Analisis Faktor untuk Reduksi Data

Analisis faktor adalah alat analisis yang dapat digunakan untuk dua hal yaitu untuk mereduksi data (data reduction) dan mendeteksi struktur (structure detection). Keduanya berbeda ya jangan dicampur-adukkan. Beberapa artikel atau blog sering mencampur-adukkan keduanya. Bahkan pernah ada buku yang ditulis oleh pengarang yang sangat terkenal juga mengabaikan kedua fungsi tersebut. Kali ini kita akan membahas tentang analisis faktor untuk data reduction. Tujuan dari reduksi data adalah mengurangi (mereduksi) beberapa data dari sebuah variabel (yang mempunyai korelasi yang tinggi) dan mungkin menggantinya dengan sedikit data yang mempunyai korelasi yang rendah.

Sebagai ilustrasi, terdapat 13 variabel yang mempunyai pengaruh terhadap suatu konstruk. Jumlah tersebut terlalu banyak dan di antara variabel tersebut ada beberapa yang secara teori saling berkorelasi sehingga sebenarnya bisa direduksi sehingga menjadi beberapa variabel saja tanpa kehilangan informasi yang signifikan. Data contoh analisis faktor ini dapat Anda download di Google Drive.

Langkah pertama, pilih Analyze, pilih Dimension Reduction lalu klik pada Factor seperti pada gambar di bawah ini:

Menu Analisis Faktor pada SPSS Versi 23

Setelah itu maka akan masuk ke menu Analisis Faktor. Masukkan 13 variabel yang ada ke box Variables. Lalu klik pada Descriptives di kanan atas:

Sub Menu Descriptives

Setelah masuk ke sub menu Descriptives, berikan tanda centang seperti tampak pada gambar di bawah:

Memberikan tanda centang

Setelah itu klik Continue lalu klik pada Extraction di kanan atas di bawah Descriptives sehingga akan masuk ke sub menu sebagai berikut:

Sub menu Extraction

Pilih Method Principal Components Analysis (PCA) lalu klik Continue lalu klik Rotation seperti pada gambar di atas:

Sub menu Rotation

Pilih Varimax, lalu klik Continue lalu klik OK sehingga akan keluar output. Kita bahas satu persatu output Analisis faktor yang bertujuan untuk mereduksi data.

Output KMO dan Signifikansi

Nilai Kaiser-Meyer-Olkin adalah 0,653 dan nilai yang disarankan adalah di atas 0,5 sehingga sudah memenuhi. Sedangkan untuk Signifikansi < 0,05 sehingga kita dapat menggunakan analisis faktor untuk data ini.

Output Communalities

Diharapkan nilai Extraction tinggi dan ada yang menyarankan di atas 0,5 tetapi ada juga yang menyarankan 0,4. Di tutorial SPSS ada yang masih menggunakan di atas 0,3 untuk metode Principa Axis Factoring. Tampak bahwa nilainya di atas 0,5 semua sehingga tidak ada variabel yang perlu dikeluarkan karena nilainya yang rendah. 

Output total variane explained

Jika kita menggunakan semua variabel, yaitu 13 maka model akan mampu menjelaskan 100% (kolom cummulative). Jika kita hanya menggunakan 12 saja, maka akan hilang informasi sebesar 1,023% atau mampu menjelaskan 98,977%. Kita dapat memilih menggunakan berapa variabel dari 13 variabel yang ada. Disarankan menggunakan nilai eigenvalues di atas 1, sehingga kita akan menggunakan 5 variabel saja tetapi sudah mampu menjelaskan 72,152% dari variance yang ada. Dari 13 variabel, jika kita menggunakan 5 variabel saja (dengan eigenvalues di atas 1) maka kita sudah mampu menjelaskan 72,152% atau kehilangan informasi sebesar 27,848%.

Untuk melihat 5 variabel apa saja, maka kita menggunakan output component matrix sebagai berikut:

Output component matrix

Komponen 1 mempunyai korelasi tertinggi dengan Q1 yaitu 0,741. Komponen 2 tertinggi adalah Q13 yaitu sebesar 0,758. Dengan demikian kita dapat menentukan 5 variabel yang akan digunakan yaitu Q1, Q13, Q10, Q5 dan Q2. Dengan menggunakan 5 variabel tersebut kita sudah mampu menjelaskan sebesar 72,152% dari 13 variabel yang ada di penelitian.

Secara lebih rinci, sebenarnya masih ada rotated, tetapi itu kita bahas lain kali. Juga tentang tujuan analisis faktor untuk mendeteksi struktur atau mencari variabel laten akan kita berikan dalam artikel lain. 

Share:

Read More

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:

Read More