Tugas Dosen

: :

Statistik Multivariat DR. H. Abdul Hamid Habbe, SE., M.Si

ANALISIS FAKTOR

NURFITRIANTI HALMI FATIMA

P3400212008 P3400212009 P3400212007

Kelas A

PROGRAM STUDI PASCASARJANA AKUNTANSI FAKULTAS EKONOMI DAN BISNIS UNIVERSITAS HASANUDDIN MAKASSAR 2012

ANALISIS FAKTOR

A. Membedakan Teknik Analisa Faktor dari Teknik Multivariat Lainnya. Exploratory Analisa Faktor (EFA) dapat menjadi teknik yang sangat berguna dan kuat statistik multivariate untuk secara efektif menggali informasi dari sumber data besar yang saling terkait. Ketika variabel tersebut berkorelasi, peneliti perlu cara untuk analisis. Sebagai teknik saling ketergantungan, analisis faktor mencoba mengelola variabel: mengelompokkan variabel yang sangat berkorelasi bersama-sama, pelabelan atau penamaan kelompok, dan bahkan mungkin menciptakan suatu ukuran gabungan baru yang dapat mewakili setiap kelompok variabel. Tujuan utama dari eksplorasi analisis faktor adalah untuk menentukan struktur yang mendasari antara variabelvariabel dalam untuk mengidentifikasi pengelompokan antar variabel (atau kasus) didasarkan pada hubungan diwakili dalam matriks korelasi. Ini adalah alat yang ampuh untuk lebih memahami struktur data, dapat juga digunakan untuk menyederhanakan analisis dari satu set besar variabel dengan mengganti mereka dengan variabel komposit. Ketika bekerja dengan baik, ini menunjuk ke hubungan menarik yang mungkin belum jelas dari pemeriksaan data mentah saja, atau bahkan matriks korelasi. B. Membedakan Antara Penggunaan Eksplorasi Dan Konfirmasi Dari Teknik Analisa. Faktor analisa adalah pendekatan statistik yang dapat digunakan untuk menganalisa hubungan di antara beberapa variabel dan menjelaskan variabel-variabel ini dalam keadaan umumnya berdasarkan dimensi (faktor). Tujuannya adalah untuk mencari cara menyingkat informasi yang terdapat dalam beberapa variabel asal menjadi lebih kecil (faktor) dengan meminimalkan kehilangan informasi. Faktor analisa adalah salah satu keluarga analisa multivariat yang bertujuan untuk meringkas atau mereduksi variabel amatan secara keseluruhan menjadi beberapa variabel atau dimensi baru tetapi variabel atau dimensi baru yang terbentuk tetap mampu mempresentasikan variabel utama. Dengan memperkenalkan analisis faktor sebagai teknik multivariat pertama karena dapat memainkan peran unik dalam penerapan teknik multivariat lainnya. Secara garis besar analisis faktor menyediakan alat untuk menganalisa struktur keterkaitan (korelasi) antara sejumlah besar variabel

dengan mendefinisikan set variabel yang saling terkait dikenal sebagai faktor. Kelompok-kelompok dari variabel (faktor) yang secara definisi diasumsikan mewakili dimensi dalam data. Jika hanya peduli dengan mengurangi jumlah variabel maka dimensi dapat membimbing langkah-langkah dalam menciptakan komposit baru. Analisis faktor dapat mencapai tujuan baik dari perspektif eksplorasi atau konfirmasi. Banyak peneliti menganggap eksplorasi hanya berguna dalam mencari struktur antara satu set variabel atau sebagai metode reduksi data. Dalam perspektif ini faktor teknik analitik mengambil apa data memberi anda dan tidak mengatur kendala apriori pada estimasi komponen atau jumlah komponen teknik diekstrak. Namun dalam situasi lain, peneliti memiliki pikiran terbentuk pada struktur actual dari data, berdasarkan dukungan teori atau penelitian sebelumnya. Peneliti menguji hipotesis yang melibatkan isu-isu dengan mengelompokkan variabel bersama-sama pada faktor atau jumlah faktor yang tepat. Dalam hal ini peneliti mensyaratkan bahwa analisi faktor konfirmatori mengambil pendekatan dengan menilai sejauh mana data memenuhi struktur yang diharapkan. C. Memahami Tujuh Tahap Penerapan Analisis Faktor Tujuh tahapan penerapan analisis faktor meliputi : 1. Mengklarifikasi tujuan analisis faktor. Titik awal dalam analisis faktor, seperti dengan teknik statistik lainnya, adalah masalah penelitian Tujuan umum dari teknik analisis faktor adalah untuk menemukan cara untuk memadatkan (meringkas) informasi yang terkandung dalam sejumlah variabel asli ke set yang lebih kecil dari yang baru, dimensi komposit atau variates (faktor) dengan kerugian minimal informasi untuk mencari dan menentukan konstruksi dasar atau dimensi diasumsikan mendasari variabel asli. Dalam memenuhi tujuannya, analisis faktor didukung untuk empat hal: a. Menentukan unit analisa Sampai saat ini, kita mendefinisikan analisis faktor hanya dalam hal mengidentifikasi struktur antara satu set variabel. Analisis faktor sebenarnya merupakan model yang lebih umum yang dapat mengidentifikasi struktur hubungan antar kedua variabel atau responden dengan memeriksa baik korelasi antara variabel atau korelasi antara responden.

1. Jika tujuan penelitian ini adalah untuk meringkas karakteristik, analisis faktor akan diterapkan pada matriks korelasi dari variabel. Jenis yang paling umum dari analisis faktor, disebut sebagai analisis faktor R, menganalisis satu set variabel untuk mengidentifikasi dimensi yang laten (tidak mudah diamati). 2. Analisis faktor juga dapat diterapkan pada matriks korelasi dari responden individu berdasarkan karakteristik mereka. Yang dimaksud dengan analisis faktor Q, metode ini menggabungkan atau mengembun banyak orang ke dalam kelompok jelas berbeda dalam populasi yang lebih besar. b. Data summarization. Konsep dasar yang terlibat dalam summarization data adalah definisi struktur. Melalui struktur peneliti dapat melihat set variabel pada tingkat generalisasi menuju tingkat paling rinci. c. Data reduksi. Analisa faktor dapat digunakan untuk mencapai reduksi data mengidentifikasi variabel perwakilan dari satu set yang lebih besar dari variabel untuk digunakan dalam analisa multivariate selanjutnya atau menciptakan sama sekali variabel baru. d. Menggunakan analisa faktor dengan teknik multivariat lainnya. Analisis faktor dengan memberikan wawasan tentang keterkaitan antar variabel dan struktur yang mendasari data merupakan titik awal yang sangat baik untuk teknik multivariat lainnya. 2. Perencanaan analisa faktor. Rancangan analisis faktor melibatkan tiga keputusan dasar : (1) perhitungan dari data input (matriks koelasi) untuk memenuhi tujuan tertentu variabel pengelompokan atau responden, (2) desain penelitian dalam hal jumlah variabel, pengukuran sifat variabel dan jenis variabel yang diizinkan, (3) ukuran sampel yang diperlukan baik secara absolute dan sebagai fungsi dari jumlah variabel dalam analisis. 3. Asumsi analisis faktor Asumsi penting yang mendasari analisis faktor lebih konseptual daripada statistic. Peneliti selalu berkaitan dengan memenuhi persyaratan statistic untuk setiap teknik multivariate tetapi dalam analisis factor pusat utama keprihatinan banyak pada karakter dan komposisi variabel dimasukkan dalam analisis seperti pada kualitas statistik mereka. 4. Mendapatkan faktor dan menilai fit secara keseluruhan

Setelah variabel ditentukan dan matriks korelasi disusun peneliti siap untuk menerapkan analisis faktor untuk mengidentifikasikan struktur yang mendasari hubungan. (1) metode ekstraksi factor (factor analisis umum terhadap analisis komponen) dan (2) Jumlah faktor yang dipilih untuk menyajikan struktur yang mendasari dalam data. 5. Berputar dan menafsirkan faktor Meskipun tidak ada proses tegas atau pedoman menentukan interpretasi faktor, peneliti dengan dasar konseptual yang kuat untuk struktur diantisipasi dan dasar pemikirannya memiliki kesempatan terbesar untuk sukses. Kita tidak bisa menyatakan cukup kuat pentingnya landasan konseptual yang kuat, apakah itu berasal dari penelitian sebelumnya, paradigma teoritis, atau prinsip-prinsip yang diterima secara umum. Seperti yang akan kita lihat, peneliti berulang kali harus membuat penilaian subyektif dalam keputusan seperti ke sejumlah faktor, apa hubungan cukup untuk menjamin variabel pengelompokan, dan bagaimana dapat pengelompokan ini diidentifikasi. 6. Validasi solusi analisis faktor Tahap keenam melibatkan menilai tingkat generalisasi hasil untuk populasi dan pengaruh potensial dari kasus-kasus individu atau merespon nt hasil keseluruhan. Masalah generalisasi sangat penting untuk masing-masing thods m multivariat, tetapi sangat relevan untuk metode interdependensi karena mereka menggambarkan sebuah struktur data yang harus mewakili populasi juga. 7. Tambahan penggunaan analisa faktor. Tergantung pada tujuan untuk menerapkan analisis faktor, penelitian ini dapat berhenti dengan interpretasi faktor atau lebih terlibat dalam salah satu metode untuk reduksi data, jika tujuannya adalah hanya untuk mengidentifikasi kombinasi logis dari variabel dan lebih memahami keterkaitan antar variabel, maka faktor interpretasi akan cukup. Ini memberikan dasar empiris untuk menilai struktur variabel dan pengaruh struktur ini ketika menafsirkan hasil dari teknik multivariat lainnya. Jika tujuan, bagaimanapun, adalah untuk mengidentifikasi variabel yang tepat untuk aplikasi berikutnya untuk teknik statistik lainnya, maka beberapa bentuk reduksi data akan dipekerjakan. Kedua pilihan meliputi: a. Memilih variabel dengan faktor pemuatan tertinggi sebagai wakil pengganti untuk dimensi faktor tertentu.

b.

Mengganti set asli variabel dengan set, sama sekali baru yang lebih kecil dari variabel diciptakan baik dari skala dijumlahkan atau skor faktor.

D. Bedakan antara R dan Q analisis faktor analisis Yang penggunaan utama dari analisis faktor adalah untuk mengembangkan struktur antar variabel, disebut sebagai analisis faktor R. Analisis faktor juga dapat digunakan untuk kasus-kasus kelompok dan kemudian disebut sebagai analisis faktor Q. Analisis faktor Q mirip dengan analisis klaster. Perbedaan utama adalah bahwa analisis faktor Q menggunakan korelasi sebagai ukuran kesamaan. E. Mengidentifikasi Perbedaan antara Model Analisis Komponen dan Analisis Faktor Umum Dengan pemahaman dasar tentang bagaimana varians dapat dipisahkan, peneliti siap untuk menjelaskan perbedaan antara dua metode, yang dikenal sebagai analisis faktor umum dan analisis komponen. Pemilihan salah satu metode antara metode analisis komponen dan metode analisis faktor umum didasarkan pada dua kriteria: (1) tujuan dari analisis faktor dan (2) jumlah pengetahuan sebelumnya tentang varians dalam variabel. Analisis komponen digunakan ketika tujuannya adalah untuk meringkas sebagian besar informasi yang asli (varians) dalam jumlah minimum dari faktor untuk tujuan prediksi. Sebaliknya, analisis faktor umum terutama digunakan untuk mengidentifikasi faktor-faktor yang mendasari atau dimensi yang mencerminkan apa yang ada dalam variabel umum. Perbandingan langsung antara kedua metode tersebut adalah dengan membandingkan antara penggunaan varians yang dapat

dijelaskan dan varaians yang tidak dapat dijelaskan: 1. Analisis komponen, juga dikenal sebagai analisis komponen utama,

mempertimbangkan variabel jumlah varians dan berasal faktor-faktor yang mengandung proporsi kecil varian unik dan dalam beberapa kasus, varians error. Namun, faktor pertama tidak mengandung varians cukup unik atau kesalahan untuk mendistorsi struktur faktor keseluruhan. Secara khusus, dengan analisis komponen, kesatuan (nilai 1,0) dimasukkan dalam diagonal matriks korelasi, sehingga varians penuh dibawa ke dalam matriks faktor. 2. Analisis faktor umum, berbeda, analisis faktor umum hanya mempertimbangkan varians umum atau bersama, dengan asumsi bahwa kedua varians unik dan varians error tidak menarik dalam menentukan struktur variabel. Untuk

mempekerjakan pada varian umum dalam estimasi faktor, masyarakat (bukan kesatuan) dimasukkan dalam diagonal. Dengan demikian, faktor-faktor yang dihasilkan dari analisis faktor umum didasarkan hanya pada varians bersama. Bagaimana cara peneliti untuk memilih antara dua metode? Pertama, analisis faktor umum dan analisis model komponen keduanya banyak digunakan. Sebagai masalah praktis, model analisis komponen adalah standar khas yang banyak dtemukan pada sebagian besar program statistik saat melakukan analisis faktor. Di luar program default kasus yang berbeda menunjukkan yang mana dari dua metode yang paling tepat: 1. Analisis komponen faktor paling tepat digunakan ketika : a. Reduksi data adalah perhatian utama, dengan fokus pada jumlah minimum faktor yang diperlukan untuk menjelaskan bagian maksimum total varian direpresentasikan dalam seperangkat set asli variabel, dan b. Pengetahuan sebelumnya menunjukkan bahwa varians spesifik dan kesalahan merupakan proporsi yang relatif kecil dari total varian 2. Analisis faktor umum lebih tepat digunakan ketika : a. Tujuan utama adalah untuk mengidentifikasi dimensi laten atau konstruksi diwakili dalam variabel asli, b. Peneliti memiliki sedikit pengetahuan tentang jumlah perbedaan yang spesifik dan kesalahan dan karena ingin menghilangkan varians ini. Ketika keputusan telah dibuat pada model faktor, peneliti siap untuk mengekstrak inisial-esensial faktor yang tidak dirotasi. Dengan memeriksa matriks faktor yang tidak dirotasi, peneliti dapat mengeksplorasi kemungkinan untuk pengurangan data dan mendapatkan perkiraan awal dari sejumlah faktor untuk diekstrak. Penentuan akhir jumlah faktor harus menunggu, namun, sampai hasilnya dirotasi dan faktor diinterpretasikan. F. Menjelaskan Bagaimana Menentukan Jumlah Faktor untuk diekstrak Kriteria untuk Jumlah Faktor-faktor yang Ekstrak Bagaimana kita memutuskan sejumlah faktor untuk diekstrak? Metode analisis faktor keduanya tertarik pada kombinasi linear terbaik dari variabel-terbaik dalam arti bahwa kombinasi tertentu dari rekening variabel asli untuk lebih dari varians dalam data secara keseluruhan daripada kombinasi linear dari variabel lainnya. Oleh karena itu,

faktor pertama dapat dipandang sebagai ringkasan terbaik dari hubungan linier dipamerkan dalam data. Faktor kedua didefinisikan sebagai kombinasi terbaik kedua linear dari variabel, tunduk pada kendala bahwa itu adalah ortogonal terhadap faktor pertama. Agar ortogonal terhadap faktor pertama, faktor kedua harus berasal dari varians yang tersisa setelah faktor pertama telah diekstraksi. Dengan demikian, faktor kedua dapat didefinisikan sebagai linear. Kombinasi variabel yang bertanggung jawab atas sebagian besar varians yang masih dijelaskan setelah efek dari faktor pertama telah dihapus dari data. Proses penggalian terus akuntansi faktor untuk jumlah yang lebih kecil dan lebih kecil dari varian sampai semua varian dijelaskan. Misalnya, metode komponen sebenarnya ekstrak n faktor, dimana n adalah jumlah variabel dalam analisis. Dengan demikian, jika 30 variabel dalam analisis, 30 faktor yang diekstrak. Jadi, apa yang didapat oleh analisis faktor? Meskipun contoh kita mengandung 30 faktor, beberapa faktor pertama dapat mewakili sebagian besar dari total varian seluruh variabel. Mudah-mudahan, peneliti dapat mempertahankan atau hanya menggunakan sejumlah kecil variabel dan sti 1 cukup mewakili set variabel keseluruhan. Dengan demikian, pertanyaan kuncinya adalah: Berapa banyak faktor untuk mengekstrak atau mempertahankan? Dalam memutuskan kapan harus berhenti anjak (yaitu, berapa banyak faktor untuk mengekstrak) peneliti harus menggabungkan dasar konseptual (Berapa banyak faktor harus ada dalam struktur?) Dengan beberapa bukti empiris (Berapa banyak faktor dapat cukup didukung?). Peneliti biasanya dimulai dengan beberapa kriteria yang telah ditentukan, seperti jumlah umum dari faktor ditambah beberapa batasan umum relevansi praktis (misalnya, persentase yang diminta dari menjelaskan perbedaan) . Kriteria ini dikombinasikan dengan pengukuran empiris dari struktur faktor. Secara kuantitatif metode yang tepat untuk menentukan jumlah faktor untuk diekstrak belum dikembangkan Namun, kriteria berikut untuk menghentikan sejumlah faktor untuk diekstrak yang saat ini sedang digunakan. a. LATEN ROOT KRITERIA Teknik yang paling umum digunakan adalah kriteria akar laten. Teknik ini sederhana untuk diterapkan baik analisis komponen atau analisis faktor umum. Alasan untuk kriteria akar laten adalah bahwa setiap faktor individu harus

menjelaskan varians dari setidaknya satu variabel jika dipertahankan untuk interpretasi. Dengan analisis komponen masing-masing variabel memberikan kontribusi nilai 1t total nilai eigen. Dengan demikian, hanya faktor yang

memiliki akar laten atau eigenvalues lebih besar dari 1r yang dianggap signifikan, semua faktor dengan akar laten kurang dari 1 dianggap tidak signifikan dan diabaikan. Menggunakan eigenvalue untuk membangun titik batas adalah yang paling dapat diandalkan ketika jumlah variabel adalah antara 20 dan 50. Jika jumlah variabel kurang dari 20, kecenderungannya adalah untuk metode ini mengekstrak sejumlah faktor konservatif (terlalu sedikit), sedangkan jika lebih dari 50 variabel yang terlibat, tidak jarang untuk terlalu banyak faktor yang akan diekstraksi. b. A PRIORI CRITERION Kriteria apriori adalah kriteria sederhana namun wajar dalam beberapa keadaan. Ketika menerapkan itu, peneliti sudah tahu berapa banyak faktor untuk diekstrak sebelum dilakukan analisis faktor. Peneliti hanya memerintahkan komputer

untuk menghentikan ketika jumlah faktor yang dikehendaki telah diekstraksi. Pendekatan ini berguna ketika pengujian teori atau hipotesis mengenai sejumlah faktor yang akan diekstraksi. Hal ini juga dapat dibenarkan dalam upaya untuk meniru karya peneliti lain dan jumlah ekstrak yang sama dari faktor yang sebelumnya ditemukan. c. PERCENTAGE OF VARIANCE CRITERION Persentase kriteria varians merupakan pendekatan berdasarkan pada pencapaian persentase kumulatif tertentu total varian diekstraksi oleh faktor berturut-turut. Tujuannya adalah untuk memastikan signifikansi praktis untuk faktor-faktor yang diperoleh untuk memastikan bahwa mereka menjelaskan setidaknya sejumlah tertentu varians. Tidak ada batas absolut telah diadopsi untuk semua aplikasi. Namun, dalam ilmu alam prosedur pemfaktoran biasanya tidak boleh berhenti sampai faktor-faktor diekstraksi untuk setidaknya 95 persen dari varians atau sampai account faktor terakhir hanya sebagian kecil (kurang dari 5%). Sebaliknya, dalam ilmu-ilmu sosial, di mana informasi sering kurang tepat, tidak jarang untuk mempertimbangkan solusi yang menyumbang 60 persen dari total varian (dan dalam beberapa kasus bahkan kurang) yang memuaskan.

Sebuah varian dari kriteria ini melibatkan pemilihan faktor-faktor yang cukup untuk mencapai komunalitas yang telah ditetapkan sebelumnya untuk setiap variabel. Jika alasan teoritis atau praktis memerlukan komunalitas tertentu untuk setiap variabel, maka peneliti akan mencakup banyak faktor yang diperlukan untuk cukup mewakili setiap variabel aslinya. Pendekatan ini berbeda hanya pada jumlah total perbedaan yang dapat dijelaskan, yang mengabaikan tingkat penjelasan untuk variabel individu. d. SCREE TEST CRITERION. Ingat bahwa dengan model analisis komponen faktor faktor kemudian diekstrak mengandung varian umum dan unik. Meskipun semua faktor mengandung setidaknya varians unik, proporsi varians yang unik secara substansial lebih tinggi dalam faktor selanjutnya. Uji scree digunakan untuk mengidentifikasi jumlah optimal dari faktor-faktor yang dapat diekstraksi sebelum jumlah perbedaan yang unik mulai mendominasi struktur varians bersama. Tes scree diperoleh dengan memplot akar laten terhadap jumlah faktor agar mereka diekstraksi, dan bentuk kurva yang dihasilkan digunakan untuk memeringkat titik batas. G. Menjelaskan Konsep dari Rotasi Faktor Setelah satu atau lebih dari faktor terbentuk, dengan sebuah faktor berisi sejumlah variabel, mungkin saja sebuah variabel sulit untuk ditentukan akan masuk ke dalam faktor yang mana. Atau, jika yang terbentuk dari proses factoring hanya satu faktor, bisa saja sebuah variabel diragukan apakah layak dimasukkan dalam faktor yang terbentuk atau tidak. Untuk mengatasi hal tersebut, bisa dilakukan proses rotasi (rotation) pada faktor yang terbentuk, sehingga memperjelas posisi sebuah variabel, akankah dimasukkan pada faktor yang satu ataukah ke faktor yang lain. Sama dengan proses factoring, proses rotasi juga ada berbagai macam cara. Beberapa metode rotasi yang populer dilakukan : a. Orthogonal Rotation, yakni memutar sumbu 90. Proses rotasi dengan metode Orthogonal masih bisa dibedakan menjadi : QUARTIMAX, VARIMAX, dan EQUIMAX. Berikut masing-masing penjelasannya : 1. QUARTIMAX

Tujuan akhir dari rotasi QUARTIMAX adalah untuk menyederhanakan baris dari matriks faktor, yaitu, QUARTIMAX berfokus pada putaran faktor awal sehingga beban variabel tinggi pada satu faktor dan serendah mungkin pada semua faktor lainnya. Dalam rotasi, banyak variabel dapat memuat beban tinggi atau mendekati tinggi pada factor yang sama karena pusat teknik untuk menyederhanakan baris. Metode QUARTIMAX belum terbukti sangat sukses dalam memproduksi struktur sederhana. Kesulitannya adalah bahwa ia cenderung untuk menghasilkan faktor umum sebagai faktor pertama yang sebagian besar, jika tidak semua, dari variabel memiliki beban tinggi. Terlepas dari konsep seseorang dari struktur yang lebih sederhana, pasti melibatkan urusan dengan kelompok variabel, metode yang cenderung membuat faktor umum yang besar (yaitu, QUARTIMAX) tidak sejalan dengan tujuan rotasi. 2. VARIMAX Berbeda dengan QUARTIMAX, pusat kriteria varimax untuk

menyederhanakan kolom dari matriks faktor. Dengan pendekatan rotasi varimax, penyederhanaan maksimum yang mungkin tercapai jika hanya apakah ada hanya 1 atau 0 dalam kolom. Artinya, metode varimax

memaksimalkan jumlah varians beban yang dibutuhkan dari matriks faktor. Ingatlah bahwa dalam pendekatan QUARTIMAX, banyak variabel dapat memuat tinggi atau mendekati tinggi pada faktor yang sama karena teknik berpusat pada menyederhanakan baris. Dengan pendekatan rotasi varimax, beberapa beban tinggi (yaitu, dekat dengan -1 atau +1) kemungkinan, seperti juga beberapa beban mendekati 0 dalam setiap kolom dari matriks. Logikanya adalah bahwa penafsiran paling mudah ketika variabel-faktor korelasi adalah (1) dekat dengan baik +1 atau -1, sehingga menunjukkan asosiasi positif atau negatif yang jelas antara variabel dan faktor, atau (2) dekat dengan 0 , menunjukkan kurang jelasnya asosiasi. Struktur ini pada dasarnya sederhana. Meskipun solusi QUARTIMAX adalah analitis sederhana daripada solusi varimax, varimax tampaknya memberikan pemisahan yang lebih jelas pada faktor. Secara umum, percobaan Kaiser [22, 23] menunjukkan bahwa pola faktor diperoleh rotasi cenderung lebih invarian dari yang diperoleh dengan

metode QUARTIMAX ketika himpunan bagian yang berbeda dari variabel yang dianalisis. Metode varimax telah terbukti sukses sebagai pendekatan analitik untuk memperoleh rotasi orthogonal faktor. 3. EQUIMAX Pendekatan EQUIMAX adalah kompromi antara pendekatan

QUARTIMAX dan VARIMAX. Daripada berkonsentrasi baik pada penyederhanaan baris atau penyederhanaan kolom, ia mencoba untuk menyatukan keduanya. EQUIMAX belum memperoleh penerimaan luas dan jarang digunakan. b. Oblique Rotation, yakni memutar sumbu ke kanan, namun tidak harus 90. Proses rotasi dengan metode Oblique masih bisa dibedakan menjadi OBLIMIN, PROMAX, ORTHOBLIQUE dan lainnya. Rotasi miring (Oblique Ritation) mirip dengan rotasi orthogonal, kecuali bahwa rotasi miring memungkinkan faktor berkorelasi bukannya

mempertahankan indepedensi antara faktor-faktor yang dirotasi. Dimana beberapa pilihan yang tersedia antara pendekatan ortogonal, Namun, kebanyakan paket statistik biasanya hanya menyediakan pilihan yang terbatas untuk rotasi miring. Misalnya, SPSS menyediakan OBLIMIN, SAS memiliki PROMAX dan ORTHOBLIQUE, dan BMDP menyediakan DQUART, DOBLIMIN, dan ORTHOBLIQUE. Tujuan dari penyederhanaan sebanding dengan metode orthogonal, dengan fitur tambahan dari faktor berkorelasi. Dengan kemungkinan faktor berkorelasi, peneliti harus berhati-hati pada faktor tambahan untuk memvalidasi diputar faktor yang dirotasi, karena mereka memiliki cara tambahan (nonorthogonality) untuk menjadi spesifik pada sampel dan tidak digeneralisasikan, terutama dengan sampel dalam jumlah yang kecil atau rendah untuk variabel rasio. Memilih Metode Rotasi Faktor Tidak ada aturan khusus yang telah dikembangkan untuk memandu peneliti dalam memilih teknik rotasi orthogonal tertentu atau rotasi miring (Oblique Ritation). Dalam kebanyakan kasus, peneliti hanya menggunakan teknik rotasi yang disediakan oleh program komputer. Kebanyakan program memiliki rotasi varimax , tetapi semua metode rotasi utama tersedia secara luas. Namun, ada alasan kuat para analitis lebih

memilih salah satu metode rotasi dibandingkan dengan metode-metode yang lain. Pilihan rotasi ortogonal atau rotasi miring (oblique Ritation) harus didasarkan atas kebutuhan khusus dari suatu masalah penelitian tertentu. Untuk tujuan ini, beberapa panduan dalam memilih metode rotasi. a. Orthogonal rotation methods : Apakah yang paling banyak digunakan dalam metode rotasi Apakah metode pilihan ketika tujuan penelitian ini adalah reduksi data ke salah satu jumlah yang lebih kecil dari variabel atau satu set langkahlangkah yang tidak ada korelasi (uncorrelated) untuk penggunaan selanjutnya dalam teknik multivariat lainnya b. Oblique rotation methods : Apakah paling cocok untuk tujuan memperoleh beberapa faktor yang bermakna secara teoritis atau konstruksi, karena, secara realistis, beberapa konstruksi di dunia nyata berkorelasi H. Penafsiran Faktor-faktor Untuk membantu proses interpretasi sebuah struktur factor dan memilih satu struktur faktor yag final sebagai solusi maka proses fundamental mesti dilakukan. Secara mendatail penafsiran factor yang menghasilkan solusi harus meliputi: 1. Tiga proses interpretasi factor yakni estimasi factor matriks, notasi factor, serta respesifikasi dan interpretasi factor. 2. Rotasi fator-faktor 3. Menetapkan signifikansi dari antrian factor 4. Penafsiran suatu faktor analisis I. Validasi Analisi Faktor Bahwa dalam proses validasi, peneliti semestinya menjadikan satu alamat terhadap angka dalam isu-isu dari desain penelitian dan karakteristik sebagai diskusi selanjutnya. Selanjutnya validasi analisis faktor perlu memperhatikan hal berikut: 1. Persepsi konformasi yang digunakan 2. Stabilitas penilaian struktur faktor 3. Mendeteksi observasi yang mempengaruhi faktor J. Tambahan penggunaan dari hasil analisis factor

Bahwa terhadap objektifitas para peneliti yang menghentikan penafsiran terhadap analisis faktor dengan menggunakan metode reduksi data. Keobyektifan akan menjadi sederhana jika dikombinasikan dari variabel yang dipahami dengan baik antara variabel berhubungan kuat. Selanjutnya perlu diketahui juga dua pilihan masuk yang akan ditindaklanjuti yakni: 1. Menentukan variabel yang memakan waktu lama sebagai representase dari sebuah dimensi faktor particular 2. Menempatkan kembali aturan orisinil dari variabel dengan memasukkan yang baru, aturan pengecil dari variabel dikreasikan ke dalam bentuk skala yang telah diringkas atau skor-skor faktor.