Skip to content
Kembali ke hasil pencarian

Analisis Faktor

Diperkenalkan oleh
Louis Leon Thurstone
Tahun
1931
Jenis
Method
Keluarga
dimension-reduction

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Analisis faktor adalah teknik statistik untuk mengidentifikasi dimensi laten (tidak teramati) yang mendasari variabel teramati, dikembangkan oleh Louis Leon Thurstone pada tahun 1930-an dan diformalkan oleh Jöreskog (1969).

Analisis faktor eksploratori (EFA) menemukan struktur faktor yang tidak diketahui dari data; analisis faktor konfirmatori (CFA) menguji hubungan yang dihipotesiskan antara variabel teramati dan laten. Penting dalam psikometri (pengembangan tes), penelitian organisasi (mengukur konstruk seperti gaya kepemimpinan), dan biomedis (mengidentifikasi subtipe penyakit), analisis faktor mengurangi dimensionalitas sambil mengungkapkan organisasi konseptual dalam data multivariat.

Intuisi di balik metode

Variabel teramati (item kuesioner, pengukuran) sering kali merupakan manifestasi dari konstruk laten yang mendasarinya (kecerdasan, tingkat keparahan depresi, iklim organisasi) yang tidak dapat diukur secara langsung. Analisis faktor mengasumsikan korelasi di antara variabel teramati mencerminkan faktor laten bersama. Matematika menguraikan matriks korelasi menjadi varians bersama (dijelaskan oleh faktor) dan varians unik (efek kesalahan dan item spesifik). Analisis faktor eksploratori bertanya: struktur laten apa yang paling baik menjelaskan korelasi ini? Analisis faktor konfirmatori bertanya: apakah struktur yang diusulkan secara teoretis sesuai dengan data? Hal ini memungkinkan peneliti untuk mengukur konsep abstrak, memvalidasi instrumen penilaian, dan memahami organisasi dimensional dalam kumpulan data yang kompleks.

Sejarah

Charles Spearman (1904) memperkenalkan analisis faktor untuk menjelaskan korelasi positif di antara kemampuan mental (kecerdasan umum 'g'). Louis Leon Thurstone (1931) memperluas ke beberapa faktor dan mengembangkan metode rotasi (sentroid, sumbu utama). Analisis faktor konfirmatori Karl Jöreskog (1969) dan pemodelan persamaan struktural merevolusi pengujian hipotesis dalam model variabel laten. Kriteria Kaiser (Kaiser, 1960) menstandarkan ekstraksi faktor berbasis nilai eigen. Perkembangan modern meliputi teori respons item (Rasch, 1960), metode estimasi yang kuat (estimasi bebas distribusi), dan analisis faktor multigroup/multilevel untuk membandingkan struktur di berbagai populasi atau data bersarang.

Kapan digunakan

Gunakan EFA saat mengeksplorasi struktur dimensional dari konstruk pengukuran baru, menyempurnakan skala, atau memahami hubungan di antara variabel teramati tanpa teori a priori. Penilaian psikologis: pemilihan item untuk skrining depresi baru, skala penilaian kepemimpinan. Biomedis: mengidentifikasi subtipe penyakit dari korelasi gejala. Gunakan CFA saat memvalidasi skala yang dikembangkan sebelumnya, menguji model pengukuran teoretis, atau membandingkan struktur faktor yang bersaing. Umum dalam psikologi: mengkonfirmasi model unidimensional vs multidimensional dari suatu konstruk. Juga gunakan CFA sebagai bagian pengukuran dari model persamaan struktural yang lebih besar yang menghubungkan variabel laten dengan hasil.

Batasan dan pertimbangan

  • Hasil EFA bergantung pada sampel; struktur faktor mungkin tidak tereplikasi dalam sampel baru. Selalu validasi silang temuan atau gunakan analisis faktor konfirmatori pada sampel independen.
  • Mengasumsikan hubungan linier antara variabel dan faktor; efek nonlinier atau ambang batas tidak terdeteksi.
  • Interpretasi bersifat subjektif: struktur nilai eigen dan rotasi yang serupa dapat menghasilkan interpretasi yang berbeda. Beberapa solusi mungkin cocok dengan data dengan baik.
  • Membutuhkan sampel besar untuk estimasi yang stabil: aturan umum n > 5 × variabel; sampel kecil (n < 100) menghasilkan faktor yang tidak stabil dan tidak dapat direplikasi.
  • CFA mengasumsikan model pengukuran benar sebelumnya; jika struktur sebenarnya berbeda, ukuran kecocokan model mungkin tidak mendeteksi kesalahan spesifikasi (minimum lokal, model yang setara).

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Pengurangan dimensionalitas: banyak variabel teramati dikompresi menjadi beberapa faktor laten yang dapat diinterpretasikan, menyederhanakan analisis dan komunikasi.
  • Mengungkap konstruk laten: memungkinkan pengukuran konsep abstrak (kecerdasan, kepribadian, budaya organisasi) yang tidak dapat diamati secara langsung.
  • Dasar statistik untuk pengembangan tes: mendukung bukti validitas untuk penilaian psikologis dan pendidikan; CFA secara formal memvalidasi model pengukuran.
  • Fleksibel: mengakomodasi data biner, ordinal, dan kontinu; menangani data yang hilang melalui kemungkinan maksimum seluruh informasi (FIML) dalam CFA.
  • Meluas ke model kompleks: fondasi untuk pemodelan persamaan struktural yang menghubungkan variabel laten dengan hasil, memungkinkan uji mediasi dan moderasi.

Penerapan

  • Pengembangan tes psikologis: menyusun dan memvalidasi skala klinis (depresi, kecemasan), inventaris kepribadian (Big Five), dan tes kemampuan kognitif; menetapkan bukti validitas.
  • Penelitian organisasi: mengukur konstruk seperti kepuasan kerja, komitmen organisasi, gaya kepemimpinan; mengkonfirmasi sifat multidimensional dari konsep kompleks.
  • Penilaian kualitas hidup: mengurangi banyak item terkait kesehatan menjadi dimensi yang dapat diinterpretasikan (fungsi fisik, mental, sosial) untuk pengukuran hasil.
  • Penilaian pendidikan: mengembangkan penilaian kurikulum, menetapkan validitas ujian masuk perguruan tinggi, mengurangi kumpulan item sambil mempertahankan cakupan konseptual.
  • Penelitian biomedis: mengidentifikasi fenotipe penyakit yang berbeda dari korelasi gejala/penanda genetik (endotipe), mengurangi data genomik berdimensi tinggi menjadi dimensi laten yang dapat diinterpretasikan.

Cara kerjanya

Cara kerjanya

1

Lakukan analisis faktor eksploratori atau konfirmatori dengan mengumpulkan data pada beberapa variabel teramati (biasanya >5) dari sampel yang cukup besar (aturan umum: n > 5 × jumlah variabel, atau minimum absolut n ≥ 100; idealnya n > 200). Untuk EFA: kumpulkan data tanpa hipotesis sebelumnya tentang struktur faktor; variabel harus cukup berkorelasi (periksa matriks korelasi; semua korelasi < 0,3 menunjukkan faktor tidak mungkin). Nilai kecukupan sampel: uji Kaiser-Meyer-Olkin (KMO) membandingkan besarnya korelasi dengan korelasi parsial; KMO > 0,6 dapat diterima, > 0,7 baik. Uji sferisitas Bartlett harus signifikan (p < 0,05), menunjukkan korelasi berbeda dari matriks identitas. Untuk CFA: tentukan struktur faktor yang dihipotesiskan sebelumnya berdasarkan teori dan penelitian sebelumnya.

2

Untuk analisis faktor eksploratori: ekstrak faktor menggunakan faktorisasi sumbu utama (PAF) atau kemungkinan maksimum (ML). Kriteria Kaiser: pertahankan faktor dengan nilai eigen > 1. Plot scree: plot nilai eigen dalam urutan menurun; pertahankan faktor sebelum siku (titik pengembalian yang berkurang). Analisis paralel: bandingkan nilai eigen dengan data acak; pertahankan faktor yang melebihi tolok ukur acak. Rotasi faktor (varimax = ortogonal/tidak berkorelasi, oblimin = miring/berkorelasi) untuk meningkatkan interpretasi dan mencapai struktur sederhana (setiap variabel memuat kuat pada satu faktor). Laporkan pemuatan faktor (korelasi antara variabel dan faktor): biasanya |pemuatan| > 0,4 dianggap menonjol; pemuatan > 0,7 kuat. Hitung komunalitas: proporsi varians setiap variabel yang dijelaskan oleh faktor; komunalitas rendah (<0,3) menunjukkan kecocokan yang buruk untuk variabel tersebut. Untuk analisis faktor konfirmatori: sesuaikan model yang dihipotesiskan menggunakan perangkat lunak pemodelan persamaan struktural (SEM). Laporkan indeks kecocokan model: CFI (Comparative Fit Index) > 0,95, TLI (Tucker-Lewis Index) > 0,95, RMSEA (Root Mean Square Error of Approximation) < 0,06, SRMR (Standardized Root Mean Square Residual) < 0,08 (Hu & Bentler, 1999).

3

Dalam EFA, identifikasi faktor laten dengan memeriksa variabel mana yang memuat tinggi pada setiap faktor; interpretasikan faktor secara konseptual berdasarkan konten variabel. Misalnya, jika item tentang kesedihan, keputusasaan, dan anhedonia semuanya memuat >0,6 pada satu faktor, beri label 'depresi'. Laporkan varians faktor yang dijelaskan: jumlah kuadrat pemuatan dibagi jumlah variabel × 100% memberikan varians per faktor; total di seluruh faktor menunjukkan kecocokan keseluruhan. Keandalan dalam setiap faktor: hitung Cronbach's alpha (≥0,70 dapat diterima, ≥0,80 baik) pada variabel yang memuat pada faktor tersebut. Dalam CFA, periksa pemuatan faktor terstandarisasi (semua harus > 0,4, idealnya > 0,6); pemuatan yang tidak signifikan menunjukkan item mengukur konstruk dengan buruk. Indeks kecocokan model: memenuhi semua kriteria (CFI > 0,95, RMSEA < 0,06) mendukung model yang diusulkan. Indeks modifikasi menunjukkan jalur alternatif; namun, penyesuaian model berbasis data (post-hoc) mengkompromikan validitas model—gunakan sampel validasi silang untuk menguji model yang dimodifikasi. Laporkan varians yang dijelaskan oleh variabel laten untuk setiap variabel teramati (R²).

Kesalahan umum

  • EFA berbasis data dengan sampel kecil: memanfaatkan peluang; replikabilitas dalam sampel baru buruk. Selalu lakukan EFA pada sampel eksploratori dan validasi pada sampel penahan.
  • Mengekstrak faktor berdasarkan kriteria Kaiser (nilai eigen > 1) saja; plot scree dan analisis paralel memberikan panduan tambahan dan sering kali menyarankan lebih sedikit faktor.
  • Mempertahankan faktor yang tidak dapat diinterpretasikan: jika faktor tidak dapat diberi label secara konseptual atau berisi pemuatan yang tidak terkait secara konseptual, pertimbangkan untuk menghapusnya daripada memaksakan interpretasi.
  • Kesalahan spesifikasi model CFA: salah menentukan struktur faktor, menghilangkan jalur yang relevan secara teoretis, atau mengizinkan kesalahan yang berkorelasi tanpa justifikasi mengkompromikan validitas.
  • Salah menafsirkan besarnya pemuatan faktor: pemuatan adalah korelasi, bukan regresi; pemuatan 0,5 hanya menjelaskan 25% varians variabel (R² = 0,5²).
  • Menggunakan rotasi yang tidak tepat: varimax (ortogonal) memaksakan faktor yang tidak berkorelasi; oblimin (miring) mengizinkan korelasi. Pilih berdasarkan teori; rotasi ortogonal seringkali tidak realistis.

Pertanyaan yang sering diajukan

Apa perbedaan antara analisis faktor eksploratori dan konfirmatori?

Analisis faktor eksploratori (EFA) menemukan struktur laten dari data tanpa teori sebelumnya; Anda membiarkan data memandu berapa banyak faktor dan variabel mana yang memuat pada faktor mana. Gunakan EFA saat menyelidiki konstruk atau skala baru. Analisis faktor konfirmatori (CFA) menguji struktur faktor yang dihipotesiskan yang ditentukan sebelum analisis berdasarkan teori dan penelitian sebelumnya. CFA memberikan uji kecocokan formal dan lebih ketat secara statistik. Praktik standar: lakukan EFA pada sampel pelatihan untuk mengusulkan model, lalu validasi dengan CFA pada sampel uji independen (atau gunakan validasi silang). Jangan pernah melakukan EFA pada sampel yang sama yang digunakan untuk validasi CFA.

Berapa banyak faktor yang harus saya ekstrak? Apa yang dikatakan plot scree?

Beberapa kriteria memandu ekstraksi faktor: (1) Kriteria Kaiser (nilai eigen > 1) adalah tradisional tetapi sering menyarankan terlalu banyak faktor. (2) Plot scree: nilai eigen diplot dalam urutan menurun; pertahankan faktor sebelum siku (titik di mana pengembalian yang berkurang dimulai). 'Scree' adalah lereng setelah siku. (3) Analisis paralel: bandingkan nilai eigen empiris dengan nilai eigen dari permutasi acak; pertahankan hanya faktor yang melebihi tolok ukur acak. Analisis paralel paling dapat dipertahankan secara statistik. (4) Interpretasi: pertahankan hanya faktor yang dapat Anda beri label dan jelaskan secara konseptual. Kriteria yang berbeda sering menghasilkan jumlah yang berbeda; konsultasikan beberapa metode dan teori.

Apa arti pemuatan faktor 0,6, dan bagaimana perbedaannya dengan koefisien keandalan?

Pemuatan faktor 0,6 adalah korelasi antara variabel teramati dan faktor laten; ini menunjukkan variabel berkontribusi dalam mengukur faktor tersebut. Kuadrat pemuatan (0,6² = 0,36) adalah proporsi varians variabel yang dijelaskan oleh faktor. Pemuatan > 0,4 minimal dapat diterima; > 0,6 kuat. Koefisien keandalan (Cronbach's alpha, biasanya ≥0,70) mengukur konsistensi internal: sejauh mana beberapa variabel yang mengukur konstruk yang sama berkorelasi satu sama lain. Pemuatan menunjukkan hubungan dengan faktor laten; alpha menunjukkan apakah variabel secara bersama-sama secara konsisten mengukur satu konstruk. Keduanya penting: pemuatan tinggi dan alpha tinggi bersama-sama mendukung dimensi laten yang homogen.

Bagaimana cara menangani variabel dengan komunalitas rendah?

Komunalitas adalah proporsi varians variabel yang dijelaskan oleh semua faktor (jumlah kuadrat pemuatan di seluruh faktor). Komunalitas rendah (<0,3) menunjukkan bahwa variabel direpresentasikan dengan buruk oleh faktor, baik karena: (1) ia mengukur konstruk unik yang tidak ditangkap oleh model faktor, (2) ia tidak andal/berisik, atau (3) solusi faktor salah. Pilihan: hapus variabel (sederhanakan model jika dibenarkan secara teoretis), tambahkan faktor (mungkin terlalu pas), atau selidiki apakah variabel tersebut benar-benar termasuk dalam skala. Selalu periksa konten item; terkadang komunalitas rendah mencerminkan item yang ditulis dengan buruk daripada ketidakcocokan konseptual.

Metode terkait

Sumber

  1. Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press.

    Buka referensi DOI
    Disalin.
  2. Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.

    Buka referensi DOI
    Disalin.
  3. Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.

    Buka referensi DOI
    Disalin.