ANALISIS FAKTOR Pengertian analisis faktor Analisis faktor adalah sebuah teknik yang digunakan untuk mencari faktor-faktor

yang mampu menjelaskan hubungan atau korelasi antara berbagai indikator independen yang diobservas. Analisis faktor dapat pula dipandang sebagai perluasan dari tehnik analisis komponen utama. Analisis faktor atau analisis komponen utama merupakan salah satu teknik analisis ketergantungan yang sangat populer dan telah dipergunakan secara luas dalam berbagai bidang ilmu pengetahuan. Oleh karena itu, peneliti atau mahasiswa harus memperhatikan struktur hubungan secara keseluruhan di antara variabel-variabel yang mencirikan obyek-obyek atau individu-individu atau variabel-variabel atau item-item atau dimensi-dimensi pengamatan yang akan membentuk faktor atau variabel laten atau kontruks. Menentukan Unit Analisis Sampai saat ini, kita mendefinisikan analisis faktor hanya dalam hal mengidentifikasi struktur antara satu set variabel. Analisis faktor sebenarnya merupakan model yang lebih umum yang dapat mengidentifikasi struktur hubungan antar kedua variabel atau responden dengan memeriksa baik korelasi antara variabel atau korelasi antara responden.
1. Jika tujuan penelitian ini adalah untuk meringkas karakteristik, analisis faktor akan

diterapkan pada matriks korelasi dari variabel. Jenis yang paling umum dari analisis faktor, disebut sebagai Jika analisis faktor, menganalisis satu set variabel untuk mengidentifikasi dimensi yang laten (tidak mudah diamati).
2. Analisis faktor juga dapat diterapkan pada matriks korelasi dari responden individu

berdasarkan karakteristik mereka. Yang dimaksud dengan analisis faktor Q, metode ini menggabungkan atau mengembun banyak orang ke dalam kelompok jelas berbeda dalam populasi yang lebih besar 1. Faktor Q pendekatan analisis tidak digunakan sering karena kesulitan computional. Sebaliknya, sebagian besar peneliti menggunakan beberapa analisis kluster tipe responden individu kelompok

Mencapai Summarization Data Versus Pengurangan Data Dalam meringkas data, analisis faktor berasal dimensi yang mendasari bahwa, ketika diinterpretasikan dan dipahami, menggambarkan data dalam jumlah yang jauh lebih kecil dari konsep daripada individu aslinya variabel data pengurangan memperluas proses ini dengan menurunkan nilai empiris (skor faktor) untuk setiap dimensi (Faktor) dan kemudian menggantikan nilai ini untuk nilai-nilai asli.
Data Summarization

Konsep dasar yang terlibat dalam summarization data melalui definisi struktur. Melalui suatu struktur, peneliti dapat melihat sepasang variabel pada berbagai tingkat generalisasi, ranning dari tingkat yang paling rinci (variabel individu sendiri) ke tingkat yang lebih umum, di mana variabel individu dikelompokkan dan kemudian dilihat bukan karena apa yang mereka wakili suatu individu, namun untuk apa yang mereka wakili secara kolektif dalam mengekspresikan suatu konsep. Dalam analisis faktor, semua variabel secara bersamaan dianggap tidak ada perbedaan untuk variabel dependen atau independen. Analisis faktor masih menggunakan konsep variate, komposit linier dari variabel, tetapi dalam analisis faktor, para variates (faktor) yang dibentuk untuk memaksimalkan penjelasan mereka dari himpunan variabel secara keseluruhan, bukan untuk memprediksi variabel dependen. Tujuan dari summarization data adalah untuk mencapai pendefinisian sejumlah kecil faktor yang cukup mewakili sepasanag variabel. Data Reduksi Analisis faktor juga dapat digunakan untuk mencapai reduksi data dengan (1) mengidentifikasi variabel perwakilan dari satu set yang lebih besar dari variabel untuk digunakan dalam analisis multivariat selanjutnya, atau (2) menciptakan yang sama sekali baru dari variabel, jauh lebih kecil jumlahnya, untuk sebagian atau sepenuhnya menggantikan set asli dari variabel. Dalam kedua kasus, tujuannya adalah untuk mempertahankan sifat dan karakter dari variabel asli, tetapi mengurangi jumlah mereka untuk menyederhanakan analisis multivariat selanjutnya. Tujuan Analisis Faktor Tujuan utama analisis faktor adalah untuk menjelaskan struktur hubungan di antara banyak variabel dalam bentuk faktor atau vaiabel laten atau variabel bentukan. Faktor yang terbentuk merupakan besaran acak (random quantities) yang sebelumnya tidak dapat diamati

atau diukur atau ditentukan secara langsung. Selain tujuan utama analisis faktor, terdapat tujuan lainnya adalah: 1. Untuk mereduksi sejumlah variabel asal yang jumlahnya banyak menjadi sejumlah variabel baru yang jumlahnya lebih sedikit dari variabel asal, dan variabel baru tersebut dinamakan faktor atau variabel laten atau konstruk atau variabel bentukan. 2. Untuk mengidentifikasi adanya hubungan antarvariabel penyusun faktor atau dimensi dengan faktor yang terbentuk, dengan menggunakan pengujian koefisien korelasi antarfaktor dengan komponen pembentuknya. Analisis faktor ini disebut analisis faktor kofirmatori. 3. Untuk menguji valisitas dan reliabilitas instrumen dengan analisis faktor konfirmatori. 4. Validasi data untuk mengetahui apakah hasil analisis faktor tersebut dapat digeralisasi ke dalam populasinya, sehingga setelah terbentuk faktor, maka peneliti sudah mempunyai suatu hipotesis baru berdasarkan hasil analisis faktor. Analisis Faktor Ekspolatori atau Analisis Komponen Utama Analisis faktor dapat dibedakan menjadi dua macam yaitu: 1). Analisis faktor ekspolatori dan 2). Analisis faktor konfirmatori. Seringkali analisis faktor ekspolatori merupakan analisis awal untuk digunakan pada analisis lanjutan dari suatu rangkaian analisis dalam suatu penelitian. Dalam melakukan reduksi data atau mengurangi jumlah variabel, maka dilakuakan proses analisis faktor eksploratori atau analisis faktor ekspolatori untuk membuat sebuah set variabel baru, atau variabel komponen, atau variabel laten, atau faktor, atau konstruk yang menggantikan sejumlah variabel asal, atau item, atau demensi penyusunnya. Dengan demikian, variabel atau komponen atau faktor yang terbentuk haruslah ada datanya, yang berupa nilai skor faktor (SF) atau skor komponen. Nilai skor faktor (SF) dari variabel laten atau faktor yang terbentuk tergantung pada item atau sub-variabel penyusunnya, yang akan digunakan dalam analisis lanjutan. Analisis lanjutan tersebut dapat berupai: uji t, uji F, atau ANOVA, analisis regresi, analisisfaktor lanjutan, analisis kluter. dan lainnya. Analisis lanjutan akan mempermudah interpretasi hasil analisis, sehingga didapatkan informasi yang realistik dan sangat berguna bagi data aslinya. Seperti contohnya dalam analisis regresi faktor atau

analisis regresi komponen utama, dengan tujuan untuk menghilangkan adanya kolinieritas ganda antarvariabel eksogen atau variabel bebas Xi. Untuk mempermudah pengertian dalam analisis faktor perlu pemahaman tentang istilah-istilah seperti: komponen atau faktor, variabel, dan indikator, sub variabel, atau item seperti: 1. Variabel adalah data pengamatan atau data bentukan yang nilai-nilainya bervariasi secara acak atau random. 2. Faktor atau komponen adalah sebuah variabel bentukan yang dibentuk melalui indikatorindikator atau item-item yang teramati (obserabel variable). Karena faktor merupakan variabel bentukan maka faktor disebut variabel laten (latent variable) atau unobserabel variable. Faktor merupakan variabel baru yang bersifat unobservable variable atau variabel tidak teramati atau variabel laten atau konstruks atau ada yang menyebut non visible variable, karena sifatnya yang abstrak yaitu variabel tersebut tidak dapat diukur atau diamati secara langsung oleh peneliti. Akan tetapi, pada analisis faktor, di mana faktor merupakan kumpulan atau gabungan yang bersifat linier berbobot dari beberapa pengukuran, atau beberapa indikator, atau beberapa variabel pengamatan (obserabel variable). 3. Sub-variabel juga disebut variabel pengamatan (obserabel variable) atau variabel manifest, atau indikator adalah suatu konsep yang merupakan variabel yang dapat diukur atau diamati secara langsung, sehingga disebut observable variable atau variabel manifest atau indikator, atau item, dan hasil pengukurannya adalah bervariasi dan nyata.

Analisis Faktor Eksploratori dan Analisis Faktor Konfirmatori Analisis faktor pada dasarya dapat dibedakan secara nyata menjadi dua macam yaitu: 1. Analisis faktor eksploratori atau analisis komponen utama (PCA) Analisis faktor eksploratori atau analisis komponen utama (PCA = principle component analysis) yaitu suatu teknik analisis faktor di mana beberapa faktor yang akan terbentuk berupa variabel laten yang belum dapat ditentukan sebelum analisis dilakukan. Pada prinsipnya analisis faktor eksploratori di mana terbentuknya faktor-faktor atau variabel laten baru adalah bersifat acak, yang selanjutnya dapat diinterprestasi
4

sesuai dengan faktor atau komponen atau konstruk yang terbentuk. Analisis faktor eksploratori persis sama dengan anlisis komponen utama (PCA). Dalam analisis faktor eksploratori di mana sipeneliti tidak atau belum mempunyai pengetahuan atau teori atau suatu hipotesis yang menyusun struktur faktor-faktornya yang akan dibentuk atau yang terbentuk, sehingga dengan demikian pada analisis faktor eksploratori merupakan teknik untuk membantu membangun teori baru. Analisis faktor eksploratori merupakan suatu teknik untuk mereduksi data dari variabel asal atau variabel awal menjadi variabel baru atau faktor yang jumlahnya lebih kecil dari pada variabel awal. Proses analisis faktor eksploratori mencoba untuk menemukan hubungan antarvariabel baru atau faktor yang terbentuk yang saling independen sesamanya, sehingga bisa dibuat satu atau beberapa kumpulan variabel laten atau faktor yang lebih sedikit dari jumlah variabel awal yang bebas atau tidak berkorelasi sesamanya. Jadi antarfaktor yang terbentuk tidak berkorelasi sesamanya.

2. Analisis faktor konfirmatori (CFA) Analisis faktor konfirmatori yaitu suatu teknik analisis faktor di mana secara apriori berdasarkan teori dan konsep yang sudah diketahui dipahami atau ditentukan sebelumnya, maka dibuat sejumlah faktor yang akan dibentuk, serta variabel apa saja yang termasuk ke dalam masing-masing faktor yang dibentuk dan sudah pasti tujuannya. Pembentukan faktor konfirmatori (CFA) secara sengaja berdasarkan teori dan konsep, dalam upaya untuk mendapatkan variabel baru atau faktor yang mewakili beberapa item atau sub-variabel, yang merupakan variabel teramati atau observerb variable. Sebagai misal faktor kepandaian diukur secara langsung, melalui variabel kepasihan membaca, kecakapan berhitung, kepandaian ilmu sosial, kepadaian menulis, kepasisan berbahasa, pintar mengarang. Contoh lain faktor keberhasilan seseorang dapat diukur dengan variabel: kepandaian, keuletan, kekayaan, dan kamujuran. Pada dasarnya tujuan analisis faktor konfirmatori adalah: kepertama untuk mengidentifikasi adanya hubungan antarvariabel dengan melakukan uji korelasi. Tujuan kedua untuk menguji valisitas dan reliabilitas instrumen. Dalam pengujian

terhadap valisitas dan reliabilitas instrumen atau kuisner untuk mendapatkan data penelitian yang valid dan reliabel dengan analisis faktor konfirmatori. Perbedaan Analisis Faktor R dan Q Penggunaan utama dari analisis faktor adalah untuk mengembangkan struktur antar variabel, disebut sebagai analisis faktor R. Analisis faktor dapat digunakan untuk kasus-kasus kelompok dan kemudian disebut sebagai analisis faktor Q. Analisis faktor Q mirip dengan analisis klaster. Perbedaan utama adalah bahwa analisis faktor Q menggunakan korelasi sebagai ukuran kesamaan sedangkan analisis cluster berdasarkan pada pengukuran jarak. Penentuan Faktor Angka Untuk Mengekstrak Sebuah keputusan penting dalam analisis faktor adalah sejumlah faktor untuk dipertahankan untuk interpretasi dan penggunaannya lebih lanjut. Dalam memutuskan kapan harus berhenti (yaitu, berapa banyak faktor untuk diekstrak?), peneliti harus menggabungkan dasar konseptual (Berapa banyak faktor yang harus ada dalam struktur?) dengan beberapa bukti empiris (Berapa banyak faktor dapat cukup untuk didukung?). Peneliti biasanya dimulai dengan beberapa kriteria yang telah ditentukan, seperti jumlah faktor umum, ditambah beberapa batasan umum untuk relevansi praktis (misalnya, persentase yang diminta dari perbedaan yang dijelaskan). Kriteria ini dikombinasikan dengan pengukuran empiris dari struktur faktor. Secara kuantitatif yang tepat untuk menentukan jumlah faktor untuk mengekstrak termasuk akar laten atau eigenvalue, a priori, persentase varians, dan uji scree. Kriteria-kriteria empiris harus seimbang terhadap teori dasar dalam penetapan jumlah faktor. Proses Analisis Faktor Secara garis besar, tahapan pada analisis faktor: 1. Merumuskan masalah. Merumuskan masalah meliputi beberapa hal: 1. Tujuan analisis faktor harus diidentifikasi. 2. Variabel yang akan dipergunakan di dalam analisis faktor harus dispesifikasi berdasarkan penelitian sebelumnya, teori dan pertimbangan dari peneliti. 3. Pengukuran variabel berdasarkan skala interval atau rasio. 4. Banyaknya elemen sampel (n) harus cukup atau memadai.
6

2. Menyusun matriks korelasi. Di dalam melakukan analisis faktor, keputusan pertama yang harus diambil oleh peneliti adalah menganalisis apakah data yang ada cukup memenuhi syarat di dalam analisis faktor. Langkah pertama ini dilakukan dengan mencari korelasi matriks antara indicatorindikator yang diobservasi. Ada beberapa ukuran yang bisa digunakan untuk syarat kecukupan data sebagai rule of thumb yaitu: 1. Korelasi matriks antar indikator Metode yang pertama adalah memeriksa korelasi matriks. Tingginya korelasi antara indikator mengindikasikan bahwa indikator-indikator tersebut dapat dikelompokkan ke dalam sebuah indikator yang bersifat homogen sehingga setiap indikator mampu membentuk faktor umum atau faktor konstruk. Sebaliknya korelasi yang rendah antara indikator megindikasikan bahwa indikator-indikator tersebut tidak homogen sehingga tidak mampu membentuk faktor konstruk. 2. Korelasi parsial Metode kedua adalah memeriksa korelasi parsial yaitu mencari korelasi satu indikator dengan indikator lain dengan mengontrol indikator lain. Korelasi parsial ini disebut dengan negative anti-image correlations.

3. Kaiser-Meyer Olkin (KMO) Metode ini paling banyak digunakan untuk melihat syarat kecukupan data untuk analisis faktor. Metode KMO ini mengukur kecukupan sampling secara menyeluruh dan mengukur kecukupan sampling untuk setiap indikator. 3. Ekstraksi faktor Adalah suatu metode yang digunakan untuk mereduksi data dari beberapa indikator untuk menghasilkan faktor yang lebih sedikit yang mampu menjelaskan korelasi antara indikator yang diobservasi. Ada beberapa metode yang bisa digunakan untuk melakukan ekstraksi faktor yaitu: 1. Principal Components Analysis Analisis komponen utama (principal components analysis) merupakan metode yang paling sederhana di dalam melakukan ekstraksi faktor. Metode ini membentuk kombinasi linear dari indikator yang diobservasi.
7

2. Principal Axis Factoring Metode ini hampir sama dengan metode principal components analysis sebelumnya kecuali matriks korelasi diagonal diganti dengan sebuah estimasi indikator kebersamaan, namun tidak sama dengan principal components analysis di mana indikator kebersamaan yang awal selalu diberi angka 1. 3. Unweighted Least Square Metode ini adalah prosedur untuk meminimumkan jumlah perbedaan yang dikuadratkan antara matriks korelasi yang diobservasi dan yang diproduksi dengan mengabaikan matriks diagonal dari sejumlah faktor tertentu. 4. Generalized Least Square Metode ini adalah metode meminimumkan error sebagaimana metode unweighted least squares. Namun, korelasi diberi timbangan sebesar keunikan dari indikator (error). Korelasi dari indikator yang mempunyai error yang besar diberi timbangan yang lebih kecil dari indikator yang mempunyai error yang kecil.

5. Maximum Likelihood Adalah suatu prosedur ekstraksi faktor yang menghasilkan estimasi parameter yang paling mungkin untuk mendapatkan matriks korelasi observasi jika sampel mempunyai distribusi normal multivariat. 4. Merotasi faktor Setelah kita melakukan ekstraksi faktor, langkah selanjutnya adalah rotasi faktor (rotation). Rotasi faktor ini diperlukan jika metode ekstraksi faktor belum menghasilkan komponen faktor utama yang jelas. Tujuan dari rotasi faktor ini agar dapat memperoleh struktur faktor yang lebih sederhana agar mudah diinterpretasikan. Ada beberapa metode rotasi faktor yang bisa digunakan yaitu: 1. Varimax Method Adalah metode rotasi orthogonal untuk meminimalisasi jumlah indikator yang mempunyai factor loading tinggi pada tiap faktor.
8

2. Quartimax Method Merupakan metode rotasi untuk meminimalisasi jumlah faktor yang digunakan untuk menjelaskan indikator. 3. Equamax Method Merupakan metode gabungan antara varimax method yang meminimalkan indikator dan quartimax method yang meminimalkan faktor. 5. Interpretasikan Faktor. 6. Pembuatan factor scores yang akan berguna jika akan dilakukan analisis lanjutan, seperti analisis regresi, analisis diskriminan atau lainnya. 7. Pilih variabel surrogate.

Merumuskan Masalah

Menyusun Matriks Korelasi

Ekstraksi Faktor

Lakukan Rotasi

Interpretasikan Faktor

Hitung Skor Faktor

Pilih Variabel Surrogate

Faktor Analisis Umum Versus Analisis Komponen Dengan pemahaman dasar tentang bagaimana varians dapat dipartisi, peneliti siap untuk mengatasi perbedaan antara dua metode, yang dikenal sebagai analisis faktor umum dan analisis komponen. Pemilihan salah satu metode di atas yang lain didasarkan pada dua kriteria: 1) tujuan dari analisis faktor 2) jumlah pengetahuan sebelumnya tentang varians dalam variabel. Komponen analisis digunakan ketika tujuannya adalah untuk meringkas sebagian besar informasi yang asli (varians) dalam jumlah minimum dari faktor untuk tujuan prediksi. Sebaliknya, analisis faktor umum yang dikeluarkan terutama untuk mengidentifikasi faktorfaktor yang mendasari atau dimensi yang mencerminkan apa variabel berbagi umum. Perbandingan yang paling langsung antara kedua metode adalah dengan penggunaan varians. Analisis faktor umum yang paling tepat bila: 1. Tujuan utama adalah untuk mengidentifikasi dimensi laten atau konstruksi diwakili dalam variabel asli, dan 2. Peneliti memiliki sedikit pengetahuan tentang jumlah perbedaan yang spesifik dan kesalahan dan karena ingin menghilangkan varians ini. Konsep Faktor Rotasi Mungkin alat yang paling penting dalam menafsirkan faktor adalah rotasi faktor. Rotasi berarti sumbu referensi dari faktor-faktor yang berubah tentang asal sampai beberapa posisi lainnya telah tercapai. Dua jenis rotasi yaitu ortogonal dan miring. Faktor solusi tidak dirotasi karena untuk mengekstrak faktor dalam urutan kepentingan mereka, dengan faktor pertama adalah faktor umum dengan hampir setiap pemuatan variabel signifikan dan akuntansi untuk jumlah terbesar dari varians, dengan masing-masing akuntansi untuk bagian berturut-turut lebih kecil dari varians. Efek utama berputar matriks faktor adalah untuk mendistribusikan varians dari faktor sebelumnya untuk yang kemudian untuk mencapai pola, faktor sederhana secara teoritis lebih bermakna. Rotasi faktor membantu dalam penafsiran faktor dengan menyederhanakan struktur melalui memaksimalkan beban yang signifikan dari variabel pada faktor tunggal. Dengan cara ini, variabel yang paling berguna dalam mendefinisikan karakter masing-masing faktor dapat dengan mudah diidentifikasi.
10

Penamaan Faktor Faktor merupakan gabungan dari banyak variabel. Ketika solusi faktor diterima telah diperoleh di mana semua variabel memiliki beban yang signifikan pada faktor, peneliti mencoba untuk menetapkan makna beberapa pola faktor loadings. Variabel dengan beban yang lebih tinggi dianggap lebih penting dan memiliki pengaruh lebih besar pada nama atau label terpilih untuk mewakili faktor. Variabel yang signifikan untuk faktor tertentu diperiksa dan, menempatkan penekanan lebih besar pada variabel-variabel tersebut dengan beban yang lebih tinggi, nama atau label ditugaskan untuk faktor yang secara akurat mencerminkan variabel loading pada faktor tersebut. Peneliti mengidentifikasi variabel dengan kontribusi terbesar untuk faktor dan memberikan "nama" untuk mewakili makna konseptual faktor itu.

11