Analisis Faktor

Analisis Faktor termasuk dalam salah satu alat analisis statistik multivariate. Analisis multivariat (multivariate analysis) merupakan salah satu jenis analisis statistik yang digunakan untuk menganalisis data yang terdiri dari banyak peubah bebas (independent variables) dan juga banyak peubah tak bebas (dependent variables). Analisis Faktor memiliki kegunaan untuk menyederhanakan/mengabstraksi/mereduksi/meringkas variabel-variabel yang memiliki korelasi. 

Analisis Faktor pertama kali diperkenalkan oleh Francis Galtom dan Charles Spearman pada tahun 1927.  Teknik yang digunakan dalam Analisis Faktor adalah teknik interdependensi yang berprinsip pada nilai korelasi (r). Dalam hal ini, jika r=1 maka korelasi antar variabel adalah kuat, jika r=0, maka tidak ada korelasi antar variabel, dan jika r<0,5 maka korelasi antar variabel lemah. Jadi, analisis Faktor ini bertujuan untuk menyederhanakan sekumpulan besar data yang saling berkorelasi menjadi kelompok-kelompok kecil agar dapat dianalisis dengan lebih mudah.

Terdapat 3 prosedur umum dalam Analisis Faktor, yakni Original Data Matrix, Correlation Matrix, dan Factor Matrix. Kovariansi antar variabel dalam analisis Faktor terbagi menjadi 2, yaitu Common Factors dan Unique Factors.

a.   Common Factors, merupakan pembentuk banyak variabel karena terdapat variabel yang saling berkaitan.

b.   Unique Factors, merupakan faktor-faktor yang tidak secara jelas terlohat karena tidak punya kaitan dengan variabel lainnya sehingga membentuk kelompok sendiri sejumlah faktor itu sendiri.

Dalam analisis Faktor terdapat 2 metode pendekatan, yaitu Principal Component Analysis (PCA) dan Common Factor Analysis (CFA).

• Principal Component Analysis atau Analisis Komponen Utama (PCA) = pendekatan analisis Faktor yang tidak membedakan adanya variansi data, baik data umum (common) maupun data unik (unique). PCA dihitung berdasarkan varian-kovarian atau korelasi matriks. Pada prinsipnya, PCA digunakan jika benar-benar memiliki variabel unik, karena masih adanya ketidaktahuan korelasi antar variabel yang dimiliki. Dalam hal ini, variabel unik ini akan direduksi karena memiliki nilai korelasi kecil. Pereduksian variabel unik ini bertujuan untuk mempermudah analisis. Jadi, dalam hal ini, analisis PCA hanya akan menyisakan Common Variable yang memiliki korelasi tinggi dan dapat diabstraksi.

• Common Factor Analysis atau Analisis Faktor Umum (CFA) = pendekatan Analisis Faktor yang membedakan variansi data baik data umum (common) maupun data unik (unique). Metode CFA digunakan untuk variabel yang berjumlah sedikit, karena sejak awal menginputkan data sudah diketahui bahwa variabel yang ada memiliki korelasi kuat antar variabel, sehingga dalam hal ini tidak perlu dilihat korelasi antar variabel karena dianggap tidak memiliki variabel unik.

     Dalam analisis Faktor, terdapat beberapa teknik statistik yang harus diperhatikan, yaitu:

• Bartlett’s test of sphericity, adalah uji statistik untuk menguji hipotesis bahwa adanya variabel yang tidak saling berkorelasi dalam populasi.
• Matriks korelasi
• Communality, adalah jumlah varian yang disumbangkan oleh variabel terhadap variabel lain.
• Eigenvalue, adalah jumlah varian yang dijelaskan setiap faktor. Eigenvalue berguna untuk menentukan termasuk dalam faktor manakah variabel yang diinputkan. Eigenvalue merupakan korelasi dengan variabel lain. Hanya eigenvalue >1 yang dimasukkan dalam model. Namun, jika kasus yang digunakan hanya memiliki sedikit faktor, maka Eigenvalue >1 atau mendekati 1 dapat ikut diperhitungkan.
• Scree Plot, adalah plot dari eigenvalue sebagai sumbu vertikal (Y) dan banyaknya faktor sebagai sumbu datar (X). Scree Plot berguna untuk menentukan banyaknya faktor yang bisa ditarik.

Berikut adalah tahapan kerja dalam analisis Faktor :

1. klik menu Analyze, pilih Data Reduction, pilih Faktor
2. Inputkan semua variabel yang digunakan dikotak Variables
3. Klik Desciptives. Pada Statistics centang Univariate Descriptives Initial Solution.
4. Sedangkan pada Correlation Matrix centang pada Coefficients, Inverse, Reproduced, Anti-Image dan KMO and Bartlett’s test of sphericity.
5. Klik continue dan kembali ke menu awal.
6. Klik menu Extraction. Pada bagian Method pilih Principal Components, dan pada Analyze centang Correlation Matrix. Pada bagian Display pilih Unroated Factor Solution dan Scree Plot. Pada Extract pilih Eigenvalue over 1
7. Klik continue dan kembali ke menu awal
8. Klik menu Rotation. Pada Method pilih Varimax dan pada Display pilih Rotated Solution.
9. Klik continue dan kembali ke menu awal
10. Klik menu Score. Centang pada Display Factor Score Coefficient Matix
11. Klik continue dan kembali ke menu awal
12. Pilih menu Options. Centang pada Exclude Cases Listwise
13. Klik continue dan kembali ke menu awal
14. Ok  dan keluar hasil output yang siap diinterpretasi