Merita Bernik

ANALISIS FAKTOR

Pendahuluan Proses analisis faktor mencoba menemukan hubungan (interrelationship) antara sejumlah variabel-variabel yang saling independen satu dengan yang lain sehingga bisa dibuat satu atau beberapa kumpulan variabel yang lebih sedikit dari jumlah variabel awal

Variabel tidak dibedakan menjadi variabel bebas atau variabel tak bebas Dipergunakan untuk mereduksi data atau meringkas dari variabel yang banyak diubah menjadi sedikit variabel, mis dari 15 variabel yang ada menjadi 4 atau 5 variabel baru yang disebut faktor dan masih memuat sebagian besar informasi yang terkandung dalam variabel asli (original variable)

Kegunaan Mengidentifikasi dimensi yang mendasari atau faktor yang memperjelas korelasi antara sutu set variabel. Menganalisis faktor berarti mereduksi data/variabel Mengidentifikasi suatu set variabel baru yang tidak berkorelasi (independent) yang lebih sedikit jumlahnya untuk menggantikan suatu set variabel asli yang saling berkorelasi di dalam analisis multivariat selanjutnya.

Mengidentifikasi suatu set variabel yang penting dari suatu set variabel yang lebih banyak jumlahnya untuk dipergunakan di dalam analisis multivariat selanjutnya.

Tujuan Mengidentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi. Jika korelasi dilakukan antar variabel analisi tersebut dinamakan R faktor analysis. Namun jika korelasi dilakukan antar responden sampel analisis disebit Q faktor analysis, yang juga dikenal dengan cluster analysis Data reduction, yaitu setelah melakukan korelasi, dilakukan proses mebuat sebuat variabel set baru ynag dinamakan faktor untuk menggantikan sejumlah vaiabel tertentu.

Sample Size Jumlah sampel yang dianjurkan adalah antara 50- 100 sampel. Patokan rasio 1: 10 dalam arti untuk 1 variabel ada 10 sampel

Asumsi yang harus dipenuhi Besar korelasi antar variabel independen variabel harus cukup mis diatas 0,5 Besar korelais parsial, korelasi antar 2 variabel dengan menganggap tetap variabel yang lain, harus kecil. Pengujian seluruh matrik korelasi yang diukur dengan besaran Barlett Test of Sphericity atau Measure Sampling Adequacy (MSA). Pengujian ini mengharuskan adanya korelasi yang signifikan di antara paling sedikit beberapa variabel Asumsi normalitas dari variabel-variabel atau faktor yang terjadi sebaliknya dipenuhi.

Proses Dasar Menentukan variabel apa saja yang akan dianalisis Menguji variabel yang telah ditentukn, dengan menggunakan metode Barlett test serta mengukur MSA Melakukan proses inti pada analisis faktor, yakni factoring atau menurunkan satu atau lebih faktor dari variabel yang telah lolos pda uji variabel sebelumnya Melakukan proses Faktor Rotation, tujuannya untuk memperjelas variabel yang masuk ke dalam faktor tertentu, beberapa metode rotasi Orthogonal Rotation, yakni memutar sumbu 900, dibedakan menjadi Quartimax, Varimax dan Equimax Oblique Rotation, yakni memutar sumbu ke kanan, namun tidak harus 900, dibedakan menjadi oblimin, Promax, Orthoblique dsb.

Interpratasi atas faktor yang telah terbentuk, khususnya memberi nama atas faktor yang terbentuk tersebut, yang dianggap bias mewakili variabel anngota faktor tersebut Validasi atas hasil faktor untuk mengetahui apakah faktor yang terbentuk telah valid. Dilakukan dengan beberapa cara Membagi sampel awal menjadi 2 bagian, kemudian membandingkan hasil faktor sampel satu dengan sampel dua. Jika hasil tidak banyak perbedaan, bisa dikatakan faktor yang terbentuk telah valid Dengan menggunakan metode Confirmatory Factor Analysis (CFA) dengan cara SEM.

Beberapa kasus yang menggunakan analisis faktor Segmentasi pasar untuk mengidentifikasi variabel yang mendasari dalam pengelompokan pelanggan. Di dalam riset produk dipergunakan untuk menentukan atribut atau karakteristik merek yang mempengaruhi pilihan pelanggan Di dalm penelitian harga, bisa dipergunakan untuk mengenali karaktiristik pelanggan yang sensitif terhadap harga. Dsb

Langkah-langkah Merumuska masalah Bentuk matriks korelasi Tentukan metode analisis faktor Lkukan rotasi Interpretasi faktor Hitung skor faktor Pilih variabel surrogate

ANALISIS FAKTOR (1) MENILAI VARIABEL YANG LAYAK

Menilai mana saja variabel yang dianggap layak untuk dimasukan dalam analisis selanjutnya Jika sebuah variabel memang mempunyai kecenderungan mengelompok dan membentuk sebuah faktor, maka variabel tersebut akanmempunyai korelasi yang cukup tinggi dangan variabel lain.

Kasus Ingin diketahui faktor apa saja yang sebenarnya membuat seseorang ingin membeli sebuah motor. Diambil sampel sebanyak 50 orang, yang kemudian diminta pendapatnya tentang atribut sepeda motor seperti: Kiiritan bahan bakar Ketersediaan suku cadang Harga sepeda motor Model dan desain sepeda motor Kombinasi warna sepeda motor Keawetan sepeda motor Promosi yang dilakukan Sistem pembayaran

Setiap atribut diberi nilai 1 (sangat tidak setuju) sampai 5 (sangat setuju) semantic differential (skala interval)

Descriptives Coorelation matrix KMO and Berlett dan anti image

Nilai KMO dan Barlett adalah 0,548 dengan sig 0,001 Nilai tersebut > 0,5 dan nilai sig < 0,05, maka variabel yang ada sudah bisa dianalisis lebih lanjut Hipotesis Ho: variabel belum memedai untuk dianalisis lebih lanjut H1: variabel sudah memedai untuk dianalisis lebih lanjut

Nilai MSA berkisar 0 sampai 1 dengan kriteria: MSA = 1 variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel lain. MSA > 0,5 variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut MSA< 0,5 variabel tidak dapat diprediksi dan tidak bisa dianalisis lebih lanjut, atau dikeluarkan dari variabel lainnya.

Anti Image Matrices Dilihat nilai yang berada pada arah diagonal diberi tanda huruf a Semuanya bernilai di atas 0,5 kecuali variabel awet, onderdil dan promosi , maka variabel yang dikeluarkan adalah onderdil dan dilakukan pengujian ulang lagi

Catt: apabila ada lebih dari satu variabel yang bernilai MSA < 0,5 maka variabel yang dilekuarkan adalah yang bernilai MSA paling kecil, dan proses diulang lagi.

Berdasarkan nilai KMO dan Barlett mengalami kenaikan dengan dihilangkannnya variabel onderdil dan tetep sig < 0,05, artinya semua variabel bisa dianalisis lebih lanjut. Anti image matrices Terlihat nilai MSA semua variabel di atas 0,5 dan mengalami kenaikan nilai dari yang sebelumnya Variabel irit, harga, model, warna, awet, promosi dan kredit bisa dianalisis lebih lanjut

ANALISIS FAKTOR (2) FACTORING AND ROTASI

Konsep Dasar Setelah dilakukan tahap awal sebagai penyaringan terhadap sejumlah variabel, maka dilanjutkan pada tahap inti Proses inti dari an Faktor yaitu melakukan ekstraksi terhadap sekumpulan variabel yang ada, sehingga terbentuk satu atau lebih faktor

Setelah terbentuknya faktor yang berisi variabel, mungkin saja timbul kesulitan suatu variabel itu masuk ke dalam faktor yang mana. Suatu variabel diragukan apakah layak dimasukan ke dalam suatu faktor tertentu Untuk menjawab keraguan tersebut maka dilakukan Rotasi pada faktor yang terbentuk sehingga memperjelas posisi sejumlah variabel

Urutan proses factoring Proses factoring menggunakan metode Principal Components Jika ada keraguan atas hasil yang ada, bisa dilakukan proses Rotasi

Kasus Berdasarkan tahap awal diperoleh hasil bahwa variael onderdil dikeluarkan Masukan variabel irit, harga, model, warna, awet, kredit dan promosi

Extraction Method : metode pembuatan faktor, maka pilih Principle Components Analyze , dipilih Correlation Matrixs Display Unrotated factor solution: menunjukan hasil factoring sebelum dilakukan rotasi Sceen plot adalah grafik yang menunjukan dampak factoring terhadap eigen values Eigen values over : tetap dipilih 1 Ditentukan bernilai 1, maka variabel dengan nagkan eigen value < 1 akan dilekuarkan Maximum iteration for convergence, tetap pada angka 25 Angka ini hanya ketepatan pada proses SPSS dan tidak berkaitan dengn proses factoring , semakintinggi angka ini akan semakin baik. Akan tetepi untuk sampel yangtidak banyak, angka 25 sudah memadai

Rotation Method ini berisi metode rotasi, maka yang dipilih adalah Varimax Display : apa yang ditampilkan pada output Rotation solution: tampilan faktor setelah dilakukan rotasi yang dibandingkan dengan proses tanpa rotasi Loading plot: menyajikan korealasi antara variabel dengan faktor yang terbentuk

Communalities pada dasarnya adalah jumlah varians dari suatu variabel mula-mula yang bisa dijelaskan oleh faktor yang ada Untuk variabel irit adalah 0,556, hal ini menunjukan bahwa 55,6 % varians dari var irit bisa dijelaskan oleh faktor yang terbentuk Demikian seterusnya untukvariabel lainnya, dengan ketentuan bahwa semakin besar communalities sebuah variabel, maka semakin erat hubungannya dengan faktor yang terbentuk

Ada 7 variabel yang dimasukan dalam analisis faktor. Dengan masing-masing variabel memeiliki varians 1, maka total variansnya 7 x 1 = 7 Ketujuh variabel tersebut diringkas dalam sebuahfaktor, maka varians yang bisa dijelasakan oleh satu faktor adalah 1,982 /7 x 100% = 28,318

Jika 2 variabel diekstrak menjadi 2 faktor, maka Varians faktor pertama adalah 28,328% Varians faktor kedua adalah 20,567%

Total kedua faktor akanbisa dijelaskan 28,328 + 20,567 = 48,885% dari variabilitas ketujuh variabel asli tersebut

Eigen value menunjukan kepentingan relatif masing-masing faktor dalam menghitung ketujuh variabel yang dianalisis. Jumlah angka eigen value untuk ketujuh variabel adalah sama dengan total varians ke tujuh variabel 1,982+...+ 0,471 = 7 Susunan eigen value diurutkan dari yang terbesar hingga yang terkecil, dengan kriteria, angka eigen velue < 1 tidak digunakan dalam menghitung jumlah faktor yang terbentuk

Dari tabel di atas terlihat bahwa jumlah faktor yang terbentuk hanya 2 faktor saja. Hal tersebut dilihat pada nilai eigen value yang berada > 1, sedangkan untuk faktor yang ketiga eigen valuenya berada < 1, sehingga proses factoring berhenti pada 2 faktor saja.

Scree plot ini menunjukan pembentukan faktor berdasarkan grafik, terlihat pada componen number ke 3 nilai eigen valuenya berada di bawah 1 Hal tersebut menunjukan bahwa 2 faktor adalah yang pling baik untuk meringkas ketujuh variabel tersebut

Componen Matrix Menunjukan besarnya korelasi antara variabel dengan faktor yang terbentuk Variabel irit memiliki korelasi sebesar 0,596 dengan faktor 1, dan korelasi sebesar 0,448 (tanda hanya menunjukan arah korelasi saja) dengan faktor 2 Berdasarkan nilai korelasi tersebut, dapat diketahui suatu variabel masuk ke dalam faktor yang mana dilihat nilai korelasi > 0,5 Maka variabel irit masuk ke dalam faktor 1 Begitu seteruanya untuk variabel yang lainnya, apabila terdapat nilai korelasi yang meragukan suatu variabel masuk ke dalam faktor yang mana, maka diperlukan metode Rotasi

Rotated Component Matrix Dengan dilakukan rotasi ini, akan memperjels, kedudukan suatu variabel dimasukan ke dalam faktor yang mana Nilainya korelasi yang tadinya besar akan diperbesar lagi, yang tadinya kecil akan lebih diperkecil lagi

Maka diperoleh 2 faktor yang terdiri dari Faktor 1 adalah irit, harga, model, warna dan kredit Faktor 2 adalah awet dan promosi

Com[ponent tranformation matrix Menunjukan nilai korelasi antar komponen, yang harus diperhatikan nilai pada diagonal, bernilai > 0,5. hal ini membuktikan kedua faktor yang terbentuk sudah tepat, karena memiliki korelasi yang tinggi

Menunjukan letak ketujuh variabel pada kedua faktor yang terbentuk

Kesimpulan Dari 7 variabel terbentuk menjadi 2 Faktor Faktor 1: terdiri dari variabel irit, harga, model, warna dan kredit. Jika akan diberi nama , faktor tersebut bisa dinamakan Faktor Internal Faktor 2: terdiri dari variabel awet dan promosi. Jika akan diberikan nama, faktor tersebut bisa dinamakan Faktor Keunggulan

ANALISIS FAKTOR (3) VALIDASI MODEL

Untuk mengetahui apakah hasil ananlisis faktor tersebut dapat digenaralisasi ke populasi Proses yang paling praktis dengan menguji kestabilan faktor yang telah dibentuk Untuk mengetahuinya sampel yang ada akan dipecah menjadi 2 bagian, setiap bagian akan diuji dengan menggunakan an faktor seperti yang sebelumnya Kemudian kedua hasil dibandingkan, jika sebuah faktor stabil maka hasil yang ada tidak akan bebeda jauh, baik jumlah faktor ataupun nilainya

Sampel yang diplih 1 hingga 25 Sehingga 25 hingga 50 dinonaktifkan

Melakukan analisis faktor untuk sampel 26 hingga 50

Kesimpulan Apabila kita spit datanya menjadi 2 bagian terlihat bahwa faktor yang tebentuk menjadi 3 faktor, padahal hasil dari analisis faktor yang ke 2 hanya terbentuk 2 faktor saja, sehingga disini terdapat ketidak stabilan faktor yang terbentuk Maka dapat disimpulkan hasil faktor yang diperoleh tidak dapat digeneralisasi untuk populasi yang ada Catt: pembentukan faktor yang stabil apabila jumlah faktor yang terbentuk sebelum di split dengan setelah di split adalah sama, dan nilai faktor loadingnya > 0,5

ANALISIS FAKTOR (4) MEMBUAT FACTOR SCORE

Upaya untuk membuat satu atau beberapa variabel yang lebih sedikit dan berfungsi untuk menggantikan variabel asli yang sudah ada Uji ini tidak bersifat wajib untuk dilakukan Pembuatan factor score akan berguna jika akan dilakukan analisis lanjutan seperti an regresi ataupun diskriminan

Prosesnya sama saja seperti untuk melakukan an faktor, ahanya saja ditambah fasilitas pembuatan factor score

Hasil yang diperoleh terdapat dua Fac1_1 dan Fac2_1 Variabel Fac 1_1 merupakan gabungan dari variabel yang terdapat pada faktor 1 yaitu irit, harga, model, warna dan kredit Begitu pula dengan var Fac 2_1 merupakan gabungan dari var awet dan promosi

Namanya dapat kita rubah seperti biasa pada data view Apabila kita ingin lanjutkan pada an regresi maka, dapat kita peroleh persamaan regresi sbb y = b0 + b1 Internal + b2 Keunggulan