ANALISIS FAKTOR

EFA dan CFA

Analisis Faktor
teknik reduksi data yang digunakan
untuk menyederhanakan sejumlah
variabel yang saling berkorelasi menjadi
kelompok-kelompok variabel yang
lebih kecil.
penstrukturan data dilakukan dengan
cara mengelompokkan data asli
berdasarkan keeratan hubungan
masing-masing variabel dalam
kelompok yang sama.
keeratan hubungan ditentukan
berdasarkan besarnya korelasi antar
variabel.
setiap kelompok variabel disebut
faktor. setiap faktor mewakili
variabel yang ada di dalamnya.
tidak ada hubungan atau korelasi
antar factor
Proses Analisis Faktor
1. Memilih variable yang layak dimasukan dalam analisis factor. Oleh
karena analisis factor berupaya mengelompokan sejumlah variable, maka
seharusnya ada korelasi yang cukup kuat diantara variable, sehingga akan
terjadi pengelompokan. Jika sebuah variable atau lebih berkolerasi lemah
dengan variable lainnya, maka variable, maka variable tersebut akan
dikeluarkan dari analisis factor.
2. Setelah sejumlah variable terpilih, maka dilakukan ekstraksi variable
tersebut hingga menjadi satu atau beberapa factor. Beberapa metode
pencarian factor yang popular adalah principal dan maximum likehood.
3. Factor yang terbentuk pada banyak kasus, kurang menggambarkan
perbedaan diantara factor-faktor yang ada. Seperti pada contoh di atas,
factor 1 dan factor 2 ternyata masih memiliki kesamaan-kesamaan.
Sehingga untuk memperjelas apakah factor yang terbentuk sudah secara
signifikan berbeda dengan dengan factor lain, maka perlu dilakukan
proses rotasi.
4. Setelah factor benar-benar terbentuk, maka proses dilanjutkan dengan
melakukan penamaan factor yang ada.
5. Validasi factor.
 Eksploratory
Factor Analysis
Dalam Analisis Faktor
Ekspolaratori akan dilakukan
eksplorasi dari indikator-
indikator atau variabel-variabel
manifest yang ada, yang
nantinya akan terbentuk faktor-
faktor, yang kemudian dilakukan
interpretasi terhadapnya untuk
menentukan variabel-variabel
laten apa yang dapat diperoleh
Confirmatory
Factor Analysis
Dalam analisis faktor
konfirmatori, seseorang secara
apriori berlandaskan landasaran
teori dan konsep yang dimiliki,
dia sudah mengetahui berapa
banyak faktor yang harus
terbentuk, serta variabel-variabel
laten apa saja yang termasuk ke
dalam faktor-faktor tersebut.
Selanjutnya buka SPSS kalian 

Eksploratory
Factor Analysis
 Studi Kasus
pemerintah propinsi jawa timur, berniat melakukan pengembangan sektor
pertanian, sehingga perlu dilakukan penyederhanaan, dari sepuluh variable
tersebut, agar nantinya pemerintah propinsi jawa timur bias lebih mudah dalam
melakukan proses evaluasi dari sektor pertanian di jawa timur. Dengan
demikian perlu dilakukan analisa factor, untuk mereduksi sepuluh variable yang
ada, menjadi beberapa factor.
 • Buka file Eksploratory .
• Klik Analyze, lalu submenu
Data Reduction, kemudian
pilih Factor.
• Masukkan semua variable
kemudian klik icon
descriptive

Angka KMO and Bartlett’s untuk semua

• Untuk Statistic, biarkan pilihan pada default Initial Solution.
• Untuk Correlation Matrix, pilih KMO and burtlett’stest
Sphericity dan Anti Image, abaikan pilihan yang lain.
• Lalu klik continue - OK
variable adalah 0,618 dengan signifikansi
0,000. Oleh karena angka tersebut sudah > 0,5
dan sig < 0,05 maka variable dan sampel yang
ada sebenarnya sudah bisa dianalisis lebih
lanjut tetapi belum tentu dapat dikelompokkan
menjadi faktor-faktor yang dimasukkan ke
dalam faktor-faktor yang mempengaruhi
perkembangan pertanian.
Untuk dapat mengetahui variable manakah yang dapat dianalisis Adapun pedoman
dapat dilihat tabel Anti-image Matrices dibawah ini penilainnya adalah nilai
MSA > 0.5. Jika ada
variable yang nilainya < 0.5,
maka variable tersebut
harus dikelaurkan dari
proses analisis factor.

Berdasarkan tabel Anti-image

Matrices pada Anti-image
Correlation, dilihat pada angka
yang diikuti huruf a. Berdasarkan
table, variable yang nilainya
dibawah 0.5 adalah variable Luas
Panen Bersih Jagung. Sehingga
variable jagung harus dikeluarkan
dari proses ini, seandainya pada
proses selanjutnya masih ada nilai
MSA dibawah 0.5, maka variable
tersebut juga harus dikeluarkan,
sampai tidak ada variable yang
nilai MSAnya dibawah 0.5
 Langkah Pengulangan Pemilihan Variabel:
• Buka file Praktikum Anfak.
• Klik Analyze, lalu submenu Data Reduction, kemudian pilih Factor.
• Tekan tombol reset untuk menghapus semua variable yang sudah masuk.
Pengisian:
• Variabel yang dimasukan adalah semua variable, kecuali Luas Panen Bersih Jagung
• Kemudian Lakukan Proses yang sama seperti sebelumnya

Nilai KMOnya sudah > 0.5 yaitu

sebesar 0.608, sehingga bisa dilakukan
proses selanjutnya. Masih ada variable
yang nilai MSAnya dibawah 0.5 maka
perlu dilakukan pembuangan variable.
Karena ada lebih dari satu variable
yang nilai MSAnya dibawah 0.5, maka
lihat variable yang nilai SMAnya paling
kecil yakni Produksi Jagung.
Langkah Pengulangan Pemilihan Variabel:
• Buka file Praktikum Anfak.
• Klik Analyze, lalu submenu Data Reduction, kemudian pilih Factor.
• Tekan tombol reset untuk menghapus semua variable yang sudah masuk.
Pengisian:
• Variabel yang dimasukan adalah semua variable, kecuali Luas Panen
Bersih Jagung dan Produksi Jagung
• Kemudian Lakukan Proses yang sama seperti sebelumnya

Nilai KMOnya sudah > 0.5 yaitu sebesar

0.620, sehingga bisa dilakukan proses
selanjutnya. Masih ada variable yang nilai
MSAnya dibawah 0.5 maka perlu dilakukan
pembuangan variable. Karena ada lebih dari
satu variable yang nilai MSAnya dibawah
0.5, maka lihat variable yang nilai SMAnya
paling kecil yakni Produksi Ubi.
Langkah Pengulangan Pemilihan Variabel:
• Buka file Praktikum Anfak.
• Klik Analyze, lalu submenu Data Reduction, kemudian pilih Factor.
• Tekan tombol reset untuk menghapus semua variable yang sudah masuk.
Pengisian:
• Variabel yang dimasukan adalah semua variable, kecuali Luas Panen Bersih Jagung, Produksi
Jagung dan Produksi Ubi
• Kemudian Lakukan Proses yang sama seperti sebelumnya

Nilai KMOnya sudah > 0.5

yaitu sebesar 0.649, sehingga
bias dilakukan proses
selanjutnya. Berdasarkan table
anti image, didapatkan semua
variable sudah memiliki nilai
MSA > 0.5, sehingga analisa
factor bisa dilakukan.
Analisa Faktor
• Buka file Praktikum Anfak.
• Klik Analyze, lalu submenu Data Reduction, kemudian pilih Factor.
• Tekan tombol reset untuk menghapus semua variable yang sudah masuk.
Pengisian:
• Klik icon extraction, kemudian kemudian pada bagian Method pilih
principal components. Untuk display pilih unrotated factor dan scree
plot.
• Abaikan pilihan lain, tekan continue dan klik OK

Berdasarkan tabel diatas, ternyata

ada 2 faktor yang terbentuk karena
pada component 2, nilai
eigenvaluesnya masih diatas 1.
Dengan total % kumulatif sebesar
77.25%. Hal ini berarti kedua faktor
yang terbentuk bisa menjelaskan
77.25% dari semua variabel yang
ada.

Tabel diatas menggambarkan

distribudi variable dalam faktor.
Ternyata masih ada variabel yang
belum jelas masuk faktor mana,
maka perlu dilakukan rotasi
Langkah-langkah Rotasi:
• Klik Rotation, kemudian
pilih varimax dan loading
plot.
Berdasarkan tabel, berikut pembagian
faktornya :
Faktor 1 : Luas Total Lahan Sawah, Luas
Panen Bersih Padi Sawah Ladang, Produksi
Total Padi Sawah Ladang
Faktor 2 : Luas Total Lahan Bukan Sawah,
Luas Produksi Bersih Ubi, Luas Produksi
Bersih Kacang, Produksi Kacang

Penamaan Faktor
Faktor 1 : Faktor Padi
Faktor 2 : Faktor Ubi dan Kacang

Component Transformation
Matrix menunjukkan korelasi
antara kedua faktor. Korelasi
ini ditunjukkan melalui path
diagonalnya yang nilainya
harus > 0.5
Selanjutnya buka SPSS kalian 

Confirmatory
Factor Analysis
 Studi Kasus
Seorang peneliti ingin mengetahui faktor yang mempengaruhi nilai lahan di Kota Surabaya
berdasarkan preferensi masyarakat. Oleh karena itu, peneliti melakukan survey primer berupa
pembagian kuisioner. Dalam penyusunan kuisioner tersebut, peneliti memiliki dasar
pemikiran dari tinjauan pustaka terkait faktor yang mempengaruhi nilai lahan.
Berdasarkan hasil tinjauan pustaka didapatkan 2 faktor utama yang mempengaruhi nilai
lahan, yakni ketersediaan infrastruktur dan kedekatan dengan pusat kegiatan. Infrastruktur
yang dimaksud dapat berupa jaringan jalan(x1), listrik(x2), maupun air bersih(x3). Sedangkan,
pusat kegiatan yang dimaksud dapat berupa mall(y1), industri(y4), real estate(y3), dan pusat
kota(y4)).
Bila dilihat dari tujuan peneliti tersebut, maka perlu dilakukan analisa faktor yang sifatnya
mengkonfirmasi fenomena yang terjadi di lapangan apakah sesuai teori yang telah ada
• Buka file Confirmatory
• Klik Analyze, lalu submenu Data Reduction, kemudian pilih Factor.
• Masukkan variable yang tergolong 1 faktor x kedalam box variables
•
•
Klik descriptives (centang : KMO dan Anti-Image) - continue
Klik rotation (pilih : varimax) - continue
FACTOR X
• ok > cek and recheck output

Sig >0,05, maka matriks

korelasi merupakan matrik
identitas, artinya tidak
terdapat korelasi yang
signifikan antar variabel.

Masih ada variable yang nilai

MSAnya < 0.5 maka perlu
dilakukan pembuangan variable.
Karena ada lebih dari satu
variable yang nilai MSAnya < 0.5,
maka lihat variable yang nilai
SMAnya paling kecil yang harus
dibuang yakni x1.
• Buka file Confirmatory
• Klik Analyze, lalu submenu Data Reduction, kemudian pilih Factor.
•
•
Masukkan variable yang tergolong 1 faktor x kedalam box variables kecuali x1
Klik descriptives (centang : KMO dan Anti-Image) - continue
FACTOR X
• Klik rotation (pilih : varimax) - continue
• ok > cek and recheck output

Faktor yang terbentuk dari x2

dan x3 hanya 1.
Faktor x dapat dijelaskan oleh
x2 dan x3 sebesar 69,5%,
sisanya dijelaskan oleh variabel
lain

Berdasarkan hasil perhitungan

menggunakan SPSS, dapat diketahui bahwa
KMO dan MSA telah ketersediaan infrastruktur berupa jaringan
memenuhi ketentuan. listrik dan air bersih merupakan faktor
Sig <0,05 dan MSA <= 0,5 mempengaruhi nilai lahan di Kota Surabaya
• Buka file Confirmatory
• Klik Analyze, lalu submenu Data Reduction, kemudian pilih Factor.
•
•
Masukkan variable yang tergolong 1 faktor y kedalam box variables
Klik descriptives (centang : KMO dan Anti-Image) - continue
FACTOR Y
• Klik rotation (pilih : varimax) - continue
• ok > cek and recheck output

Sig <0,05, maka matriks

korelasi bukan merupakan
matrik identitas, artinya
terdapat korelasi yang signifikan
antar variabel.

Masih ada variable yang nilai

MSAnya < 0.5 maka perlu
dilakukan pembuangan
variable. lihat variable yang
nilai SMAnya paling kecil
yang harus dibuang yakni y2.
• Buka file Confirmatory
• Klik Analyze, lalu submenu Data Reduction, kemudian pilih Factor.
•
•
Masukkan variable yang tergolong 1 faktor y kedalam box variables kecuali y2
Klik descriptives (centang : KMO dan Anti-Image) - continue FACTOR Y
• Klik rotation (pilih : varimax) - continue
• ok > cek and recheck output

Faktor yang terbentuk dari y1, y3,

dan y4hanya 1.
Faktor y dapat dijelaskan oleh y1,
y3 dan y4 sebanyak 70,8%, dan
sisanya dijelaskan oleh variabel lain

Berdasarkan hasil perhitungan

KMO dan MSA telah
memenuhi ketentuan.
Sig <0,05 dan MSA <= 0,5
menggunakan SPSS, dapat diketahui
bahwa adanya kegiatan berupa mall,
real estate dan pusat kota mampu
mempengaruhi nilai lahan di Kota
Surabaya
 Interpretasi
• Fenomena land value di Kota Surabaya, berdasarkan hasil penelitian, terjadi karena
adanya 2 faktor yakni ketersediaan infrastruktur dan kedekatan dengan pusat
kegiatan.
• Infrastruktur yang dimaksud lebih pada infrastuktur listrik dan air bersih. Artinya
semakin dilengkapi dengan jaringan listrik dan air bersih, maka nilai lahan yang ada
pada suatu lokasi akan semakin meningkat.
• Disisi lain, kedekatan dengan pusat kegiatan seperti mall, real estate, dan pusat kota
juga mempengaruhi tingginya nilai lahan pada suatu lokasi. Semakin dekat dengan
pusat kegiatan, maka akan diikuti dengan semakin tingginya nilai lahan.
 PERHATIAN!!!
• JANGAN LANGSUNG MEREDUKSI VARIABEL KARENA
1. Data yang diproses pada EFA atau CFA memerlukan clustering terlebih dahulu
jika terlalu heterogen  maka cluster-kan dahulu
2. Data variable yang tidak sejenis harus di Z-score kan terlebih dahulu sebagai
langkah standardisasi variabel
3. Data yang diproses sudah memiliki nilai homogenitas yang baik namun ada
beberapa data yang masih membentuk outlier maka normal-kan data dahulu
4. Gunakan Bootstraps sebagai proses iterasi terakhir