1.
Analisis
Faktor
Eksploratori
Komponen Utama (PCA)
Atau
Analisis
Merumuskan masalah.
Merumuskan masalah meliputi beberapa hal:
1. Tujuan analisis faktor harus diidentifikasi.
2. Variabel yang akan dipergunakan di dalam analisis faktor harus
dispesifikasi berdasarkan penelitian sebelumnya, teori dan
pertimbangan dari peneliti.
3. Pengukuran variabel berdasarkan skala interval atau rasio.
4. Banyaknya elemen sampel (n) harus cukup atau memadai.
Ekstraksi faktor
Ekstraksi Faktor adalah suatu metode yang digunakan untuk
mereduksi data dari beberapa indikator untuk menghasilkan faktor
yang lebih sedikit yang mampu menjelaskan korelasi antara indikator
yang diobservasi. Ada beberapa metode yang bisa digunakan untuk
melakukan ekstraksi faktor yaitu:
1. Principal Components Analysis: Analisis komponen utama
(principal components analysis) merupakan metode yang paling
sederhana di dalam melakukan ekstraksi faktor. Metode ini
membentuk kombinasi linear dari indikator yang diobservasi.
2. Principal Axis Factoring: Metode ini hampir sama dengan metode
principal components analysis sebelumnya kecuali matriks
korelasi diagonal diganti dengan sebuah estimasi indikator
kebersamaan, namun tidak sama dengan principal components
analysis di mana indikator kebersamaan yang awal selalu diberi
angka 1.
3. Unweighted Least Square: Metode ini adalah prosedur untuk
meminimumkan jumlah perbedaan yang dikuadratkan antara
matriks korelasi yang diobservasi dan yang diproduksi dengan
mengabaikan matriks diagonal dari sejumlah faktor tertentu.
4. Generalized Least Square: Metode ini adalah metode
meminimumkan error sebagaimana metode unweighted least
squares. Namun, korelasi diberi timbangan sebesar keunikan dari
indikator (error). Korelasi dari indikator yang mempunyai error
yang besar diberi timbangan yang lebih kecil dari indikator yang
mempunyai error yang kecil.
5. Maximum Likelihood: Adalah suatu prosedur ekstraksi faktor
yang menghasilkan estimasi parameter yang paling mungkin
untuk mendapatkan matriks korelasi observasi jika sampel
mempunyai distribusi normal multivariat.
Merotasi Faktor
Setelah kita melakukan ekstraksi faktor, langkah selanjutnya adalah
rotasi faktor (rotation). Rotasi faktor ini diperlukan jika metode
ekstraksi faktor belum menghasilkan komponen faktor utama yang
jelas. Tujuan dari rotasi faktor ini agar dapat memperoleh struktur
faktor yang lebih sederhana agar mudah diinterpretasikan. Ada
beberapa metode rotasi faktor yang bisa digunakan yaitu:
1. Varimax Method: Adalah metode rotasi orthogonal untuk
meminimalisasi jumlah indikator yang mempunyai factor loading
tinggi pada tiap faktor.
2. Quartimax
Method:
Merupakan
metode
rotasi
untuk
meminimalisasi
jumlah
faktor
yang
digunakan
untuk
menjelaskan indikator.
3. Equamax Method: Merupakan metode gabungan antara varimax
method yang meminimalkan indikator dan quartimax method
yang meminimalkan faktor.
Interpretasikan Faktor
Setelah diperoleh sejumlah factor yang valid, selanjutnya kita perlu
menginterprestasikan nama-nama factor, mengingat factor merupakan
sebuah konstruk dan sebuah konstruk menjadi berarti kalau dapat
diartikan. Interprestasi factor dapat dilakukan dengan mengetahui
variable-variabel yang membentuknya. Interprestasi dilakukan dengan
judgment. Karena sifatnya subjektif, hasil bisa berbeda jika dilakukan
oleh orang lain.
Faktor Skor
Lihat bahwa muncul variabel baru, yaitu FAC1_1 yang merupakan
faktor skor dari faktor 1, FAC2_1 yang merupakan faktor skor dari
faktor 2 dan FAC3_1 yang merupakan faktor skor dari faktor 3. Dari
nilai tersebut anda dapat melakukan analisis lanjutan, misal analisis
regresi
linear,
analisis
diskriminan
atau
analisis
lainnya.
NB: Normalitas merupakan salah satu asumsi dari analisis faktor
meskipun tidak mutlak. Namun data dalam tutorial ini tidak normal,
karena hanya sebagai media pembelajaran saja. Untuk lebih
lengkapnya tentang uji normalitas, silahkan baca artikel kami tentang
normalitas.
Analisis Faktor
2. Tekan tombol "Descriptives" kemudian centang "Univariate
descriptives", "Initial Solutions", "Coefficients", "Significance Levels",
"Determinant", "KMO and Bartlett`s test of sphericity" dan "Anti
Image". Klik "Continue".
extract, pilih Eigenvalue over dan isi dengan angka "1". Klik
"Continue".
Extraction
4. Tekan tombol "Rotation" kemudian centang "Varimax" dan pada
display centang semua, yaitu "Rotated solutions" dan "Loading plot(s)".
Klik "Continue".
Rotation
5. Tekan tombol "Options" kemudian centang "Sorted by Size".
Tabel Communalities
Tabel di atas menunjukkan seberapa besar sebuah variabel dapat
menjelaskan faktor. Misal X1 nilainya 0,769, artinya variabel X1 dapat
menjelaskan faktor sebesar 76,9%. Begitu pula dengan variabel
lainnya, di mana semuanya > 50%, oleh karenanya dapat disimpulkan
bahwasanya semua variabel dapat menjelaskan faktor.
Faktor Yang Sekiranya Dapat Terbentuk
Tabel Total Variance Explained di bawah ini berguna untuk
menentukan berapakah faktor yang mungkin dapat dibentuk.
Tabel Eigenvalue
Berdasarkan tabel di atas, lihat kolom "Component" yang menunjukkan
bahwa ada 7 komponen yang dapat mewakili variabel. Perhatikan
kolom "Initial Eigenvalues" yang dengan SPSS kita tentukan nilainya 1
(satu). Varians bisa diterangkan oleh oleh faktor 1 adalah 2,644/7 x
100% = 37,776. Oleh faktor 2 sebesar 1,594/7 x 100% = 22,768.
Sementara oleh faktor 3 sebesar 1,051/7 x 100% = 15,018. Sehingga
total ketiga faktor akan mampu menjelaskan variabel sebesar 37,776%
+ 22,768% + 15,018% = 75,562%. Dengan demikian, karena nilai
Eigenvalues yang ditetapkan 1, maka nilai Total yang akan diambil
adalah yang > 1 yaitu component 1, 2 dan 3.
Factor Loading
Setelah kita mengetahui bahwa faktor maksimal yang bisa terbentuk
adalah 3 faktor, selanjutnya kita melakukan penentuan masing-masing
variabel akan masuk ke dalam faktor mana, apakah faktor 1, 2 atau 3.
Cara menentukan tersebut adalah dengan melihat tabel Component
Matrix seperti di bawah ini:
Analisis Faktor
Setelah anda klik "Continue" dan "OK" pada jendela utama, maka lihat
pada dataset anda di "data view".
CONTOH 2
Analisis Faktor
Analisis faktor adalah alat analisis statistik yang dipergunakan untuk mereduksi faktorfaktor yang mempengaruhi suatu variabel menjadi beberapa set indikator saja, tanpa
kehilangan informasi yang berarti. Sebagai ilustrasi, terdapat 50 indikator yang
diidentifikasi mempunyai pengaruh terhadap keputusan pembelian konsumen. Dengan
analisis faktor, ke-50 indikator tersebut akan dikelompokkan menjadi beberapa sub set
indikator yang sejenis. Masing-masing kelompok sub set tersebut kemudian diberi nama
sesuai dengan indikator yang mengelompok. Pengelompokan berdasarkan kedekatan
korelasi antar masing-masing indikator dan penentuan banyaknya sub set berdasarkan
nilai eigen values, yang biasanya diambil di atas 1.
Analisis faktor digunakan untuk penelitian awal di mana faktor-faktor yang
mempengaruhi suatu variabel belum diidentifikasikan secara baik (explanatory research).
Selain itu, analisis faktor juga dapat digunakan untuk menguji validitas suatu rangkaian
kuesioner. Sebagai gambaran, jika suatu indikator tidak mengelompok kepada
variabelnya, tetapi malah mengelompok ke variabel yang lain, berarti indikator tersebut
tidak valid.
Analisis faktor juga digunakan dalam Structural Equation Modelling (SEM) dan sering
disebut dengan Confirmatory Factor Analysis (CFA).
Berikut akan kami sampaikan simulasi analisis faktor yang digunakan untuk
mengelompokkan beberapa indikator menjadi beberapa kelompok tertentu, tanpa
kehilangan informasi yang berarti.
Data yang digunakan adalah hasil kuesioner yang terdiri dari 11 butir pertanyaan (q1
sampai dengan q11). Kita ingin mengelompokkan 11 butir tersebut menjadi beberapa
kelompok, sehingga memudahkan untuk analisis selanjutnya. Dari tabulasi data SPSS,
pilih menu Analyze, sorotkan mouse pada reduction data, dan klik pada Factor seperti
pada contoh berikut:
Jika anda benar maka akan diarahkan ke menu analisis faktor seperti ini. Pindahkan q1
sampai q11 dari box kiri ke kotak variables
Klik pada menu descriptive di bagian kiri bawah, sehingga akan diarahkan ke box menu
sebagai berikut:
Berikan tick mark (centang) seperti gambar, lalu tekan continue, sehingga anda akan
diarahkan kembali ke box analisis faktor. Tekan Extraction di samping Descriptive,
sehingga akan diarahkan ke menu box sebagai berikut
Lalu berikan tanda centang seperti pada gambar, tekan continue, maka akan kembali ke
menu analisis faktor. Tekan rotation di samping extraction, sehingga akan diarahkan ke
menu sebagai berikut:
Berikan tanda centang seperti gambar, lalu tekan continue. Setelah itu tekan OK pada box
menu analisis faktor. Dan akan keluar output yang siap untuk diinterpretasikan.
Yang pertama adalah nilai KMO yaitu sebesar 0,796. Nilai yang diharapkan adalah di
atas 0,5. Nah karena nilainya 0,796 > 0,5 maka analisis faktor dapat digunakan pada data
yang kita punyai. Kalau nilainya di bawah 0,05 kayaknya jangan digunakan deh analisis
faktor karena tidak layak. Output di bawahnya adalah communalities, yang diharapkan
mempunyai nilai di atas 0,4 dan di situ tampak bahwa semua pertanyaan mempunyai nilai
di atas 0,4 (minimal adalah 0,411 untuk q1).
Dari 11 component (lihat tabel paling kiri) ternyata yang mempunyai nilai initial
eigenvalues di atas 1 hanya ada 2 component. Artinya, bahwa 11 butir pertanyaan
tersebut dapat dikelompokkan menjadi dua kelompok tanpa kehilangan informasi yang
berarti. Component 1 mempunyai nilai 5,630 dan mampu menjelaskan varians sebesar
51,180% dan component 2 mempunyai nilai 1,879 dan mampu menjelaskan varians
sebesar 17,084%. Dengan demikian kedua component tersebut mampu menjelaskan
varians sebesar 68,264% atau kita kehilangan informasi sebesar 31,736% saja.
Kalau kita pengin melihat butir mana yang masuk kelompok 1 dan butir mana yang
masuk kelompok 2 kita lihat output berikut:
Dari component matrik kita bisa melihat bahwa q1 ikut component 1 karena mempunyai
loading factor sebesar 0,617 yang lebih besar dari pada loading factor ke component 2
yaitu sebesar 0,174. Dengan cara yang sama kita bisa mengelompokkan kelompok 1
selainn q1 adalah q2, q3, q5, q6, q7, q8, q9 dan q10. Sedangkan yang masuk component
2 adalah q4 dan q11. he he. Eit lihat yang q 11.loading factor untuk component 1
adalah 0,436 dan untuk component 2 adalah -0,648. Bisa dimengerti kok dianggap masuk
component 2 bukannya component 1. Kita ambil nilai mutlaknya.
Akan tetapi q11 memang component 2 tapi mempunyai nilai negatif sehingga akan
membingungkan interpretasinya. Jadi ya kita lakukan rotasi dan hasilnya sebagai berikut:
Nah kan jadi lebih jelas. Butir q1 sampai q5 masuk component 2 dan butir q5 sampai q
11 masuk component 1. Ntar interpretasi variance explained juga dilihat yang rotation.
Nah, setelah itu anda kaitkan dengan teori yang ada. Butir q1 sampai q5 anda beri nama
sesuai dengan isi dari pertanyaan dan merupakan suatu konstruk yang berbeda dengan
konstruk yang terdiri dari q6 sampai q 11.