Post on 04-Apr-2018
7/30/2019 Tugas -01 (Analisis Faktor)
1/14
Tugas : Statistik Multivariat
Dosen : DR. H. Abdul Hamid Habbe, SE., M.Si
ANALISIS FAKTOR
NURFITRIANTI P3400212008
HALMI P3400212009
FATIMA P3400212007
Kelas A
PROGRAM STUDI PASCASARJANA AKUNTANSI
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS HASANUDDIN
MAKASSAR
2012
7/30/2019 Tugas -01 (Analisis Faktor)
2/14
ANALISIS FAKTOR
A. Membedakan Teknik Analisa Faktor dari Teknik Multivariat Lainnya.
Exploratory Analisa Faktor (EFA) dapat menjadi teknik yang sangat berguna
dan kuat statistik multivariate untuk secara efektif menggali informasi dari sumber data
besar yang saling terkait. Ketika variabel tersebut berkorelasi, peneliti perlu cara untuk
analisis. Sebagai teknik saling ketergantungan, analisis faktor mencoba mengelola
variabel: mengelompokkan variabel yang sangat berkorelasi bersama-sama, pelabelan
atau penamaan kelompok, dan bahkan mungkin menciptakan suatu ukuran gabungan
baru yang dapat mewakili setiap kelompok variabel. Tujuan utama dari eksplorasianalisis faktor adalah untuk menentukan struktur yang mendasari antara variabel-
variabel dalam untuk mengidentifikasi pengelompokan antar variabel (atau kasus)
didasarkan pada hubungan diwakili dalam matriks korelasi. Ini adalah alat yang ampuh
untuk lebih memahami struktur data, dapat juga digunakan untuk menyederhanakan
analisis dari satu set besar variabel dengan mengganti mereka dengan variabel
komposit. Ketika bekerja dengan baik, ini menunjuk ke hubungan menarik yang
mungkin belum jelas dari pemeriksaan data mentah saja, atau bahkan matriks korelasi.
B. Membedakan Antara Penggunaan Eksplorasi Dan Konfirmasi Dari Teknik
Analisa.
Faktor analisa adalah pendekatan statistik yang dapat digunakan untuk
menganalisa hubungan di antara beberapa variabel dan menjelaskan variabel-variabel
ini dalam keadaan umumnya berdasarkan dimensi (faktor). Tujuannya adalah untuk
mencari cara menyingkat informasi yang terdapat dalam beberapa variabel asal menjadi
lebih kecil (faktor) dengan meminimalkan kehilangan informasi.
Faktor analisa adalah salah satu keluarga analisa multivariat yang bertujuan
untuk meringkas atau mereduksi variabel amatan secara keseluruhan menjadi beberapa
variabel atau dimensi baru tetapi variabel atau dimensi baru yang terbentuk tetap
mampu mempresentasikan variabel utama. Dengan memperkenalkan analisis faktor
sebagai teknik multivariat pertama karena dapat memainkan peran unik dalam
penerapan teknik multivariat lainnya. Secara garis besar analisis faktor menyediakan
alat untuk menganalisa struktur keterkaitan (korelasi) antara sejumlah besar variabel
7/30/2019 Tugas -01 (Analisis Faktor)
3/14
dengan mendefinisikan set variabel yang saling terkait dikenal sebagai faktor.
Kelompok-kelompok dari variabel (faktor) yang secara definisi diasumsikan mewakili
dimensi dalam data. Jika hanya peduli dengan mengurangi jumlah variabel maka
dimensi dapat membimbing langkah-langkah dalam menciptakan komposit baru.
Analisis faktor dapat mencapai tujuan baik dari perspektif eksplorasi atau
konfirmasi. Banyak peneliti menganggap eksplorasi hanya berguna dalam mencari
struktur antara satu set variabel atau sebagai metode reduksi data. Dalam perspektif ini
faktor teknik analitik mengambil apa data memberi anda dan tidak mengatur
kendala apriori pada estimasi komponen atau jumlah komponen teknik diekstrak.
Namun dalam situasi lain, peneliti memiliki pikiran terbentuk pada struktur actual dari
data, berdasarkan dukungan teori atau penelitian sebelumnya. Peneliti menguji hipotesis
yang melibatkan isu-isu dengan mengelompokkan variabel bersama-sama pada faktor
atau jumlah faktor yang tepat. Dalam hal ini peneliti mensyaratkan bahwa analisi faktor
konfirmatori mengambil pendekatan dengan menilai sejauh mana data memenuhi
struktur yang diharapkan.
C. Memahami Tujuh Tahap Penerapan Analisis Faktor
Tujuh tahapan penerapan analisis faktor meliputi :
1. Mengklarifikasi tujuan analisis faktor.Titik awal dalam analisis faktor, seperti dengan teknik statistik lainnya, adalah
masalah penelitian Tujuan umum dari teknik analisis faktor adalah untuk menemukan
cara untuk memadatkan (meringkas) informasi yang terkandung dalam sejumlah
variabel asli ke set yang lebih kecil dari yang baru, dimensi komposit atau variates
(faktor) dengan kerugian minimal informasi untuk mencari dan menentukan konstruksi
dasar atau dimensi diasumsikan mendasari variabel asli.Dalam memenuhi tujuannya,
analisis faktor didukung untuk empat hal:
a. Menentukan unit analisaSampai saat ini, kita mendefinisikan analisis faktor hanya dalam hal
mengidentifikasi struktur antara satu set variabel. Analisis faktor sebenarnya
merupakan model yang lebih umum yang dapat mengidentifikasi struktur hubungan
antar kedua variabel atau responden dengan memeriksa baik korelasi antara
variabel atau korelasi antara responden.
7/30/2019 Tugas -01 (Analisis Faktor)
4/14
1. Jika tujuan penelitian ini adalah untuk meringkas karakteristik, analisis faktor
akan diterapkan pada matriks korelasi dari variabel. Jenis yang paling umum dari
analisis faktor, disebut sebagai analisis faktor R, menganalisis satu set variabel
untuk mengidentifikasi dimensi yang laten (tidak mudah diamati).
2. Analisis faktor juga dapat diterapkan pada matriks korelasi dari responden
individu berdasarkan karakteristik mereka. Yang dimaksud dengan analisis
faktor Q, metode ini menggabungkan atau mengembun banyak orang ke dalam
kelompok jelas berbeda dalam populasi yang lebih besar.
b. Data summarization. Konsep dasar yang terlibat dalam summarization data adalahdefinisi struktur. Melalui struktur peneliti dapat melihat set variabel pada tingkat
generalisasi menuju tingkat paling rinci.
c. Data reduksi. Analisa faktor dapat digunakan untuk mencapai reduksi datamengidentifikasi variabel perwakilan dari satu set yang lebih besar dari variabel
untuk digunakan dalam analisa multivariate selanjutnya atau menciptakan sama
sekali variabel baru.
d. Menggunakan analisa faktor dengan teknik multivariat lainnya. Analisis faktordengan memberikan wawasan tentang keterkaitan antar variabel dan struktur yang
mendasari data merupakan titik awal yang sangat baik untuk teknik multivariat
lainnya.
2. Perencanaan analisa faktor.Rancangan analisis faktor melibatkan tiga keputusan dasar : (1) perhitungan
dari data input (matriks koelasi) untuk memenuhi tujuan tertentu variabel
pengelompokan atau responden, (2) desain penelitian dalam hal jumlah variabel,
pengukuran sifat variabel dan jenis variabel yang diizinkan, (3) ukuran sampel yang
diperlukan baik secara absolute dan sebagai fungsi dari jumlah variabel dalam analisis.3. Asumsi analisis faktor
Asumsi penting yang mendasari analisis faktor lebih konseptual daripada
statistic. Peneliti selalu berkaitan dengan memenuhi persyaratan statistic untuk setiap
teknik multivariate tetapi dalam analisis factor pusat utama keprihatinan banyak pada
karakter dan komposisi variabel dimasukkan dalam analisis seperti pada kualitas
statistik mereka.
4. Mendapatkan faktor dan menilai fit secara keseluruhan
7/30/2019 Tugas -01 (Analisis Faktor)
5/14
Setelah variabel ditentukan dan matriks korelasi disusun peneliti siap untuk
menerapkan analisis faktor untuk mengidentifikasikan struktur yang mendasari
hubungan. (1) metode ekstraksi factor (factor analisis umum terhadap analisis
komponen) dan (2) Jumlah faktor yang dipilih untuk menyajikan struktur yang
mendasari dalam data.
5. Berputar dan menafsirkan faktorMeskipun tidak ada proses tegas atau pedoman menentukan interpretasi faktor,
peneliti dengan dasar konseptual yang kuat untuk struktur diantisipasi dan dasar
pemikirannya memiliki kesempatan terbesar untuk sukses. Kita tidak bisa menyatakan
cukup kuat pentingnya landasan konseptual yang kuat, apakah itu berasal dari penelitian
sebelumnya, paradigma teoritis, atau prinsip-prinsip yang diterima secara umum.
Seperti yang akan kita lihat, peneliti berulang kali harus membuat penilaian subyektif
dalam keputusan seperti ke sejumlah faktor, apa hubungan cukup untuk menjamin
variabel pengelompokan, dan bagaimana dapat pengelompokan ini diidentifikasi.
6. Validasi solusi analisis faktorTahap keenam melibatkan menilai tingkat generalisasi hasil untuk populasi dan
pengaruh potensial dari kasus-kasus individu atau merespon nt hasil keseluruhan.
Masalah generalisasi sangat penting untuk masing-masing thods m multivariat, tetapi
sangat relevan untuk metode interdependensi karena mereka menggambarkan sebuah
struktur data yang harus mewakili populasi juga.
7. Tambahan penggunaan analisa faktor.Tergantung pada tujuan untuk menerapkan analisis faktor, penelitian ini dapat
berhenti dengan interpretasi faktor atau lebih terlibat dalam salah satu metode untuk
reduksi data, jika tujuannya adalah hanya untuk mengidentifikasi kombinasi logis dari
variabel dan lebih memahami keterkaitan antar variabel, maka faktor interpretasi akancukup. Ini memberikan dasar empiris untuk menilai struktur variabel dan pengaruh
struktur ini ketika menafsirkan hasil dari teknik multivariat lainnya. Jika tujuan,
bagaimanapun, adalah untuk mengidentifikasi variabel yang tepat untuk aplikasi
berikutnya untuk teknik statistik lainnya, maka beberapa bentuk reduksi data akan
dipekerjakan. Kedua pilihan meliputi:
a. Memilih variabel dengan faktor pemuatan tertinggi sebagai wakil pengganti untuk
dimensi faktor tertentu.
7/30/2019 Tugas -01 (Analisis Faktor)
6/14
b. Mengganti set asli variabel dengan set, sama sekali baru yang lebih kecil dari
variabel diciptakan baik dari skala dijumlahkan atau skor faktor.
D. Bedakan antara R dan Q analisis faktor analisis
Yang penggunaan utama dari analisis faktor adalah untuk mengembangkan
struktur antar variabel, disebut sebagai analisis faktor R. Analisis faktor juga dapat
digunakan untuk kasus-kasus kelompok dan kemudian disebut sebagai analisis faktor Q.
Analisis faktor Q mirip dengan analisis klaster. Perbedaan utama adalah bahwa analisis
faktor Q menggunakan korelasi sebagai ukuran kesamaan.
E. Mengidentifikasi Perbedaan antara Model Analisis Komponen dan Analisis
Faktor UmumDengan pemahaman dasar tentang bagaimana varians dapat dipisahkan,
peneliti siap untuk menjelaskan perbedaan antara dua metode, yang dikenal sebagai
analisis faktor umum dan analisis komponen. Pemilihan salah satu metode antara
metode analisis komponen dan metode analisis faktor umum didasarkan pada dua
kriteria: (1) tujuan dari analisis faktor dan (2) jumlah pengetahuan sebelumnya tentang
varians dalam variabel. Analisis komponen digunakan ketika tujuannya adalah untuk
meringkas sebagian besar informasi yang asli (varians) dalam jumlah minimum dari
faktor untuk tujuan prediksi. Sebaliknya, analisis faktor umum terutama digunakan
untuk mengidentifikasi faktor-faktor yang mendasari atau dimensi yang mencerminkan
apa yang ada dalam variabel umum. Perbandingan langsung antara kedua metode
tersebut adalah dengan membandingkan antara penggunaan varians yang dapat
dijelaskan dan varaians yang tidak dapat dijelaskan:
1. Analisis komponen, juga dikenal sebagai analisis komponen utama,mempertimbangkan variabel jumlah varians dan berasal faktor-faktor yang
mengandung proporsi kecil varian unik dan dalam beberapa kasus, varians error.
Namun, faktor pertama tidak mengandung varians cukup unik atau kesalahan
untuk mendistorsi struktur faktor keseluruhan. Secara khusus, dengan analisis
komponen, kesatuan (nilai 1,0) dimasukkan dalam diagonal matriks korelasi,
sehingga varians penuh dibawa ke dalam matriks faktor.
2. Analisis faktor umum, berbeda, analisis faktor umum hanya mempertimbangkanvarians umum atau bersama, dengan asumsi bahwa kedua varians unik dan
varians error tidak menarik dalam menentukan struktur variabel. Untuk
7/30/2019 Tugas -01 (Analisis Faktor)
7/14
mempekerjakan pada varian umum dalam estimasi faktor, masyarakat (bukan
kesatuan) dimasukkan dalam diagonal. Dengan demikian, faktor-faktor yang
dihasilkan dari analisis faktor umum didasarkan hanya pada varians bersama.
Bagaimana cara peneliti untuk memilih antara dua metode? Pertama, analisis
faktor umum dan analisis model komponen keduanya banyak digunakan. Sebagai
masalah praktis, model analisis komponen adalah standar khas yang banyak dtemukan
pada sebagian besar program statistik saat melakukan analisis faktor. Di luar program
default kasus yang berbeda menunjukkan yang mana dari dua metode yang paling tepat:
1. Analisis komponen faktor paling tepat digunakan ketika :a. Reduksi data adalah perhatian utama, dengan fokus pada jumlah minimum
faktor yang diperlukan untuk menjelaskan bagian maksimum total varian
direpresentasikan dalam seperangkat set asli variabel, dan
b. Pengetahuan sebelumnya menunjukkan bahwa varians spesifik dankesalahan merupakan proporsi yang relatif kecil dari total varian
2. Analisis faktor umumlebih tepat digunakan ketika :a. Tujuan utama adalah untuk mengidentifikasi dimensi laten atau konstruksi
diwakili dalam variabel asli,
b. Peneliti memiliki sedikit pengetahuan tentang jumlah perbedaan yangspesifik dan kesalahan dan karena ingin menghilangkan varians ini.
Ketika keputusan telah dibuat pada model faktor, peneliti siap untuk
mengekstrak inisial-esensial faktor yang tidak dirotasi. Dengan memeriksa matriks
faktor yang tidak dirotasi, peneliti dapat mengeksplorasi kemungkinan untuk
pengurangan data dan mendapatkan perkiraan awal dari sejumlah faktor untuk
diekstrak. Penentuan akhir jumlah faktor harus menunggu, namun, sampai hasilnya
dirotasi dan faktor diinterpretasikan.
F. Menjelaskan Bagaimana Menentukan Jumlah Faktor untuk diekstrak
Kriteria untuk Jumlah Faktor-faktor yang Ekstrak
Bagaimana kita memutuskan sejumlah faktor untuk diekstrak? Metode analisis
faktor keduanya tertarik pada kombinasi linear terbaik dari variabel-terbaik dalam arti
bahwa kombinasi tertentu dari rekening variabel asli untuk lebih dari varians dalam data
secara keseluruhan daripada kombinasi linear dari variabel lainnya. Oleh karena itu,
7/30/2019 Tugas -01 (Analisis Faktor)
8/14
faktor pertama dapat dipandang sebagai ringkasan terbaik dari hubungan linier
dipamerkan dalam data. Faktor kedua didefinisikan sebagai kombinasi terbaik kedua
linear dari variabel, tunduk pada kendala bahwa itu adalah ortogonal terhadap faktor
pertama. Agar ortogonal terhadap faktor pertama, faktor kedua harus berasal dari
varians yang tersisa setelah faktor pertama telah diekstraksi. Dengan demikian, faktor
kedua dapat didefinisikan sebagai linear.
Kombinasi variabel yang bertanggung jawab atas sebagian besar varians yang
masih dijelaskan setelah efek dari faktor pertama telah dihapus dari data. Proses
penggalian terus akuntansi faktor untuk jumlah yang lebih kecil dan lebih kecil dari
varian sampai semua varian dijelaskan. Misalnya, metode komponen sebenarnya
ekstrak n faktor, dimana n adalah jumlah variabel dalam analisis. Dengan demikian, jika
30 variabel dalam analisis, 30 faktor yang diekstrak.
Jadi, apa yang didapat oleh analisis faktor? Meskipun contoh kita mengandung
30 faktor, beberapa faktor pertama dapat mewakili sebagian besar dari total varian
seluruh variabel. Mudah-mudahan, peneliti dapat mempertahankan atau hanya
menggunakan sejumlah kecil variabel dan sti 1 cukup mewakili set variabel
keseluruhan. Dengan demikian, pertanyaan kuncinya adalah: Berapa banyak faktor
untuk mengekstrak atau mempertahankan?
Dalam memutuskan kapan harus berhenti anjak (yaitu, berapa banyak faktor
untuk mengekstrak) peneliti harus menggabungkan dasar konseptual (Berapa banyak
faktor harus ada dalam struktur?) Dengan beberapa bukti empiris (Berapa banyak faktor
dapat cukup didukung?). Peneliti biasanya dimulai dengan beberapa kriteria yang telah
ditentukan, seperti jumlah umum dari faktor ditambah beberapa batasan umum relevansi
praktis (misalnya, persentase yang diminta dari menjelaskan perbedaan) . Kriteria ini
dikombinasikan dengan pengukuran empiris dari struktur faktor. Secara kuantitatifmetode yang tepat untuk menentukan jumlah faktor untuk diekstrak belum
dikembangkan Namun, kriteria berikut untuk menghentikan sejumlah faktor untuk
diekstrak yang saat ini sedang digunakan.
a. LATEN ROOT KRITERIATeknik yang paling umum digunakan adalah kriteria akar laten. Teknik ini
sederhana untuk diterapkan baik analisis komponen atau analisis faktor umum.
Alasan untuk kriteria akar laten adalah bahwa setiap faktor individu harus
7/30/2019 Tugas -01 (Analisis Faktor)
9/14
menjelaskan varians dari setidaknya satu variabel jika dipertahankan untuk
interpretasi. Dengan analisis komponen masing-masing variabel memberikan
kontribusi nilai 1t total nilai eigen. Dengan demikian, hanya faktor yang
memiliki akar laten atau eigenvalues lebih besar dari 1r yang dianggap
signifikan, semua faktor dengan akar laten kurang dari 1 dianggap tidak
signifikan dan diabaikan. Menggunakan eigenvalue untuk membangun titik
batas adalah yang paling dapat diandalkan ketika jumlah variabel adalah antara
20 dan 50. Jika jumlah variabel kurang dari 20, kecenderungannya adalah untuk
metode ini mengekstrak sejumlah faktor konservatif (terlalu sedikit), sedangkan
jika lebih dari 50 variabel yang terlibat, tidak jarang untuk terlalu banyak faktor
yang akan diekstraksi.
b. A PRIORI CRITERIONKriteria apriori adalah kriteria sederhana namun wajar dalam beberapa keadaan.
Ketika menerapkan itu, peneliti sudah tahu berapa banyak faktor untuk diekstrak
sebelum dilakukan analisis faktor. Peneliti hanya memerintahkan komputer
untuk menghentikan ketika jumlah faktor yang dikehendaki telah diekstraksi.
Pendekatan ini berguna ketika pengujian teori atau hipotesis mengenai sejumlah
faktor yang akan diekstraksi. Hal ini juga dapat dibenarkan dalam upaya untuk
meniru karya peneliti lain dan jumlah ekstrak yang sama dari faktor yang
sebelumnya ditemukan.
c. PERCENTAGE OF VARIANCE CRITERIONPersentase kriteria varians merupakan pendekatan berdasarkan pada pencapaian
persentase kumulatif tertentu total varian diekstraksi oleh faktor berturut-turut.
Tujuannya adalah untuk memastikan signifikansi praktis untuk faktor-faktor
yang diperoleh untuk memastikan bahwa mereka menjelaskan setidaknyasejumlah tertentu varians. Tidak ada batas absolut telah diadopsi untuk semua
aplikasi. Namun, dalam ilmu alam prosedur pemfaktoran biasanya tidak boleh
berhenti sampai faktor-faktor diekstraksi untuk setidaknya 95 persen dari varians
atau sampai account faktor terakhir hanya sebagian kecil (kurang dari 5%).
Sebaliknya, dalam ilmu-ilmu sosial, di mana informasi sering kurang tepat, tidak
jarang untuk mempertimbangkan solusi yang menyumbang 60 persen dari total
varian (dan dalam beberapa kasus bahkan kurang) yang memuaskan.
7/30/2019 Tugas -01 (Analisis Faktor)
10/14
Sebuah varian dari kriteria ini melibatkan pemilihan faktor-faktor yang
cukup untuk mencapai komunalitas yang telah ditetapkan sebelumnya untuk
setiap variabel. Jika alasan teoritis atau praktis memerlukan komunalitas tertentu
untuk setiap variabel, maka peneliti akan mencakup banyak faktor yang
diperlukan untuk cukup mewakili setiap variabel aslinya. Pendekatan ini berbeda
hanya pada jumlah total perbedaan yang dapat dijelaskan, yang mengabaikan
tingkat penjelasan untuk variabel individu.
d. SCREE TEST CRITERION.Ingat bahwa dengan model analisis komponen faktor faktor kemudian diekstrak
mengandung varian umum dan unik. Meskipun semua faktor mengandung
setidaknya varians unik, proporsi varians yang unik secara substansial lebih
tinggi dalam faktor selanjutnya. Uji scree digunakan untuk mengidentifikasi
jumlah optimal dari faktor-faktor yang dapat diekstraksi sebelum jumlah
perbedaan yang unik mulai mendominasi struktur varians bersama. Tes scree
diperoleh dengan memplot akar laten terhadap jumlah faktor agar mereka
diekstraksi, dan bentuk kurva yang dihasilkan digunakan untuk memeringkat
titik batas.
G. Menjelaskan Konsep dari Rotasi Faktor
Setelah satu atau lebih dari faktor terbentuk, dengan sebuah faktor berisi
sejumlah variabel, mungkin saja sebuah variabel sulit untuk ditentukan akan masuk ke
dalam faktor yang mana. Atau, jika yang terbentuk dari proses factoring hanya satu
faktor, bisa saja sebuah variabel diragukan apakah layak dimasukkan dalam faktor yang
terbentuk atau tidak. Untuk mengatasi hal tersebut, bisa dilakukan proses rotasi
(rotation) pada faktor yang terbentuk, sehingga memperjelas posisi sebuah variabel,
akankah dimasukkan pada faktor yang satu ataukah ke faktor yang lain.Sama dengan proses factoring, proses rotasi juga ada berbagai macam cara.
Beberapa metode rotasi yang populer dilakukan :
a. Orthogonal Rotation, yakni memutar sumbu 90. Proses rotasi dengan metodeOrthogonal masih bisa dibedakan menjadi : QUARTIMAX, VARIMAX, dan
EQUIMAX. Berikut masing-masing penjelasannya :
1. QUARTIMAX
7/30/2019 Tugas -01 (Analisis Faktor)
11/14
Tujuan akhir dari rotasi QUARTIMAX adalah untuk menyederhanakan
baris dari matriks faktor, yaitu, QUARTIMAX berfokus pada putaran faktor
awal sehingga beban variabel tinggi pada satu faktor dan serendah mungkin
pada semua faktor lainnya. Dalam rotasi, banyak variabel dapat memuat
beban tinggi atau mendekati tinggi pada factor yang sama karena pusat teknik
untuk menyederhanakan baris. Metode QUARTIMAX belum terbukti sangat
sukses dalam memproduksi struktur sederhana. Kesulitannya adalah bahwa ia
cenderung untuk menghasilkan faktor umum sebagai faktor pertama yang
sebagian besar, jika tidak semua, dari variabel memiliki beban tinggi.
Terlepas dari konsep seseorang dari struktur yang lebih sederhana, pasti
melibatkan urusan dengan kelompok variabel, metode yang cenderung
membuat faktor umum yang besar (yaitu, QUARTIMAX) tidak sejalan
dengan tujuan rotasi.
2. VARIMAXBerbeda dengan QUARTIMAX, pusat kriteria varimax untuk
menyederhanakan kolom dari matriks faktor. Dengan pendekatan rotasi
varimax, penyederhanaan maksimum yang mungkin tercapai jika hanya
apakah ada hanya 1 atau 0 dalam kolom. Artinya, metode varimax
memaksimalkan jumlah varians beban yang dibutuhkan dari matriks faktor.
Ingatlah bahwa dalam pendekatan QUARTIMAX, banyak variabel dapat
memuat tinggi atau mendekati tinggi pada faktor yang sama karena teknik
berpusat pada menyederhanakan baris. Dengan pendekatan rotasi varimax,
beberapa beban tinggi (yaitu, dekat dengan -1 atau +1) kemungkinan, seperti
juga beberapa beban mendekati 0 dalam setiap kolom dari matriks. Logikanya
adalah bahwa penafsiran paling mudah ketika variabel-faktor korelasi adalah(1) dekat dengan baik +1 atau -1, sehingga menunjukkan asosiasi positif atau
negatif yang jelas antara variabel dan faktor, atau (2) dekat dengan 0 ,
menunjukkan kurang jelasnya asosiasi. Struktur ini pada dasarnya sederhana.
Meskipun solusi QUARTIMAX adalah analitis sederhana daripada solusi
varimax, varimax tampaknya memberikan pemisahan yang lebih jelas pada
faktor. Secara umum, percobaan Kaiser [22, 23] menunjukkan bahwa pola
faktor diperoleh rotasi cenderung lebih invarian dari yang diperoleh dengan
7/30/2019 Tugas -01 (Analisis Faktor)
12/14
metode QUARTIMAX ketika himpunan bagian yang berbeda dari variabel
yang dianalisis. Metode varimax telah terbukti sukses sebagai pendekatan
analitik untuk memperoleh rotasi orthogonal faktor.
3. EQUIMAXPendekatan EQUIMAX adalah kompromi antara pendekatan
QUARTIMAX dan VARIMAX. Daripada berkonsentrasi baik pada
penyederhanaan baris atau penyederhanaan kolom, ia mencoba untuk
menyatukan keduanya. EQUIMAX belum memperoleh penerimaan luas dan
jarang digunakan.
b. Oblique Rotation, yakni memutar sumbu ke kanan, namun tidak harus 90.Proses rotasi dengan metode Oblique masih bisa dibedakan menjadi OBLIMIN,
PROMAX, ORTHOBLIQUE dan lainnya.
Rotasi miring (Oblique Ritation) mirip dengan rotasi orthogonal, kecuali
bahwa rotasi miring memungkinkan faktor berkorelasi bukannya
mempertahankan indepedensi antara faktor-faktor yang dirotasi. Dimana
beberapa pilihan yang tersedia antara pendekatan ortogonal, Namun,
kebanyakan paket statistik biasanya hanya menyediakan pilihan yang terbatas
untuk rotasi miring. Misalnya, SPSS menyediakan OBLIMIN, SAS memiliki
PROMAX dan ORTHOBLIQUE, dan BMDP menyediakan DQUART,
DOBLIMIN, dan ORTHOBLIQUE. Tujuan dari penyederhanaan sebanding
dengan metode orthogonal, dengan fitur tambahan dari faktor berkorelasi.
Dengan kemungkinan faktor berkorelasi, peneliti harus berhati-hati pada faktor
tambahan untuk memvalidasi diputar faktor yang dirotasi, karena mereka
memiliki cara tambahan (nonorthogonality) untuk menjadi spesifik pada sampel
dan tidak digeneralisasikan, terutama dengan sampel dalam jumlah yang kecil
atau rendah untuk variabel rasio.
Memilih Metode Rotasi Faktor
Tidak ada aturan khusus yang telah dikembangkan untuk memandu peneliti
dalam memilih teknik rotasi orthogonal tertentu atau rotasi miring (Oblique Ritation).
Dalam kebanyakan kasus, peneliti hanya menggunakan teknik rotasi yang disediakan
oleh program komputer. Kebanyakan program memiliki rotasi varimax , tetapi semua
metode rotasi utama tersedia secara luas. Namun, ada alasan kuat para analitis lebih
7/30/2019 Tugas -01 (Analisis Faktor)
13/14
memilih salah satu metode rotasi dibandingkan dengan metode-metode yang lain.
Pilihan rotasi ortogonal atau rotasi miring (oblique Ritation) harus didasarkan atas
kebutuhan khusus dari suatu masalah penelitian tertentu. Untuk tujuan ini, beberapa
panduan dalam memilih metode rotasi.
a. Orthogonal rotation methods : Apakah yang paling banyak digunakan dalam metode rotasi Apakah metode pilihan ketika tujuan penelitian ini adalah reduksi data ke
salah satu jumlah yang lebih kecil dari variabel atau satu set langkah-
langkah yang tidak ada korelasi (uncorrelated) untuk penggunaan
selanjutnya dalam teknik multivariat lainnya
b. Oblique rotation methods : Apakah paling cocok untuk tujuan memperoleh beberapa faktor yang
bermakna secara teoritis atau konstruksi, karena, secara realistis,
beberapa konstruksi di dunia nyata berkorelasi
H. Penafsiran Faktor-faktor
Untuk membantu proses interpretasi sebuah struktur factor dan memilih satu
struktur faktor yag final sebagai solusi maka proses fundamental mesti dilakukan.
Secara mendatail penafsiran factor yang menghasilkan solusi harus meliputi:
1. Tiga proses interpretasi factor yakni estimasi factor matriks, notasi factor,serta respesifikasi dan interpretasi factor.
2. Rotasi fator-faktor3. Menetapkan signifikansi dari antrian factor4. Penafsiran suatu faktor analisis
I. Validasi Analisi Faktor
Bahwa dalam proses validasi, peneliti semestinya menjadikan satu alamat
terhadap angka dalam isu-isu dari desain penelitian dan karakteristik sebagai diskusi
selanjutnya. Selanjutnya validasi analisis faktor perlu memperhatikan hal berikut:
1. Persepsi konformasi yang digunakan2. Stabilitas penilaian struktur faktor3. Mendeteksi observasi yang mempengaruhi faktor
J. Tambahan penggunaan dari hasil analisis factor
7/30/2019 Tugas -01 (Analisis Faktor)
14/14
Bahwa terhadap objektifitas para peneliti yang menghentikan penafsiran
terhadap analisis faktor dengan menggunakan metode reduksi data. Keobyektifan akan
menjadi sederhana jika dikombinasikan dari variabel yang dipahami dengan baik antara
variabel berhubungan kuat. Selanjutnya perlu diketahui juga dua pilihan masuk yang
akan ditindaklanjuti yakni:
1. Menentukan variabel yang memakan waktu lama sebagai representase darisebuah dimensi faktor particular
2. Menempatkan kembali aturan orisinil dari variabel dengan memasukkan yangbaru, aturan pengecil dari variabel dikreasikan ke dalam bentuk skala yang telah
diringkas atau skor-skor faktor.