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

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

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

8] seperti uraian berikut di bawah ini. dapat ditentukan banyaknya faktor yang perlu dilibatkan dalam analisis lanjutan. [8. karena berdasarkan analisis faktor diketahui bahwa keragaman total data yang diterangkan oleh faktor atau komponen utama pertama adalah cukup besar yaitu 94.7] Peranan Fj = p 2 2 2 C1 j + C 2 j + . . Sebagai contoh untuk kasus yang mempengaruhi pengkajian proses industrialisasi.Untuk dapat memahami secara baik tentang analisis faktor yang diturunkan berdasarkan metode komponen utama (PCA)..23%. katakanlah hanya memilih k buah faktor dari p buah faktor yang mungkin dihasilkan (k<p). Banyaknya faktor yang terbentuk adalah sebanyak variabel asal = p. analisis faktor lanjutan (scond factor analysis). [8. atau lebih faktor untuk digunakan sebagai faktor awal dalam analisis lanjutan. k) ditentukan berdasarkan persamaan [8. Dalam situasi lain. apabila analisis faktor didasarkan pada matriks koefisien korelasi r.. Apabila pada analisis faktor didasarkan pada matriks varians-kovarians sampel S ... maka pembaca terlebih dahulu harus memahami secara baik tentang konsep matriks. Apabila semua variabel yang diamati mempunyai satuan pengukuran yang sama. 2. Batas minimal keragaman total data yang diterangkan oleh faktor bersama atau komponen utama bersama adalah ≥ 60%..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. dan tiga faktor lainnya menjelaskan keragaman total hanya 5. tr (r) = p. 172 PDF created with pdfFactory Pro trial version www. maka analisis faktor dapat diturunkan dari matriks koefisien korelasi ρ yang diduga berdasarkan matriks koefisien korelasi sampel r.. atau analisis yang lain. + C 2 pj S 211 + S 2 22 + ... 2.23%) hal ini adalah sangat kecil. k) ditentukan berdasarkan persamaan dengan menggunakan persamaan [8. 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 ).94. tiga. maka besamya keragaman yang dapat diterangkan oleh faktor atau komponen ke-j (j = 1.7] di bawah ini. + S 2 pp x 100% = Di mana: ∑ C ij2 i =1 tr ( S ) tr (S) = teras dari matriks varians-kovarians S 2 Sedangkan.. . maka besamya keragaman yang dapat diterangkan oleh faktor atau komponen ke-j (j = 1. mungkin diperlukan dua.pdffactory. banyaknya variabel Xi yang di analisis. seperti analisis regresi berganda.com . maka cukup melibatkan satu faktor dari empat faktor yang dihasilkan dari hasil analisis faktor yang berdasarkan metode komponen utama. Berdasarkan metode komponen utama.77% (= 1 ..

apabila k buah faktor yang dilibatkan dalam analisis cukup banyak. [8. .9] seperti berikut. atau faktor.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. dan variabel baru tersebut dinamakan faktor atau variabel laten atau konstruk atau variabel bentukan. Faktor yang terbentuk merupakan besaran acak (random quantities) yang sebelumnya tidak dapat diamati atau diukur atau ditentukan secara langsung. 4. . .com . atau variabel komponen. maka dilakuakan proses analisis faktor eksploratori atau analisis faktor eksplanatori untuk membuat sebuah set variabel baru. Untuk mengatasi hal ini.pdffactory. maka dilakukan rotasi faktor (factor rotation). 2. maka terdapat kesulitan dalam menginterpretasikan hasil analisis faktor. Tujuan kepertama untuk mereduksi sejumlah variabel asal yang jumlahnya banyak menjadi sejumlah variabel baru yang jumlahnya lebih sedikit dari variabel asal. Nilai skor faktor (SF) dari variabel laten atau faktor yang terbentuk tergantung pada item atau sub-variabel penyusunnya. Seringkali analisis faktor eksploratori merupakan analisis awal untuk digunakan pada analisis lanjutan dari suatu rangkaian analisis dalam suatu penelitian. . Dalam melakukan reduksi data atau mengurangi jumlah variabel.4 Analisis Faktor Ekspolatori atau Analisis Komponen Utama Analisis faktor dapat dibedakan menjadi dua macam yaitu: 1). yang akan digunakan dalam analisis lanjutan. k) ditentukan berdasarkan persamaan [8.9] Var Xi yang diterangkan Fj = 2 Cij 2 ∑ Cij i =1 p x 100% Dalam situasi tertentu. 8. atau item. sehingga setelah terbentuk faktor.Besarnya keragaman dari variabel Xi yang dapat diterangkan oleh faktor atau komponen ke-j di mana (j = 1. 173 PDF created with pdfFactory Pro trial version www. atau variabel laten. Analisis faktor ekspolatori dan 2). Analisis faktor konfirmatori. 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. Selain tujuan utama analisis faktor. 3. terdapat tujuan lainnya adalah: 1. Tujuan kedua adalah untuk mengidentifikasi adanya hubungan antarvariabel penyusun faktor atau dimensi dengan faktor yang terbentuk. Dengan demikian. Analisis faktor ini disebut analisis faktor kofirmatori. maka peneliti sudah mempunyai suatu hipotesis baru berdasarkan hasil analisis faktor.. katakanlah k > 4. atau demensi penyusunnya. Tujuan ketiga adalah untuk menguji valisitas dan reliabilitas instrumen dengan analisis faktor konfirmatori. 8. dengan menggunakan pengujian koefisien korelasi antarfaktor dengan komponen pembentuknya. Tujuan keempat salah satu tujuan analisis faktor adalah validasi data untuk mengetahui apakah hasil analisis faktor tersebut dapat digeralisasi ke dalam populasinya. Hal ini dikarenakan adanya tumpang tindih variabel-variabel Xj yang dapat diterangkan oleh k buah faktor bersama tersebut. atau konstruk yang menggantikan sejumlah variabel asal. 2. yang berupa nilai skor faktor (SF) atau skor komponen. variabel atau komponen atau faktor yang terbentuk haruslah ada datanya.

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

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

Akan tetapi. Pada tahap kedua.pembuktiannya dibutuhkan sebuah pengujian empirik. pelayanan kasir. item-item yang tidak layak untuk difaktorkan. Hasil output komputer sebagai berikut dan datanya tidak ditampilkan: Tabel 8. kelengkapan barang yang dijual. dan sebaliknya apabila sub-variabel tersebut layak maka diikutkan pada analisis.552 87.437 28 0. sebaiknya faktor dibentuk lebih dari dua item.7 Contoh Analisis Faktor Eksploratori dan Analisis Faktor Konfirmatori 8. Oleh karena itu. Walaupun terdapat beberapa contoh hasil penelitian di mana faktor hanya dibentuk oleh dua variabel terobservasi. sehingga terbentuk satu faktor yang dapat mewakili sub-variabel dengan item pembentuk faktor yang baru. 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. Untuk proses uji validasi reliabilitas dengan metode analisis faktor konfirmatori ada beberapa macam syarat hang harus dipenuhi yaitu: 1. dilakukan analisis ulang. harga barang.pdffactory. Untuk itu dilakukan penelitian dan responden diminta pendapatnya mengenai atribut pertokoan seperti: layout pertokoan. 2. Pengujian empirik itulah kadangkala di l a ku k an me l a kui analisis SEM (Sistem Equation Modeling). Pada langkah selanjutnya. 8.7. Suatu penelitian yang ingin mengetahui faktor apa saja yang sebenarnya membuat seseorang ingin membeli barang pada suatu pertokoan. maka dilakukan faktoring atau mereduksi item dengan jalan sub-variabel yang tidak layak difaktorkan dikeluarkan dari analisis faktor. 176 PDF created with pdfFactory Pro trial version www. image.2 adalah analisis faktor eksploratori.com . Analisis SEM digunakan untuk menguji kausalitas yang sudah jelas ada dasar teorinya. Selanjutnya. 8.1 KMO and Bartlett’s Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy (MSA) Approximate Chi-Square Bartlett’s Test of Sphericity Degree of fredom Significant 0. maka dapat dilakukan analisis data lanjutan dengan menggunakan nilai skor faktor (SF).1 Contoh analisis faktor eksploratori (CPA) Apa yang dijelaskan pada sub Bab 8. Apabila tidak layak maka sub-variabel tersebut tidak diikutkan sertakan pada analisis faktor. dan kebersihan toko. bukan digunakan u n t u k membentuktikan sebuah teori kausalitas. tetapi sangat disarankan berdasarkan pertimbangan problem indentifikasi. 3. Pada tahap kepertama menilai apakah semua sub-variabel atau item atau indikator pembentuk faktor layak untuk diikutkan pada analisis faktor atau tidak. pelayanan karyawan toko.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. dan selamjutnya akan dijelaskan pada aplikasi praktis dalam penelitian. promosi. pengembangan sebuah teori yang berdasarkan landasan il mi ah adalah syarat utama dan pertama sebelum menggunakan analisis SEM.

4740 a Pelkasir Promosi Image .pdffactory. Dari hasil analisis faktor.1500 -.1700 . lengkap. Setelah sub-variabel pelkar dan pelkasir di faktoring dan dianalisis kembali. Kemudian perhatikan dari Tabel 8.4735 a .2570 -. maka variabel tersebut harus dikeluarkan atau dieliminasi dari analisis faktor. Perhatikan nilai yang diberi tanda dengan a atau yang ditebalkan. lengkap.0474 -. 177 PDF created with pdfFactory Pro trial version www. Analisis lebih lanjut adalah melakukan reduksi terhadap variabel yang tidak layak difaktorkan atau dikenal dengan istilah faktoring atau eliminasi.1300 -.2520 .com .05.1300 -.3 di bawah ini.0488 -. variabel yang tidak layak dianalisis lebih lanjut adalah: pelkar dan pelkasir.1580 . dan bersih telah dianalisis dan terbentuk menjadi dua faktor yaitu komponen faktor-1 dan komponen faktor-2 (Component-1 dan Component-2).552 dengan nilai sig atau peluang (p) = 0.5 dan dengan nilai peluang (p) < 0.4150 -.4150 .1040 -.0587 -.2670 .3 berikut.0587 -.0463 -.05034 -.5130 . Dari Tabel 8.0044 -.2030 . harga.6140 a -. Dari Tabel 8. maka dikatakan bahwa itemiem yang dianalisis dalam analisis faktor sudah layak untuk difaktorkan.0503 .1210 . Variabel yang layak dianalisis lebih lanjut adalah: layout.000.5050 a -. maka variabel tersebut tidak layak dianalisis lebih lanjut.1930 -.1030 -.2520 .2 Anti Image Matrices Harga -.0599 -.0598 -. dan bersih seperti Tabel 8.1030 .2670 a .2 berikut di mana nilai matriks anti image correlation. image.1290 -. sehingga analisis faktor yang dilakukan menunjukkan sampel tersebut layak untuk difaktorkan dan faktornya dapat dianalisis lebih lanjut.1040 -.5095 .2030 -. 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. Perhatikan Tabel 8.09.3 di bawah.0510 .1290 .1580 .1580 .1300 .0044 .7080 .. dan bersih.30 .0667 -.210 . khususnya nilai pada angka koefisien korelasi yang berada pada off diagonal (nilai yang ditebalkan).5280 Lengkap Harga Pelkar Pelkasir Promosi Image Bersih a Pelkar . Apabila nilai matriks anti image correlation lebih kecil dari setengah.0451 . Sebagai kriteria umum apabila tingkat kemaknaan yaitu p < 0.09301 a Measures of Sampling Adequacy (MSA) Apabila nilai anti image correlation lebih kecil dari setengah. promosi.1 nilai KMO-MSA > 0.Apabila nilai KMO-MSA sama dan lebih besar dari setengah dan dengan nilai signifikan (sig) atau peluang (p) lebih kecil dari setengah.2070 . harga.6240 a Layout Lengkap Layout . lengkap. dan hasilnya seperti pada Tabel 8.1500 -.1580 .45130 .1930 .1 di atas didapatkan nilai Kaiser-Meyer-Olkin-Measure of Sampling Adequacy sebasar 0. promosi.4760 a Bersih -.4882 -. image.1700 -.0467 -.4631 .2570 . Ternyata dari Tabel 8.2070 .5. Tabel 8.05 dan angka KMO-MSA > 0.1300 -.5. Cara memasukkan sub-variabel ke dalam faktor dapat dilihat dari angka koefisien komponennya yaitu apabila nilainya > 0. sehingga sub-variabel terukur atau item tersebut dimasukan ke dalam faktor yang bersangkutan. menunjukkan bahwa ke enam variabel: layout.2.

com .331 0. dan bersih hanya mengukur 178 PDF created with pdfFactory Pro trial version www. Variabel pelkar dan pelkasir telah dikeluarkan dari analisis faktor (faktoring).035 E -0. peneliti secara apriori telah dapat membuat atau membangun suatu hipotesis berdasarkan konsep dan teori dengan faktor strukturnya yang telah ditentukan. 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.3 Component Matrix Item 1 Layout Lengkap Harga Promosi Image Bersih 7. Faktor yang dibentuk oleh faktor internal (FI) dan faktor eksternal (FE) disebut variabel laten atau faktor primer yang dapat membentuk faktor lanjutan atau faktor skunder dan sterusnya. semenjak analisis faktor dilakukan karena nilai anti image correlation-nya <0. faktor internal (FI) dan faktor eksternal (FE) adalah berupa variabel unobserable atau variabel yang tidak teramati atau berupa faktor. dan image.05.2 Contoh analisis faktor konfirmatori (CFA) Pada analisis faktor konfirmatori.pdffactory. Dari Gambar 8.622 0.1 di atas.737 Sedangkan.774 -02 7.735 0.156 E-03 0. dalam analisis faktor konfirmatori satu sub-dimensi atau satu indikator seperti layout.555 0.3 di atas. faktor skunder penjualan dihipotesiskan ditentukan oleh faktor internal (FI) dan faktor eksternal (FE). lengkap. Sehingga. faktor internal (FI) dan faktor eksternal (FE) disebut variabel laten atau faktor tingkat ke-pertama.683 -02 9. Suatau hal yang harus diperhatikan bahwa. Selanjutnya. FE FI Layout Lengkap Bersih Gambar 8.1 Harga Promosi Image Pola Analisis Faktor Konfirmatori Contoh Gambar 8.7.280 -6. yang termasuk ke dalam faktor-2 atau komponen-2 yang selanjutnya disebut faktor eksternal (FE) adalah sub-variabel atau item harga. Analisi faktor yang dilakukan di atas adalah analisis faktor eksploratori 8.148 E -03 Component 2 0.Tabel 8.304 E -0. Sebagai contoh faktor struktur digambarkan seperti di bawah ini. promosi.1 berbeda dengan uraian dari Tabel 8.

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

3 maka item tersebut dapat dikatakan ikut membentuk fator yang dimaksud.05 artinya model analisis faktor tersebut adalah Fit (cara pembuktian dengan AMOS). Pembentukan Faktor FE dan FI Korelasi antara FE dengan FI Pada model analisis faktor konfirmatori.05.Layout Bersih Lengkap FI Harga Promosi FE Image Gambar 8. yang ini bersifat relatif dan tergantung pada sipeneliti. promosi. Pada analisis faktor eksternal (FE) ternyata semua parameternya menunjukkan hasil yang signifikan pada uji-t dengan α = 0. Pada analisis faktor konfirmatori. Ternyata dari uji signifikansi-t terhadap sub-variabel layout dan bersih tidak signifikan. dan image tersebut dapat dianggap sebagai indikator atau sub-demensi faktor eksternal. Akan tetapi. pengujian sub-demensi yang membentuk faktor dapat dilakukan dengan uji-t. maka direkomendasikan pada model analisis faktor konfirmatori menggunakan matriks varians-kovarians.com . hal ini berarti bahwa variabel harga. selain penggunakan matriks korelasi anti image. Artinya sub-variabel atau demensi penyusun faktor adalah layak untuk difaktorkan. 180 PDF created with pdfFactory Pro trial version www. sehingga variabel tersebut dapat dikatakan bahwa kedua variabel bukan indikator atau sub-demensi pembentuk faktor internal (FI). Ada juga yang memakai nilai koefisien komponen matriks setiap sub-variabel atau dimensi bernilai ≥ 0.5. secara teori pada umumnya menggunakan prosedur maksimum likelihood bukan yang lain. Ada pula yang mengatakan bahwa apabila nilai koefisien komponen matriks setiap sub-variabel bernilai ≥ 0. analisisnya menggunakan matriks korelasi atau matriks varians-kovarians.32.pdffactory. Cara lain untuk mengkofirmasi sub-dimensi pembentuk faktor dapat menggunakan analisis dengan AMOS.05 dengan derajat bebas (db) = n-1. untuk pendugaan parameternya. Apabila dari signifikansi model menunjukkan nilai uji chi-square dengan nilai yang ≥ 0. Gambar 8. Apabila dibandfingkan dengan t-tabel pada taraf nyata (α) = 0. maka sub-variabel atau demensi teramati atau item atau indikator tersebut dapat diterima sebagai sub-variabel pembentuk faktor.

00 No.20 27.00 5400.00 5.00 3.00 101.00 2041.00 2042.00 16200.00 1080.00 9720.40 160.com .00 Hijauan ( Kg) (X2) 14400.00 360.00 180.00 973.00 180.50 101.85 149.00 796.00 2052.00 92.00 1609.00 27000.00 1080.80 30.9 Aplikasi Analisis Faktor Suatu kelompok peternak pemelihara sapi ingin mengetahui keberhasilan pemeliharaan ternak sapinya yang didasarkan pada berat bibit awal yang dipeliharanya (X1).00 4.00 6480. makanan dedak (X4).00 5.00 1238.60 10.00 23400.25 157.00 5400.60 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) 785.00 126.00 720.00 2200.00 875.20 43.00 540.00 1065.00 6.00 1211.25 90.pdffactory.00 14400.00 546.00 23400.00 28.00 148.25 123.00 10800.50 99.00 1080.00 575.00 90.00 1990.20 43.00 19800.00 600. jenis obat-obatan (X6).00 36.00 9000.00 9000.00 43.00 809.00 1117.00 3.00 720.80 16.00 57600.00 45000.00 36.00 4. 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.20 50.00 875.00 865.00 18000.00 18000.00 9000.90 149.00 1771.00 3. jumlah makanan hijauan (X2).00 575.40 12.00 21900. Tabel 8.00 2.00 63000.00 36000.00 1252.21 36.00 3.60 1.00 1080.75 108.00 2001.00 12960.00 1260.00 3.00 16200.00 1.00 32400.1 di bawah ini.00 14.00 90.00 21600.00 544.00 900.00 817.00 540.00 1544.00 18000.00 112.00 540.00 989.00 5. tenaga kerja yang dicurahkan pada usaha ternaknya (X6).00 12600.00 900.00 36.00 2.00 12.00 21600.00 32400.00 3.00 1080.00 3.60 27.00 7200.00 1171.00 3.00 883.00 1167.00 34560.00 360. makanan kering jerami (X3).00 900.80 14.00 781.00 17280.00 938.50 126.00 12600.00 2.00 1080.00 1200.00 1695.00 976.00 Obat (Dosis) (X6) 2.00 1251.50 171.00 25200.00 Dedak (Kg) (X4) 360.00 14400.00 99.00 27000.00 25.00 870.00 18.00 540.50 117. Keberhasilan diukur dengan berat sapi yang dijualnya (Y) setelah pemeliharaan.00 10800.00 885.00 2.00 534.00 584.00 112.40 61.8.00 10800.00 862. jenis suplemen (X5).00 1455.00 2.00 43200.00 1186.00 1558.00 1080.50 101.00 360.00 21600.00 23400.00 16200. Cobalah lakukan analisis faktor ekspolatori dan analisis faktor konfirmatori dari data pada Tabel 8.00 Suplemen (Kg) (X5) 1.50 135.00 5760.60 21.00 540.00 2803.00 360.00 7.00 36000.00 2369.00 2.00 1551.50 194.00 9720.40 36.00 575.00 5.00 30600.20 18.00 34200.00 12600.00 6.00 112.20 28.00 1682.00 525.00 8640.00 34200.00 1628. dan jenis kandang (D) yang digunakan pada pemeliharaan ternaknya.00 25920.00 54000.00 1598.00 16200.00 1260.00 1460.00 6.00 101.00 103.00 7200.25 99.00 11520.90 18. dan kandang tradisional D = 0.00 46800.00 1125.00 23400.00 1.25 90.00 575.40 1.00 21600.4 Data Pemeliharaan Ternak Sapi Berat bibit (Kg) (X1) 555.00 1731.00 813.00 1080.00 6.80 30.00 1214.60 32.00 36.50 137.00 148.00 1419.00 822.00 720.00 2381.00 1460.00 34560.00 1138.00 540.00 566.00 21.00 21600.00 4.00 720.00 8.00 1080.00 14400. Kandang yang digunakan adalah kandang permanen D = 1.00 900.00 14400.00 4.00 12960.00 6.00 2.00 17280.00 6480.00 Tenaga Kerja (Jam) (X7) 112.00 3082.00 90.00 19.00 804.00 180.00 16200.25 90.00 6.00 Jerami (Kg) (X3) 7200.00 1158.

00 1065.00 1985.00 1460.50 180. ada dua macam analisis faktor yaitu: 1).00 1140.00 11.20 198.00 2160.00 21600. (2) anti-image correlassion test.00 2160.00 1620.00 1781. (3) total variance explained test.20 193.00 2160.00 72. (5) component matrix.00 1061.00 1430.00 126.00 36000.00 Tenaga kerja (Jam) (X7) 157.00 2880.00 10.00 182.00 232.00 2350.00 39000.00 90.00 180.00 15.00 1778.00 45.00 794.00 12.00 34200.00 14. Analisis faktor eksploratori Untuk menjelaskan data Tabel 8.00 2700.00 2532.00 126.00 36000.00 72.00 1172.00 1914.00 50400.00 23400.00 37800.00 23400.00 34200.00 7.00 1477.60 175.00 3240.00 72.00 64400.00 3429.00 1334.00 36000.00 11. dengan uraian seperti berikut.00 3240.00 3780.00 32400.00 36000.00 12.00 8.00 13.00 41400.00 15.00 1417.00 36000.00 63000.00 1620. (6) component scor coefisient matrix.00 16. (4) cumunality.00 1994.00 1451.00 1690.00 66600.com .00 41400.00 90.00 157.00 45000.00 45.00 168.00 2007. Dari hasil analisis kelayakan faktor di atas.00 13.00 12.00 108.00 39600.00 1648. didapatkan nilai KMOMSA (Kaiser-Meyer-Olkin measure of sampling adequacy) sebesar 0.00 202.00 2923.). Kaiser-Meyer-Olkin and Bartlett's Test.00 43200.00 1985.00 798.00 3780.00 57600. Analisis faktor eksploratori dan 2).00 1932.00 45000.00 1443.00 36000.00 32400.00 39600.00 72.95 187.00 39600.70 Jenis kandang (D) 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Output (Kg) (Y) 1460.00 3423.70 209.00 15.00 Hijauan ( Kg) (X2) 33400.00 1620.00 2700. 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 .35 187. Untuk menjawab pertanyaan di atas.00 1620.00 90.4 di atas dapat digunakan hasil perhitungan seperti: (1) Kaiser-Meyer-Olkin (KMO test).00 45000.00 2160.00 225.25 172.00 2989.00 10.00 30600.00 21600. kandang permanen D = 1 dan kandang tradisional D = 0.00 6.00 72.05 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 8.00 126.20 209.00 75600.00 2700. (1).00 21600.00 72.00 1131.00 Jerami (Kg) (X3) 23760.00 Dedak (Kg) (X4) 1620.00 16. = p.00 Obat (Dosis) (X6) 7.00 72.00 216.00 46800.00 32400.00 1937.50 168.00 8.00 2160.00 1431.00 45.00 43200.00 9.00 1620.00 54000.00 2390.00 813. dan (7) factor rotation.00 108. masing-masing dengan uraian: 1.00 1157.00 43200.95 164.00 41400.00 6.00 34200.00 21600.pdffactory.00 1090.00 187.00 799.00 1113. Analisis faktor konfirmatori.05 dan dengan nilai peluang (p) < 0. 182 PDF created with pdfFactory Pro trial version www. Yang perlu diperhatikan dalam KMO and Bartlett's test yaitu nilai KMO-MSA dan nilai peluang (sig.00 45.00 3780.00 55800.00 2700.00 45000.00 72.00 3240.Tabel 8.00 45.853 > 0.00 10.00 90000.00 1620.45 175.4 Data Pemeliharaan Ternak Sapi (lanjutan) Berat bibit (Kg) (X1) 807.00 1359.00 1946.00 45.00 793.00 6.00 2413.20 209.00 3361.00 1299.00 1620.00 14.00 90.00 783.00 2160.00 1891.00 30600.5 berikut.00 108.00 27000.25 171.00 1938.00 No.00 2160.00 1447.00 54000.00 807.00 88200.75 135.00 Suplemen (Kg) (X5) 45.00 7.75 191.00 2160.00 33400.00 28800.00 45.

795(a) .284 -.657 D .208 .691 -.337 .199 .000 0.7.848(a) -.081 X3 -.125 -.039 -.5 yang berarti bahwa semua sub-variabel pengukuran atau dimensi berhak dijadikan komponen faktor bersama penentu keberhasilan pemeliharaan ternak sapi.065 -.853 1031.024 X4 .538 .335 -.257 -.300 X5 -.041 -.128 .486 -.199 -.679 28.033 -. Total variance explained test.486 -. 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 F2.085 -.039 . Chi-Square Degree of fredom Significant Kaiser-Meyer-Olkin Measure of Sampling Adequacy Bartlett's Test of sphericity (2).6 di bawah ternyata dari delapan sub-variabel pengukuran atau dimensi yang difaktorkan menunjukkan semua variabel pengukuran mempunyai nilai anti image korelasi > 0.584 -.586 . Tabel 8.5.5 Hasil Analisis Kelayakan Faktor (KMO and Bartlett's Test) pada Pemeliharaan Ternak Sapi 0.337 .148 -.208 .904(a) -.887(a) -.101 X7 -.697(a) -. dari Tabel 8.041 . 183 PDF created with pdfFactory Pro trial version www. yaitu faktor berama satu (F1) dengan persentase variansnya = 81.284 .869(a) -.081 .61 dan faktor bersama dua (F2) dengan persentase varians = 14. dalam hal contoh ini sebanyak delapan faktor bersama.065 .7 diketahui bahwa dari tujuh variabel pengukuran atau dimensi (X1 sd D) terbentuk dua faktor bersama.098 -.com .000 Approx. Tabel 8.97% terdiri atas enam faktor bersama yang masing-masing nilainya dapat dilihat pada Tabel 8. Anti-image correlassion test. Faktor bersama dengan nilai initial eigenvalue total yang ≥ 1.015 .125 -.46 serta komulatif persentase varians yang terbentuk dari ke-dua faktor bersama adalah sebesar = 96.101 -.015 -. Sumbangan faktor bersama yang terbentuk dalam analisis dapat dilihat dari nilai Total variance explained.405 -.257 -.6 Anti-image correlation X1 X2 X3 X4 X5 X6 X7 D Anti-image Matrices Correlation X1 .406 .586 -. jumlah faktor bersama yang terbentuk adalah sebanyak variabel penyusunnya atu dimensi.024 -.405 .148 .pdffactory.033 X6 -.098 -. merupakan faktor yang mewakili sub-variabel pembentuknyua.Tabel 8.7.300 .792(a) (3).584 .406 .07 dan sisanya 3. Dan apabila nilai anti-image < 0.691 . Selanjutnya.5 maka variabel pengukuran tersebut harus dikeluarkan dari komponen faktor bersama dan data dianalisis ulang tanpa mengikut sertakan data yang nilai anti-image-nya < 0.538 X2 -.971(a) -. Ternyata dari Tabel 8.085 -.657 .335 -.128 -.

Nilai initial mencerminkan peranan atau sumbangan kalau variabel penyusun faktor secara individual membentuk faktor tersebut.pdffactory.000 1.000 1.983 0.Tabel 8.460 81.000 1.157 81. Perhatikan nilai-nilai pada setiap komponen faktor.8. sehingga peranan atau sumbangan masing-masing dimensi atau sub-variabel penyusun terhadap faktor secara bersama yaitu F1 dan F2 seperti pada Tabel 8.140 0.979 0. Pada penjelasan (3) di atas bahwa terbentuk dua faktor bersama F1 dan F2.000 1.610 14.3% dan yang terkecil adalah X7 sebesar 0.924 100.816 98.964 0.070 97.946 0.000 6. Dari Tabel 8.8 Communalities (Peranan Variabel) Variable X1 X2 X3 X4 X5 X6 X7 D Initial 1.610 96.978 0. sedangkan extraction menjelaskan persentase peranan atau sumbangan masing-masing dimensi atau sub-variabel penyusun faktor secara individual terhadap vaktor.397 99. (5) Component matrix (dimensi penyusun faktor).903 0. Tabel 8.000 Extraction 0.139 0.975 Extraction Method: Principal Component Perhatikan nilai initial dan extraction.784 99. Pada penjelasan (3) di atas bahwa terbentuk dua faktor bersama F1 dan F2.com .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 6.387 0.8 diketahui bahwa peranan dimensi yang terbesar adalah sub-variabel X5 sebesar 0.9.460 1.070 Extraction Method: Principal Component Analysis. Dalam komunaliti (Communalities) faktor yang terbentuk merupakan satu kesatuan.783 99.610 14.957 0.157 0. masing-masing dimensi penyusun faktornya terdapat pada Tabel 8.610 96.907 atau 90.967 0. 184 PDF created with pdfFactory Pro trial version www.983 atau 98.746 0.614 0.077 0.011 0.7%.031 0.049 0. (4) Communalities atau peranan faktor).529 1.006 81.000 1.529 1.000 1.076 81.000 1.

149 0.719.Tabel 8.5 berarti bahwa dimensi atau sub-variabel pengukuran faktor tersebut merupakan anggota faktor yang terbentuk.621 0.029 -0.5 pada dua komponen faktor atau lebih.967 0.10 Component Scor Coefisien Matrix (Koefisien Dimensi Penyusun Faktor) Component Dimensi X1 X2 X3 X4 X5 X6 X7 D 1 (F1) 0. karena setelah itersasi ke-3 kalinya menjadi konvergen.991 0.115 2 (F2) 0. jika nilai komponen faktor < 0. a 2 components extracted.988 0.148 0. (6) Component scor coefient matrix atau koefisien dimensi penyusun faktor. Scor coefient merupakan kontanta atau koefisien serupa dengan koefisien regresi (βi ) pada persamaan regresi berganda. sehingga data selanjutnya diinterprestasi apa adanya pada analisis pertama. Ternyata dari Tabel 8.976 0. Sebaliknya.194 -0.355 -0.679 0.10.719 0.093 -0.991.063 -0.168 -0.5 pada kedua faktor maka analisis faktor harus diulang dan dilakukan rotasi faktor dengan metode varimax atau yang lain sampai tidak terdapat nilai-nilai komponen bersama yang ≥ 0.com . Pada penjelasan pembicaraan ini.pdffactory.143 0.104 0.5 berarti bahwa dimensi sub-variabel pengukuran bukan anggota faktor tersebut. menekankan pada bentuk hubungan atau model atau persamaan antara faktor dengan variabel penyusunnya Tabel 8. apabila nilai komponen faktornya ≥ 0.4 data tidak dapat dirotasi.9 Component Matrix (Variabel Penyusun Faktor) Component Dimensi X1 X2 X3 X4 X5 X6 X7 D 1 (F1) 0.930 0. Nilai komponen faktor dapat pula diartikan sebagai korelasi antara faktor yang terbentuk dengan komponennya (rFjXi).151 0.051 0.679 dan 0. dan nilai korelasi yang tertinggi pada F1 adalah korelasi antara F1 dengan X5 (rF1X5) sebesar 0.152 0. Apabila antara komponen faktor satu dan komponen faktor dua terdapat nilai-nilai dalam satu variabel pengukuran yang ≥ 0.643 Extraction Method: Principal Component Analysis. Tabel 8.555 185 PDF created with pdfFactory Pro trial version www.137 0.034 -0.073 -0. Sebagai contoh korelasi antara F1 dengan X1 dan F2 dengan X1 masing-masing komponen faktor sebesar 0. Perhatikan komponen faktor satu (F1) dari X1 sd D.892 0.044 0.750 2 (F2) 0.411 -0.108 -0.

2.5 seperti pada Tabel 8. Analisis faktor konfirmatori Untuk menjelaskan data pada Tabel 8. . Persamaan umum skor faktor Fj = a1 ZX1 + a2 ZX2 + . 2.0. p. . dan (6) component scor coefisient matrix.0.355 ZX2 . sehingga perlu dilakukan rotasi seperti pada Tabel 8. (3) cumunality.9 baris pertama.10 di atas. .643 keduanya ≥ |0. Rotasi faktor dilakukan dengan metode varimax atau equamax atau yang lain sampai tidak terdapat nilai komponen bersama yang ada pada sub-variabel ≥ 0. dan j = 1.152 ZX5 + 0.029 ZX5 . dalam analisis disebut sebagai faktor/ komponen spesifik ke-i yang bersifat acak. . varians = 1. ai dalam analisis faktor disebut bobot (loading) atau Component Scor Coefisien Matrix dari respons ke-i pada faktor bersama ke-j. Rumus umum Z adalah: Z i = Xi − X i . + ap ZXp + εj Di mana: Fj (j = 1. 2.0. ..148 ZX6 + 0.5 pada kedua faktor bersaama. Demikian pula dimensi atau item D pada faktor F1 dan faktor F2 dengan nilai komponen faktor maing-masing sebesar 0.679 dan 0. .621 ZX1 + 0. . . . dan data tanpa satuan atau relatif).0.0..044 ZX4 + 0.pdffactory.. 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.9 baris kedelapan.5|. (2) anti-image correlassion test.143 ZX7 + 0. 2. .115 ZD Untuk skor faktor duau -> F2 = 0. k) merupakan skor faktor atau komponen bersama ke-j ZXi = sub-variabel atau dimensi atau item yang distandarkan ai (i = 1. Sebagai contoh dimensi atau item X1 pada faktor F1 dan faktor F2 dengan nilai komponen faktor maing-masing sebesar 0. 2.4 data tidak dapat dirotasi.com . .719 keduanya ≥ 0. (5) component matrix.168 ZX7 . .149 ZX3 + 0. sehingga persamaan skor faktor dari contoh analisis menjadi: Untuk skor faktor satu -> F1 = 0. εj (i = 1. Apabila antara komponen faktor yang satu dan komponen faktor yang lain terdapat nilai-nilai komponen faktor dalam satu variabel pengukuran yang ≥ 0.650 dan -0.137 ZX2 + 0.5 pada dua komponen faktor atau lebih.555 ZD (7) Factor rotation.4 dengan analisis faktor konfirmatori pola perhitungannya hampir sama seperti analisis faktor eksploratori yang telah dibicarakan.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. maka analisis faktor harus diulang dengan cara lain atau dilakukan rotasi faktor (factor rotation)..063 ZX3 . k) merupakan parameter yang merefleksikan pentingnya faktor komponen ke-j. . . 186 PDF created with pdfFactory Pro trial version www. (4) cumunality. Ternyata dari Tabel 8. sehingga data diinterprestasi apa adanya seperti pada analisis pertama. karena setelah itersasi ke-3 menjadi konvergen. Nilai koefisien scor matrix atau bobot faktor diambil dari Tabel 8. Kecuali tidak melakukan rotasi faktor sehinga yang ditentukan: (1) Kaiser-MeyerOlkin (KMO test). .093 ZX6 . k) merupakan galat dari respons ke-j.104 ZX1 + 0.151 ZX4 + 0.

673 0.802(a) 0. Seperti pada Tabel 8. Chi-Square Df Sig.313 X3 0. Dari Tabel 8. jenis suplemen (X5). dan makanan dedak (X4). = p.660 0. merupakan faktor yang mewakili sub-variabel pembentuknyua.12 Anti-image Matrices Correlation Hasil Analisis Faktor Makanan pada Pemeliharaan Ternak Sapi Anti-image Correlation X2 X3 X4 X5 X6 X2 .8.763(a) -0. terlihat bahwa hanya sebuah faktor bersama makanan yang terbentuk dari sub-variabel penyusunnya.132 X4 0.143 -0.com .pdffactory.110 -0. Sumbangan faktor bersama makanan yang terbentuk dari dimensi X2 sd X6 dengan persentase varians sebesar 93. faktor makanan dapat dipilah menjadi: (1) faktor makanan utama yang terdiri atas: makanan hijauan (X2). Faktor bersama makanan tersebut dengan nilai initial eigenvalue total sebesar 4.110 X5 -0. sebesar 0.673 -0.11 berikut.Yang membedakan analisis faktor konfirmatori dengan analisis faktor eksploratori adalah penentuan sub-variabel pengukuran sudah ditentukan jauh sebelum analisis dilakukan.644 10.679 ≥ 1. makanan jerami kering (X3).368 -0. makanan dedak (X4).11 Hasil Analisis Kelayakan Faktor Makanan pada Pemeliharaan Ternak Sapi 0. Hasil analisis faktor konfirmatori faktor makan menjadi: (1). Kaiser-Meyer-Olkin and Bartlett's Test. Faktor makanan yang dapat dibentuk dari makanan hijauan (X2).325 0.05 dan dengan nilai peluang (p) < 0. dan (2) faktor makanan utambahan yang terdiri atas jenis suplemen (X5) dan jenis obat-obatan (X6).).369 0. Measures of Sampling Adequacy (MSA) (3). Tabel 8. Selanjutnya.5 yang berarti bahwa semua variabel tersebut syah untuk difaktorkan menjadi faktor makanan Tabel 8.660 -0.936(a) a.000 Kaiser-Meyer-Olkin Measure of Sampling Adequacy Bartlett's Test of Sphericity Approx.12 di bawah ternyata dari enam subvariabel pengukuran penyusun faktor makanan (X2 sd X6) menunjukkan semua variabel mempunyai nilai anti image korelasi > 0. Jadi jumlah faktor bersama yang mewakili lima sub-variabel pengukuran atau dimensi X2 sd X6 ditentukan oleh satu faktor bersama makanan.875(a) -0. makanan jerami kering (X3). 853 > 0. Total variance explained test.853 649. 187 PDF created with pdfFactory Pro trial version www. seperti pada data Tabel 8.211 -0. Anti-image correlassion test.132 -0.13.05 ini berarti bahwa semua sub-variabel pengukuran makanan layak sebagai faktor makanan (dari X2 sd X6) seperti pada Tabel 8.325 X6 0.912(a) -0.580.143 -0. dan jenis obat-obatan (X6). KMO and Bartlett's test dan nilai peluang (sig.368 -0. Tergantung pada teori dan konsep yang diajukan atau dipostulatkan. (2).313 -0.000 0.369 .211 .

com .975 0.049 . Dalam komunaliti faktor makanan yang terbentuk merupakan satu kesatuan.968 Extraction Method: Principal Component Analysis. Communalities atau peranan faktor.000 Extraction 0. Tabel 8.847 .679 .5 berarti bahwa dimensi faktor makanan X2 sd X6 tersebut merupakan anggota faktor makananan yang terbentuk.679 93. karena terbentuk satu faktor bersama makanan. Perhatikan komponen faktor makanan X2 sd X6.982 0. semua dimensi penyusun faktornya (X2 sd X6) terdapat pada Tabel 8.996 0.992 0.580 4.240 . seperti peranan sub-variabel makanan terhadap variabel makanan tertinggi ditentukan oleh sub variabel X5 (jenis suplemen) sebesar 99. a One components extracted.pdffactory.000 Extraction Sums of Squared Loadings % of CumulaTotal Variance tive (%) 4.580 Extraction Method: Principal Component Analysis.905 0.14 Communalities (Peranan Variabel = R2) Variable X2 X3 X4 X5 X6 Initial 1. Perhatikan nilai-nilai pada setiap komponen faktor. Tabel 8.13 Sumbangan Komponen Faktor Makanan Component Total 1 2 3 4 5 4.984 99.2% dan terkecil oleh sub variabel X2 (makanan hijauan) sebesar 81.15 di bawah ini. Pada penjelasan total variance explained test di bawah bahwa terbentuk satu faktor bersama makanan.15 tidak perlu dirotasi.580 93.Tabel 8.384 .000 1.000 1.936 Extraction Method: Principal Component (5) Component matrix (dimensi penyusun faktor).479 99.368 .818 0.000 1.8% seperti pada Tabel 8. sehingga peranan atau sumbangan masingmasing dimensi atau sub-variabel penyusun faktor terhadap faktornya.15 Component matrix (dimensi penyusun faktor) Dimensi faktor atau komponen penysun faktor X2 X3 X4 X5 X6 Component Faktor makanan 0. ternyata nilai komponen faktor ≥ 0.153 100.580 93.024 .951 0. Ternyata dari Tabel 8. 188 PDF created with pdfFactory Pro trial version www.804 98. (4).000 1.008 Initial Eigenvalues % of CumulaVariance tive (%) 93.991 0.14 di bawah ini.

pdffactory.: Fmakanan = 0.208 ZX3 + 0.207 189 PDF created with pdfFactory Pro trial version www.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.com .212 0.193 0.212 ZX4 + 0.213 0.208 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.207 ZX6.213 ZX5 + 0.(5) Component scor coefient matrix atau fungsi hubungan dimensi-faktor. Tabel 8. Nilai skor faktor untuk setiap dimemsi skor faktor (SF) atau nilai koefisiennya = CFC.193 ZX2 + 0.

Sign up to vote on this title
UsefulNot useful