Dokumen tersebut membahas tentang analisis faktor yang digunakan untuk mereduksi data dan merangkum sejumlah variabel menjadi lebih sedikit serta menjelaskan tujuan, tahapan, dan konsep dasar dari analisis faktor."

1. ANALISIS FAKTOR

2. Kenapa Analisis Faktor?
 Pemilihan analisis faktor sebagai alat
analisis pada penelitian ini, disebabkan
karena penelitian ini mencoba
menemukan hubungan (interrelationship)
beberapa variabel yang saling independen
satu dengan yang lainnya, sehingga bisa
dibuat kumpulan variabel yang lebih
sedikit dari jumlah variabel awal sehingga
akan lebih mudah dikontrol

3. Tujuan Analisis Faktor
 Pada dasarnya tujuan analisis faktor
adalah untuk melakukan data
summarization untuk variabel-variabel
yang dianalisis, yakni mengidentifikasi
adanya hubungan antar variabel.
 Data reduction, yakni setelah melakukan
korelasi, dilakukan proses membuat
sebuah variabel set baru yang dinamakan
faktor

4.  Analisis Faktor adl analisis yg digunakan
untuk mereduksi data dan merangkum
data, yaitu meringkas sejumlah variabel
menjadi lebih sedikit dan menamainya
menjadi FAKTOR
 Analisis faktor memungkinkan kita melihat
kelompok-kelompok variabel yg
cenderung saling berhbungan dan
membuat estimasi alasan dasar apakah yg
bisa menyebabkan variabel-variabel ini
mjd lebih saling berkolerasi

5. • Untuk mengidentifikasi underlying dimensions
(factors) yang dapat menjelaskan korelasi
sekumpulan variabel.
Untuk mengidentifikasi• variabel baru, yang dapat
digunakan untuk analisis lainya (e.g.,
regression.)
to
• Untuk mengidentifikasi satu atau beberapa
variabel dari variabel yang banyak jumlahnya.
• Mengkonfirmasi kontruksi suatu variabel laten.
Kegunaan Factor Analysis

7. Ukuran Sampel untuk
Analisis Faktor
 Ukuran sampel minimal 5 x Variabel
yang diteliti. Jika terdapat 20
Variabel, maka sampel haruslan
minimal 100 responden, ini berarti
dalam penelitian ini ada 20 kolom
(variabel) dan 100 baris
(responden) atau 2000 sel data.

8. MODEL ANALISIS FAKTOR
Xi = A1F1 + A2F2 + A3F3 + … + AimFm + V1Ui
Dimana:
Xi = variabel baku ke- i
Aij = koefisien regresi majemuk yg dibakukan dari variabel i
atas faktor biasa j
F = faktor biasa
Vi = koefisien regresi yg dibakukan dari variabel i atas
faktor unik i
Ui = faktor unik utk variebel i
M = banyaknya faktor biasa

9. Faktor2 biasa sendiri dapat
diungkapkan sbg kombinasi liner dr
variabel2 yg diamati
Fi = Wi1X1 + Wi2X2 + Wi3X3 + … + WikXk
dimana:
Fi = estimasi faktor ke i
Wi = bobot atau koefisien skor faktor
k = banyaknya variabel

10. STATISTISTIK YG TERKAIT DG
ANALISIS FAKTOR
 Barlett’s test of sphrecity. Uji yg
dugunakan utk menguji hipotesis bhw
variabel2 tdk saling berkorelasi dlm
populasi. Matriks korelasi populasi mrpkn
matriks identitas, setiap varibael
berkorelasi scr sempurna dg dirinya
sendiri (r = 1) dan tidak berkorelasi dg yg
lain (r = 0)
 Factor loading (muatan faktor). Mrpkn
korelasi sederhana antara variabel2 dgn
faktor2 atau antara variabel baru dgn
variabel yg diwakilinya

11.  Eigen Value (nilai eigen). Nilai eigen
mewakili varians total yg dijelaskan oleh
setiap faktor. Dilihat dr R2 => berapa %
varian dr sejumlah varian dpt dijelskan
dgn faktor. Mis: Variabel 1 memiliki hub yg
kuat dgn faktor 1
Mis: hub F1 dgn V1 V2 V3 adl R2 = 0.81
Maka faktor 1 dpt menjelaskan V1 V2 V3
sebesar 81%
 Rotasi. Memutar faktor yg ada agar
memudahkan interpretasi.
 Component matrix. Utk melihat variabel2
mana yg masuk dlm komponen 1 atau 2

12.  Kaiser Meyer Olkin (KMO). Ukuran
sampling KMO menetukan apakah
variabel2 yg kita uji bisa dianalisis atau
tidak. Jika nilai dibaah 0,5 maka tidak
bisa dianalisis. Nilai tinggi (0,5-1) =>
analisis faktor telah cukup. Nilai < 0,5 =>
analisis faktor tidak cukup
 Anti image matrix. Yaitu cara melihat
diagonal ke bawah atau ke atas. Jika nilai
anti images nya kurang dari 0.5 maka
variabel tsb harus dibuang. Maka
prosesnya harus diulang, dibuang satu per
satu hingga tdk ada nilai yg diawah 0,5

13. • Communality - besarnya varian variabel yang disaring
dengan variabel lainnya.
Eigenvalue - total variance yang dapat dijelaskan masing-•
masing faktor.
Factor loadings – korelasi antara faktor dan variabel.•
• Factor Matrix - matrik yang berisi faktor loading dari faktor
yang terekstrasi
KMO measure of sampling adequacy - indeks yang digunakan•
untuk menguji kesesuaian analisis faktor, nilainya minimal
0,5.
Residuals - perbedaan antara korelasi observasi dan korelasi
hasile estimasi dari matrik faktor.
•
Basic Factor Analysis Concepts

14. Tahapan analisis faktor
1. Tabulasi data pada data view,
2. Pembentukan matrik korelasi,
3. Ekstraksi faktor,
4. Rotasi faktor, dan
5. Penamaan faktor yang terbentuk.
 Seluruh proses pengolahan data,
mempergunakan alat bantu SPSS versi terbaru
for windows.

15. Contoh
Analisis
Faktor
Faktor faktor yang mempengaruhi Wisatawan
Berkunjung ke Botanical Garden Eka Karya Bali

16. Tahap Pertama, Tabulasi dan
pengolahan
 Tabulasi hasil angket/questioner
anda ke dalam komputer (SPSS)
 Jika anda memiliki 20 variabel,
seharusnya ada 100 buah angket
ditangan anda yang siap anda
tabulasi ke komputer

17. Tahap Kedua, Pembentukan
Matrik Korelasi
 Matriks korelasi merupakan matrik yang
memuat koefisien korelasi dari semua
pasangan variabel dalam penelitian ini.
 Matriks ini digunakan untuk mendapatkan
nilai kedekatan hubungan antar variabel
penelitian.
 Nilai kedekatan ini dapat digunakan untuk
melakukan beberapa pengujian untuk
melihat kesesuaian dengan nilai korelasi
yang diperoleh dari analisis faktor.

18.  Dalam tahap ini, ada dua hal yang perlu
dilakukan agar analisis faktor dapat
dilaksanakan, yang pertama yaitu menentukan
besaran nilai Barlett Test of Sphericity, yang
digunakan untuk mengetahui apakah ada
korelasi yang signifikan antar variabel, dan
 kedua adalah Keiser-Meyers-Oklin (KMO)
Measure of Sampling Adequacy, yang digunakan
untuk mengukur kecukupan sampel dengan cara
membandingkan besarnya koefisien korelasi
yang diamati dengan koefisein korelasi
parsialnya.

19. Menurut Wibisono (2003) kriteria kesesuaian dalam
pemakaian analisis faktor adalah
 Jika harga KMO sebesar 0,9 berarti sangat
memuaskan,
 Jika harga KMO sebesar 0,8 berarti memuaskan,
 Jika harga KMO sebesar 0,7 berarti harga
menengah,
 Jika harga KMO sebesar 0,6 berarti cukup,
 Jika harga KMO sebesar 0,5 berarti kurang
memuaskan, dan
 Jika harga KMO kurang dari 0,5 tidak dapat
diterima.

20. Besaran Nilai Barlett Test of Sphericity dan
Nilai Keiser-Meyers-Oklin (KMO) Measure of
Sampling Aduquacy Uji Tahap Pertama
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,715
Bartlett's Test of Sphericity Approx. Chi-
Square
975,233
df 190
Sig. ,000

21. Hasil perhitungan menunjukkan
besaran nilai Barlett Test of
Sphericity adalah 975,233 pada
signifikan 0,000 yang berarti pada
penelitian ini ada korelasi yang
sangat signifikan antar variabel dan
hasil perhitungan KMO sebesar
0,715 sehingga kecukupan sampel
termasuk kategori yang menengah.

22.  Menurut Santoso (2002) angka MSA
berkisar antara 0 sampai dengan 1,
dengan kreteria yang digunakan
untuk intepretasi adalah sebagai
berikut:

23. 1. Jika MSA = 1, maka variabel tersebut dapat
diprediksi tanpa kesalahan oleh variabel yang
lainnya.
2. Jika MSA lebih besar dari setengah 0,5 maka
variabel tersebut masih dapat diprediksi dan
bisa dianalisis lebih lanjut.
3. Jika MSA lebih kecil dari setengah 0,5 dan atau
mendekati nol (0), maka variabel tersebut
tidak dapat di analisis lebih lanjut, atau
dikeluarkan dari variabel lainnya.

24. Tahap Ketiga, Ekstraksi
Faktor
 Pada tahap ini, akan dilakukan proses inti
dari analisis faktor, yaitu melakukan
ekstraksi terhadap sekumpulan variabel
yang ada KMO>0,5 sehingga terbentuk
satu atau lebih faktor.
 Metode yang digunakan untuk maksud ini
adalah Principal Component Analysis dan
rotasi faktor dengan metode Varimax
(bagian dari orthogonal).

25. Total Variance Explained dengan
Eigenvalue  satu.
Initial Eigenvalues
Component
Total % of Variance Cumulative %
1 5,280 27,791 27,791
2 2,985 15,712 43,503
3 2,282 12,010 55,514
4 1,518 7,990 63,504
5 1,086 5,715 69,218

26. Penjelasan tabel tersebut
 Terlihat pada penelitian (tabel di
atas) diperoleh lima faktor yang
memiliki eigenvalue lebih besar dari
1,0.
 Kelima faktor tersebut menjelaskan
(69,218) % total varian variabel
yang mempengaruhi

27. Tahap Keempat, Matrik
Rotasi Faktor
 Pada rotasi faktor, matrik faktor
ditransformasikan ke dalam matrik yang
lebih sederhana, sehingga lebih mudah
diinterpretasikan.
 Dalam analisis ini rotasi faktor dilakukan
dengan metode rotasi varimax.
 Interpretasi hasil dilakukan dengan
melihat faktor Loading.

28.  Faktor Loading adalah angka yang
menunjukkan besarnya korelasi antara
suatu variabel dengan faktor satu, faktor
dua, faktor tiga, faktor empat atau faktor
lima yang terbentuk.
 Proses penentuan variabel mana akan
masuk ke faktor yang mana, dilakukan
dengan melakukan perbandingan besar
korelasi pada setiap baris di dalam setiap
tabel.

29. Distribusi Komponen Matrik yang
Dirotasi
Komponen
Kode
1 2 3 4 5
Komunalitas
Q1 0,001484 0,191044 0,9182 -0,02651 -0,05007 0,883
Q2 -0,07354 0,058915 0,8734 -0,01827 -0,15108 0,795
Q3 0,223423 -0,0989 0,7187 0,238049 0,190392 0,669
Q4 -0,0496 0,5845 0,038758 0,51973 0,004112 0,616
Q5 0,130852 0,273412 0,082047 0,6934 0,237604 0,636
Q6 0,128471 0,312921 -0,14651 0,021861 0,7566 0,709
Q8 0,360964 0,152589 -0,03727 -0,7820 0,24805 0,828
Q9 0,5623 0,355054 0,05798 -0,32043 -0,07076 0,553
Q10 0,6912 0,184135 0,178207 0,255525 0,15837 0,634
Q11 0,6095 0,415269 -0,23718 -0,12448 -0,11852 0,630
Q12 0,8658 -0,10307 -0,05842 0,138295 -0,01411 0,783
Q13 0,8472 -0,08787 0,013761 -0,03187 -0,02179 0,727
Q14 0,7979 0,07506 0,157343 -0,10662 0,054962 0,681
Q15 0,053455 0,7479 0,093343 0,237089 0,25445 0,692
Q16 0,080956 0,8892 0,037462 -0,06764 0,025986 0,804
Q17 0,127035 0,8689 0,01323 -0,04301 0,010975 0,773
Q18** 0,350761 0,493782 0,202443 0,321382 0,04816 0,513
Q19 0,49889 0,305378 -0,1713 0,002655 -0,5393 0,662
Q20 0,7128 0,177861 -0,00128 -0,14442 0,048844 0,563
Eigenvalues 5,280 2,985 2,282 1,518 1,086 13,151
% Trace
27,791 15,712 12,010 7,990 5,715 69,218

30. Tahap kelima, Memberi
Nama Faktor
 Pada tahap ini, akan diberikan nama-
nama faktor yang telah terbentuk
berdasarkan faktor loading suatu variabel
terhadap faktor terbentuknya.
 Setelah tahapan pemberian nama faktor
yang terbentuk, berarti hipotesis
penelitian telah terjawab.

31. No Nama Faktor Kode Nama Variabel
Factor
Loading
Explained
Variance
Q9 Ketersediaan Informasi 0,5623
Q10 KAPASITAS
PARKIR 0,6912
Q11 Ketersediaan Tempat
Sampah 0,6095
Q12 Harga Tiket Masuk 0,8658
Q13 Harga Sewa fasilitas 0,8472
4. Faktor-1
(Tarif dan
Pelayanan)
Q14 Harga Cinderamata 0,7979
27,791%
Q20 Pelayanan Tiket masuk 0,7128
Q4 Lingkungan Kebun
Raya
0,5845
Q15 Keindahan Alam 0,7479
5. Faktor-2
(Atrak
si Alam)
Q16 Kelangkaan Jenis
Tanaman
0,8892
15,712%
Q17 Keunikan Jenis
Tanaman
0,8689
Q1 Jarak Menuju Lokasi 0,9182
Q2 Waktu tempuh Menuju
lokasi
0,8734
6. Faktor-3
(Aksesibilitas)
Q3 Kemudahan Menuju
lokasi
0,7187
12,010%
Q5 Ketenangan (Tidak
Bising)
0,69347. Faktor-4
(Situasi) Q8 Ketersediaan
Cinderamata
-0,7820 7,990%
Q6 Fasilitas Rekreasi 0,75668. Faktor-5
(Fasilitas)
Q19 Kecepatan Pelayanan
Informasi
-0,5393 5,715%

32. Faktor pertama adalah faktor Tarif dan
Pelayanan Kebun Raya
 Faktor ini merupakan faktor yang
memiliki pengaruh terbesar
dengan eigenvalue 5,280 dan
mampu menjelaskan variance total
sebesar 27,791%.

33. Faktor kedua adalah faktor
Atraksi Alam Kebun Raya
 Faktor ini merupakan faktor yang
memiliki pengaruh besar dengan
eigenvalue 2,985 dan mampu
menjelaskan variance total sebesar
15,712 %.

34. Faktor ketiga adalah faktor
Aksesibilitas Menuju Kebun Raya
 Faktor ketiga ini merupakan faktor
yang memiliki pengaruh sedang
dengan eigenvalue 2,282 dan
mampu menjelaskan variance total
sebesar 12,010 %.

35. Faktor keempat adalah faktor
Situasi Kebun Raya
 Faktor keempat ini merupakan
faktor yang memiliki pengaruh
cukup dengan eigenvalue 1,518
dan mampu menjelaskan variance
total sebesar 7,990 %.

36. Faktor kelima adalah faktor
Fasilitas Kebun Raya
 Faktor ini merupakan faktor yang
memiliki pengaruh terkecil dengan
eigenvalue 1,086 dan mampu
menjelaskan variance total sebesar
5,715%.

37. Uji Ketepatan Model
 Dengan menggunakan program SPSS 11
diketahui besarnya persentase “Residuals
are computed between observed and
reproduced correlations.
 There are 62 (38%) nonredundant
residuals with absolute values greater
than 0.05” berarti ketepatan model
dapat diketahui dan dapat diterima
dengan ketepatan model 62% pada
tingkat signifikan 0,05.

38. https://folk.uio.no/ohammer/past/