Tutorial : Tahapan-tahapan Analisis Faktor Eksploratori

Pengertian Analisis Faktor

Analisis Faktor merupakan salah satu teknik analisis dalam statistika yang membahas tentang pengelompokan variabel-variabel dalam sebuah data yang mempunyai hubungan satu sama lain. Tujuan dari analisis faktor adalah mereduksi faktor-faktor yang mempengaruhi suatu variabel. Analisis faktor dibedakan menjadi 2 yaitu analisis faktor eksploratori dan konfirmatori.

Analisis faktor eksploratori bertujuan untuk mengeksplorasi indikator-indikator yang ada untuk keperluan pengelompokan indikator/variabel baru. Dalam prakteknya analisis faktor eksploratori sering digunakan sebagai analisis awal untuk digunakan pada analisis lanjutan lainnya seperti uji t,uji F, ANOVA maupun analisis regresi.

Analisis faktor konfirmatori bertujuan untuk menganalisis variabel-variabel yang diduga memiliki keterkaitan antara satu dengan yang lain. Dalam prosesnya, pembentukan faktor yang akan dianalisis berdasarkan teori atau konsep yang sudah ada.

Perbedaan Analisis Faktor Eksploratori dan Konfirmatori

Berdasarkan dua penjelasakan diatas, dapat disimpulkan bahwa analisis faktor eksploratori dan konfirmatori merupakan dua jenis analisis faktor yang memiliki tujuan berbeda. Secara umum analisis faktor eksploratori dilakukan untuk mengelompokan indikator/variabel baru yang belum dibahas sebelumnya. Sedangkan analisis faktor konfirmatori dilakukan untuk menguji sebuah konsep atau teori tentang keterkaitan/pengelompokan variabel-variabel secara teoritis.

Pada artikel ini akan secara khusus membahas tahapan-tahapan dalam melakukan analisis faktor eksploratori. Untuk lebih jelasnya perhatikan contoh berikut:

Kasus / Permasalahan

Setelah proses seleksi CPNS 2019 usai, sebuah lembaga survey ingin melakukan penelitian yang bertujuan untuk mengetahui pemetaan karakteristik peserta CPNS yang lolos pada tahap akhir. Terdapat beberapa variabel yang akan diukur menggunakan kuisioner dengan ketentuan sebagai berikut:
- X1 = Alasan / Motivasi menjadi CPNS (1 : sangat tidak termotivasi - 5 : sangat termotivasi)
- X2 = Pendidikan Responden (1 : SMA, 2 : S1, 3 : S2 dan di atasnya)
- X3 = Pendidikan Orang Tua (1 : SD, 2 : SMP, 3 : SMA, 4 : S1 dan di atasnya)
- X4 = Pekerjaan Orang Tua (1 : Petani, 2 : Swasta, 3 : Niaga, 4: PNS, 5 : lainnya)
- X5 = Dukungan Orang Tua (1 : tidak mendukung, 2 : sangat mendukung)
- X6 = Faktor Ketersediaan Formasi (1 : Tidak, 2 : Ya)
Data yang telah dikumpulkan kemudian dirangkup menjadi tabel berikut:Responden yang berpartisipasi dalam survey tersebutberjumlah 25 orang. Selesaikan permasalahan tersebut menggunakan Analisis Faktor Eksploratori dengan tingkat kesalahan alpha 5%.

Penyelesaian

Berdasarkan permasalahan di atas, Analisis Faktor Eksploratori dapat digunakan untuk menyelesaikannya dengan tahapan yang dijelaskan di bawah ini. Sebelum melakukan analisis, data pada artikel ini dapat di download pada menu Data Contoh atau klik link berikut :
Data Contoh Analisis Faktor Eksploratori

1. Buka lembar kerja dan masukan data
2. Klik Analyze- Dimension Reduction - Factor
3. Masukan semua variabel ke dalam kotak dialog Variables
4. Pada kotak Descriptives ceklis pilihan berikut kemudian klik Continue
5. Pada kotak Extraction ceklis pilihan berikut kemudian klik Continue
6. Pada kotak Rotation ceklis pilihan berikut kemudian klik Continue
7. Kemudian klik OK


Interpretasi Hasil

Dalam proses Intrepretasi Hasil banyak teori-teori yang akan digunakan. Teori-teori tersebut dapat diperoleh dari buku-buku statistika khususnya Statistika Multivariat.

1. Asumsi

Dalam analisis faktor, terdapat asumsi atau syarat yang harus dipenuhi. Asumsi-asumsi tersebut dijelaskan sebagai berikut :

- Uji Normalitas Multivariat

Uji Normalitas Multivariat bertujuan untuk menguji data secara bersama-sama apakah mengikuti sebaran distribusi normal multivariat. Uji normalitas multivariat sangat berbeda dengan uji normalitas univariat atau yang sering digunakan pada analisis statistik lainnya. Tahapan uji normalitas multivariat akan dibahas pada artikel selanjutnya.

- KMO and Bartlett's Test

Pada artikel ini digunakan nilai (Kaiser Meyer Olkin Measure of Sampling Adequacy) KMO MSA untuk mengukur korelasi antar variabel. Nilai KMO dapat dilihat pada tabel berikut:
Proses analisis faktor dapat dilanjutkan jika nilai (Kaiser Meyer Olkin Measure of Sampling Adequacy) KMO MSA lebih besar dari 0,5. Dari hasil yang diperoleh, didapatkan nilai KMO MSA sebesar 0,762. Oleh karena itu, proses analisis faktor pada penelitian ini dapat dilakukan.

- Anti-image Correlation

Untuk mengetahui korelasi parsial, digunakan informasi dari Anti-image Correlation. Nilai Anti-image Correlation dapat diperoleh dari tabel Anti-image Matrices berikut:

Pada tabel Anti-image Correlation perhatikan nilai dengan tanda "a". Nilai ini adalah nilai MSA untuk masing-masing variabel. Proses analisis faktor dapat dilanjutkan jika nilai MSA masing-masing variabel lebih besar dari 0,5. Dari hasil yang diperoleh, didapatkan nilai MSA untuk setiap variabel lebih dari 0,5. Oleh karena itu, proses analisis faktor pada penelitian ini dapat dilakukan.
Catatan :Jika pada proses ini terdapat nilai MSA Variabel yang kurang dari 0,5. Maka silahkan ULANGI tahapan analisis dari awal dengan cara tidak memasukan variabel yang nilai MSA nya kurang dari 0,5. Ulangi tahap ini sampai semua nilai MSA Variabel lebih dari 0,5.

- Nilai Komunalitas

Nilai komunalitas adalah nilai yang mencerminkan seberapa besar kontribusi sebuah variabel dalam membentuk faktor baru yang terbentuk. Nilai ini dapat diperoleh dari tabel Communalities berikut:
Berdasarkan hasil yang diperoleh, diketahui bahwa nilai Communalities untuk semua variabel adalah lebih dari 0,5 bahkan mendekati 1. Hal ini menunjukan bahwa semua variabel berkontribusi besar dalam membangun faktor-faktor baru yang akan terbentuk.

2. Hasil

Setelah asumsi/syarat terpenuhi, selanjutnya adalah melakukan interpretasi hasil analisis faktor. Berikut komponen-komponenya.

- Faktor yang Terbentuk

Informasi tentang faktor yang terbentuk dapat diperoleh dari tabel Total Variance Explained.
Berdasarkan tabel Total Variance Explained diketahui bahwa terdapat 2 nilai eigen yang lebih dari 1 yaitu Component 1 = 3,708 dan Component 2 = 1,465. Dari informasi tersebut dapat disimpulkan bahwa, terdapat 2 faktor yang terbentuk.

- Komponen dalam Faktor

Setelah mengetahui berapa faktor yang akan terbentuk, tahap selanjutnya adalah memastikan anggota yang masuk dalam faktor-faktor tersebut. Informasi ini dapat diperoleh dari tabel Component Matrix dan Rotated Component Matrix.
Berdasarkan tabel Rotated Component Matrix, dapat disimpulkan bahwa :

- X1 (Alasan/Motivasi) : korelasi terbesar dengan faktor 1 sebesar 0,868.
Jadi, variabel X1 (Alasan/Motivasi) masuk ke faktor 1.

- X2 (Pendidikan Responden) : korelasi terbesar dengan faktor 2 sebesar 0,797.
Jadi, variabel X2 (Pendidikan Responden) masuk ke faktor 2.

- X3 (Pendidikan Orang Tua) : korelasi terbesar dengan faktor 2 sebesar 0,927.
Jadi, variabel X3 (Pendidikan Orang Tua) masuk ke faktor 2.

- X4 (Pekerjaan Orang Tua) : korelasi terbesar dengan faktor 1 sebesar 0,931.
Jadi, variabel  X4 (Pekerjaan Orang Tua) masuk ke faktor 1.

- X5 (Dukungan Orang Tua) : korelasi terbesar dengan faktor 1 sebesar 0,958.
Jadi, variabel X5 (Dukungan Orang Tua) masuk ke faktor 1.

- X6 (Ketersediaan Formasi) : korelasi terbesar dengan faktor 1 sebesar -0,870.
Jadi, variabel X6 (Ketersediaan Formasi) masuk ke faktor 1.


Berdasarkan analisis komponen yang telah dilakukan, dapat disimpulkan bahwa terdapat 2 komponen/faktor yang terbentuk yaitu :

1. Komponen/Faktor 1 terdiri dari variabel Alasan/Motivasi, Pekerjaan Orang Tua, Dukungan Orang Tua dan Ketersediaan Formasi yang selanjutnya akan diklasifikasikan ke dalam variabel baru dengan nama Variabel Lingkungan.

2. Komponen/Faktor 2 terdiri dari variabel Pendidikan Responden dan Pendidikan Orang Tua yang selanjutnya akan diklasifikasikan ke dalam variabel baru dengan nama Variabel Pendidikan.

Catatan :Pengklasifikasian variabel baru atau pemberian nama variabel baru dilakukan dengan cara judgetment. Hal ini dikarenakan, proses pengklasifikasian variabel baru atau pemberian nama variabel baru adalah bersifat subjektif dan tentunya disesuaikan dengan teori yang ada.


- Component Transformation

Informasi terakhir adalah Component Transformation dengan output sebagai berikut:
Berdasarkan output diketahui bahwa nilai korelasi Component 1 dan Component 2 adalah sebesar 0,931. Maka kedua komponen/faktor yang terbentuk telah mampu merangkum keenam variabel yang diamati karena nilai korelasinya lebih besar dari 0,5.

Kesimpulan Akhir

Hasil pemetaan menunjukan bahwa terdapat 2 faktor baru yang terbentuk dari keenam variabel yang dianalisis. Faktor tersebut adalah Faktor Lingkungan dan Faktor Pendidikan. Informasi ini dapat diolah dengan analisis lanjutan seperti uji t,uji F, ANOVA maupun analisis regresi.

Jika ingin melakukan analisis lanjutan, Factor Score yang terbentuk harus dikeluarkan terlebih dahulu sebagai variabel baru. Cara maupun tahapannya dapat dilakukan dengan masuk ke kotak dialog Factor Analysis kemudian klik Scores.

Demikian pembahasan singkat tentang Tutorial : Tahapan-tahapan Analisis Faktor Eksploratori. Jika ada kritik, saran maupun pertanyaan dapat langsung mengunjungi kotak komentar. Terimakasih.
Share:

2 comments:

  1. Wah mantap mas informasinya, kalau kita mau memunculkan Biplot dan mengintepretasikan informasi dari Biplotnya bagaimana mas?

    ReplyDelete
    Replies
    1. itu nanti ada topik sendiri, ditunggu saja di web ini artikel tentang biplot

      Delete