Analisis Faktor

Analisis faktor adalah alat analisis statistik yang dipergunakan untuk mereduksi faktor-faktor yang mempengaruhi suatu variabel menjadi beberapa set indikator saja, tanpa kehilangan informasi yang berarti. Sebagai ilustrasi, terdapat 50 indikator yang diidentifikasi mempunyai pengaruh terhadap keputusan pembelian konsumen. Dengan analisis faktor, ke-50 indikator tersebut akan dikelompokkan menjadi beberapa sub set indikator yang sejenis. Masing-masing kelompok sub set tersebut kemudian diberi nama sesuai dengan indikator yang mengelompok. Pengelompokan berdasarkan kedekatan korelasi antar masing-masing indikator dan penentuan banyaknya sub set berdasarkan nilai eigen values, yang biasanya diambil di atas 1.

Analisis faktor digunakan untuk penelitian awal di mana faktor-faktor yang mempengaruhi suatu variabel belum diidentifikasikan secara baik (explanatory research). Selain itu, analisis faktor juga dapat digunakan untuk menguji validitas suatu rangkaian kuesioner. Sebagai gambaran, jika suatu indikator tidak mengelompok kepada variabelnya, tetapi malah mengelompok ke variabel yang lain, berarti indikator tersebut tidak valid.

Analisis faktor juga digunakan dalam Structural Equation Modelling (SEM) dan sering disebut dengan Confirmatory Factor Analysis (CFA).

Berikut akan kami sampaikan simulasi analisis faktor yang digunakan untuk mengelompokkan beberapa indikator menjadi beberapa kelompok tertentu, tanpa kehilangan informasi yang berarti.

Data yang digunakan adalah hasil kuesioner yang terdiri dari 11 butir pertanyaan (q1 sampai dengan q11). Kita ingin mengelompokkan 11 butir tersebut menjadi beberapa kelompok, sehingga memudahkan untuk analisis selanjutnya. Dari tabulasi data SPSS, pilih menu Analyze, sorotkan mouse pada reduction data, dan klik pada Factor seperti pada contoh berikut:

Menu Analisis Faktor

Jika anda benar maka akan diarahkan ke menu analisis faktor seperti ini. Pindahkan q1 sampai q11 dari box kiri ke kotak variables

Memasukkan Indikator

Klik pada menu descriptive di bagian kiri bawah, sehingga akan diarahkan ke box menu sebagai berikut:

Sub Menu Descriptives

Berikan tick mark (centang) seperti gambar, lalu tekan continue, sehingga anda akan diarahkan kembali ke box analisis faktor. Tekan Extraction di samping Descriptive, sehingga akan diarahkan ke menu box sebagai berikut

Sub Menu Extraction

Lalu berikan tanda centang seperti pada gambar, tekan continue, maka akan kembali ke menu analisis faktor. Tekan rotation di samping extraction, sehingga akan diarahkan ke menu sebagai berikut:

Sub Menu Rotation

Berikan tanda centang seperti gambar, lalu tekan continue. Setelah itu tekan OK pada box menu analisis faktor. Dan akan keluar output yang siap untuk diinterpretasikan.

Output Communalities

Yang pertama adalah nilai KMO yaitu sebesar 0,796. Nilai yang diharapkan adalah di atas 0,5. Nah karena nilainya 0,796 > 0,5 maka analisis faktor dapat digunakan pada data yang kita punyai. Kalau nilainya di bawah 0,05 kayaknya jangan digunakan deh analisis faktor karena tidak layak. Output di bawahnya adalah communalities, yang diharapkan mempunyai nilai di atas 0,4 dan di situ tampak bahwa semua pertanyaan mempunyai nilai di atas 0,4 (minimal adalah 0,411 untuk q1).

Selanjutnya kita lihat output yang berikut

Output Variance Explained

Dari 11 component (lihat tabel paling kiri) ternyata yang mempunyai nilai initial eigenvalues di atas 1 hanya ada 2 component. Artinya, bahwa 11 butir pertanyaan tersebut dapat dikelompokkan menjadi dua kelompok tanpa kehilangan informasi yang berarti. Component 1 mempunyai nilai 5,630 dan mampu menjelaskan varians sebesar 51,180% dan component 2 mempunyai nilai 1,879 dan mampu menjelaskan varians sebesar 17,084%. Dengan demikian kedua component tersebut mampu menjelaskan varians sebesar 68,264% atau kita kehilangan informasi sebesar 31,736% saja.

Output Component Matrix

Kalau kita pengin melihat butir mana yang masuk kelompok 1 dan butir mana yang masuk kelompok 2 kita lihat output berikut:

Dari component matrik kita bisa melihat bahwa q1 ikut component 1 karena mempunyai loading factor sebesar 0,617 yang lebih besar dari pada loading factor ke component 2 yaitu sebesar 0,174. Dengan cara yang sama kita bisa mengelompokkan kelompok 1 selainn q1 adalah q2, q3, q5, q6, q7, q8, q9 dan q10. Sedangkan yang masuk component 2 adalah q4 dan q11. he he…. Eit lihat yang q 11….loading factor untuk component 1 adalah 0,436 dan untuk component 2 adalah -0,648. Bisa dimengerti kok dianggap masuk component 2 bukannya component 1. Kita ambil nilai mutlaknya.

Akan tetapi q11 memang component 2 tapi mempunyai nilai negatif sehingga akan membingungkan interpretasinya. Jadi ya kita lakukan rotasi dan hasilnya sebagai berikut:

Output Rotation

Nah kan jadi lebih jelas. Butir q1 sampai q5 masuk component 2 dan butir q5 sampai q 11 masuk component 1. Ntar interpretasi variance explained juga dilihat yang rotation.

Nah, setelah itu anda kaitkan dengan teori yang ada. Butir q1 sampai q5 anda beri nama sesuai dengan isi dari pertanyaan dan merupakan suatu konstruk yang berbeda dengan konstruk yang terdiri dari q6 sampai q 11.

Share: