ANALISIS FAKTOR

A. DASAR TEORI
Analisis faktor adalah suatu metode untuk menganalisis sejumlah observasi,
dipandang dari sisi interkorelasinya untuk mendapatkan apakah variasi-variasi yang
nampak dalam observasi itu mungkin berdasarkan atas sejumlah kategori dasar yang
jumlahnya lebih sedikit dari yang nampak (Fruchter, 1954). Sementara itu Kerlinger
(1990) mengungkapkan bahwa faktor adalah gagasan atau konsep suatu hipotesis yang
sungguh-sungguh ada yang mendasari suatu tes, skala, item dan pengukuran-pengukuran
dalam banyak hal. Jadi analisis faktor bermanfaat untuk mengurangi pengukuranpengukuran dan tes-tes yang beragam supaya menjadi sederhana.
Fungsi umum analisis faktor yaitu mereduksi jumlah variabel yang banyak untuk
pengolahan data selanjutnya dengan tetap mempertahankan informasi awal yang
terkandung dalam variabel sebanyak mungkin. Fungsi analisis faktor yang lebih terinci
adalah sebagai berikut (Hair et. Al., 1992) :
1. Mengidentifikasi struktur hubungan variabel atau responden.
Melalui analisis faktor dapat diidentifikasikan struktur hubungan variabel atau
2.

responden dengan memeriksa korelasi antar variabel atau korelasi antar responden.
Mereduksi data.
Analisis faktor dapat mereduksi data melalui 2 cara:
a. Menyeleksi variabel-variabel yang tepat untuk digunakan dalam analisis
b.

lanjutan, misalnya untuk analisis regresi, korelasi, atau diskriminan.

Scalling : transformasi data (skor faktor), yaitu membentuk set variabel baru
yang berukuran lebih kecil daripada set variabel awal untuk digunakan dalam
analisis lanjutan.

Khusus untuk Analisis Faktor, sejumlah asumsi berikut harus dipenuhi:

1. Korelasi antar variabel Independen. Besar korelasi atau korelasi antar independen
variabel harus cukup kuat, misalnya di atas 0,5.
2. Korelasi Parsial. Besar korelasi parsial, korelasi antar dua variabel dengan
menganggap tetap variabel yang lain, justru harus kecil. Pada SPSS deteksi terhadap
korelasi parsial diberikan lewat pilihan Anti-Image Correlation.
3. Pengujian seluruh matriks korelasi (korelasi antar variabel), yang diukur dengan
besaran Bartlett Test of Sphericity atau Measure Sampling Adequacy (MSA).

Pengujian ini mengharuskan adanya korelasi yang signifikan di antara paling sedikit
beberapa variabel.
4. Pada beberapa kasus, asumsi Normalitas dari variabel-variabel atau faktor yang
terjadi sebaiknya dipenuhi.
(http://setabasri01.blogspot.com/2012/04/analisis-faktor-dengan-spss.html)
B. KASUS
Pada kasus ini terdapat 12 variabel yaitu banyaknya sms sehari, banyaknya
telepon sehari, banyaknya nge date seminggu, banyaknya pertemuan seminggu,
banyaknya bertengkar dalam dua minggu, jumlah teman dekat kekasih yang dikenal,
jumlah saudara kekasih yang dikenal, lama pacaran, jumlah pacaran, selisih umur dengan
kekasih,

jumlah anggota keluarga inti yang tidak setuju, dan berapa kali kekasih

memberikan tanda cinta. Tujuan dilakukan analisis faktor ini adalah kami ingin
mengetahui faktor-faktor dominan yang paling mempengaruhi hubungan dalam pacaran.

C. TAHAP-TAHAP ANALISIS FAKTOR

Mencari nilai z dari variabel dengan SPSS dapat dilakukan dengan cara:
1. Pilih analyze => descriptive statistics => descriptives

2. Masukkan semua variabel yang ingin dianalisis

3. Centang save standardized values as variables, agar nilai z dari tiap variabel tersimpan
sebagai variabel baru

4. Pilih OK, kemudian output akan keluar.

Melakukan analisis faktor dengan SPSS dapat dilakukan dengan cara:

1. Pilih analyze => dimension reduction => factor

2. Masukkan semua variabel yang ingin dianalisis

3. Pilih seperti gambar dibawah, lalu pilih continue

4. Pilih seperti gambar dibawah, lalu pilih continue

5. Pilih seperti gambar dibawah, lalu pilih continue

6. Pilih seperti gambar dibawah, lalu pilih continue

7. Pilih seperti gambar dibawah, lalu pilih continue

8. Pilih OK, kemudian output akan keluar.

D. ANALISIS OUTPUT.
Uji Asumsi Analisis Faktor
KMO merupakan indeks untuk membandingkan besarnya koefisien korelasi amatan dengan
besarnya koefisien parsial. Korelasi antarvariabel independen dalam analisis faktor harus
memiliki nilai KMO > 0,5 dengan signifikansi < 0,05. Nilai ukuran KMO yang kecil
mengindikasikan bahwa analisis faktor perlu dipertimbangkan dan data perlu ditambah lagi.
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.
Apabila nilai KMO-MSA 0.5 dan dengan nilai signifikan (sig) 0.05; maka dapat
dikatakan bahwa item-item yang dianalisis dalam analisis faktor sudah layak untuk
difaktorkan.

Dari hasil di atas didapatkan nilai Kaiser-Meyer-Olkin-Measure of Sampling Adequacy

sebesar 0,540 dengan nilai sig = 0,000. Sehingga dari hasil yang didapat, nilai KMO-MSA >
0,5 dan dengan nilai signifikansi < 0,05. Sehingga data tersebut layak untuk difaktorkan dan
faktornya dapat dianalisis lebih lanjut.

MSA (Measure of Sampling Adequacy)

Selanjutnya, untuk melihat korelasi antarvariabel independen dapat diperhatikan tabel
Anti-Image Matrices. Nilai yang diperhatikan adalah MSA (Measure of Sampling Adequacy).
Nilai MSA berkisar antara 0 hingga 1, dengan ketentuan sebagai berikut:
1. MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel yang lain.
2. MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut.
3. MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut, atau
dikeluarkan dari variabel lainnya.

Pada tabel Anti-Image Correlation diatas, nilai MSA ditandai dengan huruf a. Rincian
hasilnya sebagai berikut:
sms

= .639a > 0.5

telp

= .502a > 0.5

neg-date

= .638a > 0.5

ketemu

= .581a > 0.5

bertengkar

= .459a < 0.5

jml teman

= .607a > 0.5

jml keluarga = .434a < 0.5

lama hub

= .354a < 0.5

mantan

= .289a < 0.5

sel. Umur

= .463a < 0.5

tdk setuju

= .593a > 0.5

tanda cinta

= .416a < 0.5

Berdasarkan hasil MSA di atas, maka tidak semua variabel independen dapat
dianalisis lebih lanjut karena memiliki nilai MSA lebih dari > 0,5. Variabel yang layak
dianalisis lebih lanjut adalah:

Zscore(Jumlah_sms_1hari)
Zscore(Jumlah_Telpon_1hari)
Zscore(Jumlah_Ngedate_1minggu)
Zscore(Jumlah_Ketemu_1minggu)
Zscore(Jumlah_teman_dekat_kekasih_yang_dikenal)

Zscore(Berapa_Kali_Kekasih_memberikan_Tanda_Cinta)

Pengelompokan Faktor
Langkah selanjutnya adalah, tujuan penelitian ini untuk menentukan apakah variabelvariabel independen bisa dikelompokkan ke dalam satu atau beberapa faktor. Jadi, variabelvariabel akan dilihat apakah mereka sesungguhnya bisa disederhanakan ke dalam satu atau
beberapa faktor.
Communalities
Initial

Extraction

Zscore(Jumlah_sms_1hari)

1.000

.592

Zscore(Jumlah_Telpon_1hari)

1.000

.574

Zscore(Jumlah_Ngedate_1min

1.000

.818

1.000

.804

1.000

.530

1.000

.654

ggu)
Zscore(Jumlah_Ketemu_1ming
gu)
Zscore(Jumlah_Anggota_Kelua
rga_yang_tidak_setuju)
Zscore(Jumlah_teman_dekat_k
ekasih_yang_dikenal)
Extraction Method: Principal Component Analysis.

Nilai initial mencerminkan peranan atau sumbangan kalau variabel penyusun faktor
secara individual membentuk faktor tersebut, sedangkan extraction menjelaskan persentase
peranan atau sumbangan masing-masing dimensi atau sub-variabel penyusun faktor secara
individual terhadap faktor.

Hasilnya adalah, faktor mampu menjelaskan variabel jumlah sms 1 hari sebesar 0,592
atau 59,2%, jumlah telpon 1 hari diterangkan sebesar 57,4%, jumlah ngedate 1 minggu
diterangkan sebesar 81,8% dan seterusnya. Dikarenakan rata-rata penjelasan di atas 50%
maka faktor tetap akan ditentukan.

Faktor yang Mungkin Terbentuk

Dalam menentukan seberapa banyak faktor yang mungkin terbentuk dapat dilihat
pada tabel Total Variance Explained sebagai berikut:

Component berkisar antara 1 hingga 6 yang mewakili jumlah variabel independen. %

of Variance untuk component 1 didapat dari 2,633/6 x 100% = 43,881, sedangkan untuk
component 2 didapat dari 1,339/6 x 100% = 22,316 dan seterusnya. Dikarenakan nilai
Eigenvalues yang ditetapkan sebelumnya adalah lebih besar dari 1, maka nilai Total yang
akan diambil adalah yang > 1 yaitu component 1 dan 2.

Factor Loading
Setelah kita mengetahui bahwa faktor maksimal yang bisa terbentuk adalah 2,
selanjutnya kita melakukan penentuan masing-masing variabel independen akan masuk ke
dalam faktor 1 atau faktor 2. Cara menentukannya adalah dengan melihat tabel Component
Matrix sebagai berikut:
Component Matrixa
Component
1

Zscore(Jumlah_sms_1hari)

0.77

-0.061

Zscore(Jumlah_Telpon_1hari)

0.12

0.749

Zscore(Jumlah_Ngedate_1minggu)

-0.86

0.286

Zscore(Jumlah_Ketemu_1minggu)

-0.85

0.279

Zscore(Jumlah_Anggota_Keluarga_yang_tidak_setuju)

0.67

0.284

Zscore(Jumlah_teman_dekat_kekasih_yang_dikenal)

0.35

0.731

Extraction Method: Principal Component Analysis.

a. 2 components extracted.

Apabila nilai komponen faktor 0,5 berarti bahwa dimensi atau sub-variabel
pengukuran faktor tersebut merupakan anggota faktor yang terbentuk. Sebaliknya, jika nilai
komponen faktor < 0,5 berarti bahwa dimensi sub-variabel pengukuran bukan anggota faktor
tersebut.
Apabila pada sebuah dimensi sub-variabel pengukuran memiliki nilai yang 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 0,5 pada
dua komponen faktor atau lebih.
Rotated Component Matrixa
Component
1
Zscore(Jumlah_sms_1hari)

-0.76

0.143

0.09

0.753

Zscore(Jumlah_Ngedate_1minggu)

0.9

0.049

Zscore(Jumlah_Ketemu_1minggu)

0.9

0.045

Zscore(Jumlah_Anggota_Keluarga_yang_tidak_setuju)

-0.57

0.451

Zscore(Jumlah_teman_dekat_kekasih_yang_dikenal)

-0.14

0.796

Zscore(Jumlah_Telpon_1hari)

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.

Faktor dan variabel anggota yang terbentuk adalah :

Faktor 1:
1.

Jumlah sms 1 hari

2.

Jumlah Ngedate 1 minggu

3.

Jumlah Ketemu 1 minggu

4.

Jumlah Anggota Keluarga yang tidak setuju

Faktor 2:
1.

Jumlah Telpon 1 hari

2.

Jumlah teman dekat kekasih yang dikenal

Sebagai langkah akhir dari penentuan faktor, maka dapat dilihat tabel Component
Transformation Matrix berikut:
Component Transformation Matrix
Component

-.965

.264

.264

.965

Extraction Method: Principal Component

Analysis.
Rotation Method: Varimax with Kaiser
Normalization.

Baik Faktor (component) 1 ataupun Faktor 2 memiliki korelasi sebesar 0,965 yang
artinya cukup kuat karena 0,965 > 0,5. Dengan demikian Faktor 1 dan Faktor 2 dapat
dikatakan tepat untuk merangkum ke-6 variabel independen.
Component scor coefient matrix
Scor coefient merupakan kontanta atau koefisien serupa dengan koefisien regresi (i )
pada persamaan regresi berganda.

Component Score Coefficient Matrix

Component
1
Zscore(Jumlah_sms_1hari)

2
-.293

.033

Zscore(Jumlah_Telpon_1hari)

.105

.551

Zscore(Jumlah_Ngedate_1min

.371

.120

.367

.116

-.190

.272

.018

.561

ggu)
Zscore(Jumlah_Ketemu_1ming
gu)
Zscore(Jumlah_Anggota_Kelua
rga_yang_tidak_setuju)
Zscore(Jumlah_teman_dekat_k
ekasih_yang_dikenal)
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.

Untuk skor faktor satu

=> F1 = -0,293 ZX1 + 0,105 ZX2 + 0,371 ZX3 + 0,367 ZX4 - 0,190 ZX5 + 0,018 ZX6
Untuk skor faktor dua
=> F2 = 0,033 ZX1 + 0,551 ZX2 - 0,120 ZX3 - 0,116 ZX4 + 0,272 ZX5 - 0,561 ZX6