id/panduan-menguasai-metode-analisis-faktor/
Analisis faktor dipergunakan untuk mereduksi data atau meringkas, dari variabel lama yang
banyak diubah menjadi sedikit variabel baru yang disebut faktor, dan masih memuat sebagian
besar informasi yang terkandung dalam variabel asli (Supranto, 2004).
Daftar Isi
Variabel latent atau variabel untuk data-data kualitatif harus melalui pengujian kelayakan dan
keabsahan terlebih dahulu (validitas dan realibilitas) sebelum dikelompokkan menjadi variabel
1 of 10 12/30/2017, 1:32 PM
https://statmat.id/panduan-menguasai-metode-analisis-faktor/
Dalam tulisan Supranto, dikatakan bahwa analisis faktor digunakan untuk mereduksi
data/variabel. Analisis faktor dipergunakan dalam kondisi sebagai berikut :
\(X_{1}-\mu_1=l_{11}F_{1}+l_{12}F_{2}+…+l_{1m}F_m+\varepsilon_1\)
\(X_{2}-\mu_2=l_{21}F_{1}+l_{22}F_{2}+…+l_{2m}F_m+\varepsilon_1\)
\(\vdots\)
\(X_{p}-\mu_p=l_{p1}F_{1}+l_{p2}F_{2}+…+l_{pm}F_m+\varepsilon_p\)
Dan jika kita akan menuliskannya kedalam notasi matriks, bentuknya sebagai berikut:
\(X_{(p\times1)}-\mu=L_{(p\times m)}F_{(m\times1)}+\varepsilon_p\)
Keterangan:
X = vektor variabel asal
µ = vektor rata-rata variabel asal
L = matrik loading factor
F = vektor faktor bersama
\(\varepsilon\) = vektor faktor spesifik
1. \(E(F) = 0_{(m\times1)}\)
3. \(E(\varepsilon) = 0_{(p\times1)}\)
2 of 10 12/30/2017, 1:32 PM
https://statmat.id/panduan-menguasai-metode-analisis-faktor/
Model \((X−\mu) =LF+\varepsilon\) adalah linear dalam faktor umum. Bagian dari Var \(X_{i}\)
yang dapat diterangkan oleh m faktor umum disebut communality ke-i, sedangkan bagian-bagian
dari Var \(X_{i}\) yang merupakan faktor spesifik disebut uniqueness atau keragaman spesifik
(spesific varians) ke-i.
\(\sigma_{ii}=l_{i1}^{2}+l_{i2}^{2}+l_{i3}^{2}+\cdots+l_{im}^{2}+\psi_i=h_{i}^{2}+\psi_i\)
Keterangan:
\(l_{ij}=\) loading factor
\(l_{i}^{2}=\) Communality ke-i
\(\psi_{i}=\) keragaman spesifik ke-i
Nilai loading menunjukkan korelasi antara faktor umum yang terbentuk dengan variabel asal,
semakin besar nilai loading maka semakin erat hubungan diantara keduanya.
Hair (1998) dalam tulisannya menyatakan bahwa nilai minimal loading yang digunakan adalah
lebih besar dari ± 0.30; loading ± 0.40 dianggap penting; dan loading ± 0.50 atau lebih besar
dinyatakan signifikan.
Terdapat dua cara yang dapat dipergunakan dalam melakukan analisis faktor khususnya koefisien
skor faktor, yaitu Principal component analysis (PCA) dan Common factor analysis (CFA).
1. Principal component
Jumlah varian yang terdapat dalam gugus data harus dipertimbangkan. Diagonal matrik korelasi
terdiri dari angka satu dan full variance dibawa dalam matriks faktor. Principal component
direkomendasikan jika hal yang pokok adalah menentukan bahwa banyaknya faktor harus
minimum dengan memperhitungkan varians maksimum dalam data untuk dipergunakan di dalam
analysis multivariate lebih lanjut.
Baca Juga: Stochastic Frontier Analysis : Metode Untuk Estimasi Batas Produksi
3 of 10 12/30/2017, 1:32 PM
https://statmat.id/panduan-menguasai-metode-analisis-faktor/
Faktor yang diestimasi hanya didasarkan pada common variance dan communalities yang
dimasukkan dalam matrik korelasi. Metode ini dianggap sangat tepat jika tujuan utamanya adalah
untuk mengenali/mengidentifikasi dimensi yang mendasari dan common variance yang menarik
perhatian.
Berikutnya tergantung pada tujuan penelitian, menghitung skor faktor ataukah memilih surrogate
variable, untuk mewakili faktor yang akan digunakan untuk analisis multivariat
selanjutnya. Dengan mengacu pada teori diatas, secara singkat, proses analisis faktor dapat
dilakukan tahapan sebagai berikut:
– Interpretasikan Faktor
Seperti dijelaskan sebelumnya bahwa analisis faktor didasari oleh korelasi antara variabel-
variabel yang digunakan. Variabel awal yang digunakan merupakan variabel yang saling
berkorelasi diharapkan setelah dilakukan analisis faktor akan terbentuk set variabel baru yang
lebih sedikit dan tidak berkorelasi.
Oleh karena itu, langkah pertama perlu dicek apakah terdapat korelasi antar variabel yang diteliti,
karena jika tidak terdapat korelasi maka analisis faktor yang digunakan menjadi tidak berguna.
1. Uji Bartlett
2. Uji KMO
3. Uji MSA
Pengujian ini digunakan untuk melihat apakah matriks korelasi bukan merupakan matriks
identitas. Tujuan dari melihat apakah matriks korelasi merupakan matriks identitas atau bukan
adalah agar penyusutan dimensi peubah menjadi lebih sederhana dan bermanfaat tanpa banyak
4 of 10 12/30/2017, 1:32 PM
https://statmat.id/panduan-menguasai-metode-analisis-faktor/
Apabila dari uji Bartlett hasilnya significant, maka matriks korelasi bukan matriks identitas. Maka
penyusutan dimensi peubah tersebut bermakna untuk dilakukan analisis komponen utama.
Dengan kata lain, pengurangan peubah akan mempunyai arti dan kegunaan.
\({\color{Red}\star}\) Hipotesis
\(\chi_{obs}^{2}=-[(N-1)-\frac{(2p+5)}{6}]ln|R|\)
Keterangan:
N = jumlah observasi
p = jumlah peubah
Untuk menguji kelayakan tersebut digunakan uji KMO (Kaiser Meyer Olkin).
KMO digunakan untuk mengukur kecukupan sampling (sampling adequacy). Nilai ini
membandingkan besarnya koefisien korelasi terobservasi dengan koefisien korelasi parsial. Nilai
KMO yang kecil menunjukkan bahwa korelasi antar pasangan variabel tidak bisa diterangkan oleh
variabel lainnya dan analisisfaktormungkintidaktepat.
Rumusnya adalah:
Keterangan:
Menurut Kaiser (1970) dalam Widarjono (2010) penilaian uji KMO adalah sebagai berikut :
5 of 10 12/30/2017, 1:32 PM
https://statmat.id/panduan-menguasai-metode-analisis-faktor/
Baca Juga: Stochastic Frontier Analysis : Metode Untuk Estimasi Batas Produksi
Selanjutnya untuk menilai kelayakan setiap variabel untuk dianaisis faktor digunakan kriteria
Measure of Sampling Adequacy (MSA).
Hair dan Anderson (1998) menyatakan bahwa MSA merupakan ukuran lain yang digunakan untuk
mengukur interkorelasi antar variabel dan kesesuaian dari analisis faktor.
MSA ≥ 0,5 variabel masih bisa diprediksi dan dianalisis lebih lanjut
MSA < 0,5 variabel dapat dieliminasi untuk tidak disertakan dalam analisis faktor
6 of 10 12/30/2017, 1:32 PM
https://statmat.id/panduan-menguasai-metode-analisis-faktor/
Hair (1998) menyatakan bahwa kenaikan nilai MSA ditentukan oleh: 1) kenaikan ukuran sampel,
2) kenaikan korelasi rata-rata, 3) kenaikan jumlah variabel, atau 4) penurunan jumlah faktor.
2. Ekstraksi faktor
Ekstraksi faktor adalah proses mereduksi sejumlah variabel menjadi sejumlah set variabel baru
atau faktor yang jumlahnya lebih sedikit. Misal terdapat p variabel asal, setelah diekstraksi akan
menjadi m faktor dimana m<p. metode ekstraksi faktor berkaitan dengan penentuan jumlah faktor
yang menggambarkan struktur data. Supranto (2004) menyatakan bahwa terdapat 2 metode yang
bisa dipergunakan dalam analisis faktor, khususnya untuk menghitung timbangan atau koefisisen
skor faktor, yaitu Pricipal Component Analysis dan Common Factor Analysis.
Dalam Principal Component Analysis, jumlah varian dalam data dipertimbangkan. Jika tujuan dari
penggunaan analisis faktor adalah untuk mereduksi data dan mendapatkan jumlah faktor
minimum yang dibutuhkan untuk merepresentasikan data asal, maka direkomendasikan
menggunakan PricipalComponentAnalysis.
Hair dan Anderson (1998) menyatakan bahwa terdapat beberapa kriteria dalam menentukan
sejumlah faktor yang terbentuk, yakni:
Teknik yang paling sering digunakan adalah dengan melihat akar ciri. Alasan penggunaan
akar ciri adalah karena setiap variabel memiliki kontribusi nilai 1 terhadap total akar ciri.
Sehingga faktor dengan nilai akar ciri ≥1 yang dianggap signifikan, sedangkan untuk faktor
yang nilai akar cirinya < 1 dianggap tidak signifikan dan harus dikeluarkan dari model.
Penentuan jumlah faktor dilihat dari nilai spesifik dari persentase kumulatif keragaman yang
bisa dijelaskan oleh faktor yang terbentuk. Dalam penelitian ilmiah ekstraksi faktor tidak akan
dihentikan sebelum mencapai total keragaman 95%, namun dalam ilmu sosial batas total
keragaman yang digunakan hanya 60%.
Teknik ini dilakukan dengan membuat plot antara jumlah faktor yang terbentuk (sumbu
horizontal) dengan akar ciri (sumbu vertikal). Dengan melihat bentuk dari kurva yang telah
diplotkan ditentukan jumlah faktor yang akan digunakan. Semakin melandai kurva maka
ekstraksi faktor dihentikan.
Setelah menetukan jumlah faktor yang terbentuk, tahap selanjutnya adalah melakukan estimasi
nilai loading untuk menetapkan variabel yang menyusun faktor. Johnson dan Wichern (2002)
menuliskan 2 estimasi nilai loading, yaitu metode komponen utama (principal component analysis)
dan metode maximum likelihood. Metode yang paling sering digunakan adalah metode komponen
utama
karena metode maximum likelihood digunakan ketika faktor umum F dan faktor khusus ɛ
diasumsikan berdistribusi normal. Metode komponen utama memanfaatkan dekomposisi spektral
7 of 10 12/30/2017, 1:32 PM
https://statmat.id/panduan-menguasai-metode-analisis-faktor/
dari matriks covariance Σ untuk mengestimasi nilai loading. Jika matriks covariance sampel S
mempunyai pasangan akar ciri dan vektor ciri (\(\hat{\lambda}_i,\hat{e}_i\)) dengan
\(\hat{\lambda}_1\) ≥\(\hat{\lambda}_1\)≥…≥\(\hat{\lambda}_p\)≥0, maka;
\(s=\sqrt{\hat{\lambda_1}\hat{e_1}}\sqrt{\hat{\lambda_2}\hat{e_2}}\cdots \sqrt{\hat{\lambda_p}
\hat{e_m}}\begin{bmatrix} \sqrt{\hat{\lambda_1}\hat{e^{‘}}_1}\\ \sqrt{\hat{\lambda_2}\hat{e^{‘}}_2}\\
\vdots \\ \sqrt{\hat{\lambda_p}\hat{e^{‘}}_m} \end{bmatrix} +\begin{bmatrix} \hat{\psi _1} &0 &\cdots
& 0\\ 0& \hat{\psi _2} & \cdots &\vdots \\ \vdots &\vdots & \ddots & \\ 0& 0& \cdots & \hat{\psi _m}
\end{bmatrix}\) \(s=\tilde{L}\tilde{L}^{‘}+\tilde{\psi }\)
Dalam kasus dimana peubah memiliki satuan yang berbeda-beda, maka perlu dilakukan
standarisasi dengan cara :
Baca Juga: Stochastic Frontier Analysis : Metode Untuk Estimasi Batas Produksi
sehingga matriks covariance yang digunakan adalah matriks korelasi R dari observasi x1, x2, …,
xn. Standarisasi berguna untuk menghindari masalah peubah dengan variasi besar yang
memengaruhi nilai loading factors.
3. Rotasi faktor
Interpretasi hasil analisis yang dilakukan seringkali menyusahkan. Langkah penting dalam
interpretasi faktor adalah rotasi faktor (Hair, 1998) Rotasi dilakukan sampai struktur yang lebih
sederhana diperoleh. Dua jenis metode untuk rotasi faktor adalah Orthogonal dan Oblique
(Rummel, 1970).
Beberapa ahli menyarankan untuk menggunakan rotasi orthogonal yakni varimax (variance of
maximum) karena menghasilkan struktur faktor yang sederhana dengan memaksimumkan jumlah
varians dari faktor yang memuat nilai loading kuadrat (Johnson dan Wichern, 2002).
Menurut Wijaya (2010) dengan metode varimax banyak variabel dapat memiliki loading tinggi atau
mendekati tinggi pada faktor yang sama karena fokus tekniknya untuk menyederhanakan baris,
sehingga kecenderungan memiliki loading tinggi dan beberapa loading mendekati 0 (nol) pada
setiap kolom matrik. Oleh karena itu, pada penelitian kali ini metode rotasi yang digunakan adalah
rotasi orthogonal dengan varimax.
Rotasi Varimax adalah rotasi yang memaksimalkan faktor pembobot dan mengakibatkan korelasi
peubah-peubah dengan suatu faktor mendekati satu serta korelasi dengan faktor lainnya
mendekati nol sehingga mudah diinterpretasikan. Rotasi tersebut menghasilkan matriks loading
baru \(L^{*}\) yaitu:
8 of 10 12/30/2017, 1:32 PM
https://statmat.id/panduan-menguasai-metode-analisis-faktor/
Matriks tranformasi T ditentukan sedemikian rupa sehingga total keragaman kuadrat loading L
menjadi maksimum.
Rotasi merupakan suatu upaya untuk menghasilkan faktor penimbang baru yang lebih mudah
diinterpretasikan. Yaitu dengan mengalikan faktor penimbang awal dengan matriks transformasi
yang bersifat orthogonal, sehingga matriks korelasinya tidak akan berubah. Dari merotasi matriks
loading menyebabkan setiap peubah asal mempunyai korelasi yang tinggi terhadap faktor tertentu
saja sedangkan faktor lain mempunyai korelasi relatif sehingga setiap faktor akan lebih mudah
diinterpretasikan.
Skor faktor merupakan ukuran komposit dari masing-masing variabel asal pada masing-masing
faktor yang diekstraksi dalam analisis faktor (Hair, 1998). Skor faktor merupakan skor komposit
yang diestimasi untuk setiap responden pada faktor turunan (derived factors) (Supranto, 2004).
Skor faktor biasanya dihitung jika hasil dari analisis faktor akan digunakan untuk analisis lanjutan,
karena sebenarnya tanpa menghitung skor faktor hasil dari analisis ini sudah bermanfaat yaitu jika
tujuannya hanya ingin mereduksi variabel. Penghitungan skor faktor dalam penelitian ini
digunakan untuk mencari nilai penimbang dalam penyusunan indeks komposit.
Dalam penghitungan skor faktor terdapat beberapa metode estimasi yang sering digunakan yaitu
metode weight least square dan regresi. Metode weight least square digunakan jika dalam
mengestimasi nilai loading digunakan metode maximum likelihood (Johnson dan Wichern, 2002).
Oleh karena dalam penelitian ini estimasi nilai loading dilakukan dengan metode komponen utama
maka dalam mengestimasi skor faktor digunakan metode regresi. Estimasi skor faktor dengan
metode regresi dapat diperoleh dengan cara berikut :
Keterangan:
\(\hat{f}_{(n \times p)}=z_{(n \times p)}R^{-1}_{(p\times p)}\hat{L}_{z(p \times m)}\) dimana, j=1, 2,
…n
Keterangan:
dimana;
\(D^{-1/2}_{(p\times p)}=\begin{bmatrix} \frac{1}{\sqrt{S_{11}}} & 0 & \cdots & 0\\ 0& \frac{1}
9 of 10 12/30/2017, 1:32 PM
https://statmat.id/panduan-menguasai-metode-analisis-faktor/
{\sqrt{S_{22}}} &\cdots & 0\\ \vdots & \vdots & \ddots & \vdots\\ 0& 0 & \cdots & \frac{1}
{\sqrt{S_{pp}}} \end{bmatrix}\)
Skor faktor yang telah diperoleh pada analisis faktor ini selanjutnya digunakan keperluan analisis
dan inferensia sesuai kebutuhan penelitian anda.
Apakah Artikel ini membantu anda?Mohon beri kan penilaian dengan memberi bintang.
10 of 10 12/30/2017, 1:32 PM