Tugas -01 (Analisis Faktor)

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


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


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.


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


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.


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


7/14

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,


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


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.


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


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


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


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


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.

Tugas -01 (Analisis Faktor)

Documents

Transcript of Tugas -01 (Analisis Faktor)