Pada artikel sebelumnya kita sudah membahas secara konsepsi tentang analisis faktor eksploratori. Beberapa catatan yang kita anggap penting untuk kembali di review sebelum kita masuk dalam bahasan kriteria kebaikan dari analisis faktor eksploratori diantaranya nilai pattern loading, nilai structure loading, nilai communalities dan nilai unique variance yang dihasilkan analisis faktor pada data penelitian (Baca artikel : Analisis Faktor Eksploratori). Keempat komponen nilai pada faktor yang terbentuk tersebut bermanfaat dalam proses interpretasi dari faktor yang terbentuk baik untuk identifikasi penamaan maupun melihat kontribusi variabel pembentuk faktor. (Sekilas sama dengan interpretasi pada analisis komponen utama).
Hal lain yang selain nilai-nilai tersebut yang membedakannya dengan analisis komponen utama adalah adanya telaah lain yang khusus pada data yang akan digunakan dalam analisis faktor sehingga menjadikannya “rules of thumb” pada analisis faktor. Beberapa diantaranya adalah telaah pada matriks korelasi, pengujian pada nilai korelasi parsial (negative anti-image correlation) dan pengujian kecukupan sampel (Kaiser Meyer Olkin-KMO).
Pada kesempatan kali ini kita akan coba uraikan perspektif dari ketiga tools dalam melihat kebaikan data yang dugunakan dalam analisis faktor pada uraian berikut.
Matriks Korelasi
Analisis faktor mendasarkan proses perhitungannya adalah pada matriks korelasi. Sehingga indentifikasi pada matriks korelasi dalam analisis faktor dapat sangat membantu membentuk gambaran awal pada hasil pengelompokan variabel atas faktor yang terbentuk nantinya.
Suatu konsepsi sederhana yang dapat dibangun oleh peneliti bahwa korelasi yang tinggi diantara variabel menunjukkan bahwa variabel-variabel tersebut dapat dikelompokan dalam suatu set variabel yang homogen dimana variabel-variabel tersebut mengukur suatu faktor atau kontruk atau suatu dimensi tertentu (faktor yang dihasilkan dari analisis faktor). Sedangkan korelasi yang rendah diantara variabel menunjukkan bahwa variabel-variabel tersebut di kelompokan pada suatu set variabel yang heterogen dimana variabel-variabel tersebut mengukur suatu faktor atau kontruk atau suatu dimensi tertentu (faktor yang berbeda yang dihasilkan dari analisis faktor).
Jika konsepsi di atas berlaku maka hal ini menunjukkan bahwa faktor analisis merupakan suatu teknik analisis yang mencoba untuk mengidentifikasi kelompok atau mengelompokan variabel-variabel, dimana variabel-variabel dalam tiap grupnya merupakan indikator-indikator atas suatu faktor atau konstruk. Jika demikian kondisinya, maka matriks korelasi cocok untuk proses pem-faktor-an.
Noted : perlu diperhatikan bahwa ketiadaan korelasi yang erat antar variabel yang dilibatkan dalam perhitungan analisis faktor, dapat menghasilkan faktor yang banyak dan dapat menimbulkan kebingungan dalam mengidentifikasi faktor terbentuk (mis : penamaan) dikarenakan variabel-variabel yang mengelompok (misal) hanya terdiri atas 1 variabel/indikator.
Korelasi Parsial
Ukuran kedua yang dapat dijadikan patokan sekelompok variabel atau data cocok digunakan untuk analisis faktor adalah ukuran dari korelasi parsial. Korelasi parsial ini merujuk pada negative anti-image correlation yang mana nilainya harus sekecil mungkin agar matriks korelasi yang digunakan dalam baik atau cocok digunakan untuk analisis faktor.
Kaiser Meyer Olkin (KMO)
Salah satu ukuran lainnya yang dapat dijadikan patokan adalah menguji suatu ukuran dari Kaiser yaitu ukuran kecukupan sampel secara keseluruhan dan ukuran kecukupan sampel dari masing-masing variabel atau indikator. Kasier Meyer Olkin (KMO) adalah salah satu ukuran kecukupan sampel yang populer, dimana KMO menghasilkan suatu ukuran rata-rata yang dapat digunakan untuk menilai sejauh mana indikator-indikator atau variabel-variabel dari suatu kontruk atau faktor merupakan anggota bersama dari konstruk atau faktor tersebut. Oleh karenanya, KMO merupakan suatu ukuran kehomogenan dari variabel-variabel. Berikut disajikan panduan penggunaan ukuran KMO yang disarankan oleh Kaiser dab Rice (1974).
Tentunya nilai KMO yang tinggi yang diharapkan. Hal ini mensarankan bahwa ukuran overall KMO harus lebih besar dari 0.800, akan tetapi jika didapati nilai ukuran overall KMO di atas 0.600 masih dapat ditoleransi. Untuk dapat menigkatkan ukuran overall KMO yang tinggi biasanya dapat dilakukan dengan cara menghapus variabel atau indikator yang memiliki ukuran individual KMO yang bernilai rendah.
Selayaknya ketiga ukuran kebaikan data dalam aplikasinya pada analisis faktor dapat dicermati dan dipahami berdasarkan hasil perhitungan yang diterapkan pada data yang dimiliki oleh peneliti. Ketiga ukuran tersebut dalam pengaplikasiannya dapat dihasilkan dengan menggunakan software SPSS. Penting untuk kita review kembali bahwa selain nilai yang melekat pada faktor yang dihasilkan dari analisis faktor (nilai pattern loading, nilai structure loading, nilai communalities dan nilai unique variance), peneliti pun dapat lebih memperhatikan pada ketiga ukuran kebaikan yang sudah dibahas, agar faktor yang dihasilkan dapat diinterpretasikan secara maksimal dan merupakan hasil yang memenuhi kriteria uji.
Pada kesempatan yang lain akan kita coba uraikan pengaplikasian metode analisis faktor eksploratori dengan menggunakan SPSS untuk memperlihatkan penerapan konsepsi secara teoritis dengan hasil secara aplikasi. SEMANGAT MEMAHAMI!!!
Sumber : Subhash Sharma, Applied Multivariate Technique
———————————————————————————————————————————————————-
- 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”
———————————————————————————————————————————————————-
