Analisis Faktor Eksplorasi

Glenn David Paulus Maramis S.Kom., M.CompSc (19702261001)

Muhammad Nurtanto, S.Pd., M.Pd (19702261006)
TUJUAN PEMBELAJARAN
• Membedakan teknik analisis faktor dari teknik multivariat lainnya.
• Bedakan antara penggunaan eksplorasi dan konfirmasi dari teknik
analisis faktor.
• Memahami tujuh tahap penerapan analisis faktor.
• Bedakan antara analisis faktor R dan Q.
• Identifikasi perbedaan antara analisis komponen dan model analisis
faktor umum.
• Menjelaskan cara menentukan jumlah faktor untuk diekstraksi.
• Menjelaskan konsep rotasi faktor.
• Menjelaskan bagaimana cara menyebutkan faktor.
• Menjelaskan penggunaan tambahan dari analisis faktor.
• Menyebutkan batasan utama teknik analisis faktor.
Apa Analisis Faktor itu?
Sebuah teknik yang digunakan untuk mencari factor-factor yang
mampu menjelaskan hubungan atau korelasi antar berbagai
indicator independen yang diobservasi. Variabel merupakan
peran kunci/utama dalam analisis multivarian. Variabel adalah
blok pembangunan hubungan.
Istilah teknik multivariate dikarenakan memiliki banyak variable.
Dalam beberapa kasus diperlukan tindakan untuk mengatasi
masalah pengukuran multivariable, bahkan korelasi antar
variable. Ketika variable berkorelasi, peneliti memerlukan cara
analisis dengan mengelompokkan variable yang sangat
berkorelasi dengan memberikan label atau nama pada kelompok
tertentu bahkan menciptakan ukuran baru yang mewakili setiap
kelompok variable.
Contoh Analisis Faktor
Statistik Hipotetik
Riset kualitatif, sebuah perusahaan ritel mengidentifikasi 80
karakteristik toko ritel yang berbeda dan layanan mereka
terhadap konsumen yang mempengaruhi pilihan mereka.
Umumnya konsumen beranggapan bahwa tenaga penjualan
sebagai dimensi evaluative dengan memiliki banyak karakteristik
spesifik, seperti pengetahuan, kesopanannya, kepekaan,
keramahan, membantu, dan sebagainya. Untuk
mengidentifikasi maka dilakukan survai dengan meminta evaluasi
kepada konsumen masing-masing 80 item. Analisis factor akan
digunakan untuk mengidentifikasi dimensi evaluative yang
mendasarinya. Dimensi ini menjadi variable komposit spesifik
untuk ditafsirkan dan dijelaskan.
Dalam contoh ini dapat diidentifikasi dimesi seperti macam-
macam produk, kualitas produk, harga, personil took, layanan,
dan suasana toko sebagai dimensi evaluative. Masing-masing
dimensi berisi item spesifik.
Contoh penerapan analisis factor sederhana dapat diamati pada table di
atas yang mewakili matriks korelasi untuk Sembilan dimensi. Pertanyaan
yang muncul bagi peneliti adalah apakah semua variable terpisah atau
dikelompokkan dalam beberapa b idang evaluasi yang lebih umum?
Misalnya, Apakah semua variable produk dikelompokkan bersama?
Dimana tingkat harga yang cocok? Bagaimana fitur di dalam took (personil
took, layanan, dan suasana) berkorelasi satu sama lain?
Pengelompokan variable ditunjukkan pada table di atas. Beberapa variable unik muncul.
Pertama, empat variable yang semuanya terkait dengan pengalaman pembeli di dalam
took dikelompokkan bersama.
Tiga variable yang menggambarkan bermacam-macam produk dan kesediaan
dikelompokkan bersama.
Dua variable diantaranya tingkat kualitas produk dan harga dikelompokkan bersama
Dalam kasus ini dapat dikelompokkan menjadi tiga label yaitu pengalaman di dalam
took, penawaran produk, dan nilai
 PROSES KEPUTUSAN ANALISIS FAKTOR
Pembahasan analisis factor menggunakan paradigm model ENAM TAHAP.
Tiga tahap pertama pendekatan terstruktur untuk model multivariate (gambar
1) dan tiga tahap terakhir (gambar 2) ditambahkan tahap 7 di luar estimasi,
interpretasi dan validasi model factor yang membantu dalam memilih
variable pengganti, skor factor komputasi atau membuat skala terangkum
untuk digunakan dalam teknik multivarian lainnya.
 Source:
[1] . Gorsuch, R. L. 1983. Factor Analysis. Hillsdale, NJ: Lawrence Erlbaum
Associates.
[2] . Rummel, R. J. 1970. Applied Factor Analysis. Evanston, IL: Northwestern
University Press.

TAHAP 1: TUJUAN ANALISIS FAKTOR

Tujuan umum analisis factor adalah
menentukan cara meringkas informasi
yang terkandung dalam variable asli ke
dalam set yang lebih kecil dari factor baru
dengan menghilangkan informasi
minimum yaitu mencari dan menentukan
dimensi fundamental yang dianggap
mendasari variable asli [1], [2].
Tujuan analisis factor terbagi dalam 4 hal
yaitu: (1) menentukan unit analisis, (2)
meringkas data dan atau mengurangi
data, (3) pemilihan variable, dan (4)
menggunakan hasil analisis factor
dengan teknik multivariate lainnya.
 Menentukan Analisis
Definisi umum analisis factor hanya pada mengidentifikasi struktur diantara
serangkaian variable. Analisis factor sebenarnya model yang lebih umum
karena dapat mengidentifikasi struktur hubungan antara variable dengan
memeriksa korelasi antara variable atau korelasi antara responden.
(1) Jika tujuan penelitian untuk meringkas karakteristik analisis factor
diterapkan pada matriks korelasi variable. Ini yang disebut dengan
analisis factor (R) menganalisis serangkaian variable dan
mengidentifikasi dimensi laten (tidak mudah diamati).
(2) Jika didasarkan pada karakteristik dari masing-masing responden, ini
disebut analisis factor (Q), metode ini menggabungkan sejumlah orang
kedalam kelompok yang berbeda dalam populasi yang lebih besar.
 Meringkas Data atau Mengurangi Data
MERINGKAS DATA, konsep dasar yang terlibat dalam peringkasan data
adalah definisi terstruktur. Melalui struktur peneliti dapat melihat set variable
pada berbagai tingkatan generalisasi, mulai dari level paling detail (variable
individu) sampai level umum. Misalnya, saya berbelanja untuk special
“____”, saya biasanya mencari harga serendah mungkin ”___”, saya
berbelanja untuk tawar menawar ”___”, Merek nasional lebih berharga
daripada merek took ”___”. Secara kolektif variable ini dapat digunakan
untuk mengidentifikasi “Sadar Harga”atau “Pemburu Murah”.
Analisis factor sebagai tekni interdependensi dimana satu atau lebih variable
secara eksplisit dianggap sebagai kriteria (dependen) dan yang lainnya
adalah factor predictor (independen).
Tujuan dari peringkasan data mengidentifikasikan sejumlah factor kecil yang
cukup mewakili set variable asli.
 Meringkas Data atau Mengurangi Data

Secara gambaran analogi dengan teknik ketergantungan, masing-masing

variable asli yang dapat diamati adalah variable dependen yang merupakan
fungsi dari beberapa factor (dimensi) yang mendasar dan laten. Dengan
demikian setiap variable diprediksi oleh semua factor dan secara tidak
langsung oleh semua variable lainnya. Sebaliknya, kita dapat melihat setiap
factor (variat) sebagai variable dependen yang merupakan fungsi dari
seluruh set yang diamati. Hal ini menggambarkan perbedaan tujuan antara
teknik prediksi dan identifikasi struktur. Struktur didefinisikan oleh keterkaitan
antar variable yang memungkinkan untuk spesifikasi sejumlah dimensi
(factor) yang mewakili set variable asli.
 Meringkas Data atau Mengurangi Data

PENGURANGAN DATA, analisis factor juga digunakan untuk mencapai

reduksi data dengan (1) mengidentifikasi variable-variable representative
dari serangkain variable yang lebih besar untuk digunakan dalam analisis
multivariate berikutnya; (2) menciptakan variable yang bersifat baru, jauh
lebih kecil dalam angka untuk mengganti sebagian atau seluruh set variable
asli atau seluruhnya.
Berdasarkan dua kasus di atas, tujuan utamanya adalah mempertahankan
sifat dan karakter asli, tetapi mengurangi untuk menyederhanakan analisis
berikutnya.
 Pemilihan Variabel
Apakah dianalisis dengan mereduksi atau meringkas data? Perlu
dipertimbangkan dasar-dasar konspetual dari variable dan menggunakan
penilaian kesesuaian variable untuk analisis factor.
(a) Keduanya menggunakan analisis factor, peneliti secara implisit
menentukan dimensi potensial yang mengidentifikasi melalui karakter
dan sifat variable yang diajukan keanalisis factor. Mis, menilai dimensi
gambar took (jika tidak ada , analisis factor tidak dapat mengidentifikasi)
(b) Analisis factor akan selalu menghasilkan factor.
Penggunaan analisis faktor sebagai teknik perangkuman data didasarkan
pada memiliki dasar konseptual untuk setiap variabel yang dianalisis. Tetapi
bahkan jika digunakan semata-mata untuk reduksi data, analisis faktor
paling efisien ketika dimensi yang ditentukan secara konseptual dapat
diwakili oleh faktor turunan.
 Menggunakan Analisis Faktor dengan
Teknik Multivariat Lainnya
Analisis faktor memberi peneliti pemahaman yang jelas tentang variabel
mana yang dapat bertindak bersama-sama dan berapa banyak variabel
yang sebenarnya diharapkan memiliki dampak dalam analisis.
• Variabel yang ditentukan berkorelasi sangat tinggi dan anggota dari faktor
yang sama diharapkan memiliki profil perbedaan yang serupa di seluruh
kelompok dalam analisis multivariat varians atau dalam analisis diskriminan.
• Variabel yang sangat berkorelasi, seperti yang ada dalam satu faktor
tunggal, mempengaruhi prosedur bertahap dari regresi berganda dan
analisis diskriminan yang secara berurutan memasukkan variabel
berdasarkan peningkatan daya prediksi mereka terhadap variabel yang
sudah ada dalam model.
TAHAP 2: MERANCANG ANALISIS FAKTOR

Melibatkan tiga keputusan yaitu:

(1) Perhitungan data input (matriks
korelasi) untuk menentukan tujuan
tertentu dari pengelompokan variable
atau responden;
(2) Desain penelitian dalam jumlah
variable, sifat pengukuran variable,
dan jenis variable yang diijinkan;
(3) Ukuran sampel yang diperlukan baik
secara absolut maupun sebagai
fungsi dari jumlah variable dalam
analisis.
 Korelasi Antar Variabel atau Responden

Keputusan pertama dalam desain analisis factor berfokus pada perhitungan

input data untuk analisis. Analisis factor R menggunakan matriks korelasi
antar variable sebagai input. Analisis factor Q menggunakan matriks korelasi
antar responden individu. Dalam nalisis factor tipe (Q) hasilnya akan menjadi
matriks factor yang akan mengidentifikasi individu yang serupa. Misalnya,
masing-masing resp diidentifikasi dengan angka, pola factor yang dihasilkan
dapat memberitahu bahwa, individu 1, 5, 6, dan 7 adalah serupa. Demikian
pula, responden 2, 3, 4 dan 8 mungkin akan memuat bersama pada factor
lain dan kami menyebut individu ini serupa. Intinya adalah mengelompokkan
pola yang sama.
Korelasi Antar Variabel atau Responden
Empat resp. dalam tiga variable
yang berbeda. Analisis F (Q)
menghasilkan dua kelompok
dengan struktur kovarian serupa
yaitu (A dan C) versus (B dan D).
Sebaliknya pendekatan
pengelompokan terhadap jarak
actual antara skor resp. akan
mengarah pada pengelompokan
pasangan terdekat. Dengan
demikian pendekatan anlisis kluster
(Resp. A dan B akan ditempatkan
menjadi 1 kelompok) dan (Resp. C
dan D dikelompok lain)
Pemilihan dan Pengukuran Variabel

Dua pertanyaan spesifik yang harus dijawab:

(1) Jenis variable apa yang dapat digunakan dalam analisis factor?
(2) Berapa banyak variable yang harus dimasukkan?

Persyaratan utama memasukkan variable adalah bahwa nilai korelasi

dapat dihitung diantara semua variable.
Variabel metriks mudah diukur oleh beberapa jenis korelasi. Namun
variable nonmetric lebih bermasalah karena tidak dapat menggunakan
jenis tindakan korelasi yang sama. Artinya untuk kemudahan dihindari
variable nonmetric. Jika nonmetric terpaksa dimasukkan maka dalah satu
alternative dengan mendefinisikan variable dummy (kode 0-1) sebagai
perwakilan kategori. Jika semua variable dummy dapat menggunakan
analisis factor Boolean [3] ini lebih tepat.
Peneliti juga berusaha meminimalkan jumlah variable yang dimasukkan
tetapi mempertahankan jumlah variable yang masuk akal per-faktor. Lima
atau lebih mewakili setiap faktor yang diusulkan. Kekuatan analisisnya
adalah menemukan pola di antara kelompok-kelompok variable (ini lebih
berguna pada variable tunggal). Akhirnya ketika merancang penelitian
untuk dianalsis faktor, peneliti harus mengidentifikasi variable kunci atau
penanda yang mencerminkan faktor yang dihipotesiskan.
Source:
[3] BMDP Statistical Software, Inc. 1992. BMDP Statistical Software Manual, Release 7, vols. 1
and 2. Los Angeles: BMDP Statistical Software.
UKURAN SAMPEL

Sampel kurang dari 50 observer tidak akan dilakukan analisis faktor, dan
sebaiknya ukuran sampel harus 100 atau lebih besar. Sebagai aturan
umum, minimal setidaknya sebanyak 5 observer dari pada jumlah variable
yang akan dianalisis dan ukuran sampel yang lebih dapat diterima dengan
rasio 10:1. beberapa peneliti bahkan mengusulkan 20:1 untuk setiap
variable. Peneliti harus berusaha untuk mendapatkan rasio kasus per-
variable tertinggi untuk meminimalkan peluang overfitting data (mis.,
Memperoleh faktor-faktor yang spesifik sampel dengan sedikit
generalisasi)
TAHAP 3: ASUMSI DALAM ANALISIS FAKTOR

Asumsi kritis yang mendasari analisis

faktor lebih konseptual daripada statistik.
Peneliti selalu peduli dengan pemenuhan
persyaratan statistik untuk teknik
multivarian apa pun, tetapi dalam analisis
faktor, perhatian utama berpusat pada
karakter dan komposisi variabel yang
dimasukkan dalam analisis serta kualitas
statistiknya.
 Masalah Konseptual
Asumsi dasar analisis faktor adalah bahwa beberapa struktur yang mendasarinya
ada dalam set variabel yang dipilih. Kehadiran variabel berkorelasi dan definisi
faktor selanjutnya tidak menjamin relevansi, bahkan jika mereka memenuhi
persyaratan statistik. Adalah tanggung jawab peneliti untuk memastikan bahwa
pola-pola yang diamati secara konseptual valid dan sesuai untuk dipelajari dengan
analisis faktor, karena teknik ini tidak memiliki sarana untuk menentukan
kesesuaian selain korelasi antar variable. Mis, mencampur variabel dependen dan
independen dalam analisis faktor tunggal dan kemudian menggunakan faktor
turunan untuk mendukung hubungan ketergantungan tidak tepat.
Peneliti juga harus memastikan bahwa sampel itu homogen sehubungan dengan
struktur faktor yang mendasari. Tidak tepat untuk menerapkan analisis faktor pada
sampel pria dan wanita untuk satu set item yang diketahui berbeda karena jenis
kelamin. Jadi, setiap kali kelompok yang berbeda diharapkan dalam sampel,
analisis faktor terpisah harus dilakukan, dan hasilnya harus dibandingkan untuk
mengidentifikasi perbedaan yang tidak tercermin dalam hasil sampel gabungan.
 Masalah Statistik
Sudut pandang statistic, penyimpangan dari uji normalitas, uji homokedastis
(eror), uji linieritas hanya berlaku sejauh mana mengurangi korelasi yang
diamati. Hanya uji normalitas jika analisis statistic diterapkan pada
signifikansi faktor, tetapi jarang digunakan. Beberapa tingkat uji
homoledastis diinginkan karena untuk mengidentifikasi set variable yang
terkait.
Asumsi yang Harus Dipenuhi
(1) Jika inspeksi visual tidak mengungkapkan jumlah korelasi substansial lebih
besar dari 0,30 maka analisis faktor tidak sesuai. Korelasi antar variable
dapat dianlisis dengan menghitung korlasi parsial (korelasi yang tidak dapat
dijelaskan ketika efek variable lain diperhitungkan). Aturan umumnya
mempertimbangkan korelasi antar independen variable di atas 0.5
(2) Korelasi Parsial. Besar korelasi parsial, korelasi antar dua variabel dengan
menganggap tetap variabel yang lain, justru harus kecil. Pada SPSS deteksi
terhadap korelasi parsial diberikan lewat pilihan Anti-Image Correlation.
(3) Pengujian seluruh matriks korelasi (korelasi antar variabel), yang diukur
dengan besaran Bartlett Test of Sphericity atau Measure Sampling
Adequacy (MSA). Pengujian ini mengharuskan adanya korelasi yang
signifikan di antara paling sedikit beberapa variabel.
(4) Pada beberapa kasus, asumsi Normalitas dari variabel-variabel atau faktor
yang terjadi sebaiknya dipenuhi.
Uji Determinant of Correlation Matrix

Matrik korelasi dikatakan antar variabel saling terkait apabila determinan

bernilai mendekati nilai 0 dengan asumsi saling terkait antar variabel
 Kaiser Meyer Olkin Measure of Sampling

Indek perbandingan jarak antara koefisien korelasi dengan koefisien

korelasi parsialnya. Jika jumlah kuadrat koefisen korelasi parsial di
antara seluruh pasangan variabel bernilai kecil jika dibandingkan dengan
jumlah kuadrat koefisien korelasi, maka akan menghasilkan nilai KMO
mendekati 1. Nilai KMO dianggap mencukupi jika lebih dari 0,5.
 Measures of Sampling Adequacy (MSA)

Nilai MSA ditunujkkan pada baris Anti Image Correlation dengan tanda “a”. Misal X1
nilai MSA = 0,513 dimana > 0,5 maka X1 memenuhi syarat MSA, sedangkan MSA X2 =
0,450 < 0,5 maka X2 tidak memenuhi syarat MSA. Dari 9 variabel, hanya X2 dengan
MSA < 0,5, maka X2 dikeluarkan dari pengujian.
Asumsi yang Harus Dipenuhi
(1) Jika inspeksi visual tidak mengungkapkan jumlah korelasi substansial lebih
besar dari 0,30 maka analisis faktor tidak sesuai. Korelasi antar variable
dapat dianlisis dengan menghitung korlasi parsial (korelasi yang tidak dapat
dijelaskan ketika efek variable lain diperhitungkan). Aturan umumnya
mempertimbangkan korelasi antar independen variable di atas 0.5.
(2) Korelasi Parsial. Besar korelasi parsial, korelasi antar dua variabel dengan
menganggap tetap variabel yang lain, justru harus kecil. Pada SPSS deteksi
terhadap korelasi parsial diberikan lewat pilihan Anti-Image Correlation.
(3) Pengujian seluruh matriks korelasi (korelasi antar variabel), yang diukur
dengan besaran Bartlett Test of Sphericity atau Measure Sampling
Adequacy (MSA). Pengujian ini mengharuskan adanya korelasi yang
signifikan di antara paling sedikit beberapa variabel.
(4) Pada beberapa kasus, asumsi Normalitas dari variabel-variabel atau faktor
yang terjadi sebaiknya dipenuhi.
 TAHAP 4: MENURUNKAN FAKTOR DAN
MENILAI FIT KESELURUHAN

Setelah variable ditentukan dan matriks

korelasi disiapkan, peneliti siap untuk
menerapkan analisis faktor untuk
mengidentifikasi struktur hubungan. Dalam
hal ini keputusan dibuat mengenai
(1) metode penggalian analisis faktor
(2) Jumlah faktor yang dipilih untuk
mewakili struktur yang mendasari data
Memilih Metode Ekstraksi Faktor

Peneliti dapat menggunakan dua metode yang sama untuk

mendefinisikan faktor-faktor untuk mewakili struktur variable dalam
analisis.
MEMBUAT VARIASI VARIABEL, peneliti harus paham tentang varians
untuk variable dan bagaimana mempartisinya. Pertama ingat bahwa
varians adalah nilai (kuadran dari deviasi standar) yang mewakili jumlah
total untuk variable tunggal tentang rata-rata. Ketika suatu variable
berkorelasi dengan variable lainnya disebut berbagi varians dengan
variable lain dan jumlah pembagi antaranya hanya dua variable. Misal
dua buah variable memiliki korelaso 0.50 masing-masing variable berbagi
25 persen (0.50) variansnya dengan variable lainnya.
Ada berbagai pengertian atau komponen yang penting dalam analisa faktor, antara
lain, unity atau total variance, common variance, specific variance dan error variance [4].
1) Unity atau total variance merupakan suatu ubahan yang terdiri dari tiga variance
yaitu; common, specific dan error. Proporsi besarnya unity atau variance total ini adalah
1,00. Gabungan antara common variance dan specific variance akan merupakan
suatu nilai yang biasanya diindikasikan sebagai koefisien keandalan (reliabilitas)
2) Common variance atau komunalitas merupakan bagian dari reliable variance yang
berhubungan dengan variabel lain. Komunalitas merupakan jumlah kuadrat
dari common variance dan dilambangkan dengan simbol h² (Fruchter, 1954). Menurut
Suryabrata (1982) komunalitas menunjukkan proporsi varians variabel tertentu yang
diterangkan oleh faktor-faktor. Semakin tinggi h², berarti variabel-variabel tersebut makin
mempunyai kesamaan faktor.
3) Specific variance merupakan bagian dari reliable variance yang tidak berhubungan
dengan variabel lain.
4) Error variance merupakan hasil dari kesalahan-kesalahan sampling, pengukuran,
kondisi tes yang tidak standar, pengaruh fisiologi atau pengaruh lain dalam diri individu
yang membuat tidak reliabel.
Source:
[4] Fruchter,B.1954. Introduction to Factor Analysis. New Tork : D.van Nostrand Company,Ltd.
ANALISIS FAKTOR UMUM VERSUS ANALISIS KOMPONEN
Peneliti siap mengatasi perbedaan dua metode, yang dikenal sebagai analisis faktor umum
dan analisis komponen. Pemilihan satu metode di atas yang lain didasarkan pada dua
kriteria: (1) tujuan analisis faktor dan (2) jumlah pengetahuan sebelumnya tentang varians
dalam variabel.
a) Analisis komponen digunakan ketika tujuannya adalah untuk meringkas sebagian besar
informasi asli (varians) dalam jumlah minimum faktor untuk tujuan prediksi.
b) Analisis faktor umum digunakan terutama untuk mengidentifikasi faktor atau dimensi
yang mendasari yang mencerminkan kesamaan variabel.
Bagaimana cara peneliti memilih antara dua metode?
Pertama, model analisis faktor umum dan komponen keduanya digunakan secara
luas. Sebagai masalah praktis, model komponen adalah metode standar tipikal dari
sebagian besar program statistik ketika melakukan analisis faktor. Di luar standar
program, contoh berbeda menunjukkan yang mana dari dua metode yang paling tepat:
• Pengurangan data merupakan perhatian utama, dengan fokus pada jumlah minimum
faktor yang diperlukan untuk memperhitungkan porsi maksimum dari total varian yang
diwakili dalam rangkaian variabel asli, dan
• Pengetahuan sebelumnya menunjukkan bahwa varian spesifik dan kesalahan
mewakili proporsi yang relatif kecil dari total varian.
Cliff [5] menjadi ciri perselisihan antara kedua belah pihak sebagai
berikut:
Beberapa pihak berwenang bersikeras bahwa analisis komponen
adalah satu-satunya pendekatan yang sesuai, dan bahwa metode
faktor umum hanya menumpuk banyak omong kosong, berurusan
dengan hal-hal yang pada dasarnya tidak terukur, faktor umum.
Common-factorists militan bersikeras bahwa analisis komponen
yang terbaik adalah analisis faktor umum dengan beberapa
kesalahan ditambahkan dan paling buruk yang tidak dapat dikenali
dari hal-hal dari mana tidak ada yang dapat ditentukan. Beberapa
bahkan bersikeras bahwa istilah "analisis faktor" tidak boleh
digunakan ketika analisis komponen dilakukan.
Source:
[5] Cliff, N. 1987. Analyzing Multivariate Data. San Diego: Harcourt Brace Jovanovich.
 Perdebatan tentang model faktor mana yang lebih tepat [6, 7, 8, 9],
penelitian empiris menunjukkan hasil yang sama dalam banyak
kasus [10].
Dalam sebagian besar aplikasi, baik analisis komponen dan analisis
faktor umum sampai pada hasil yang pada dasarnya identik jika
jumlah variabel melebihi 30 [11] atau komunalitas melebihi 0,60 untuk
sebagian besar variabel.
Jika peneliti tidak yakin (memprihatinkan) dengan asumsi analisis
komponen, maka analisis faktor umum juga harus diterapkan untuk
menilai keterwakilan strukturnya.
komunalitas adalah jumlah variansi yang dimiliki suatu variabel bersama
variabel lainnya
Source:
[6] Borgatta, E. F., K. Kercher, and D. E. Stull. 1986. A Cautionary Note on the Use of Principal Components Analysis. Sociological Methods and Research 15: 160–68
[7] Gorsuch, R. L. 1990. Common Factor Analysis Versus Component Analysis: Some Well and Little Known Facts. Multivariate Behavioral Research 25: 33–39.
[8] Mulaik, S. A. 1990. Blurring the Distinction Between Component Analysis and Common Factor Analysis. Multivariate Behavioral Research 25: 53–59.
[9] Snook, S. C., and R. L. Gorsuch. 1989. Principal Component Analysis Versus Common Factor Analysis: A Monte Carlo Study. Psychological Bulletin 106: 148–54.
[10] Velicer, W. F., and D. N. Jackson. 1990. Component Analysis Versus Common Factor Analysis: Some Issues in Selecting an Appropriate Procedure. Multivariate
Behavioral Research 25: 1–28.
[11] Gorsuch, R. L. 1983. Factor Analysis. Hillsdale, NJ: Lawrence Erlbaum Associates.

KRITERIA JUMLAH FAKTOR YANG DIEKSTRASI
Add: HETEROGENEITAS RESPONDEN
Varians bersama antar variabel adalah dasar
untuk model faktor umum dan komponen.
Alasan untuk kriteria root laten adalah
1 bahwa setiap faktor individu harus
menjelaskan varians setidaknya satu
variabel tunggal jika harus
dipertahankan untuk interpretasi.
Dengan analisis komponen, masing-
masing variabel memberikan nilai 1
terhadap nilai eigen total. hanya faktor-
faktor yang memiliki akar laten atau
nilai eigen lebih besar dari 1 yang
dianggap signifikan;
2 Tes scree digunakan untuk
mengidentifikasi jumlah faktor optimal
yang dapat diekstraksi sebelum jumlah
varians unik mulai mendominasi struktur
varians umum [12]. Dengan, uji scree
menghasilkan setidaknya satu dan
kadang-kadang dua atau tiga faktor
lebih dipertimbangkan untuk
dimasukkan daripada kriteria akar laten
Source:
[12] Cattell, R. B. 1966. The Scree Test for the Number of Factors.
Multivariate Behavioral Research 1 (April): 245–76.
 TAHAP 5: INTERPRETASI 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. [13]

3 Tahap untuk menginterpretasi Faktor :

1. Estimasi Matrix Faktor.

2. Rotasi Faktor
3. Interpretasi Faktor dan Respesifikasi

SOURCE
[13] https://www.statistikian.com/2014/03/analisis-
faktor.html/amp
 ROTASI FAKTOR
Faktor terpending dalam Interpretasi Faktor adalah Rotasi
Faktor. Rotasi Faktor dilakukan untuk menentukan
pengelompokkan sebuah variable. Rotasi Faktor dapat
dilakukan dengan 2 metode :

1. Orthogonal Factor Rotation

2. Oblique Factor Rotation

Metode Rotasi Faktor :

Orthogonal Rotation, yakni memutar sumbu 900.

Oblique Rotation, yakni memutar sumbu ke

kanan, namun tidak harus 900

SOURCE
[13] https://www.statistikian.com/2014/03/analisis-
faktor.html/amp
Orthogonal Factor Rotation
Oblique Factor Rotation
 TAHAP 6: VALIDASI FAKTOR ANALISIS
Validasi faktor dimaksudkan untuk mengetahui
apakah hasil analisis factor tersebut bisa
digeneralisasikan ke populasi [14].
Validasi bisa dilakukan dengan berbagai cara,
seperti:
o Membagi sampel awal menjadi dua bagian,
kemudian membandingkan hasil faktor
sampel satu dengan sampel dua. Jika hasil
tidak banyak perbedaan, bisa dikatakan faktor
yang terbentuk telah valid
o Dengan melakukan metode Confirmatory
Factor Analysis (CFA) dengan cara Structural
Equation Modelling. Proses ini bisa dibantu
dengan software khusus seperti LISREL.

SOURCE
[14] https://exponensial.wordpress.com/2010/11/30/
analisis-faktor/
Thanks