atas: makanan hijauan (X2).143 -0.000 0.

984 99.847 .992 0.000 Extraction Sums of Squared Loadings % of CumulaTotal Variance tive (%) 4.968 Extraction Method: Principal Component Analysis.com . Dalam komunaliti faktor makanan yang terbentuk merupakan satu kesatuan.000 1.580 93.049 .804 98.996 0.2% dan terkecil oleh sub variabel X2 (makanan hijauan) sebesar 81. karena terbentuk satu faktor bersama makanan. Perhatikan komponen faktor makanan X2 sd X6.000 1.580 4.15 Component matrix (dimensi penyusun faktor) Dimensi faktor atau komponen penysun faktor X2 X3 X4 X5 X6 Component Faktor makanan 0. 188 PDF created with pdfFactory Pro trial version www.818 0. ternyata nilai komponen faktor ≥ 0.Tabel 8.679 .8% seperti pada Tabel 8.975 0.580 Extraction Method: Principal Component Analysis.000 1.008 Initial Eigenvalues % of CumulaVariance tive (%) 93.580 93.15 tidak perlu dirotasi.991 0.pdffactory. Perhatikan nilai-nilai pada setiap komponen faktor.15 di bawah ini.479 99.14 di bawah ini. a One components extracted. Tabel 8.5 berarti bahwa dimensi faktor makanan X2 sd X6 tersebut merupakan anggota faktor makananan yang terbentuk. Communalities atau peranan faktor.024 .000 Extraction 0.679 93. sehingga peranan atau sumbangan masingmasing dimensi atau sub-variabel penyusun faktor terhadap faktornya. seperti peranan sub-variabel makanan terhadap variabel makanan tertinggi ditentukan oleh sub variabel X5 (jenis suplemen) sebesar 99. semua dimensi penyusun faktornya (X2 sd X6) terdapat pada Tabel 8.13 Sumbangan Komponen Faktor Makanan Component Total 1 2 3 4 5 4.982 0.905 0. (4).240 .368 . Pada penjelasan total variance explained test di bawah bahwa terbentuk satu faktor bersama makanan.384 .936 Extraction Method: Principal Component (5) Component matrix (dimensi penyusun faktor).14 Communalities (Peranan Variabel = R2) Variable X2 X3 X4 X5 X6 Initial 1. Ternyata dari Tabel 8. Tabel 8.951 0.153 100.000 1.

193 ZX2 + 0.208 0.207 189 PDF created with pdfFactory Pro trial version www.193 0. Tabel 8.com .213 ZX5 + 0.213 0.(5) Component scor coefient matrix atau fungsi hubungan dimensi-faktor.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 0.212 0.212 ZX4 + 0. Nilai skor faktor untuk setiap dimemsi skor faktor (SF) atau nilai koefisiennya = CFC.208 ZX3 + 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.pdffactory.207 ZX6.: Fmakanan = 0.

Sign up to vote on this title
UsefulNot useful