generalisasi hasil terhadap populasi dan potensi pengaruh kasus individu atau responden
terhadap hasil keseluruhan.
Generalisasi sangat penting untuk masing-masing metode multivariat, namun sangat relevan
untuk metode saling ketergantungan analisis faktor eksplorasi dan analisis klaster karena
keduanya menggambarkan struktur data yang harus mewakili populasi secara keseluruhan.
Dalam proses validasi, peneliti harus mengatasi beberapa hal masalah di bidang desain
penelitian dan karakteristik data seperti yang dibahas selanjutnya.
Stage 1
Metode yang paling langsung untuk memvalidasi hasil adalah
(a) menilai replikasi/generalisasi hasil, baik dengan sampel terpisah dalam kumpulan data asli
atau dengan sampel terpisah, atau (b) melakukan analisis konfirmatori. Jika replikasi
dilakukan, perbandingan hasil dua atau lebih model faktor selalu menimbulkan masalah.
Beberapa metode telah diusulkan, mulai dari indeks pencocokan sederhana [13] hingga
program (FMATCH) yang dirancang
interpreting the Factors
Struktur faktor yang optimal, sering kali disebut struktur sederhana, terjadi ketika semua
variabel mempunyai pembebanan yang tinggi hanya pada satu faktor dan pembebanan yang
sangat rendah pada semua faktor lainnya.
● Pemuatan silang suatu variabel (beban pada dua faktor) dapat dievaluasi berdasarkan rasio
muatan kuadratnya dan diklasifikasikan sebagai bermasalah (rasio antara 1,0 dan 1,5),
potensial (rasio antara 1,5 dan 2,0) atau dapat diabaikan (rasio lebih besar dari 2,0 ). Cross-
loading yang bermasalah dan bahkan mungkin potensial akan dihapus kecuali secara teoritis
dapat dibenarkan atau tujuannya hanya untuk reduksi data
● Variabel umumnya harus memiliki komunalitas lebih besar dari 0,50 agar dapat
dipertahankan dalam analisis
● Spesifikasi ulang hasil analisis faktor eksplorasi dapat mencakup opsi berikut:
● Menghapus variabel
● Mengubah metode rotasi
● Menambah atau mengurangi jumlah factor
khusus untuk menilai korespondensi antara matriks faktor. Metode-metode ini digunakan
secara sporadis, antara lain karena
(1) kurangnya kecanggihan, dan
(2) tidak tersedianya perangkat lunak atau program analitis untuk mengotomatiskan
perbandingan.
Bahkan dengan adanya permasalahan ini, metode-metode ini memberikan dasar obyektif
untuk perbandingan ketika pendekatan konfirmatori tidak dilakukan. Munculnya analisis
faktor konfirmatori (CFA) melalui pemodelan persamaan struktural telah memberikan
pendekatan kedua yang memungkinkan perbandingan langsung. Pendekatan ini lebih rumit,
memerlukan perangkat lunak khusus dan dibahas secara lebih rinci di Bab 9 dan 10.
Stage 2
MENILAI STABILITAS STRUKTUR FAKTOR
Aspek lain dari kemampuan generalisasi adalah stabilitas hasil model faktor. Stabilitas faktor
terutama bergantung pada ukuran sampel dan jumlah kasus per variabel. Peneliti selalu
didorong untuk mendapatkan sampel sebanyak mungkin dan mengembangkan model pelit
untuk meningkatkan rasio kasus terhadap variabel. Jika ukuran sampel memungkinkan,
peneliti mungkin ingin membagi sampel secara acak menjadi dua subset dan memperkirakan
model faktor untuk setiap subset (lihat pembahasan di bagian sebelumnya). Perbandingan dua
matriks faktor yang dihasilkan akan memberikan penilaian terhadap ketahanan solusi di
seluruh sampel
Stage 3
MENDETEKSI PENGAMATAN YANG BERPENGARUH
Selain generalisasi, isu lain yang penting untuk validasi analisis faktor eksplorasi adalah
deteksi observasi yang berpengaruh. Pembahasan di Bab 2 tentang identifikasi outlier dan
Bab 5 tentang observasi yang berpengaruh dalam regresi, keduanya dapat diterapkan dalam
analisis faktor. Peneliti didorong untuk memperkirakan model dengan dan tanpa observasi
yang diidentifikasi sebagai outlier untuk menilai dampaknya terhadap hasil. Jika
penghilangan outlier dapat dibenarkan, maka hasilnya akan memiliki kemampuan
generalisasi yang lebih besar. Selain itu, seperti yang dibahas di Bab 5, beberapa ukuran
pengaruh yang mencerminkan posisi suatu observasi relatif terhadap observasi lainnya
(misalnya, rasio kovarians) juga dapat diterapkan pada analisis faktor. Akhirnya,
kompleksitas metode yang diusulkan untuk mengidentifikasi observasi berpengaruh khusus
untuk analisis faktor [14] membatasi penerapan metode ini.
Stage 7
Hingga saat ini dalam bab ini kita telah fokus pada proses peringkasan data, yang melibatkan
pemilihan model faktor yang akan digunakan, jumlah faktor yang dipertahankan, dan
kemungkinan proses interpretasi. Mungkin terdapat contoh di mana peringkasan data sudah
cukup dengan memberikan dasar empiris untuk menilai struktur variabel dan dampak struktur
ini ketika menafsirkan hasil dari teknik multivariat lainnya. Salah satu kegunaannya adalah
sebagai pemeriksaan awal terhadap data sebelum analisis faktor konfirmatori. Namun dalam
sebagian besar situasi lainnya, peneliti akan melakukan peringkasan data dan kemudian
melanjutkan ke reduksi data. Di sini tujuannya adalah untuk memperluas hasil faktor secara
umum dengan menciptakan variabel “pengganti” yang sesuai yang mewakili setiap faktor
untuk penerapan selanjutnya pada teknik statistik lainnya. Kedua opsi tersebut antara lain
sebagai berikut:
● Memilih variabel dengan pemuatan faktor tertinggi sebagai perwakilan pengganti untuk
dimensi faktor tertentu.
● Mengganti kumpulan variabel asli dengan kumpulan variabel baru yang lebih kecil yang
dibuat dari skala penjumlahan atau skor faktor. Pilihan mana pun akan menghasilkan variabel
baru untuk digunakan, misalnya, sebagai variabel bebas dalam analisis regresi atau
diskriminan, sebagai variabel terikat variabel dalam analisis varians multivariat, atau bahkan
sebagai variabel pengelompokan dalam analisis klaster. Kami membahas masing-masing opsi
untuk reduksi data di bagian berikut.
Stage 1
Pertama, hal ini memberikan cara untuk mengatasi sampai batas tertentu kesalahan
pengukuran yang melekat pada semua variabel yang diukur. Kesalahan pengukuran adalah
sejauh mana nilai yang diamati tidak mewakili nilai sebenarnya karena sejumlah alasan,
mulai dari kesalahan aktual (misalnya kesalahan entri data) hingga ketidakmampuan individu
untuk memberikan informasi secara akurat. Dampak dari kesalahan pengukuran adalah
menutupi sebagian hubungan apa pun (misalnya korelasi atau perbandingan rata-rata
kelompok) dan mempersulit estimasi model multivariat. Skala yang dijumlahkan mengurangi
kesalahan pengukuran dengan menggunakan beberapa indikator (variabel) untuk mengurangi
ketergantungan pada satu respons. Dengan menggunakan respon rata-rata atau tipikal
terhadap sekumpulan variabel terkait, kesalahan pengukuran yang mungkin terjadi dalam satu
pertanyaan akan berkurang.
Seringkali kita menggunakan lebih banyak variabel dalam model multivariat dalam upaya
untuk mewakili banyak aspek dari sebuah konsep yang kita tahu cukup kompleks. Namun
dengan melakukan hal tersebut, kami mempersulit penafsiran hasil karena adanya redundansi
pada item (yaitu, multikolinearitas) yang terkait dengan konsep tersebut. Oleh karena itu,
kami tidak hanya ingin mengakomodasi deskripsi konsep yang lebih kaya dengan
menggunakan banyak variabel, namun juga menjaga kehematan dalam jumlah variabel dalam
model multivariat kami. Skala yang diringkas, jika disusun dengan benar, akan
menggabungkan berbagai indikator menjadi satu ukuran yang mewakili kesamaan di antara
serangkaian ukuran tersebut.
Menghitung skala penjumlahan adalah proses langsung dimana item-item yang termasuk
dalam skala penjumlahan (yaitu, item-item dengan muatan tinggi dari analisis faktor)
dijumlahkan atau dirata-ratakan. Pendekatan yang paling umum adalah dengan mengambil
rata-rata item dalam skala, yang memberikan peneliti kendali penuh atas penghitungan dan
memfasilitasi kemudahan penggunaan dalam analisis selanjutnya. Setiap kali variabel
memiliki muatan positif dan negatif dalam faktor yang sama, nilai data variabel dengan
muatan positif atau negatif harus dibalik. Biasanya, variabel-variabel dengan muatan negatif
diberi skor terbalik sehingga korelasi dan muatannya kini semuanya positif dalam faktor
tersebut. Penilaian terbalik adalah proses di mana nilai data suatu variabel dibalik sehingga
korelasinya dengan variabel lain juga dibalik (yaitu, berubah dari negatif menjadi positif).
Misalnya, pada skala 0 hingga 10, kita akan membalik skor suatu variabel dengan
mengurangkan nilai asli dari 10 (yaitu membalikkan skor 5 10 2 dari nilai asli). Dengan cara
ini, skor awal 10 dan 0 sekarang memiliki skor terbalik 0 dan 10. Semua karakteristik
distribusi dipertahankan; hanya distribusinya yang dibalik. Tujuan dari penilaian terbalik
adalah untuk mencegah penghapusan variabel dengan muatan positif dan negatif. Mari kita
gunakan sebagai contoh dua variabel dengan korelasi negatif. Kami tertarik untuk
menggabungkan V1 dan V2, dengan V1 memiliki pembebanan positif dan V2 memiliki
pembebanan negatif. Jika 10 adalah skor tertinggi pada V1, skor tertinggi pada V2 adalah 0.
Sekarang asumsikan dua kasus. Pada kasus 1, V1 bernilai 10 dan V2 bernilai 0 (kasus
terbaik). Pada kasus kedua, V1 bernilai 0 dan V2 bernilai 10 (kasus terburuk). Jika V2 tidak
diberi skor terbalik, maka skor skala yang dihitung dengan menjumlahkan kedua variabel
untuk kasus 1 dan 2 adalah 10, tidak menunjukkan perbedaan, sedangkan kita tahu bahwa
kasus 1 adalah yang terbaik dan kasus 2 adalah yang terburuk. Namun, jika kita membalikkan
skor V2, situasinya berubah. Sekarang kasus 1 masing-masing memiliki nilai 10 dan 10 pada
V1 dan V2, dan kasus 2 memiliki nilai 0 dan 0. Skor skala yang dijumlahkan sekarang adalah
20 untuk kasus 1 dan 0 untuk kasus 2, yang membedakan keduanya sebagai yang terbaik dan
terburuk. Situasi
Stage 3
MENGHITUNG SKOR FAKTOR
Pilihan ketiga untuk membuat kumpulan variabel yang lebih kecil untuk menggantikan
kumpulan variabel asli adalah penghitungan skor faktor. Skor faktor juga merupakan ukuran
gabungan dari setiap faktor yang dihitung untuk setiap mata pelajaran. Secara konseptual,
skor faktor mewakili sejauh mana setiap individu mendapat skor tinggi pada kelompok item
dengan muatan faktor yang tinggi. Dengan demikian, nilai yang lebih tinggi pada variabel-
variabel yang memiliki muatan faktor yang tinggi akan menghasilkan skor faktor yang lebih
tinggi. Salah satu karakteristik utama yang membedakan skor faktor dari skala penjumlahan
adalah bahwa skor faktor dihitung berdasarkan pemuatan faktor seluruh variabel pada faktor
tersebut, sedangkan skala penjumlahan dihitung dengan menggabungkan hanya variabel-
variabel terpilih. Oleh karena itu, meskipun peneliti dapat mengkarakterisasi suatu faktor
berdasarkan variabel-variabel yang memiliki muatan tertinggi, pertimbangan juga harus
diberikan pada muatan variabel-variabel lain, meskipun lebih rendah, dan pengaruhnya
terhadap skor faktor.
Kebanyakan program statistik dapat dengan mudah menghitung skor faktor untuk setiap
responden. Dengan memilih opsi skor faktor, skor ini disimpan untuk digunakan dalam
analisis berikutnya. Salah satu kelemahan dari skor faktor adalah bahwa skor tersebut tidak
mudah direplikasi di seluruh studi karena skor tersebut didasarkan pada matriks faktor, yang
diturunkan secara terpisah dalam setiap studi. Namun, permasalahan ini telah banyak
berkurang dengan munculnya prosedur penilaian dalam penelitian. paket perangkat lunak
utama. Prosedur penilaian adalah proses yang menyimpan koefisien penilaian dari matriks
faktor dan kemudian memungkinkannya diterapkan pada kumpulan data baru. Dengan cara
ini, analisis faktor eksplorasi dapat direplikasi untuk menghasilkan skor faktor di sejumlah
kumpulan data, semuanya berdasarkan analisis asli. Difasilitasi oleh prosedur seperti PROC
SCORE di SAS dan prosedur serupa di SPSS dan paket lainnya, replikasi kini tersedia secara
luas dengan upaya minimal.