ANALISIS FAKTOR

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. Mampu menerangkan semaksimum mungkin keragaman data. 2. Terdapatnya kebebasan antarfaktor. 3. Tiap faktor dapat diinterpretasikan sejelas-jelasnya. Analisis faktor 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. Faktor analisis 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 interkorelasi antar peubah untuk menetapkan apakah variasi yang tampak dalam peubah berasal atau berdasarkan sejumlah faktor

sorotkan mouse pada reduction data. Kita ingin mengelompokkan 11 butir tersebut menjadi beberapa kelompok. Jika terdapat korelasi dari sutau set data. Mampu menerangkan keragaman data secara maksimum. tanpa kehilangan informasi yang berarti. Analisis faktor ini dikerjakan untuk memperoleh sejumlah kecil faktor yang mempunyai sifatsifat sebagai berikut: 1. Data yang digunakan adalah hasil kuesioner yang terdiri dari 11 butir pertanyaan (q1 sampai dengan q11). Dari tabulasi data SPSS. 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. 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 . sehingga memudahkan untuk analisis selanjutnya. 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. Jadi analisis faktor mempunyai karakter khusus yaitu mampu untuk mengurai data. 2. pilih menu Analyze.dasar yang jumlahnya lebih sedikit dari variasi yang terdapat pada peubah-nya.

sehingga anda akan diarahkan kembali ke box analisis faktor. lalu tekan continue. sehingga akan diarahkan ke menu box sebagai berikut . sehingga akan diarahkan ke box menu sebagai berikut: Berikan tick mark (centang) seperti gambar.Klik pada menu descriptive di bagian kiri bawah. Tekan Extraction di samping Descriptive.

maka tekan OK pada box menu analisis faktor. Ya emang. tekan continue.Lalu berikan tanda centang seperti pada gambar. maka akan kembali ke menu analisis faktor. lalu tekan continue. Tekan rotation di samping extraction. sehingga akan diarahkan ke menu sebagai berikut: Berikan tanda centang seperti gambar. Nah abis tekan continue. He he diulang-ulang ya. Dan jreng«. .akan keluar output yang siap untuk diinterpretasikan..

yang diharapkan mempunyai nilai di atas 0. bahwa 11 butir pertanyaan tersebut dapat dikelompokkan menjadi dua kelompok tanpa kehilangan informasi yang berarti.Yang pertama adalah nilai KMO yaitu sebesar 0. Kalau nilainya di bawah 0.411 untuk q1). Dengan demikian .05 maka analisis faktor dapat digunakan pada data yang kita punyai.5.796.084%. 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 17.4 (minimal adalah 0.796 > 0. 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.4 dan di situ tampak bahwa semua pertanyaan mempunyai nilai di atas 0. Nilai yang diharapkan adalah di atas 0. Artinya.05 kayaknya jangan digunakan deh analisis faktor karena tidak layak. Yup??? Output di bawahnya adalah communalities. Nah karena nilainya 0.

736% saja. q9 dan q10. Jadi ya kita lakukan rotasi dan hasilnya sebagai berikut: . he he«. q 11 memang component 2 tapi mempunyai nilai negatif sehingga akan membingungkan interpretasinya. Eit tunggu dul«. Yup« dengan cara yang sama kita bisa mengelompokkan kelompok 1 selainn q1 adalah q2.kedua component tersebut mampu menjelaskan varians sebesar 68. Sedangkan yang masuk component 2 adalah q4 dan q11.loading factor untuk component 1 adalah 0.264% atau kita kehilangan informasi sebesar 31. Jadi bukan hitung-hitungan anak SD yang menyatakan bahwa negatif lebih kecil dari positif he he«. Yup kita ambil nilai mutlaknya ya. Bisa dimengerti kok dianggap masuk component 2 bukannya component 1.174. q3. Yach lumayan dech« ha ha«. q5.436 dan untuk component 2 adalah -0. q6. 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. q7.617 yang lebih besar dari pada loading factor ke component 2 yaitu sebesar 0.648. Eit lihat yang q 11«. q8.

Nah. 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. setelah itu anda kaitkan dengan teori yang ada. Butir q1 sampai q5 masuk component 2 dan butir q5 sampai q 11 masuk component 1.Nah kan jadi lebih jelas. . OK« mudah-mudahan bisa dicopy dengan baik. Ntar interpretasi variance explained juga dilihat yang rotation.

Sign up to vote on this title
UsefulNot useful