ANALISIS FAKTOR EFA
EXPLORATORY FACTOR ANALYSIS (EFA)
KONSEP DASAR ANALISIS FAKTOR EXPLORATORY FACTOR ANALYSIS (EFA)
Analisis Faktor Eksploratori (EFA) adalah metode statistik yang digunakan untuk menganalisis hubungan antara variabel dalam dataset yang kompleks. Tujuan utama dari EFA adalah untuk mengidentifikasi faktor-faktor laten atau konstruksi yang mendasari pola hubungan di antara variabel-variabel tersebut.
Dalam konteks EFA, “faktor” merujuk pada variabel laten yang tidak terukur secara langsung, tetapi dapat dijelaskan atau diprediksi oleh kumpulan variabel terukur yang saling berkaitan. EFA membantu dalam mengurangi dimensi dataset dengan menggabungkan variabel-variabel yang saling terkait menjadi faktor-faktor yang lebih sedikit, sehingga mempermudah pemahaman dan analisis data.
EFA biasanya dilakukan sebagai langkah pertama dalam analisis faktor sebelum melakukan analisis faktor konfirmatori (CFA) atau model persamaan struktural. EFA membantu para peneliti untuk mengeksplorasi struktur dasar data mereka, mengidentifikasi pola atau dimensi-dimensi yang mungkin ada, serta mengidentifikasi variabel-variabel mana yang paling berkontribusi terhadap faktor-faktor tersebut.
Hasil dari EFA biasanya berupa faktor loading, yang mengindikasikan kekuatan hubungan antara variabel terukur dan faktor-faktor yang diidentifikasi. Selain itu, EFA dapat membantu dalam menentukan jumlah faktor yang signifikan, melakukan rotasi faktor untuk memperjelas interpretasi, dan memvalidasi hasil analisis dengan menguji validitas dan reliabilitas faktor.
Dengan menggunakan EFA, peneliti dapat memperoleh wawasan baru tentang struktur yang mendasari data mereka, mengidentifikasi pola-pola yang muncul, serta memperoleh pemahaman yang lebih baik tentang konsep atau variabel yang sedang diteliti.
Penting untuk diingat bahwa EFA adalah metode eksploratori, yang berarti analisis ini tidak didasarkan pada hipotesis tertentu sebelumnya. EFA memungkinkan penemuan penjelasan atau struktur baru dari data yang tidak diketahui sebelumnya, sehingga menjadi alat yang kuat dalam eksplorasi data dalam penelitian sosial dan ilmu perilaku.
Tujuan utama dari Analisis Faktor Eksploratori (EFA) adalah untuk mengidentifikasi faktor-faktor laten atau konstruksi yang mendasari pola hubungan di antara variabel-variabel dalam dataset yang kompleks. Berikut ini adalah beberapa tujuan utama dari EFA:
- Reduksi Dimensi: EFA membantu dalam mengurangi dimensi dataset dengan mengidentifikasi faktor-faktor yang menjelaskan sebagian besar variasi dalam variabel-variabel yang ada. Dengan menggabungkan variabel-variabel terkait menjadi faktor-faktor yang lebih sedikit, EFA memungkinkan pemahaman yang lebih sederhana dan fokus pada elemen-elemen kunci dalam data.
- Identifikasi Struktur Dasar: EFA membantu dalam mengidentifikasi struktur dasar yang ada dalam data. Dengan menganalisis pola hubungan antara variabel-variabel, EFA dapat mengungkapkan dimensi-dimensi atau faktor-faktor yang mungkin mendasari data. Misalnya, dalam penelitian mengenai kepuasan pelanggan, EFA dapat membantu mengidentifikasi faktor-faktor yang berkontribusi terhadap kepuasan pelanggan, seperti kualitas produk, pelayanan, harga, dan sebagainya.
- Menentukan Jumlah Faktor: EFA membantu dalam menentukan jumlah faktor yang signifikan dalam dataset. Dengan menganalisis faktor loading dan variasi yang dijelaskan oleh setiap faktor, EFA dapat membantu peneliti dalam menentukan faktor-faktor yang paling berpengaruh dan relevan. Hal ini memungkinkan peneliti untuk memfokuskan analisis lebih lanjut pada faktor-faktor yang paling penting.
- Eksplorasi Data: EFA merupakan metode eksploratori yang memungkinkan penemuan penjelasan atau struktur baru dari data yang tidak diketahui sebelumnya. Tujuan dari eksplorasi data adalah untuk mendapatkan wawasan baru dan pemahaman yang lebih dalam tentang fenomena yang diteliti, sehingga dapat membuka peluang untuk penelitian lebih lanjut.
Confirmatory Factor Analysis (CFA) dan Exploratory Factor Analysis (EFA) adalah dua metode analisis faktor yang umum digunakan dalam penelitian. Meskipun keduanya berkaitan dengan analisis faktor, ada perbedaan penting antara CFA dan EFA dalam tujuan, pendekatan, dan penggunaan. Berikut adalah perbedaan antara CFA dan EFA:
Dari segi tujuan, CFA adalah untuk menguji kecocokan antara model faktor yang telah diajukan sebelumnya dengan data yang dikumpulkan. CFA berfokus pada menguji hipotesis yang telah diajukan sebelumnya dan menguji struktur faktor yang telah dirumuskan. Sedangkan tujuan EFA adalah untuk mengidentifikasi struktur faktor yang muncul dari data tanpa adanya hipotesis sebelumnya. EFA digunakan untuk mengeksplorasi pola hubungan antara variabel pengukuran dan mengidentifikasi faktor-faktor laten yang mungkin ada.
Dari segi pendekatan analisis, CFA menggunakan pendekatan konfirmatori, di mana peneliti mengajukan model faktor yang telah diusulkan sebelumnya dan menguji kecocokannya dengan data empiris. CFA menerapkan teknik-teknik statistik untuk menguji apakah model tersebut cocok dengan data yang diamati. Sedangkan EFA menggunakan pendekatan eksploratori, di mana analisis faktor dilakukan tanpa adanya model faktor yang diusulkan sebelumnya. EFA digunakan untuk mengeksplorasi struktur faktor yang muncul dari data dengan menggunakan teknik-teknik statistik untuk mengidentifikasi pola hubungan antara variabel pengukuran.
Dari segi penggunaan, CFA umumnya digunakan ketika peneliti memiliki teori atau hipotesis yang kuat tentang struktur faktor yang diharapkan. CFA digunakan untuk menguji kecocokan model faktor dengan data empiris dan memberikan dukungan empiris terhadap model yang diusulkan. Sedangkan EFA umumnya digunakan ketika peneliti ingin mengeksplorasi dan mengidentifikasi faktor-faktor laten yang mungkin ada dalam data tanpa adanya hipotesis yang kuat. EFA membantu mengungkap pola hubungan antara variabel pengukuran dan mengidentifikasi faktor-faktor yang mungkin berperan dalam menjelaskan variasi data.
Meskipun terdapat perbedaan tersebut, CFA dan EFA dapat saling melengkapi dalam penelitian. EFA dapat digunakan untuk menjelajahi data dan mengidentifikasi faktor-faktor laten yang mungkin ada, sedangkan CFA dapat digunakan untuk menguji dan mengkonfirmasi model faktor yang telah diusulkan berdasarkan hasil EFA atau teori yang ada sebelumnya.
Analisis Faktor Eksploratori (EFA) memiliki kelebihan dan kekurangan yang perlu dipertimbangkan sebelum digunakan dalam penelitian. Berikut adalah beberapa kelebihan dan kekurangan dari EFA:
Ada beberapa Kelebihan EFA, diantaranya:
- Identifikasi Struktur Data: EFA membantu mengidentifikasi struktur yang mendasari hubungan antara variabel dalam dataset, memungkinkan peneliti untuk mengenali pola dan faktor-faktor laten yang berkontribusi pada variasi data.
- Reduksi Dimensi: EFA menggabungkan variabel-variabel terkait menjadi faktor-faktor yang lebih sedikit, mengurangi kompleksitas dataset dan mempermudah analisis.
- Konstruksi Indikator: EFA dapat membantu dalam mengembangkan pertanyaan survei atau instrumen pengukuran dengan mengidentifikasi faktor-faktor yang mendasari variabel terukur.
- Penemuan Baru: EFA adalah metode eksploratori, sehingga dapat membantu mengungkapkan hubungan atau pola baru dalam data yang tidak diketahui sebelumnya.
Selain memiliki kelebihan, EFA juga memiliki beberapa kekurangan, diantaranya yaitu :
- Subyektivitas dalam Interpretasi: Hasil EFA dapat tergantung pada penafsiran peneliti terhadap faktor loading dan rotasi faktor. Ini dapat menyebabkan subyektivitas dalam menamai dan menginterpretasi faktor.
- Sensitivitas terhadap Jumlah dan Jenis Data: Hasil EFA dapat berbeda tergantung pada jumlah variabel dan sampel yang digunakan. Jika data berubah atau ada penambahan variabel, hasil EFA dapat berubah pula.
- Overfitting: Terkadang, EFA dapat menghasilkan faktor-faktor yang tidak relevan atau berlebihan jika jumlah variabel relatif kecil dibandingkan dengan jumlah sampel, yang dapat menyebabkan overfitting.
- Penentuan Jumlah Faktor: Menentukan jumlah faktor yang tepat bisa menjadi tantangan. Terlalu banyak atau terlalu sedikit faktor dapat menyulitkan interpretasi data.
- Ketergantungan pada Asumsi: EFA memiliki asumsi yang harus dipenuhi, seperti normalitas data dan hubungan linear antara variabel. Jika asumsi-asumsi ini tidak terpenuhi, hasil EFA bisa menjadi kurang dapat diandalkan.
- Tidak Menyediakan Hubungan Kausal: EFA hanya menggambarkan hubungan dan pola antara variabel, tetapi tidak dapat menyatakan hubungan sebab-akibat atau kausalitas.
Meskipun EFA memiliki beberapa kelemahan, ini tetap menjadi alat yang sangat berguna dalam mengungkap struktur data yang kompleks, terutama ketika digunakan dengan hati-hati dan dipadukan dengan analisis yang lebih lanjut seperti analisis faktor konfirmatori (CFA) atau model persamaan struktural untuk memverifikasi temuan dan memperkuat interpretasi.
BERIKUT CARA ANALISIS FAKTOR EFA DENGAN SPSS:
- Siapkan tabulasi data di Excel, lalu input data atau masukan data ke SPSS pada Page Data View.
- Jangan lupa isikan juga pada Page Variable View.
- Selanjutnya lakukan analisis data, dengan cara pilih menu Analyze – Dimension Reduction – Factor.
- Muncul kotak dialog, seperti ini :
- Masukan semua item ke kolom sebelah kanan (Variables)
- Lalu pilih Descriptives – Ceklis KMO and Bartlett’s test of sphericity dan Anti-image – lalu pilih Continue.
- Selanjutnya pilih Rotation – dibagian Method pilih Varimax – lalu Continue.
- Selanjutnya pilih menu Options – dibagian Coefficient Display Format pilih Suppress Small Coefficient – lalu bagian Absolute Value Below isikan angka 50 sebagai Acuan Factor Loading – Continue dan OK.
- Keluar Output (1) SPSS untuk ANALISIS FAKTOR EFA
- Interpretasi atau Analisis Output (1) ANALISIS FAKTOR EFA:
Diketahui Nilai Kaiser Meyer Oikin Measure Of Sampling Adequacy (KMO MSA) sebesar 0.658 > 0.50 dan Nilai Sig 0.000 < 0.05 maka bisa disimpulkan bahwa Asumsi Analisis Faktor telah terpenuhi
- Selanjutnya Output (2) SPSS dalam ANALISIS FAKTOR EFA :
- Interpretasi atau Analisis Output (2) ANALISIS FAKTOR EFA:
Diketahui Nilai Anti Image Correlation (kolom warna merah) lebih besar dari 0.50 (>0.50) maka bisa diartikan asumsi Measure Of Sampling Adequacy (MSA) telah terpenuhi
- Selanjutnya Output (3) SPSS untuk ANALISIS FAKTOR EFA
- Interpretasi atau Analisis Output (3) ANALISIS FAKTOR EFA:
Keseluruhan nilai ekstraksi pada tabel communalities di setiap indikator memiliki nilai extraction lebih besar dari 0.5 sehingga telah memenuhi syarat komunalitas. Secara keseluruhan, dapat diartikan bahwa semua indikator yang digunakan memiliki hubungan yang kuat dengan faktor yang terbentuk.
- Selanjutnya Output (4) SPSS untuk ANALISIS FAKTOR EFA
- Interpretasi atau Analisis Output (4) ANALISIS FAKTOR EFA:
Total variance explained menghasilkan tiga faktor yang dibentuk berdasarkan nilai eigenvalue lebih dari satu. Faktor pertama memiliki nilai eigenvalue sebesar 2,439, faktor kedua memiliki nilai eigenvalue sebesar 1.629, dan faktor ketiga memiliki nilai eigenvalue sebesar 1.275, Faktor-faktor yang terbentuk memiliki nilai total percentage of variance sebesar 76.336% dari 7 Indikator yang dapat dijelaskan oleh tiga faktor yang terbentuk. Artinya indikator yang digunakan membentuk 3 faktor.
- Selanjutnya Output (5) SPSS untuk ANALISIS FAKTOR EFA
- Interpretasi atau Analisis Output (5) ANALISIS FAKTOR EFA:
- Faktor 1 : berisikan 3 indikator yaitu X1, X4 dan X7 dengan Nilai Factor Loading sebagai berikut : X1 (0.893), X4 (0.851) dan X7 (0.904) dimana ketiga indikator memiliki Nilai Factor Loading lebih besar dari 0.50 (Factor Loading > 0.60) dan mengelompok dalam 1 Component atau Faktor. (Kolom Merah)
- Faktor 2 : berisikan 2 indikator yaitu X2 dan X6 dengan Nilai Factor Loading sebagai berikut : X2 (0.879) dan X6 (0.883) dimana kedua indikator memiliki Nilai Factor Loading lebih besar dari 0.50 (Factor Loading > 0.60) dan mengelompok dalam 1 Component atau Faktor. (Kolom Coklat)
- Faktor 3 : berisikan 2 indikator yaitu X3 dan X5 dengan Nilai Factor Loading sebagai berikut : X3 (0.799) dan X5 (0.793) dimana kedua indikator memiliki Nilai Factor Loading lebih besar dari 0.50 (Factor Loading > 0.60) dan mengelompok dalam 1 Component atau Faktor. (Kolom Hijau)
-
NOTE :
Jumlah data yang digunakan dalam contoh sebanyak 85 data, maka Factor Loading acuan yang di peroleh sebesar 0.60
