Confirmatory Factor Analysis

Analisis faktor konfirmatori dimaksudkan untuk menguji apakah sejumlah variabel benar-benar (akurat) tergabung dalam satu variabel faktor atau konstruk (Hair et al., 2006; Wijanto, 2008). Misalnya, Parasuraman, Zeithalm dan Berry (1988) menyatakan bahwa dimensi-dimensi kulitas layanan terdiri dari credibility, responsiveness, emphaty, assurance dan tangiles.  Kita dapat melakukan uji apakah kelima dimensi itu memang tergabung dalam satu faktor.

Analisis faktor konfirmatori merupakan salah satu teknik yang dapat dipakai untuk uji validitas.  Uji validitas yang umum digunakan adalah korelasi rank-order Spearman. Dalam teknik ini, sebuah variabel dianggap sah atau valid menjadi bagian dari konstruknya apabila nilai r memiliki nilai-t yang nilai signifikansinya <0.05.

Dengan analisis faktor, sebuah variabel dianggap menjadi bagian dari faktornya apabila nilai factor loading > 0.5,  analisis faktor hanya menghasilkan satu faktor dan faktor tersebut menjelaskan lebih dari separuh varians data asli (Hair et al. 2006). Dalam kerangka SEM, analisis faktor konfirmaatori membuat persyaratan yang lebih ketat lagi. Selain factor loading harus minimal O.5 (Hair et al., 2006) atau 0.7 (Wijanto, 2008), average variance extranted (AVE) harus minimal 0.5, dan construct reliability minimal 0.6.  Beberapa peneliti menambahkan syarat keempat, yaitu tercapaikanya validitas diskriminan.

Analisis faktor dalam kerangka SEM dibahas pada Bab 11. Pada kesempatan ini kita membahas analisis konfirmatori yang bukan dalam kerangka SEM. Pertama-tama buka file Repeated-Measures Manova.sav.  File yang kita pakai waktu membahas repeated measures MANOVA ini menggunakan teori Parasuraman et al. (1988) untuk mengembangkan dimensi kualitas layanan. Pada saat itu kita belum membuktikan apakah dalam penelitian tersebut dimensi-dimensi dimaksud tergabung secara sah dalam satu faktor atau variabel laten.

Untuk membuktikannya, setelah file dibuka di SPSS, lakukan prosedur analisis faktor seperti yang dijelaskan dalam ‘Kasus 5.1’ yang mengawali bab ini. Kali ini ekstraksi tidak menggunakan principal component analysis (PCA), akan tetapi principal axis factoring (PAF). Alasannya, variabel-variabel yang tergabung dalam satu faktor mestinya memiliki kemiripan, yang ditandai oleh common variance yang tinggi. Sebagaimana kita ketahui varian inilah yang dijadikan input dalam PAF. Inilah tampilan datanya pada SPSS.

Pada saat kita memasukkan Reliability_1, Responsiveness_1, Assurance_1 dan Tangibles_1, analisis faktor memberikan hanya satu faktor bagi kelima dimensi tersebut (Output 1).  Hasil ini menunjukkan bahwa kelima dimensi memang tergabung pada faktor atau variabel laten yang sama, yaitu kualitas layanan sebelum training dilakukan.

Kemudian, pada Output 2 juga terlihat bahwa masing-masing dimensi memiliki factor loading yang memenuhi syarat nilai 0.5 atau lebih tinggi dari Hair et al. (2006). Jadi, setiap dimensi adalah valid mengukur variabel laten dimaksud.

Setelah training dilakukan, apakah kelima dimensi masih tergabung pada variabel laten yang sama, yaitu kualitas layanan setelah training? Output 3 memperlihat bahwa jawabannya adalah ‘ya’ karena analisis faktor hanya menawarkan satu faktor yang mampu menjelaskan 68.027% variance data asli. Masing-masing dimensi adalah valid (Output 4).

Pertanyaan selanjutnya, apakah kesepuluh variabel memenuhi validitas diskriminan? Validitas diskriminan tercapai apabila setiap variabel hanya menjelaskan variabel latennya saja. Apabila suatu variabel atau dimensi menjelaskan variabel laten lain selain variabel latennya sendiri atau justru menjelaskan variabel laten lain dan tidak menjelaskan variabel latennya sendiri, maka validitas diskriminan tidak terpenuhi (Bagozzi dan Dholakia, 2002; Hair et al., 2006;  Ekinci, Dawes dan Massey, 2008).

Untuk membuktikan validitas diskriminan, kita masukkan kesepuluh variabel sekaligus ke dalam analisis faktor. Metoda ekstraksinya tetap menggunakan PAF. Output 5 menunjukkan bahwa analisis faktor menghasilkan dua faktor yang memenuhi syarat.  Keduanya menjelaskan 67.096% varian data asli.

Dengan rotasi varimax,  pada Output 6 terlihat bahwa dimensi-dimensi kualitas service setelah training mengumpul pada faktor 1, sedangkan dimensi-dimensi kualitas training mengumpul pada faktor 2.  Dengan demikian, melalui analisis validitas diskriminan pun, pada kasus ini, dimensi-dimensi setiap variabel laten terkonfirmasi.

KETERBATASAN ANALISIS FAKTOR

Walaupun tampak canggih, analisis faktor bukan segalanya. Teknik ini tidak terlepas dari berbagai kelemahan.  Keterbatasan utama adalah tingginya subjektifitas dalam penentuan jumlah faktor, interpretasi setiap faktor dan  pemilihan rotasi.

Keterbatasan lainnya, tidak ada kriteria untuk menyatakan bahwa hasil analisis faktor betul-betul sah.  Hasil KMO dan Barlett’s test saja bisa bertolak belakang.  Pada sebuah kasus, bisa saja nilai KMO di bawah 0,500, akan tetapi nilai Barlett’s test signifikan.

Batas nilai KMO sendiri tak lepas dari kelemahan. Apa bedanya 0,499 dan 0,500? Tetapi, dengan kekurangan hanya 0,001, sebuah analisis faktor yang nilai KMO-nya 0,499, menurut uji ini, sudah pasti dinyatakan tidak layak.

Jalan keluarnya, kalau ukurannya besar, misalnya 150 orang, coba membagi sampel ke dalam tiga subgrup, yang ukuran masing-masing 50 orang dan anggotanya dipilih secara acak.  Lalu, lakukan analisis faktor pada masing-masing grup.  Kalau hasil masing-masing subgrup sama, bolehlah kita yakin bahwa analisis faktor yang kita lakukan akurat.