c

 
 

Analisis faktor adalah alat analisis statistik yang dipergunakan untuk mereduksi faktor-faktor
yang mempengaruhi suatu variabel menjadi beberapa set indikator saja, tanpa kehilangan
informasi yang berarti. Sebagai ilustrasi, terdapat 50 indikator yang diidentifikasi mempunyai
pengaruh terhadap keputusan pembelian konsumen. Dengan analisis faktor, ke-50 indikator
tersebut akan dikelompokkan menjadi beberapa sub set indikator yang sejenis. Masing-masing
kelompok sub set tersebut kemudian diberi nama sesuai dengan indikator yang mengelompok.
Pengelompokan berdasarkan kedekatan korelasi antar masing-masing indikator dan penentuan
banyaknya sub set berdasarkan nilai eigen values, yang biasanya diambil di atas 1.

Analisis faktor digunakan untuk penelitian awal di mana faktor-faktor yang mempengaruhi
suatu variabel belum diidentifikasikan secara baik (explanatory research). Selain itu, analisis
faktor juga dapat digunakan untuk menguji validitas suatu rangkaian kuesioner. Sebagai
gambaran, jika suatu indikator tidak mengelompok kepada variabelnya, tetapi malah
mengelompok ke variabel yang lain, berarti indikator tersebut tidak valid.

Selain itu juga analisis faktor digunakan untuk menyederhanakan deskripsi dari suatu set
data (peubah) yang banyak dan semaksimal mungkin bisa menjelaskan keragaman data. Jadi
misalkan kita punya banyak peubah/variabel pada penelitian kita sedangkan kita menjelaskan
sedikit peubah saja kita sulit maka kita bisa menggunakan analisis faktor untuk meringkas
peubah yang banyak dan saling berkorelasi menjadi lebih padat berisi serta tidak lagi saling
berkorelasi. Tentunya dengan asumsi-asumsi yang sudah ditentukan dari sananya.

Menurut Jhonson dan Wichern (1992). Analisis Faktor pada dasarnya bertujuan untuk
mendapatkan sejumlah kecil faktor/komponen utama yang memiliki sifat berikut

1.c Mampu menerangkan semaksimum mungkin keragaman data.

2.c Terdapatnya kebebasan antarfaktor.
3.c Tiap faktor dapat diinterpretasikan sejelas-jelasnya.


 

merupakan suatu alat uji banyak variabel dimana untuk mengamati dan
menganalisis suatu fenomena yang dapat dibuat suatu pola. Variabel-variabel yang banyak dan
tidak terobservasi disebut sebagai faktor. Pada dasarnya model faktor ini adalah pendorong bagi
pembentukan suatu argumentasi. Variabel-variabel yang terdapat dalam model itu akan di
kelompokkan berdasarkan hubungan antar variabel tersebut.





dapat dikatakan sebagai analisis komponen utama yang khusus. Keduanya dapat
ditampilkan sebagai percobaan dari perkiraan covariance matrix S. Tetapi model analisis faktor
lebih rumit, pertanyaan utama dari analisis faktor adalah bagaimana data tersebut dapat konsisten
pada struktur model yang sudah ditentukan.

Dalam hal menganalisis sejumlah peubah akan dianalisis  






 
 untuk
menetapkan apakah variasi yang tampak dalam peubah berasal atau berdasarkan sejumlah faktor
dasar yang jumlahnya lebih sedikit dari variasi yang terdapat pada peubah-nya. Jadi analisis
faktor mempunyai karakter khusus yaitu mampu untuk mengurai data. Jika terdapat korelasi dari
sutau set data, maka analisis faktor akan memperlihatkan bebrapa pola yang mendasari sehingga
data yang ada dapat dirancang atau dikurangi menjadi set faktor atau komponen yang lebih kecil.
Analisis faktor ini dikerjakan untuk memperoleh sejumlah kecil faktor yang mempunyai sifat-
sifat sebagai berikut:

1.c Mampu menerangkan keragaman data secara maksimum.

2.c Terdapatnya kebebasan faktor.

Tiap faktor dapat diinterpretasikan dengan sejelas-jelasnya

Berikut adalah simulasi analisis faktor yang digunakan untuk mengelompokkan beberapa
indikator menjadi beberapa kelompok tertentu, tanpa kehilangan informasi yang berarti.

Data yang digunakan adalah hasil kuesioner yang terdiri dari 11 butir pertanyaan (q1 sampai
dengan q11). Kita ingin mengelompokkan 11 butir tersebut menjadi beberapa kelompok,
sehingga memudahkan untuk analisis selanjutnya. Dari tabulasi data SPSS, pilih menu Analyze,
sorotkan mouse pada reduction data, dan klik pada Factor seperti pada contoh berikut:

Jika anda benar maka akan diarahkan ke menu analisis faktor seperti ini. Pindahkan q1 sampai
q11 dari box kiri ke kotak variables
Klik pada menu descriptive di bagian kiri bawah, sehingga akan diarahkan ke box menu sebagai
berikut:

Berikan tick mark (centang) seperti gambar, lalu tekan continue, sehingga anda akan diarahkan
kembali ke box analisis faktor. Tekan Extraction di samping Descriptive, sehingga akan
diarahkan ke menu box sebagai berikut
Lalu berikan tanda centang seperti pada gambar, tekan continue, maka akan kembali ke menu
analisis faktor. Tekan rotation di samping extraction, sehingga akan diarahkan ke menu sebagai
berikut:

Berikan tanda centang seperti gambar, lalu tekan continue. He he diulang-ulang ya. Ya emang.
Nah abis tekan continue, maka tekan OK pada box menu analisis faktor. Dan jreng«..akan
keluar output yang siap untuk diinterpretasikan.
Yang pertama adalah nilai KMO yaitu sebesar 0,796. Nilai yang diharapkan adalah di atas 0,5.
Nah karena nilainya 0,796 > 0,05 maka analisis faktor dapat digunakan pada data yang kita
punyai. Kalau nilainya di bawah 0,05 kayaknya jangan digunakan deh analisis faktor karena
tidak layak. Yup???
Output di bawahnya adalah communalities, yang diharapkan mempunyai nilai di atas 0,4 dan di
situ tampak bahwa semua pertanyaan mempunyai nilai di atas 0,4 (minimal adalah 0,411 untuk
q1).

Selanjutnya kita lihat output yang berikut

Dari 11 component (lihat tabel paling kiri) ternyata yang mempunyai nilai initial eigenvalues di
atas 1 hanya ada 2 component. Artinya, bahwa 11 butir pertanyaan tersebut dapat
dikelompokkan menjadi dua kelompok tanpa kehilangan informasi yang berarti. Component 1
mempunyai nilai 5,630 dan mampu menjelaskan varians sebesar 51,180% dan component 2
mempunyai nilai 1,879 dan mampu menjelaskan varians sebesar 17,084%. Dengan demikian
kedua component tersebut mampu menjelaskan varians sebesar 68,264% atau kita kehilangan
informasi sebesar 31,736% saja. Yach lumayan dech« ha ha«.

Terus kalau kita pengin melihat butir mana yang masuk kelompok 1 dan butir mana yang masuk
kelompok 2 kita lihat output berikut:

Dari component matrik kita bisa melihat bahwa q1 ikut component 1 karena mempunyai loading
factor sebesar 0,617 yang lebih besar dari pada loading factor ke component 2 yaitu sebesar
0,174. Yup« dengan cara yang sama kita bisa mengelompokkan kelompok 1 selainn q1 adalah
q2, q3, q5, q6, q7, q8, q9 dan q10. Sedangkan yang masuk component 2 adalah q4 dan q11. he
he«. Eit lihat yang q 11«.loading factor untuk component 1 adalah 0,436 dan untuk component
2 adalah -0,648. Bisa dimengerti kok dianggap masuk component 2 bukannya component 1. Yup
kita ambil nilai mutlaknya ya. Jadi bukan hitung-hitungan anak SD yang menyatakan bahwa
negatif lebih kecil dari positif he he«.

Eit tunggu dul«. q 11 memang component 2 tapi mempunyai nilai negatif sehingga akan
membingungkan interpretasinya. Jadi ya kita lakukan rotasi dan hasilnya sebagai berikut:
Nah kan jadi lebih jelas. Butir q1 sampai q5 masuk component 2 dan butir q5 sampai q 11 masuk
component 1. Ntar interpretasi variance explained juga dilihat yang rotation.

Nah, setelah itu anda kaitkan dengan teori yang ada. Butir q1 sampai q5 anda beri nama sesuai
dengan isi dari pertanyaan dan merupakan suatu konstruk yang berbeda dengan konstruk yang
terdiri dari q6 sampai q 11.

OK« mudah-mudahan bisa dicopy dengan baik.