Pada kesempatan yang lalu kita sudah mengupas tuntas salah satu metode analisis pada rumpun analisis multivariat, yaitu analisis komponen utama (AKU) atau principal component analysis (PCA). Jika kita ulas singkat apa itu AKU atau PCA, yaitu suatu metode dalam rumpun analisis multivariat yang berguna dalam meringkas atau mereduksi data dalam artian meringkas variabel-varibel (yang banyak) yang digunakan dalam analisis menjadi hanya beberapa buah komponen utama/faktor saja, dimana komponen utama (PC) yang terbentuk merupakan kombinasi dari variabel-variabel awal, (misal : 2 atau 3 buah) yang dapat menjelaskan sebagian besar variasi pada data atau variabel awal tersebut (min ; 80% s.d 90%).
Nah, pada kesempatan kali ini kita akan sedikit mengupas salah satu metode lainnya yang merupakan rumpun analisis multivariat, yang memiliki kedekatan atau kemiripan dengan analisis komponen utama (AKU) akan tetapi memiliki fungsi dan perbedaan yang mendasar baik secara formula maupun kegunaanya. Jika pada pembahasan awal kita juga sudah membahas tentang analisis faktor komfirmatori (CFA) yang melandaskan konsepnya pada konsep observed dan laten variabel (pendefinisian variabel berdasarkan landasan teoritik yang jelas dan umum – korelasi antar variabel indikator sudah terbukti dalam membentuk suatu variabel laten), sedangkan pada analisis faktor eksploratori belum melandasakan pada konsepsi tersebut pada awal pembentukannya (observed dan laten variabel) dan lebih dekat landasannya pada konsepsi analisis komponen utama (AKU) yaitu pendefinisian variabel-variabel atas faktor yang terbentuk (korelasi antar variabel indikator belum terbukti secara teoritik dalam membentuk suatu variabel laten).
Lebih lanjut kita akan uraikan secara substansial pada paparan selanjutnya.
Analisis Faktor Eksploratori
Dalam studi ketergantungan semua variabel memiliki peranan yang sama, oleh karena itu peneliti harus memperhatikan struktur hubungan secara keseluruhan diantara variabel-variabel yang mencirikan objek-objek pengamatan. Pada awalnya teknik analisis faktor dikembangkan dalam bidang psikometrik atas usaha dari Karl Pearson, Charles Spearman, dan lainnya untuk mendefinisikan dan mengukur intelegensia seseorang. Tujuan utama dari analisis faktor adalah menjelaskan hubungan diantara banyak variabel dalam bentuk beberapa faktor. Faktor-faktor itu merupakan besaran acak yang tidak dapat diamati (diukur) secara langsung.
Misal : Faktor proses industrialisasi di berbagai daerah tidak dapat diamati secara langsung, tetapi diukur melalui berbagai variabel ukuran industrialisasi, seperti kontribusi industri manufaktur dalam pembentukan produk domestik regional bruto (PDRB), persentase kerja sektor industri dan lain-lain.
Analisis faktor dapat pula dipandang sebagai perluasan dari analisis komponen utama. Keduanya, merupakan teknik analisis yang menjelaskan struktur hubungan di antara banyak variabel dalam sistem konkret.
Konsep Dasar Analisis Faktor Eksploratori
Model analisis faktor mempostulatkan bahwa vektor acak X tergantung secara linear pada beberapa variabel acak yang tidak teramati (unobservable random variabel), F1, F2, . . . , Fm, yang disebut faktor-faktor bersama (common factors) dan p sumber keragaman tambahan e1, e2, . . . , ep yang disebut sebagai galat (error) atau kadang-kadang disebut juga sebagai faktor-faktor spesifik (unique variance).
Di mana :
- Fj (j = 1, 2, . . , m) merupakan faktor bersama ke-j
- Cij (i = 1, 2, . . , p dan j = 1, 2, . . , m) merupakan paramter yang mereflesikan pentingnya faktor ke-j dalam komposisi dari respon ke-i, dalam analisis faktor disebut sebagai bobot (loading) dari respon ke-i pada faktor bersama ke-j.
- ϵi (i = 1, 2, . . , p) merupakan galat dari respon ke-i dalam analisis faktor disebut sebagai faktor spesifik ke-i yang bersifat acak.
Struktur peragam untuk model analisis faktor dinyatakan dalam persamaan sebagai berikut,
Dari persamaan di atas tampak bahwa ragam dari variabel respon Xi diterangkan oleh dua komponen yaitu komponen h dan ψ. Komponen h disebut sebagai komunalitas yang menunjukkan proporsi ragam dari variabel respon X yang diterangkan oleh m faktor bersama, sedangkan ψ merupakan proporsi ragam dari variabel respon X yang disebabkan oleh faktor spesifik atau galat (error) dan disebut ragam spesifik (unique variance).
Pada dasarnya terdapat dua metode pendugaan parameter dalam model analisis faktor yaitu metode komponen utama (principal component method) dan metode kemungkinan maksimum (maximum likelihood method). Dalam kebanyakan analisis terapan, model analisis faktor diduga berdasarkan metode komponen utama, demikian pula dalam kebanyakan paket aplikasi komputer proses komputasi didasarkan pada metode komponen utama.
Hal lain dalam analisis faktor yang perlu diperhatikan adalah rotasi faktor (factor rotation). Dalam situasi tertentu apabila m buah faktor bersama yang dilibatkan dalam analisis cukup banyak, katakanlah m > 2, maka terkadang didapati kesulitan dalam menginterpretasikan faktor-faktor tersebut karena adanya tunpang tindih variabel-variabel X yang diterangkan oleh m buah faktor bersama tersebut. Untuk mengatasi hal tersebut, maka dilakukann rotasi yang dikenal dengan sebagai rotasi faktor. Rotasi faktor tidak lain merupakan transformasi orthogonal dari faktor-faktor. Jika C adalah matriks dugaan untuk bobot faktor (faktor loading), maka rotasi faktor akan menghasilkan matriks bobot “rotasi” faktor C*. Salah satu bentuk transformasi yang dapat dipergunakan adalah berdasarkan kriteria rotasi varimax yang diperkenalkan oleh Kaiser (1958). Kriteria varimax sering disebut juga sebagai kriteria varimax normal. Prosedur varimax adalah memilih matriks transformasi ortoghonal yang memaksimalkan matriks bobot C* pada tiap faktor yang terbentuk.
Dan berbeda dengan analisis komponen utama yang relatif tidak terlalu banyak pembahasan pada kriteria data yang digunakan dalam analisis, maka pada analisis faktor terdapat beberapa kriteria yang harus dipenuhi pada data untuk memastikan bahwa metode yang diterapkan pada data memaksimalkan faktor yang dihasilkan atas variabel X. Beberapa kriteria yang perlu diperhatikan oleh peneliti diataranya matriks korelasi, korelasi parsial (negative anti-image correlation) dan ukuran kecukupan sampel (Kaiser Meyer Olkin-KMO). Pada kesempatan yang lain kita akan coba jelaskan penjelasan dan fungsi dari kriteria-kriteria tersebut secara spesifik.
…
Setelah kita membahas konsep analisis faktor sekira kita dapatkan kejelasan dan dapat membedakan dengan metode yang telah dibahas pada artikel sebelumnya, yaitu analisis komponen utama. Meskipun analisis faktor dapat dibangun dari konsepsi analisis komponen utama (secara metode), akan tetapi yang perlu diperhatikan adalah perbedaan penggunaan kedua metode tersebut secara fungsi pada tujuan penelitian dilakukannya penerapan kedua metode tersebut pada data penelitian. Ini penting karena akan mempengaruhi interpretasi pada hasil perhitungan yang dilakukan pada data. SEMANGAT MEMAHAMI!!!
Sumber :
- Subhash Sharma, Applied Multivariate Technique
- Vincent Gaspersz, Teknik Analisis Rancanangan Percobaan
———————————————————————————————————————————————————-
- Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :
- WhatsApp : 081321709749
- Email : welcome@mobilestatistik.com
- Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.
- “1st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”
———————————————————————————————————————————————————-
