ANALISIS FAKTOR: (1) Exploratory Factor Analysis (EFA)

Analisis faktor adalah salah satu teknik statistik yang digunakan untuk mengidentifikasi sebuah struktur (atau faktor, atau dimensi) yang mendasari hubungan antar variabel teramati. Analisis faktor merupakan teknik statistik untuk mengubah korelasi antar variabel teramati menjadi sejumlah kecil faktor, yang mengandung semua informasi tentang hubungan linear antar pengukuran. Analisis faktor merupakan langkah statistik yang melibatkan hubungan antara variabel   terukur (measurement) dengan variabel latent.

Analisis faktor merupakan salah satu analisis statistik yang digunakan untuk memberikan deskripsi yang relatif sederhana dengan cara mereduksi jumlah peubah yang disebut faktor. Analisis faktor adalah prosedur untuk mengelompokkan beberapa item atau variabel berdasarkan kemiripannya, yang diindikasikan dengan nilai korelasi yang tinggi. Item-item yang memiliki nilai korelasi tinggi akan membentuk satu kerumunan faktor. Prinsip yang mendasari analisis faktor adalah peneyederhanaan deskripsi tentang data dengan mengurangi jumlah variabel/ dimensi.

 

Analisis faktor merupakan suatu metode statistik yang digunakan untuk menjelaskan variabilitas antar variabel teramati (variabel manifest) atau variabel-variabel berkorelasi dengan jumlah yang menggambarkan jumlah variabel tak teramati yang disebut faktor. Sebagai contoh, misalkan ada delapan variabel teramati yang menggambarkan variasi dua variabel tak teramati. Faktor analisis menelusuri variasi tersebut dalam merespon variabel tak teramati (variabel latent). Variabel teramati dimodelkan sebagai kombinasi linear dari factor ditambah dengan error. Informasi tentang interpendensi antar variabel teramati selanjutnya dapat digunakan untuk mengurangi sejumlah variabel. Analisis faktor awal digunakan untuk psikometrika dan digunakan dalam ilmu tingkah laku, dan bidang-bidang lain.    

EFA digunakan jika penelitian mencari sebuah struktur dari sebuah variabel, atau disebut metode reduksi data. EFA mampu menelusuri korelasi lebih berdasarkan data aktual daripada berdasarkan teori.

Tujuan EFA

Efa merupakan teknik analisis faktor:

1.      Untuk mengurangi jumlah variabel

2.      Untuk mendeteksi struktur hubungan antar variabel, untuk menggolongkan variabel.

Tahap-tahap EFA:

1.      Memilih variabel

   Ukuran sampel :

-                Tidak bisa kurang dari 50

-                 Lebih baik jika lebih dari 100

-                 Aturan umum: terdiri dari sekurang-kurangnya 5 kasus/variabel

2.      Menghitung korelasi antar variabel

3.      Ekstraksi (identifikasi dimensi)

4.      Rotasi dimensi

5.      Interpretasi  

Asumsi

-          Terjadi normalitas multivariat

-          Terjadi homokesdastisitas

-          Linearitas

-          Data bersifat kontinyu

Estimasi korelasi

Pemeriksaan visual : r > 0.30

Korelasi parsial dan matriks korelasi anti-image

Uji bartlet untuk sphericity

Ukuran kecukupan sampel atau (MSA)

< 0.50 : ditolak

> 0.60 : rendah

> 0.70 : sedang

> 0.80 : baik 

Principal Component vs. Common Factor

Principal Component 
Menggunakan varian total pada saat proses komputasi, selanjutnya menurunkan factor yang mengandung varian unik dan varian eror

Common Factor Analysis 
Hanya menggunakan varian bersama pada saat proses komputasi, menurunkan factor yang hanya mengandung varian bersama.

Principal Component Analysis:

-      Maksimalkan ekstraksi varian

-      Digunakan untuk mengidentifikasi komponen utama dari data

-      Komponen hasil identifikasi bukan merupakan variabel laten

-    Principal component = kombinasi linear variabel terukur yang mengandung informasi sebisa mungkin dari variabel asal

-      Digunakan jika pengetahuan awal menyatakan varian eror kecil

Common Factor Analysis

-      Digunakan untuk mengidentifikasi variabel laten
    Variabel laten = variabel yang memiliki nilai tetapi tidak dapat diamati/diukur secara langsung. Sifat variabel diperoleh secara tidak langsung dari nilai observasi, setelah mengeluarkan eror pengukuran.

Metode Ekstraksi

-   Principal Component : menggunakan varian item total untuk komputasi: banyak digunakan untuk tujuan reduksi data dan menghasilkan skor komposit untuk analisis berikutnya.

-     Maximum Likelihood

Ekstraksi varian maksimum; memungkinkan peneliti bisa mengolah sejumlah indeks kelayakan model (goodness of fit indices), untuk menguji signifikansi factor loading, dan untuk menghitung korelasi antar factor dan interval kepercayaan parameter. Metode ML mengasumsikan bahwa data mempunyai distribusi normal multivariate dan variabel bersifat kontinyu. Jika asumsi tersebut tidak terpenuhi akan estimasi menjadi bias.

-      Principal Axis Factoring (PAF)

Disebut “principal” axis factoring karena faktor pertama dianggap mempunyai banyak varian bersama, kemudian faktor kedua memiliki varian bersama terbanyak kedua, dan begitu pula untuk factor selanjutnya. PAF merupakan prosedur deskriptif sehingga sangfat baik digunakan jika hanya berfokus pada sampel anda dan anda tidak bisa digeneralisasi berdasarkan sampel. Salah satu kelebihan PAF adalah bisa digunakan jika asumsi normalitas tidak terpenuhi. Titik kelemahan PAF adalah rendahnya indeks kelayakan model dibandingkan dengan metode ML (Maximum Likelihood) dan tidak memungkinkan untuk melakukan komputasi level kepercayaan dan uji signifikansi.