Analisis Faktor

A. Pengertian Analisis Faktor

Analisis faktor termasuk variasi seperti analisis komponen dan faktor analisis
umum dengan menggunakan pendekatan statistik yang dapat digunakan untuk
menganalisis hubungan diantara beberapa variabel dan menjelaskan variabel-variabel ini
dalam keadaan umumnya berdasarkan dimensi/faktor. (Hair, Anderson, Tatham, Black).
Analisis faktor merupakan metode pengembangan pengukuran untuk bermacammacam variabel yang tidak dapat diukur secara langsung, seperti tingkah laku, pendapat,
intelegensi, personalitiy dan lain-lain. Metode ini biasa digunakan dalam studi perilaku dan
sosial (Sharma, 1996).
Berdasarkan pendapat-pendapat di atas, analisis faktor dapat dikatakan sebagai
salah satu kelurarga analisis multivariate yang bertujuan untuk meringkas atau mereduksi
variabel amatan secara keseluruhan menjadi beberapa variabel atau dimensi baru, akan
tetapi variabel atau variabel baru yang terbentuk tetap mampu mempresentasikan variabel
utama.
Ada dua pendekatan utama dalam analisis faktor, yaitu :
1. Exploratory factor analysis, digunakan apabila banyaknya faktor yang akan terbentuk
tidak ditentukan terlebih dahulu.
2. Confirmatory factor analysis, digunakan apabila faktor yang akan terbentuk telah
ditetapkan terlebih dahulu.
Asumsi mendasar yang harus digaris bawahi dalam analisis faktor adalah bahwa
variabel-variabel yang dianalisis memiliki keterkaitan atau saling berhubungan karena
analisis faktor berusaha untuk mencari common dimension (kesamaan dimensi) yang
mendasari variabel-variabel tersebut.
B. Tujuan Analisis Faktor
Tujuan dari analisis faktor adalah untuk menggambarkan hubungan-hubungan
kovarian antara beberapa variabel yang mendasari tetapi tidak teramati (Johnson &
Wichem, 2002). Sementara menurut Widarjono, tujuan dari analisis faktor adalah untuk
mencari seminimal mungkin faktor dengan prinsip kesederhanaan atau parsimony
(parsimony) yang mampu menghasilkan korelasi antara indikator-indikator yang
diobservasi.
Menurut Sharma (1996) tujuan analisis faktor adalah menggunakan matriks
korelasi hitungan untuk:
1. Mengidentifikasi jumlah terkecil dari faktor umum (yaitu model faktor yang paling
parsimoni) yang mempunyai penjelasan terbaik atau menghubungkan korelasi diantara
variabel indikator.

2.
3.
4.

Mengidentifikasi, melalui faktor rotasi, solusi faktor yang paling masuk akal.
Estimasi bentuk dan struktur loading, komunality dan varian unik dari indikator.
Interpretasi dari faktor umum. Jika perlu, dilakukan estimasi faktor skor.
Melihat beberapa kesimpulan diatas, dapat disimpulkan tujuan dari analisis faktor

adalah untuk mencari cara menyingkat informasi yang terdapat dalam beberapa variabel
asal menjadi lebih kecil (faktor) dengan meminimalkan kehilangan informasi.
C. Prosedur Analisis Faktor
Langkah pertama yang harus dilakukan dalam menganalisis faktor ialah dengan
menghitung matriks korelasi indikator untuk mengetahui syarat kecukupan bagi data di
dalam analisis faktor. Setelah terpenuhi syarat kecukupan data maka langkah selanjutnya
adalah mencari faktor atau ekstraksi faktor (extracting factor) untuk mencari faktor yang
mampu menjelaskan korelasi antar indikator yang diteliti. Langkah berikutnya adalah
rotasi faktor untuk mencari faktor yang mampu mengoptimalkan korelasi antara indikator
independen yang diobservasi.
1. Membuat matriks korelasi
Dalam melakukan analisis faktor, keputusan pertama yang harus diambil oleh peneliti
adalah menganalisis apakah data yang ada cukup memenuhi syarat dalam analisis
faktor. Berkenaan dengan analisis faktor, pengujian yang dilakukan yaitu:
a. Uji Bartletts test of sphericity
Uji Bartlett,s ini merupakan uji statistik untuk signifikansi menyeluruh dari semua
korelasi di dalam matriks korelasi. Dengan kata lain uji bartletts digunakan untuk
menguji bahwa variabel-variabel dalam sampel berkolerasi.
b. Uji Keiser Mayer Olkin (KMO)
Uji Keiser Mayer Olkin (KMO) digunakan untuk mengetahui kecukupan sampel
atau pengukuran kelayakan sampel. Analisis faktor dianggap layak jika besaran
KMO > 0,5.

ij

ij

KMO =

r2 ij

a ij
2

c. Uji Measure of
(MSA)
ijSampling Adequacy
ij
Uji Measure of Sampling Adequacy (MSA) digunakan untuk mengukur derajat
korelasi antar variabel dengan kriteria MSA > 0,5.

r2 ij

i=j

MSA =

I=j

r2 ij

a2 ij

2. Menetukan jumlah faktor

Penentuan jumlah faktor didasarkan pada besarnya eigenvalue satiap faktor yang
muncul. Faktor-faktor inti yang dipilih adalah faktor yang memiliki eigenvalue > 1.
3. Rotasi Faktor
Rotasi faktor digunakan untuk mempermudah interpretasi dalam menentukan variabelvariabel mana saja yang tercantum dalam suatu faktor karena terkadang ada beberapa
variabel yang mempunyai korelasi tinggi dengan lebih dari satu faktor. Tujuan dari
rotasi faktor ini agar dapat memperoleh struktur faktor yang lebih sederhana agar
mudah diinterpretasikan. Ada beberapa metode rotasi faktor yang biasa digunakan,
yaitu:
a. Varimax method adalah metode rotasi faktor yang meminimalkan jumlah indikator
dengan loading yang tinggi pada satu faktor.
b. Quartimax method merupakan metode rotasi untuk meminimalisasi jumlah faktor
yang digunakan untuk menjelaskan indikator.
c. Equamax method merupakan metode gabungan antara vartimax method yang
meminimalkan indikator dan quartimax method yang meminimalkan faktor.
D. Contoh Kasus
Data yang digunakan pada penelitian ini adalah data sekunder mengenai hasil survey
konsumen HBAT yaitu perusahaan penghasil kertas. Banyaknya konsumen atau
perusahaan yang disurvey dalam data ini adalah 84 perusahaan dengan variabel-variabel
menganalisis faktor terdiri dari variabel X6 Product quality; X7 E-commers activities; X8
Technical support; X9 Complain resolution; X10 Advertesing; X11 Product line; X12
Salesforce image; X13 Competitive Pricing; X14 Warranty & claims; X15 New products;
X16 Order & billing; X17 Price flexibility; dan X18 Delivery speed. Untuk lebih jelasnya
dapat dilihat sebagai berikut:

Langkah langkah:
1.
2.
3.
4.

Dari menu SPSS, klik Analyze > Dimention reduction > Faktor
Masukkan semua variabel ke dalam kotak variabel
Klik Descriptive, klik KMO Bartletts test of sphericity dan Anti image
Klik Initial solution

Hasil Output:
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Approx. Chi-Square
Bartlett's Test of Sphericity

df
Sig.

,590
783,358
78
,000

Pada tabel Anti Image MAtrice, khususnya pada kolom Anti image correlation terlihat angka
yang bertanda (a) yang menandakan besaran MSA sebuah variabel. Jika nilai MSA tiap
variabel besarannya (> 0,5) maka semua variabel dapat diproses lebih lanjut. Namun jika ada
variabel yang besaran MSA nya (< 0,5) maka proses akan diulang dari awal dengan
mengeluarkan salah satu variabel yang memiliki besaran MSA terkecil. Hal tersebut diulangi
secara bertahap agar dapat memperoleh nilai MSA variabel yang ditetapkan.
Pada tabel di atas untuk variabel X11, X15 dan X17 memiliki nilai MSA (<0,5)
sehingga salah satu dari variabel tersebut yang memiliki nilai MSA terkecil harus dikeluarkan,
dalam kasus ini X11, X15 dan X17 memiliki nilai MSA terendah, sehingga harus dikeluarkan
dan kemudian memproses kembali dari awal, sehingga hasil output akan Nampak sebagai
berikut:

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Approx. Chi-Square
Bartlett's Test of Sphericity

Df
Sig.

,651
428,671
45
,000

Pada tabel di atas untuk variabel X14 memiliki nilai MSA (<0,5) sehingga salah satu
dari variabel tersebut yang memiliki nilai MSA terkecil harus dikeluarkan, dalam kasus ini X14
memiliki nilai MSA terendah, sehingga harus dikeluarkan dan kemudian memproses kembali
dari awal, sehingga hasil output akan Nampak sebagai berikut:

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Approx. Chi-Square
Bartlett's Test of Sphericity

Df
Sig.

,703
338,823
36
,000

Setelah mengulangi proses analysis, akan nampak tabel Anti Image Matrice seperti di
atas, pada tabel Anti Image Corelation terlihat jelas bahwa nilai MSA masing-masing variabel
besarannya (> 0,5) sehingga semua variabel dapat diproses lebih lanjut.
Langkah analisis selanjutnya dapat dilakukan dengan cara sebagai berikut:
1.
2.
3.

Dari menu SPSS, buka file analisis faktor

Tekan tombol reset
Masukkan semua variabel yang memenuhi syarat (dalam hal ini variabel X6, X7, X8, X9,

4.

X10, X12, X13, X16, dan X18)

Klik tombol descriptive, klik initial solution, KMO and Bartllets test of sphericity,

5.
6.
7.
8.

Anti image, lalu tekan continue.

Klik Extraction, klik Scree plot, klik continue
Klik Rotatio, klik vertimax atau quartimax, lalu tekan continue
Klik Scores, klik save as variabel, pilih regression, kemudian tekan continue
Klik Ok.

Akan nampak hasil output sebagai berikut :

Communalities
Initial
X6

1,000

Extraction
,450

X7

1,000

,783

X8

1,000

,468

X9

1,000

,891

X10

1,000

,558

X12

1,000

,858

X13

1,000

,647

X16

1,000

,835

X18

1,000

,890

Extraction Method: Principal

Component Analysis.

Tabel communalities menunjukkan variabel product quality besarannya 0,450. hal ini
berarti sekitar 45% varians dari variabel product quality dapat dijelaskan oleh faktor yang
terbentuk, begitu seterusnya, dengan asumsi semakin kecil nilai communalities berarti semakin
lemah hubungannya dengan faktor yang terbentuk.

Pada tabel total variance explained di atas menunjukkan ada 3 faktor yang terbentuk
dari 9 variabel yang dimasukkan. Masing-masing faktor eigenvelue > 1. Faktor 1 eigenvalue
sebesar 3,101 dengan variance 34,460. Faktor 2 eigenvalue sebesar 2,068 dengan variance
22,976. Faktor 3 eigenvalue sebesar 1,210 dengan variance 13,448. Nilai eigenvalue
menggambarkan kepentingan relatif masing-masing faktor dalam menghitung varians dari 9
variabel yang dianalisis.
3,101 X 100 = 31,01%
2,068 X 100 = 20,68%
1,210 X 100 = 12,10%

Total variance apabila dari 9 variabel diekstrak menjadi 3 faktor adalah

31,01% + 20,68% + 12,10% = 63,79%
Besarnya varians yang mampu dijelaskan oleh faktor baru yang terbentuk adalah 63,79%
sedangkan sisanya 36,21% dijelaskan oleh faktor lain yang tidak diteliti.

Gambar screeplot menjelaskan hubungan antara banyaknya faktor yang terbentuk

dengan nilai eigenvalue dalam bentuk grafik.

Rotated Component Matrixa

Component
1
X6

2
,005

-,093

3
,664

X7

,064

,878

-,089

X8

,055

,066

,678

X9

,929

,130

,100

X10

,123

,735

-,048

X12

,173

,904

-,108

X13

-,058

,212

-,774

X16

,910

,067

,057

X18

,924

,191

-,009

Extraction Method: Principal Component

Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
a. Rotation converged in 5 iterations.

Rotated component matrix dengan menggunakan metode varimax menampilkan nilai

loading faktor dari tiap-tiap veriabel. Loading faktor merupakan besarnya korelasi antara faktor
yang terbentuk dengan variabel tersebut. Untuk variabel product quality, korelasi antara
variabel product quality dengan faktor 1 (0,005), faktor 2 (-0,093), faktor 3 (0,664). Hal ini
dapat dikatakan bahwa variabel product quality masuk ke dalam faktor 3. Begitupun untuk
proses variabel berikutnya. Sehingga akan diperoleh hasil sebagai berikut:
1.
2.

Faktor 1 terdiri dari variabel complaint resolution, order & billing, dan delivery speed.
Faktor 2 terdiri dari variabel E-commerce activity, advertising, salesforce image, dan

3.

competitive pricing.
Faktor 3 terdiri dari variabel product quality & technical support
Component Transformation Matrix

Component

,784

,619

-,052

,515

-,601

,611

-,346

,506

,790

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser
Normalization.

Tabel component transformation matrix, menunjukkan hasil rotasi varimax. Variabelvariabel sudah terdistribusi ke masing-masing faktor yaitu 3 faktor yang terbentuk. Setelah
dilakukan rotasi dan terbentuk 3 faktor, selanjutnya member nama faktor tersebut. Penamaan

faktor ini tergantung peneliti dan dapat mewakili variabel-variabelnya. Pemberian nama
dilakukan sebagai berikut:
1.

Faktor 1 terdiri dari variabel complaint resolution, order & billing, dan delivery speed

2.

dapat diberi nama faktor customer service.

Faktor 2 terdiri dari variabel E-commerce activity, advertising, salesforce image, dan

3.

competitive pricing dapat diberi nama faktor promotion.

Faktor 3 terdiri dari variabel product quality , dan technical support dapat diberi nama
faktor production dan customer satisfaction

Referensi
Hair. Joseph, Black. William, Babin, Barry, Anderson, Rolph. Multivariate Data Analysis.
Seventh edition

Johnson. N & Wichem. D. 1998. Applied Multivariate Statistical Analysis. Prentice-Hall,

Englewood Cliffs, N. J.
Sharma. S. 1996. Applied Multivariate Techniques. New York: John Wiley & Sons,Inc.