P. 1
8_. Analisis Faktor

8_. Analisis Faktor

|Views: 5|Likes:
Published by Bing Sunguldi

More info:

Published by: Bing Sunguldi on Feb 13, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

10/30/2013

pdf

text

original

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

serta memiliki nilai ratarata μ dan matriks varians-kovarian S sebagai penduga ∑. X2. . 2. Cii dalam analisis faktor atau analisis komponen utama disebut sebagai bobot (loading) dari respons ke-i pada faktor/ komponen bersama ke-j. . 2.3] .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 ∑. + C2m Fm + ε2 [8.. . . .. 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. p) merupakan galat dari respons ke-i.E(AX)] [AX . εi (i = 1. p. . apabila didefinisikan: Y = A X. . Dalam hal ini berlaku hubungan: X' = (X1. . m) merupakan faktor atau komponen bersama ke-j Cij (i = 1.. . . . . Xp).. . 2. . . + Cpm Fm + εp Di mana: Fj. 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. . . . .pdffactory. . 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 . .Dari persamaan [8. . (j = 1. . X ~ Np (μ. Bayangkan. . + C1m Fm + ε1 X2 = C21 F1 + C22 F2 + .com . . ∑) E (X) = μ dan Cov (X) = ∑.µY )' E[AX . Xp = Cp1 F1 + Cp2 F2 + . . . . Model umum analisis faktor atau analisis komponen utama adalah seperti: X1 = C11 F1 + C12 F2 + . sedangkan diketahui hahwa: maka diperoleh persamaan: atau dapat juga dinyatakan sebagai: i j ij Cov (X) = ∑. 170 PDF created with pdfFactory Pro trial version www. . 2.E(AX)]' EA [(X-µ)] [A(X-µ)]' A E[X-µ] [X-µ]'A' A ∑ A' Analisis faktor merupakan teknik analisis statistika yang bertujuan menerangkan struktur hubungan di antara variabel-variabel yang teramati dengan jalan membangkitkan beberapa faktor atau komponen atau variabel laten yang jumlahnya lebih sedikit = k dari sejumlah variabel asalnya = p buah. . dan j = 1.

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

.com .. banyaknya variabel Xi yang di analisis. 2.77% (= 1 . + C 2 pj S 211 + S 2 22 + .Untuk dapat memahami secara baik tentang analisis faktor yang diturunkan berdasarkan metode komponen utama (PCA). analisis faktor lanjutan (scond factor analysis). maka besamya keragaman yang dapat diterangkan oleh faktor atau komponen ke-j (j = 1.. k) ditentukan berdasarkan persamaan dengan menggunakan persamaan [8. dan tiga faktor lainnya menjelaskan keragaman total hanya 5..23%) hal ini adalah sangat kecil.. 2. [8. seperti analisis regresi berganda. maka cukup melibatkan satu faktor dari empat faktor yang dihasilkan dari hasil analisis faktor yang berdasarkan metode komponen utama. tiga. Apabila semua variabel yang diamati mempunyai satuan pengukuran yang sama. atau lebih faktor untuk digunakan sebagai faktor awal dalam analisis lanjutan.8] seperti uraian berikut di bawah ini.. [8. katakanlah hanya memilih k buah faktor dari p buah faktor yang mungkin dihasilkan (k<p). . . Sebagai contoh untuk kasus yang mempengaruhi pengkajian proses industrialisasi.pdffactory. karena berdasarkan analisis faktor diketahui bahwa keragaman total data yang diterangkan oleh faktor atau komponen utama pertama adalah cukup besar yaitu 94. k) ditentukan berdasarkan persamaan [8.8] 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. Banyaknya faktor yang terbentuk adalah sebanyak variabel asal = p.. dapat ditentukan banyaknya faktor yang perlu dilibatkan dalam analisis lanjutan. Dalam situasi lain. Batas minimal keragaman total data yang diterangkan oleh faktor bersama atau komponen utama bersama adalah ≥ 60%. tr (r) = p... + S 2 pp x 100% = Di mana: ∑ C ij2 i =1 tr ( S ) tr (S) = teras dari matriks varians-kovarians S 2 Sedangkan. maka pembaca terlebih dahulu harus memahami secara baik tentang konsep matriks.. Berdasarkan metode komponen utama.94. maka analisis faktor dapat diturunkan dari matriks koefisien korelasi ρ yang diduga berdasarkan matriks koefisien korelasi sampel r. Penentuan banyaknya faktor atau komponen yang dilibatkan dalam analisis lanjutan tergantung pada struktur datanya dan hasil analisis faktor dengan komponen varians yang lebih besar dari pada satu. maka model analisis faktor dapat diturunkan dari matriks varians-kovarians (Σ) yang diduga berdasarkan matriks varians-kovarians 2 sampel (S ) atau matriks korelasi ( r ).23%.7] Peranan Fj = p 2 2 2 C1 j + C 2 j + . mungkin diperlukan dua. maka besamya keragaman yang dapat diterangkan oleh faktor atau komponen ke-j (j = 1. Apabila pada analisis faktor didasarkan pada matriks varians-kovarians sampel S . apabila analisis faktor didasarkan pada matriks koefisien korelasi r. 172 PDF created with pdfFactory Pro trial version www. atau analisis yang lain.7] di bawah ini.

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

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

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

tetapi sangat disarankan berdasarkan pertimbangan problem indentifikasi. Untuk itu dilakukan penelitian dan responden diminta pendapatnya mengenai atribut pertokoan seperti: layout pertokoan. Oleh karena itu. dan selamjutnya akan dijelaskan pada aplikasi praktis dalam penelitian. 8. Pengujian empirik itulah kadangkala di l a ku k an me l a kui analisis SEM (Sistem Equation Modeling). image. 176 PDF created with pdfFactory Pro trial version www. maka dilakukan faktoring atau mereduksi item dengan jalan sub-variabel yang tidak layak difaktorkan dikeluarkan dari analisis faktor.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 0.552 87. kelengkapan barang yang dijual. Untuk proses uji validasi reliabilitas dengan metode analisis faktor konfirmatori ada beberapa macam syarat hang harus dipenuhi yaitu: 1. Pada langkah selanjutnya.pdffactory.437 28 0. Pada tahap kedua.1 Contoh analisis faktor eksploratori (CPA) Apa yang dijelaskan pada sub Bab 8. pelayanan karyawan toko. maka dapat dilakukan analisis data lanjutan dengan menggunakan nilai skor faktor (SF). 3. bukan digunakan u n t u k membentuktikan sebuah teori kausalitas. harga barang. pelayanan kasir. Walaupun terdapat beberapa contoh hasil penelitian di mana faktor hanya dibentuk oleh dua variabel terobservasi. Suatu penelitian yang ingin mengetahui faktor apa saja yang sebenarnya membuat seseorang ingin membeli barang pada suatu pertokoan. dan kebersihan toko. dan sebaliknya apabila sub-variabel tersebut layak maka diikutkan pada analisis. 2. item-item yang tidak layak untuk difaktorkan. setelah faktornya terbentuk. sehingga terbentuk satu faktor yang dapat mewakili sub-variabel dengan item pembentuk faktor yang baru. Analisis SEM digunakan untuk menguji kausalitas yang sudah jelas ada dasar teorinya. dilakukan analisis ulang.2 adalah analisis faktor eksploratori. Pada tahap kepertama menilai apakah semua sub-variabel atau item atau indikator pembentuk faktor layak untuk diikutkan pada analisis faktor atau tidak.pembuktiannya dibutuhkan sebuah pengujian empirik. Hasil output komputer sebagai berikut dan datanya tidak ditampilkan: Tabel 8.7. Apabila tidak layak maka sub-variabel tersebut tidak diikutkan sertakan pada analisis faktor. pengembangan sebuah teori yang berdasarkan landasan il mi ah adalah syarat utama dan pertama sebelum menggunakan analisis SEM. 8.7 Contoh Analisis Faktor Eksploratori dan Analisis Faktor Konfirmatori 8. Akan tetapi.com . sebaiknya faktor dibentuk lebih dari dua item. promosi. 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.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.

maka variabel tersebut harus dikeluarkan atau dieliminasi dari analisis faktor. Ternyata dari Tabel 8.0667 -.2570 .05.5130 . lengkap. harga.0510 .4735 a .0463 -.1 di atas didapatkan nilai Kaiser-Meyer-Olkin-Measure of Sampling Adequacy sebasar 0.0451 . dan bersih.5 dan dengan nilai peluang (p) < 0.0599 -.210 .1290 .4150 .1040 -.pdffactory.1700 .1500 -. Cara memasukkan sub-variabel ke dalam faktor dapat dilihat dari angka koefisien komponennya yaitu apabila nilainya > 0.2670 a .4760 a Bersih -. maka variabel tersebut tidak layak dianalisis lebih lanjut.1040 -.1030 . dan hasilnya seperti pada Tabel 8.2.2 Anti Image Matrices Harga -. Dari Tabel 8.0467 -. menunjukkan bahwa ke enam variabel: layout.1930 -.1580 . Tabel 8. 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.6240 a Layout Lengkap Layout . variabel yang tidak layak dianalisis lebih lanjut adalah: pelkar dan pelkasir.5280 Lengkap Harga Pelkar Pelkasir Promosi Image Bersih a Pelkar .1300 . Apabila nilai matriks anti image correlation lebih kecil dari setengah.6140 a -. Dari hasil analisis faktor.2070 . Sebagai kriteria umum apabila tingkat kemaknaan yaitu p < 0.000.4740 a Pelkasir Promosi Image .Apabila nilai KMO-MSA sama dan lebih besar dari setengah dan dengan nilai signifikan (sig) atau peluang (p) lebih kecil dari setengah. dan bersih seperti Tabel 8. Perhatikan nilai yang diberi tanda dengan a atau yang ditebalkan. Setelah sub-variabel pelkar dan pelkasir di faktoring dan dianalisis kembali. image.com .2520 .30 . Variabel yang layak dianalisis lebih lanjut adalah: layout.0474 -.2030 .45130 .05034 -.09301 a Measures of Sampling Adequacy (MSA) Apabila nilai anti image correlation lebih kecil dari setengah.05 dan angka KMO-MSA > 0.1300 -.2 berikut di mana nilai matriks anti image correlation.0044 .3 di bawah.1700 -. promosi. promosi.5095 . 177 PDF created with pdfFactory Pro trial version www.2070 .1210 .0503 .09.5050 a -. maka dikatakan bahwa itemiem yang dianalisis dalam analisis faktor sudah layak untuk difaktorkan.4150 -.4882 -. dan bersih telah dianalisis dan terbentuk menjadi dua faktor yaitu komponen faktor-1 dan komponen faktor-2 (Component-1 dan Component-2).1300 -.2030 -.5.2670 . sehingga sub-variabel terukur atau item tersebut dimasukan ke dalam faktor yang bersangkutan.. sehingga analisis faktor yang dilakukan menunjukkan sampel tersebut layak untuk difaktorkan dan faktornya dapat dianalisis lebih lanjut.1030 -.1300 -.1290 -.2570 -.1500 -.2520 . khususnya nilai pada angka koefisien korelasi yang berada pada off diagonal (nilai yang ditebalkan).1580 .0587 -. harga.4631 .0044 -.1580 .1930 . Perhatikan Tabel 8.3 di bawah ini. Dari Tabel 8. lengkap.0587 -.0488 -.1 nilai KMO-MSA > 0.1580 .0598 -.3 berikut. image.5.7080 .552 dengan nilai sig atau peluang (p) = 0. lengkap. Kemudian perhatikan dari Tabel 8. Analisis lebih lanjut adalah melakukan reduksi terhadap variabel yang tidak layak difaktorkan atau dikenal dengan istilah faktoring atau eliminasi.

1 Harga Promosi Image Pola Analisis Faktor Konfirmatori Contoh Gambar 8.3 Component Matrix Item 1 Layout Lengkap Harga Promosi Image Bersih 7.3 di atas.7.05. faktor internal (FI) dan faktor eksternal (FE) disebut variabel laten atau faktor tingkat ke-pertama. 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.735 0.035 E -0.737 Sedangkan.1 berbeda dengan uraian dari Tabel 8. Analisi faktor yang dilakukan di atas adalah analisis faktor eksploratori 8. Suatau hal yang harus diperhatikan bahwa. Selanjutnya. FE FI Layout Lengkap Bersih Gambar 8.280 -6. Variabel pelkar dan pelkasir telah dikeluarkan dari analisis faktor (faktoring).2 Contoh analisis faktor konfirmatori (CFA) Pada analisis faktor konfirmatori.331 0. faktor internal (FI) dan faktor eksternal (FE) adalah berupa variabel unobserable atau variabel yang tidak teramati atau berupa faktor.555 0. lengkap. 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. yang termasuk ke dalam faktor-2 atau komponen-2 yang selanjutnya disebut faktor eksternal (FE) adalah sub-variabel atau item harga.683 -02 9. dan bersih hanya mengukur 178 PDF created with pdfFactory Pro trial version www.622 0. Sebagai contoh faktor struktur digambarkan seperti di bawah ini. semenjak analisis faktor dilakukan karena nilai anti image correlation-nya <0.156 E-03 0.304 E -0.1 di atas. dan image. promosi.pdffactory.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. Sehingga. Dari Gambar 8.com .774 -02 7.Tabel 8. faktor skunder penjualan dihipotesiskan ditentukan oleh faktor internal (FI) dan faktor eksternal (FE).

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

Artinya sub-variabel atau demensi penyusun faktor adalah layak untuk difaktorkan. maka sub-variabel atau demensi teramati atau item atau indikator tersebut dapat diterima sebagai sub-variabel pembentuk faktor. 180 PDF created with pdfFactory Pro trial version www. Gambar 8. pengujian sub-demensi yang membentuk faktor dapat dilakukan dengan uji-t. analisisnya menggunakan matriks korelasi atau matriks varians-kovarians. Pada analisis faktor eksternal (FE) ternyata semua parameternya menunjukkan hasil yang signifikan pada uji-t dengan α = 0. Pembentukan Faktor FE dan FI Korelasi antara FE dengan FI Pada model analisis faktor konfirmatori.com .05 dengan derajat bebas (db) = n-1. Apabila dibandfingkan dengan t-tabel pada taraf nyata (α) = 0. yang ini bersifat relatif dan tergantung pada sipeneliti.pdffactory. Ternyata dari uji signifikansi-t terhadap sub-variabel layout dan bersih tidak signifikan.Layout Bersih Lengkap FI Harga Promosi FE Image Gambar 8. hal ini berarti bahwa variabel harga. Ada juga yang memakai nilai koefisien komponen matriks setiap sub-variabel atau dimensi bernilai ≥ 0. promosi.05 artinya model analisis faktor tersebut adalah Fit (cara pembuktian dengan AMOS). dan image tersebut dapat dianggap sebagai indikator atau sub-demensi faktor eksternal. maka direkomendasikan pada model analisis faktor konfirmatori menggunakan matriks varians-kovarians. Ada pula yang mengatakan bahwa apabila nilai koefisien komponen matriks setiap sub-variabel bernilai ≥ 0. Akan tetapi.32.05. secara teori pada umumnya menggunakan prosedur maksimum likelihood bukan yang lain.5. Cara lain untuk mengkofirmasi sub-dimensi pembentuk faktor dapat menggunakan analisis dengan AMOS. sehingga variabel tersebut dapat dikatakan bahwa kedua variabel bukan indikator atau sub-demensi pembentuk faktor internal (FI). untuk pendugaan parameternya. selain penggunakan matriks korelasi anti image. Apabila dari signifikansi model menunjukkan nilai uji chi-square dengan nilai yang ≥ 0. Pada analisis faktor konfirmatori.3 maka item tersebut dapat dikatakan ikut membentuk fator yang dimaksud.

60 27.00 1080.00 5400.00 3082.00 2200.00 30600.20 43.00 1125.20 43.00 25.60 1. jumlah makanan hijauan (X2).00 14.00 600.8.00 584.4 Data Pemeliharaan Ternak Sapi Berat bibit (Kg) (X1) 555. makanan dedak (X4).00 101. Cobalah lakukan analisis faktor ekspolatori dan analisis faktor konfirmatori dari data pada Tabel 8.00 5.com .00 12.00 2042.00 23400.00 6.90 149.00 6.00 36.00 1080.00 1628.00 27000.00 10800.00 989.00 809. Kandang yang digunakan adalah kandang permanen D = 1.00 63000.00 34560.00 92.00 1419.00 9720.40 36.00 1080.00 3.40 160.00 1460.00 870.00 2369.00 54000.80 30.85 149.00 5.00 Obat (Dosis) (X6) 2.00 17280.00 16200.00 1167.00 Jerami (Kg) (X3) 7200.00 875.60 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 9000.00 Hijauan ( Kg) (X2) 14400.00 900.00 865.00 534.25 90.00 813.00 540.00 4.00 16200.50 137.50 101.00 36000.00 8640.00 1609.00 566.00 1460. jenis obat-obatan (X6).20 50.00 3.00 3.00 112.00 10800.00 1.00 2052.00 23400.00 2001. dan jenis kandang (D) yang digunakan pada pemeliharaan ternaknya.50 135.20 18. jenis suplemen (X5).00 1117.00 1598.00 19.00 9000.00 525.00 5400.00 101.00 1080.00 5.00 23400.00 2.90 18.00 575.00 1158.00 1238.00 34200.00 2381.00 27000.00 14400.00 1080. Tabel 8.00 1731.00 2041.00 16200.25 123.00 1990.00 796.00 1214.20 28.00 1771.00 1251.00 46800.00 6480.00 90.50 126.00 126.00 1252.00 2.00 12600.00 36.00 546.00 3.00 1200.00 540.00 4. tenaga kerja yang dicurahkan pada usaha ternaknya (X6).00 875.00 4.00 360.00 1080.00 25920.00 5760.00 5.50 117.00 90.00 43. Keberhasilan diukur dengan berat sapi yang dijualnya (Y) setelah pemeliharaan.00 883.00 3.00 720.00 148.00 45000.00 1211.00 12960.00 34560.60 10. makanan kering jerami (X3).00 Suplemen (Kg) (X5) 1.00 14400.00 938.00 180.00 36000.00 112.00 575.00 16200.00 2.00 1682.00 3.00 19800.00 99.80 16.00 1260.00 544.00 900.25 157.00 21900.00 360.00 7200. dan kandang tradisional D = 0.00 12600. 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.21 36.00 862.00 12600.00 2803.00 2.00 90.40 12.00 23400.75 108.00 18.00 11520.pdffactory.00 575.00 360.1 di bawah ini.00 540.00 900.00 21600.00 21.00 973.00 1138.00 1551.00 720.00 1455.00 18000.00 21600.00 3.00 1080.00 32400.00 17280.00 1.00 Tenaga Kerja (Jam) (X7) 112.00 32400.60 21.00 822.00 21600.40 61.00 28.00 720.00 540.00 1186.00 885.00 575.9 Aplikasi Analisis Faktor Suatu kelompok peternak pemelihara sapi ingin mengetahui keberhasilan pemeliharaan ternak sapinya yang didasarkan pada berat bibit awal yang dipeliharanya (X1).00 36.00 1695.00 1065.80 30.00 14400.00 10800.00 9000.80 14.00 21600.50 194.00 4.00 817.00 43200.00 112.00 2.25 99.60 32.00 7.00 25200.50 99.00 1544.00 6.00 781.00 16200.20 27.00 No.00 360.00 57600.00 14400.00 36.00 1080.00 720.00 34200.00 18000.00 6.00 180.50 171.00 12960.00 804.00 1558.00 540.50 101.00 900.00 7200.00 3.00 6480.00 1171.00 1080.00 9720.00 21600.00 540.00 103.00 2.00 18000.25 90.00 148.00 976.00 6.00 180.00 1260.00 Dedak (Kg) (X4) 360.00 6.00 8.00 2.40 1.25 90.

00 72.00 45.00 11.00 1090.05 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 12.00 1131.00 72.00 1460.00 13.00 232.00 10.00 12.00 3780.00 36000.00 45. Analisis faktor eksploratori dan 2).00 34200.00 180.00 36000.00 45000.00 72. = p.00 30600.00 45000.00 187.).00 72. (2) anti-image correlassion test. Kaiser-Meyer-Olkin and Bartlett's Test.00 793.00 57600.00 90000.00 798.00 15. 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 6.00 34200.00 1140.00 10.00 46800.00 1690.00 3423.25 172.00 55800.00 39000.00 1648.00 3361. Yang perlu diperhatikan dalam KMO and Bartlett's test yaitu nilai KMO-MSA dan nilai peluang (sig.00 182.00 34200.00 2532.00 16. Untuk menjawab pertanyaan di atas.00 1620.00 2923.00 126.00 90.05 dan dengan nilai peluang (p) < 0.00 45000.00 2160.00 45.00 66600. ada dua macam analisis faktor yaitu: 1).00 72.00 21600.00 45.00 2160.00 15.00 108.00 21600.00 1113.00 3240.00 1061.00 45.00 2700.20 193. Analisis faktor eksploratori Untuk menjelaskan data Tabel 8.00 41400.5 berikut.00 2880.853 > 0.00 14.00 7.35 187.00 43200.00 3780. (4) cumunality.00 225.70 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 6.00 794. Dari hasil analisis kelayakan faktor di atas.00 63000.00 64400.00 126.00 1443.00 2160.00 No.00 36000.00 1620.Tabel 8.00 1891.00 1157.00 2350.com .00 72.00 1932.00 108.00 21600.00 88200.00 1781.00 2390.00 54000.00 2700.00 3429.00 45. 182 PDF created with pdfFactory Pro trial version www.00 50400.00 43200. masing-masing dengan uraian: 1.00 1172. kandang permanen D = 1 dan kandang tradisional D = 0.00 1620.00 33400.00 2007.00 1620.00 32400.00 1985.00 1451.00 157.70 209.00 1431.00 2160.75 191.00 2700.00 1938.4 Data Pemeliharaan Ternak Sapi (lanjutan) Berat bibit (Kg) (X1) 807.00 1778.00 6.00 2160.60 175.00 Tenaga kerja (Jam) (X7) 157.45 175. didapatkan nilai KMOMSA (Kaiser-Meyer-Olkin measure of sampling adequacy) sebesar 0.00 28800.00 8.95 187.00 1334.00 783.00 1985.00 2989. (3) total variance explained test.00 90.00 3240.00 90.00 2700.00 1447.00 72.00 1065. (1).00 12.00 41400.00 23400.00 2160.00 1359.00 1994. (6) component scor coefisient matrix.4 di atas dapat digunakan hasil perhitungan seperti: (1) Kaiser-Meyer-Olkin (KMO test).00 126.00 1620.00 1946.00 1914.00 32400.00 36000.50 180.95 164.00 799. dan (7) factor rotation.00 45.00 54000.00 10.00 2413. Analisis faktor konfirmatori.20 209.00 2160.00 202.00 37800.00 43200.00 15.00 23400.00 Obat (Dosis) (X6) 7.50 168.00 32400.00 8.00 39600.00 1620.00 30600.00 11.00 39600.00 16.00 36000.00 9. dengan uraian seperti berikut.00 1477.00 Suplemen (Kg) (X5) 45.00 75600.00 108.00 1937.00 7.00 13.00 21600.00 2160.pdffactory.00 168.00 14. (5) component matrix.00 3240.00 807.00 41400.00 1417.00 72.25 171.00 90.00 Jerami (Kg) (X3) 23760.00 39600.00 3780.00 Hijauan ( Kg) (X2) 33400.00 27000.00 36000.00 1620.20 198.00 1430.00 Dedak (Kg) (X4) 1620.00 1299.00 216.75 135.00 45000.00 813.20 209.

015 .697(a) -.284 .com .015 -. Sumbangan faktor bersama yang terbentuk dalam analisis dapat dilihat dari nilai Total variance explained.6 Anti-image correlation X1 X2 X3 X4 X5 X6 X7 D Anti-image Matrices Correlation X1 .904(a) -.691 .486 -.085 -.5.5 maka variabel pengukuran tersebut harus dikeluarkan dari komponen faktor bersama dan data dianalisis ulang tanpa mengikut sertakan data yang nilai anti-image-nya < 0.000 Approx.041 .335 -.257 -.208 .691 -.853 1031.337 .538 .125 -. Total variance explained test.148 .405 -.199 -.208 .7.024 X4 .300 .033 -.098 -. dari Tabel 8.792(a) (3).128 -.405 .46 serta komulatif persentase varians yang terbentuk dari ke-dua faktor bersama adalah sebesar = 96.406 . 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 F2.284 -.586 .081 X3 -.257 -.024 -.101 -.081 .5 yang berarti bahwa semua sub-variabel pengukuran atau dimensi berhak dijadikan komponen faktor bersama penentu keberhasilan pemeliharaan ternak sapi. Selanjutnya.085 -. Anti-image correlassion test.586 -.pdffactory.039 -.199 .000 0.657 D .335 -.5 Hasil Analisis Kelayakan Faktor (KMO and Bartlett's Test) pada Pemeliharaan Ternak Sapi 0.679 28.7 diketahui bahwa dari tujuh variabel pengukuran atau dimensi (X1 sd D) terbentuk dua faktor bersama.584 -.128 .657 .07 dan sisanya 3.848(a) -.486 -. Tabel 8.337 . 183 PDF created with pdfFactory Pro trial version www.406 .971(a) -. yaitu faktor berama satu (F1) dengan persentase variansnya = 81.041 -. merupakan faktor yang mewakili sub-variabel pembentuknyua.065 . jumlah faktor bersama yang terbentuk adalah sebanyak variabel penyusunnya atu dimensi.97% terdiri atas enam faktor bersama yang masing-masing nilainya dapat dilihat pada Tabel 8. Tabel 8.033 X6 -.098 -.61 dan faktor bersama dua (F2) dengan persentase varians = 14.065 -.148 -.795(a) .538 X2 -.887(a) -.7.584 .869(a) -. Ternyata dari Tabel 8.6 di bawah ternyata dari delapan sub-variabel pengukuran atau dimensi yang difaktorkan menunjukkan semua variabel pengukuran mempunyai nilai anti image korelasi > 0.125 -.101 X7 -. dalam hal contoh ini sebanyak delapan faktor bersama. Chi-Square Degree of fredom Significant Kaiser-Meyer-Olkin Measure of Sampling Adequacy Bartlett's Test of sphericity (2).300 X5 -.Tabel 8.039 . Faktor bersama dengan nilai initial eigenvalue total yang ≥ 1. Dan apabila nilai anti-image < 0.

sehingga peranan atau sumbangan masing-masing dimensi atau sub-variabel penyusun terhadap faktor secara bersama yaitu F1 dan F2 seperti pada Tabel 8.946 0.979 0.000 1.031 0.000 1.983 0.978 0. Pada penjelasan (3) di atas bahwa terbentuk dua faktor bersama F1 dan F2.000 1.783 99. Dalam komunaliti (Communalities) faktor yang terbentuk merupakan satu kesatuan.3% dan yang terkecil adalah X7 sebesar 0.957 0.011 0.9.746 0.610 96.529 1.967 0. Pada penjelasan (3) di atas bahwa terbentuk dua faktor bersama F1 dan F2.610 14.006 81.924 100.070 97.140 0.000 6.460 1.157 0.000 1.610 14.964 0. Nilai initial mencerminkan peranan atau sumbangan kalau variabel penyusun faktor secara individual membentuk faktor tersebut. Dari Tabel 8. Perhatikan nilai-nilai pada setiap komponen faktor.8.975 Extraction Method: Principal Component Perhatikan nilai initial dan extraction.com .049 0.610 96. (4) Communalities atau peranan faktor).000 1.903 0. 184 PDF created with pdfFactory Pro trial version www.000 1.907 atau 90.983 atau 98.pdffactory.8 diketahui bahwa peranan dimensi yang terbesar adalah sub-variabel X5 sebesar 0. Tabel 8.784 99.000 1.139 0.157 81.397 99.460 81.387 0. (5) Component matrix (dimensi penyusun faktor).614 0.529 1.816 98.070 Extraction Method: Principal Component Analysis. masing-masing dimensi penyusun faktornya terdapat pada Tabel 8.000 Extraction 0.Tabel 8. sedangkan extraction menjelaskan persentase peranan atau sumbangan masing-masing dimensi atau sub-variabel penyusun faktor secara individual terhadap vaktor.7%.076 81.077 0.8 Communalities (Peranan Variabel) Variable X1 X2 X3 X4 X5 X6 X7 D Initial 1.7 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.

719.750 2 (F2) 0.5 berarti bahwa dimensi atau sub-variabel pengukuran faktor tersebut merupakan anggota faktor yang terbentuk.104 0.137 0.9 Component Matrix (Variabel Penyusun Faktor) Component Dimensi X1 X2 X3 X4 X5 X6 X7 D 1 (F1) 0.152 0. apabila nilai komponen faktornya ≥ 0.4 data tidak dapat dirotasi.679 0.5 berarti bahwa dimensi sub-variabel pengukuran bukan anggota faktor tersebut. Pada penjelasan pembicaraan ini.988 0. Perhatikan komponen faktor satu (F1) dari X1 sd D. Apabila antara komponen faktor satu dan komponen faktor dua terdapat nilai-nilai dalam satu variabel pengukuran yang ≥ 0. Tabel 8. Scor coefient merupakan kontanta atau koefisien serupa dengan koefisien regresi (βi ) pada persamaan regresi berganda.10.063 -0.143 0.892 0.5 pada dua komponen faktor atau lebih.151 0.115 2 (F2) 0.679 dan 0.108 -0. dan nilai korelasi yang tertinggi pada F1 adalah korelasi antara F1 dengan X5 (rF1X5) sebesar 0.pdffactory. a 2 components extracted.991.029 -0. Nilai komponen faktor dapat pula diartikan sebagai korelasi antara faktor yang terbentuk dengan komponennya (rFjXi).355 -0.411 -0.168 -0.093 -0.com .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 ≥ 0.194 -0. Sebagai contoh korelasi antara F1 dengan X1 dan F2 dengan X1 masing-masing komponen faktor sebesar 0. sehingga data selanjutnya diinterprestasi apa adanya pada analisis pertama.991 0. Sebaliknya. karena setelah itersasi ke-3 kalinya menjadi konvergen.149 0.555 185 PDF created with pdfFactory Pro trial version www.148 0.967 0. jika nilai komponen faktor < 0.034 -0.976 0. (6) Component scor coefient matrix atau koefisien dimensi penyusun faktor.Tabel 8. Ternyata dari Tabel 8.073 -0.044 0.051 0.621 0.930 0.643 Extraction Method: Principal Component Analysis. menekankan pada bentuk hubungan atau model atau persamaan antara faktor dengan variabel penyusunnya Tabel 8.719 0.10 Component Scor Coefisien Matrix (Koefisien Dimensi Penyusun Faktor) Component Dimensi X1 X2 X3 X4 X5 X6 X7 D 1 (F1) 0.

.0.0. Demikian pula dimensi atau item D pada faktor F1 dan faktor F2 dengan nilai komponen faktor maing-masing sebesar 0.9 baris pertama.029 ZX5 .0. (4) cumunality.148 ZX6 + 0.115 ZD Untuk skor faktor duau -> F2 = 0. (3) cumunality. dan (6) component scor coefisient matrix. ai dalam analisis faktor disebut bobot (loading) atau Component Scor Coefisien Matrix dari respons ke-i pada faktor bersama ke-j.621 ZX1 + 0. .pdffactory.. 2. . k) merupakan skor faktor atau komponen bersama ke-j ZXi = sub-variabel atau dimensi atau item yang distandarkan ai (i = 1. k) merupakan galat dari respons ke-j.5 seperti pada Tabel 8. . Rotasi faktor dilakukan dengan metode varimax atau equamax atau yang lain sampai tidak terdapat nilai komponen bersama yang ada pada sub-variabel ≥ 0.0.355 ZX2 . varians = 1. .0.719 keduanya ≥ 0. Persamaan umum skor faktor Fj = a1 ZX1 + a2 ZX2 + . 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. 2.5 pada dua komponen faktor atau lebih.5|.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 = 0.149 ZX3 + 0. p. . dan data tanpa satuan atau relatif). Rumus umum Z adalah: Z i = Xi − X i .4 dengan analisis faktor konfirmatori pola perhitungannya hampir sama seperti analisis faktor eksploratori yang telah dibicarakan. sehingga data diinterprestasi apa adanya seperti pada analisis pertama.. 186 PDF created with pdfFactory Pro trial version www. . 2. .152 ZX5 + 0.650 dan -0.. Sebagai contoh dimensi atau item X1 pada faktor F1 dan faktor F2 dengan nilai komponen faktor maing-masing sebesar 0.555 ZD (7) Factor rotation.4 data tidak dapat dirotasi.679 dan 0.. εj (i = 1. Analisis faktor konfirmatori Untuk menjelaskan data pada Tabel 8. + ap ZXp + εj Di mana: Fj (j = 1. sehingga perlu dilakukan rotasi seperti pada Tabel 8. 2. (2) anti-image correlassion test.9 baris kedelapan. maka analisis faktor harus diulang dengan cara lain atau dilakukan rotasi faktor (factor rotation).044 ZX4 + 0. sehingga persamaan skor faktor dari contoh analisis menjadi: Untuk skor faktor satu -> F1 = 0. 2. Ternyata dari Tabel 8. k) merupakan parameter yang merefleksikan pentingnya faktor komponen ke-j.143 ZX7 + 0. . (5) component matrix.com .168 ZX7 .093 ZX6 . . Nilai koefisien scor matrix atau bobot faktor diambil dari Tabel 8.104 ZX1 + 0. . . .5 pada kedua faktor bersaama. dan j = 1. karena setelah itersasi ke-3 menjadi konvergen. Kecuali tidak melakukan rotasi faktor sehinga yang ditentukan: (1) Kaiser-MeyerOlkin (KMO test). .151 ZX4 + 0. Apabila antara komponen faktor yang satu dan komponen faktor yang lain terdapat nilai-nilai komponen faktor dalam satu variabel pengukuran yang ≥ 0. dalam analisis disebut sebagai faktor/ komponen spesifik ke-i yang bersifat acak.063 ZX3 . .137 ZX2 + 0.643 keduanya ≥ |0.10 di atas.

660 0. dan (2) faktor makanan utambahan yang terdiri atas jenis suplemen (X5) dan jenis obat-obatan (X6). makanan dedak (X4).211 -0. Chi-Square Df Sig. 853 > 0.12 di bawah ternyata dari enam subvariabel pengukuran penyusun faktor makanan (X2 sd X6) menunjukkan semua variabel mempunyai nilai anti image korelasi > 0. Tabel 8. makanan jerami kering (X3).110 -0.679 ≥ 1. Total variance explained test.853 649.Yang membedakan analisis faktor konfirmatori dengan analisis faktor eksploratori adalah penentuan sub-variabel pengukuran sudah ditentukan jauh sebelum analisis dilakukan.132 -0.673 0. KMO and Bartlett's test dan nilai peluang (sig.11 Hasil Analisis Kelayakan Faktor Makanan pada Pemeliharaan Ternak Sapi 0.211 . Faktor bersama makanan tersebut dengan nilai initial eigenvalue total sebesar 4.05 dan dengan nilai peluang (p) < 0.313 -0.368 -0. Seperti pada Tabel 8.000 0.000 Kaiser-Meyer-Olkin Measure of Sampling Adequacy Bartlett's Test of Sphericity Approx.8.5 yang berarti bahwa semua variabel tersebut syah untuk difaktorkan menjadi faktor makanan Tabel 8. Tergantung pada teori dan konsep yang diajukan atau dipostulatkan. seperti pada data Tabel 8.673 -0. Jadi jumlah faktor bersama yang mewakili lima sub-variabel pengukuran atau dimensi X2 sd X6 ditentukan oleh satu faktor bersama makanan. merupakan faktor yang mewakili sub-variabel pembentuknyua.143 -0.). Measures of Sampling Adequacy (MSA) (3).802(a) 0. Anti-image correlassion test.369 .936(a) a.325 X6 0. faktor makanan dapat dipilah menjadi: (1) faktor makanan utama yang terdiri atas: makanan hijauan (X2).pdffactory. dan jenis obat-obatan (X6). sebesar 0.325 0. makanan jerami kering (X3).143 -0.912(a) -0.12 Anti-image Matrices Correlation Hasil Analisis Faktor Makanan pada Pemeliharaan Ternak Sapi Anti-image Correlation X2 X3 X4 X5 X6 X2 .644 10. (2).763(a) -0. Selanjutnya.368 -0.660 -0. Faktor makanan yang dapat dibentuk dari makanan hijauan (X2). jenis suplemen (X5). Dari Tabel 8. Hasil analisis faktor konfirmatori faktor makan menjadi: (1). Kaiser-Meyer-Olkin and Bartlett's Test.110 X5 -0.05 ini berarti bahwa semua sub-variabel pengukuran makanan layak sebagai faktor makanan (dari X2 sd X6) seperti pada Tabel 8. Sumbangan faktor bersama makanan yang terbentuk dari dimensi X2 sd X6 dengan persentase varians sebesar 93.875(a) -0. dan makanan dedak (X4).580.13. 187 PDF created with pdfFactory Pro trial version www.313 X3 0.11 berikut.132 X4 0.com . = p. terlihat bahwa hanya sebuah faktor bersama makanan yang terbentuk dari sub-variabel penyusunnya.369 0.

Ternyata dari Tabel 8.com . sehingga peranan atau sumbangan masingmasing dimensi atau sub-variabel penyusun faktor terhadap faktornya.968 Extraction Method: Principal Component Analysis. ternyata nilai komponen faktor ≥ 0.000 1.13 Sumbangan Komponen Faktor Makanan Component Total 1 2 3 4 5 4. Pada penjelasan total variance explained test di bawah bahwa terbentuk satu faktor bersama makanan.905 0.580 93.936 Extraction Method: Principal Component (5) Component matrix (dimensi penyusun faktor). seperti peranan sub-variabel makanan terhadap variabel makanan tertinggi ditentukan oleh sub variabel X5 (jenis suplemen) sebesar 99.951 0.679 .15 Component matrix (dimensi penyusun faktor) Dimensi faktor atau komponen penysun faktor X2 X3 X4 X5 X6 Component Faktor makanan 0.2% dan terkecil oleh sub variabel X2 (makanan hijauan) sebesar 81.000 Extraction 0.Tabel 8.982 0.818 0.384 . Tabel 8.580 4.975 0.992 0.pdffactory.008 Initial Eigenvalues % of CumulaVariance tive (%) 93.991 0. semua dimensi penyusun faktornya (X2 sd X6) terdapat pada Tabel 8.984 99.240 .368 .996 0. Perhatikan komponen faktor makanan X2 sd X6.049 . Tabel 8.15 tidak perlu dirotasi.5 berarti bahwa dimensi faktor makanan X2 sd X6 tersebut merupakan anggota faktor makananan yang terbentuk.8% seperti pada Tabel 8.804 98.580 93.000 1. karena terbentuk satu faktor bersama makanan. (4).024 .847 .479 99.000 1.153 100.000 1. Communalities atau peranan faktor.14 Communalities (Peranan Variabel = R2) Variable X2 X3 X4 X5 X6 Initial 1.000 Extraction Sums of Squared Loadings % of CumulaTotal Variance tive (%) 4.580 Extraction Method: Principal Component Analysis. 188 PDF created with pdfFactory Pro trial version www.679 93. Dalam komunaliti faktor makanan yang terbentuk merupakan satu kesatuan.15 di bawah ini. a One components extracted.14 di bawah ini. Perhatikan nilai-nilai pada setiap komponen faktor.

com . 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.207 ZX6.213 0.: Fmakanan = 0.(5) Component scor coefient matrix atau fungsi hubungan dimensi-faktor.pdffactory.212 0. Nilai skor faktor untuk setiap dimemsi skor faktor (SF) atau nilai koefisiennya = CFC. Tabel 8.213 ZX5 + 0.193 ZX2 + 0.208 0.193 0.15 Component scor coefient matrix (dimensi penyusun faktor) Dimensi faktor atau komponen penysun faktor X2 X3 X4 X5 X6 Component scor coefient (CSC) Faktor makanan 0.212 ZX4 + 0.208 ZX3 + 0.207 189 PDF created with pdfFactory Pro trial version www.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->