Analisis faktor pada prinsipnya digunakan untuk mereduksi data, yaitu
proses untuk meringkas sejumlah variabel menjadi sedikit dan enamakannya sebagai faktor. Jadi, dapat saja dari 10 atribut tersebut dapat diringkas menjadi 3 faktor utama saja.(Santoso dan Tjiptono, 2001)
Proses analisis faktor mencoba menemukan hubungan (interrelationship)
antar sejumlah variabel-variabel yang saling independen satu dengan yang lain
sehingga bisa dibuat satu atau beberapa kumpulan variabel yang lebih sedikit dari jumlah variabel awal. (Santoso, 2002)
1. Penentuan Tujuan Analisis Faktor
Tujuan dari analisis faktor adalah sebagai berikut : (Santoso, 2002)
a. Data Summarization, yakni mengidentifikasi adanya hubungan antar
variabel dengan melakukan uji korelasi. Jika korelasi dilakukan antar
variabel (dalam pengertian SSPS adalah ”kolom”), analisis tersebut
dinamakan R Factor Analysis. Namun jika korelasi dilakukan antar
responden atau sampel (dalam pengertian SSPS adalah ”baris”), analisis
disebut Q Factor Analysis, yang juga populer disebut Cluster Analysis.
b. Data Reduction, yakni setelah melakukan korelasi, dilakukan proses
membuat sebuah variabel set baru yang dinamakan faktor untuk
menggantikan sejumlah variabel tertentu.
2. Penentuan Tipe dan Desain Analisis Faktor
Terdapat dua tipe analisis faktor, yaitu tipe R dan tipe Q. Tipe R
digunakan untuk mengekstrak variabel, sedangkan tipe Q dilakukan untuk
mengekstrak responden.
Desain Riset Analisis Faktor meliputi :
a. Pembuatan matriks korelasi
Matrik data mentah berukuran n x p (n objek dan p variabel) yang
berisi kuesioner diubah menjadi matrik korelasi. Dalam matrik korelasi,
variabel-variabel yang diukur mempunyai unit dan skala pengukuran yang
berbeda. Penggunaan matrik ini untuk menghilangkan perbedaan yang
diakibatkan oleh mean dan dispersi variabel.
b. Penetuan tipe dan jumlah variabel yang akan dianalisis
Variabel yang akan dipilih adalah variabel yang relevan dengan
penelitian yang dilakukan. Data mentah yang diperoleh merupakan hasil
pengukuran metrik. Dalam beberapa kasus, variabel dummy (berkode 0-1)
yang sekalipun dikategorikan nonmetrik, dapat digunakan. Jumlah
variabel pada setiap faktornya, diusahakan seminimal mungkin dengan
tetap mengandung sebanyak-banyaknya informasi yang dibutuhkan.
c. Penentuan jumlah sampel
Secara umum, jumlah sampel yang dianjurkan adalah 50-100
sampel (dalam pengertian SSPS adalah 50-100 baris). Atau bisa dengan
patokan rasio 10:1, dalam arti untuk satu variabel seharusnya ada 10
sampel. Dalam pengertian SSPS, hal ini berarti setiap 1 kolom yang ada
seharusnya terdapat 10 baris data sehingga jika ada 5 kolom, minimal
seharusnya ada 50 baris data. (Santoso, 2002)
3. Pengujian Asumsi
Sebelum masuk pada proses analisis faktor, terdapat asumsi-asumsi
dasar yang harus dipenuhi. Asumsi-asumsi yang harus dipenuhi untuk menilai
tepat atau tidaknya menggunakan analisis faktor tersebut adalah :
a. Asumsi korelasi yang meliputi
• Besar korelasi antar variable independent harus cukup kuat atau di atas
0,3.
• Besar korelasi parsial yaitu korelasi antar dua variabel dengan
menganggap tetap variabel lain, justru harus kecil atau mendekati nol.
• Uji hipotesis bahwa matriks korelasi adalah bukan matriks identitas,
dengan menggunakan Barlett’s Test of Sphericity. Nilai signifikasi
yang diperoleh Barlett’s Test of Sphericity harus lebih kecil dari 0,05
(sig < 0.05)
b. Asumsi ukuran kecukupan sampling yang diuji dengan Kaiser-Meyer-
Olkin (KMO) dan Measure of Sampling Adequency (MSA).
KMO merupakan indeks untuk membandingkan besarnya
koefisien korelasi amatan dengan koefisien parsial, yang berarti bahwa
besar koefisien korelasi keseluruhan variabel pada matriks korelasi harus
signifikan di antara paling sedikit beberapa variabel. Angka KMO
disyaratkan harus lebih dari 0.5.
Angka MSA diinterpretasikan dengan kriteria :
a. MSA = 1,0 = variabel tersebut dapat diprediksi tanpa kesalahan oleh
variabel lain.
b. MSA > 0,5 = variabel masih bisa diprediksi dan bisa dianalisis lebih
lanjut.
c. MSA ≤ 0,5 = variabel tidak bisa diprediksi dan tida bisa dianalisis
lebih lanjut atau harus dikeluarkan.
4. Pemilihan Metode Ekstraksi dan Penentuan Jumlah Faktor
Ekstraksi faktor bertujuan untuk menghasilkan sejumlah faktor dari
data yang ada. Terdapat dua pendekatan dalam mengekstraksi faktor, metode
Analisis Utama (Principal Component Analysis) dan metode Analisis Faktor
Umum (Common Factor Analysis). Dalam pemilihannya, perlu diketahui
lebih dahulu tipe-tipe variansi data. Total varians (total variance) terdiridari
tiga bagian, yaitu variansi umum (common variance), variansi unik atau
spesifik (specific variance), dan variansi error (error vaiance). Variansi umum
adalah variansi variabel yang dibagi dengan semua variabel yang ada.
Variansi spesifik adalah variansi yang dimiliki oleh variabel yang bersifat
reliabel secara spesifik dan tidak berhubungan dengan variabel lain.
Sedangkan variansi error adalah variansi yang berhubungan dengan ketidak
reliabel, yang terjadi dari proses pengumpulan data, error pengukuran dan
kesalahan acak.
Dalam menentukan jumlah faktor yang diinginkan sebagai hasil
ekstrak, terdapat beberapa kriteria, yaitu :
a. Kriteria Latent Root (Latent Root Criterion)
Hanya faktor-faktor yang memiliki latent root (eigenvalue) minimum 1
yang akan dipertahankan. Ini dapat berarti bahwa sebuah faktor dapat
dianggap sebagai faktor, bila paling sedikit dapat menjelaskan variansi
satu variabel atau setiap variabel menyumbangkan nilai satu pada total
eigenvalue. maka, hanya faktor dengan eigenvalue > 1 yang dianggap
signifikan.
b. Kriteria (Apriori Criterion)
Jumlah faktor ditentukan sendiri oleh peneliti karena peneliti sudah
mempunyai pengalaman sebelumnya tentang beberapa jumlah faktor.
Metode ini digunakan untuk menguji suatu teori yang sudah ada.
c. Kriteria presentase variansi (Percentage of Varience Criterion)
Presentase kumulatif total variansi tertentu diekstraksi dari factor-faktor
terpilih secara berurutan. Tujuannya untuk memastikan signifikansi
faktor-faktor terpilih. Dengan memastikannya terlebih dahulu diketahui
dengan pasti bahwa faktor-faktor tersebut dapat menjelaskan paling
sedikit sejumlah variansi.
d. Kriteria Scree Test ( Scree Test Criterion)
Meskipun semau faktor mengandung paling sedikit beberapa variansi
unik, tetapi pada dasarnya proporsi variansi unik dua factor (dan
sesudahnya) lebih besar dari faktor sebelumnya. Tujuannya untuk
mengidentifikasi jumlah maksimal faktor yang dapat diekstrak sebelum
sejumlah variansi unik mulai mendominasi struktur variansi umum. Pada
kurva latent root terhadap jumlah faktor, titik dimana kurva mulai
bergerak lurus merupakan indikasi jumlah faktor maksimum yang dapat
diekstrak.
e. Kriteria Responden (Heterogenity of Respondent)
Jika sampel heterogen pada paling sedikit satu bagian dari set variabel,
maka faktor pertama akan menjelaskan variabel-variabel tersebut secara
lebih homogen terhadap keseluruhan sampel.
5. Pemilihan Metode Rotasi dan Interpretasi Matrik Faktor
Jika faktor loading suatu variabel sama-sama cukup tinggi pada
beberapa faktor maka sulit untuk memutuskan ke faktor mana variabel
tersebut harus dimasukkan, sedangkan sasaran analisis faktor adalah agar
setiap variabel hanya masuk ke satu faktor saja. Untuk itu setelah ekstraksi,
faktor-faktor yang terbentuk perlu dirotasi. Tujuan rotasi adalah untuk
mengekstrimkan faktor loading variabel. Rotasi dilakukan dengan memutar
sumbu faktor, dari titik pusatnya menuju titik yang ingin dituju. Beberapa
metode rotasi, yaitu :
a. Orthogonal Rotation, dilakukan dengan cara merotasikan sumbu faktor
yang kedudukannya saling tegak lurus satu dengan lainnya, sehingga
setiap faktor saling bebas terhadap faktor lainnya karena sumbunya saling
tegak lurus. Rotasi Orthogonal masih dapat dibedakan menjadi :
1) Quartimax, dengan merotasi faktor awal hasil ekstraksi sehingga
diperoleh hasil rotasi dimana setiap variabel mempunyai faktor
loading yang tinggi di satu faktor dan sekecil mungkin pada faktor
lain.
2) Varimax (paling sering digunakan karena sering terbukti lebih baik
dalam menunjukkan perbedaan antar faktor ), dengan merotasi faktor
awal hasil ekstraksi sehingga diperoleh hasil rotasi dimana dalam
suatu kolom, nilai yang ada sebanyak mungkin mendekati nol. Ini
berarti, di dalam setaip faktor tercakup sesedikit mungkin variabel.
3) Equimax, mengkombinasi metode Quartimax dan Varimax.
b) Oblique Rotation, dilakukan dengan merotasikan sumbu faktor yang
kedudukannya saling membentuk sudut, dengan besar sudut rotasi
tertentu. Dalam hal ini, korelasi antara faktor masih diperhitungkan karena
sumbu faktor tidak saling tegak lurus satu dengan yang lainnya. Rotasi
Oblique masih dapat dibedakan menjadi :
1) Oblimax, merotasi faktor sehingga sejumlah faktor loading yang tinggi
dan rendah meningkat, dengan menurunkan faktor-faktor loading yang
berada dipertengahan.
2) Quartimin, meminimumkan jumlah produk pada struktur loading.
3) Covarimin, seperti varimax pada rotasi orthogonal, yaitu dengan
merotasi faktor awal hasil ekstraksi sehingga diperoleh nilai yang ada
dalam suatu kolom sebanyak mungkin mendekati nol.
4) Oblimin, mengkombinasi metode Quartimin dan Covarimin
Interpretasi matrik faktor dilakukan dengan mengelompokkan
variabel-variabel ke dalam faktor-faktor hasil. Dasar untuk memutuskan
apakah suatu variabel dimasukkan pada faktor 1, faktor 2, atau faktor lainnya
adalah faktor loadingnya. Sebelum dikelompokkan faktor loading harus
memenuhi kriteria signifikansi praktis dan signifikansi statistik. Kriteria
signifikansi praktis adalah faktor loading lebih besar dari 0.5, karena semakin
besar faktor loading semakin m udah menginterpretasikan faktor tersebut.
Kriteria signifikansi statistik dapat dilihat pada tabel 2.1, dibawah ini:
T
Langkah-langkah interpretasi matriks faktor, yaitu :
a. Memeriksa faktor loading terbesar untuk setiap variabel.
b. Mengidentifikasi faktor loading terbesar untuk setiap variabel.
c. Menggabungkan variabel ke dalam faktor. Apabila variabel dengan faktor
loading terbesar terjadi pada faktor 1, maka variabel tersebut digabungkan
ke dalam faktor 1.
d. Menghapus variabel apabila :
• Faktor loading variabel signifikansi pada beberapa faktor.
• Nilai komunalitas variabel lebih kecil dari 0.5.
e. Memberikan nama atau label pada faktor terbentuk yang mencerminkan
arti gabungan dari variabel-variabel penyusunnya.
6. Output Hasil Faktor sebagai Data mentah Analisis Multivariant lainnya
Hasil analisis faktor seringkali ditindak lanjuti pada analisis
multivariant lainnya, seperti regresi dan diskriminan. Yang akan digunakan
pada analisis lanjutan adalah faktor hasil ekstraksi yang bukan hanya
jumlahnya lebih sedikit dari variabel awal, tetapi sekaligus dapat berfungsi
sebagai variabel baru pada analisis lanjutan tersebut. Oleh karena itu,
sebelumnya faktor harus diberi nilai terlebih dahulu.
Terdapat tiga metode dalam menentukan nilai setiap faktor, yaitu :
a. Menggunakan satu variabel awal yang memeliki faktor loading terbesar
(disebut suggorate variable) untuk mewakili setiap faktor dalam analisis
lanjutan.
b. Menggunakan factor scores, untuk membuat satu atau beberapa variabel
yang lebih sedikit dan berfungsi untuk menggantikan variabel asli yang
sudah ada.
c. Menggunakan summated scales, dimana nilai setiap faktor adalah rata-rata
nilai semua variabel yang tergabung dalam faktor tersebut.
Tidak ada komentar:
Posting Komentar