Divia Indira Arifin

22116064/RB
CONTOH SOAL ANALISIS FAKTOR

Diduga ada 15 variabel yang memengaruhi kesejahteraan di Kabupaten Pringsewu. Sampel yang diambil
adalah 9 kecamatan yang ada di Kabupaten Pringsewu. Variabel dependennya adalah 9 kecamatan
tersebut, sedangkan variabel independennya adalah sebagai berikut.
Jumlah
Kepadatan Jumlah Jumlah Jumlah Jumlah Jumlah Jumlah Jumlah Jumlah
Jumlah Jumlah Jumlah Jumlah Jumlah Keluarga
No Kecamatan Penduduk Sekolah Sekolah Sekolah Murid Murid Murid Balai Kasus
Penduduk Desa Dusun Puskesmas Posyandu Pra-
(jiwa/km2) (SD) (SMP) (SMA) (SD) (SMP) (SMA) Kesehatan Diare
Sejahtera
1 Pardasuka 34441 364 13 88 29 5 1 3780 1255 356 1 38 2 499 2917
2 Ambarawa 34323 1108 8 31 24 6 2 3685 1867 924 1 39 2 919 1751
3 Pagelaran 46597 643 22 76 31 10 6 4911 1816 1337 2 50 0 783 1839
4 Pagelaran Utara 15535 155 10 44 10 1 0 1647 167 0 1 19 0 123 1200
5 Pringsewu 82327 1545 10 33 40 11 5 4683 4174 2606 2 37 2 753 2213
6 Gadingrejo 73431 857 23 85 56 10 5 7979 2134 766 2 46 3 1159 3114
7 Sukoharjo 48302 662 16 80 32 5 2 4760 1857 820 1 53 3 1082 1406
8 Banyumas 20528 515 11 35 19 4 1 2150 942 271 1 25 1 154 810
9 Adiluwih 35002 468 13 61 29 3 1 3236 1265 315 1 35 2 889 1105

Data diatas kemudian diolah menggunakan SPSS, sehingga diperoleh output sebagai berikut.
Divia Indira Arifin
22116064/RB
Divia Indira Arifin
22116064/RB

Jelaskan makna dari output SPSS diatas. Kemudian, tentukan berapa faktor yang dapat terbentuk dan
kecamatan apa saja yang termasuk di dalamnya, serta berikan nama pada masing-masing faktor yang telah
terbentuk.

JAWABAN
1. Makna dari output SPSS
 Nilai dari KMO Measure of Sampling Adequacy harus diatas 0.5, dan nilai Sig. harus dibawah 0.5
untuk menandakan bahwa data dapat dianalisis. Pada output SPSS di soal, nilai dari KMO Measure
of Sampling Adequacy adalah 0.609, dan nilai Sig. nya adalah 0.000. Maka, data yang ada dapat
dianalisis.
 Variabel yang dapat dianalisis harus memiliki nilai Measures of Sampling Adequacy (MSA) lebih dari
0.5; bila tidak maka data harus direduksi. Pada output SPSS di soal, terlihat bahwa semua nilai
MSA variabel (variabel dengan “a”) bernilai lebih dari 0.5, sehingga tidak ada data yang direduksi
dan variabel tersebut dapat dianalisis.
 Tabel Communalities digunakan untuk menunjukkan seberapa besar sebuah variabel dapat
menjelaskan faktor yang terbentuk. Sebagai contoh, berdasarkan output SPSS pada soal, variabel
jumlah penduduk bernilai 0,942. Artinya, variabel jumlah penduduk dapat menjelaskan faktor
Divia Indira Arifin
22116064/RB
yang ada sebesar 94,2%. Karena semua variabel bernilai di atas 50%, maka semua variabel
tersebut dapat menjelaskan faktor yang ada.
 Tabel Total Variance Explained digunakan untuk menentukan jumlah faktor yang bisa dibentuk.
Kolom “Component” menunjukkan bahwa terdapat 7 ‘kelompok’ faktor yang dapat mewakili
variabel. Kolom “Initial Eigenvalues” bertujuan untuk menentukan jumlah faktor yang dapat
dibentuk. Sub-kolom “Total” menunjukkan nilai eigenvalue, dimana nilai eigenvalue harus > 1.
Pada tabel di atas, terlihat bahwa nilai eigenvalue yang > 1 adalah component 1 dan 2, sehingga
‘kelompok’ faktor yang dapat terbentuk berjumlah 1 hingga 2. Kemudian; hanya dengan melihat
dari component 1 dan 2, sub-kolom “% of Variance” menunjukkan nilai variansi; yang mana dalam
penentuan jumlah ‘kelompok’ faktor yang dapat dibentuk, yang dipilih adalah nilai yang terkecil.
Dari component 1 dan 2, nilai variansi yang lebih kecil adalah component 2 (18.180), sehingga
jumlah ‘kelompok’ faktor ideal adalah sebanyak 2. Hal ini didukung juga dari nilai persentase
kumulatif di sub-kolom “Cumulative %”, dimana nilai persentase kumulatif component 2 telah
memenuhi syarat, yaitu di atas 80%.
 Pada diagram Scree Plot, terlihat bahwa dari titik component 1 ke component 2 menurun tajam.
Kemudian dari titik component 2 ke component 3 menurun dengan slope yang lebih kecil, namun
nilai eigenvalue component 3 berada di bawah 1. Hal ini menunjukkan bahwa 2 faktor (atau 2
‘kelompok’) adalah jumlah yang ideal untuk ‘meringkas’ ketujuh variabel yang ada.
 Tabel Component Matrix menunjukkan distribusi ketujuh variabel ke dalam 2 faktor yang ada.
Untuk menentukan apakah suatu variabel masuk ke dalam faktor (component) 1 atau 2, dilihat
dari nilai korelasi yang paling besar di antara 2 component tersebut. Sebagai contoh, nilai variabel
jumlah penduduk di component 1 adalah 0.970, sedangkan di component 2 adalah 0,038. Karena
nilai di component 1 yang lebih besar, maka variabel jumlah penduduk masuk di faktor 1, begitu
juga seterusnya. Namun, hasil dari Tabel Component Matrix ini masih belum cukup kuat untuk
menjelaskan variabel mana yang masuk ke dalam tiap faktor. Oleh karena itu, dibutuhkan Tabel
Rotated Component Matrix.
 Tabel Rotated Component Matrix berfungsi untuk memperjelas variabel mana saja yang akan
masuk ke dalam tiap faktor yang ada. Cara melihatnya sama dengan di tabel Component Matrix,
yaitu dengan melihat nilai korelasi yang paling besar di setiap variabelnya. Maka, dapat
disimpulkan bahwa anggota dari faktor 1 adalah: Jumlah Murid (SMA), Jumlah Murid (SMP),
Kepadatan Penduduk, dan Jumlah Penduduk. Sedangkan variabel yang termasuk dalam faktor 2
adalah: Jumlah Murid (SD), Jumlah Keluarga Pra-Sejahtera, dan Jumlah Kasus Diare.
 Tabel Component Transformation Matrix menunjukkan nilai korelasi tiap faktor; nilai yang perlu
dilihat adalah diagonalnya. Pada component 1, nilai korelasinya adalah 0.762, dan pada
component 2 nilai korelasinya adalah 0.762 juga. Karena semua nilai korelasi faktor lebih besar
Divia Indira Arifin
22116064/RB
dari 0.5, maka dapat disimpulkan bahwa jumlah ‘kelompok’ faktor yang terbentuk telah tepat
dalam merangkum ketujuh variabel yang ada.
 Diagram Component Plot in Rotated Space merupakan pelengkap dari analisis-analisis diatas,
dimana diagram ini menampilkan letak ketujuh variabel pada kedua faktor yang ada. Berdasarkan
diagram, ketujuh variabel tersebut terletak di Component 2.

2. Penamaan Faktor
Faktor 1 dinamakan faktor demografi, karena variabel-variabel yang ada dalam faktor menggambarkan
proporsi penduduk berdasarkan jumlahnya dan komposisi umur secara umum. Sedangkan faktor 2
dinamakan faktor kualitas hidup menurut materi, dengan alasan variabel jumlah keluarga pra-
sejahtera mengindikasikan jumlah keluarga yang belum bisa memenuhi kebutuhan dasarnya (basic
needs) secara minimal, seperti kebutuhan spiritual, papan, sandang, pangan, kesehatan, dan KB. Lalu,
variabel jumlah kasus diare bisa digunakan untuk mengindikasikan jumlah keluarga pra-sejahtera di
Kabupaten Pringsewu yang belum mencapai standar kesehatan yang baik, dan variabel jumlah murid
SD bisa digunakan untuk mengindikasikan anggota keluarga dari keluarga pra-sejahtera yang
bersekolah.