Common Factor Analysis

Disebut juga principal axis factoring.  Apa yang kita dapatkan dalam principal component analysis, juga tersedia dalam common factor analysis.  Kalau data Tabel 5.1 dianalisis dengan metoda ini, maka descriptive statistics, correlation matrix, KMO and Barlett’s Test, Anti-image correlation, total variance explained, dan scree plot sama dengan yang dihasilkan metoda PCA.  Yang berbeda adalah communalities, factor matrix (dalam PCA disebut component matrix), rotated factor matrix, component score coefficient matrix dan component score covariance matrix.  Aspek-aspek yang berbeda itulah yang dibahas selanjutnya.

Prosedur yang digunakan pun sama saja dengan principal component analysis yang disajikan pada Gambar 5.1.  Bedanya,  pada langkah ke-6, pada kotak dialog extraction (yang diperoleh dengan meng-klik menu desciptive pada kotak dialog factor analysis) pilih principal axis factoring. Langkah sebelum dan setelahnya sama saja.

Communalities

Seperti kita ketahui, communalities adalah total variance yang dijelaskan oleh faktor yang diekstrak.  Cara mengetahui berapa besar yang diekstrak (extraction) sama saja dengan metoda PCA.  Yang mau dikemukakan dalam penjelasan ini adalah kenapa varian awal (initial) tidak sama dengan satu sebagaimana dalam PCA.  Jawabnya, dalam PCA, yang dipakai adalah varian total. Varian total = common variance + unique variance + error.  Untuk data yang distandarisasi, besarnya satu.  Sedangkan dalam common factor analysis, yang dipakai adalah common variance saja. Common variance adalah total variance dikurangi specific variance dan error variance.  Jadi, wajar saja kalau common variance (disebut initial) kurang dari satu (Output 1).

Rotated Factor Matrix

Kesimpulan yang kita ambil dari rotated factor matrix ini sama saja dengan yang sebelumnya.  Yang berbeda hanyalah factor loading.

Factor Score Coefficient Matrix

Interpretasi sama saja dengan PCA,  yang jelas memang koefisien-koefisien berbeda.  Otomatis persamaan kedua faktor yang diekstrak juga berbeda. Sebagai konsekuensinya, skor faktor juga berbeda.

Pertanyaannya, kalau memang common factor analysis juga memberikan hasil yang diberikan PCA (di mana sebagian aspek sama dan sebagian aspek lainnya berbeda), apa yang menjadi pertimbangan kita untuk memilih salah satu di antaranya?

Kalau tujuannya adalah untuk mengetahui dimensi-dimensi yang mendasari variabel-variabel input, pakailah common factor analysis.  PCA juga bisa memberikan hasil itu, akan tetapi metoda CFA lebih akurat.  Common factor analysis juga dapat memberikan  faktor, lengkap dengan skornya kalau ingin dijadikan sebagai variabel baru menggantikan variabel-variabel asli.