Analisis Faktor Eksploratori

Sampai bagian ini, banyak konsep analisis faktor yang belum dijelaskan.  Contoh kasus berikut ini, selain menunjukkan bagaimana analisis faktor dilakukan, juga menjelaskan konsep-konsep lain  yang perlu diketahui.  Penjelasan konsep-konsep tersebut sengaja diberikan bersamaan dengan contoh kasus dengan harapan lebih mudah dimengerti.

Kasus 5.1:    Faktor-faktor Yang Mempengaruhi Pilihan Konsumen terhadap Sabun Aroma Buah.

Dari namanya mudah dimengerti bahwa sabun aroma buah adalah sabun yang aromanya menyerupai buah-buahan.  Namun, pengertiannya tidak sesempit itu.  Betul aromanyan seperti buah-buahan, akan tetapi kelebihannya bukan hanya itu.  Oleh produsennya, sabun ini diklaim juga terbuat dari bahan-bahan alami pilihan.

Persoalan yang menarik bukan terbuat dari apa sabun ini, melainkan faktor-faktor apa yang menarik konsumen membeli sabun ini, mengingat harganya yang lebih mahal dari sabun biasa sekelas Lux, Giv, Camay dan lain-lain.  Untuk lebih jelasnya, yang mau diketahui adalah, dimensi-dimensi apa yang melandasi semua alasan konsumen membeli sabun ini.  Ada tujuh alasan yang dijadikan sebagai variabel, yaitu: (1) aroma sabun, (2) tekstur (keras atau lembutnya sabun di kulit), (3) kebersihan kulit, (4) kelembutan kulit, (5) kehalusan kulit, (6) desain sabun dan (7) warna sabun.  Variabel-variabel tersebut dijadikan menjadi pertanyaaan-pertanyaan sebagai berikut:

Aroma ‘sabun aroma buah’ lebih wangi dari sabun biasa:

  Sangat setuju  7  6  5  4  3  2  1  Setuju

Sabun aroma buah lebih lembut di kulit daripada sabun biasa

Sangat tidak setuju  1  2  3  4  5  6  7  Sangat setuju

Sabun aroma buah membersihkan kulit lebih baik dari sabun biasa.

Sangat Setuju  7  6  5  4  3  2  1  Sangat tidak setuju

Dibanding dengan sabun biasa, dengan aroma buah, kulit lebih lembut.

Sangat tidak setuju  1   2   3   4   5   6   7  Sangat setuju

Kulit lebih halus dengan sabun aroma buah dibanding sabun biasa.

Sangat setuju  7  6  5  4  3  2  1  Setuju

Sabun aroma buah didesain lebih menarik dibanding sabun biasa.

Sangat tidak setuju  1   2   3   4   5   6   7  Sangat setuju

Sabun aroma buah memiliki warna-warni yang lebih menarik dibanding sabun biasa.

Sangat setuju  7  6  5  4  3  2  1  Setuju

Dengan tujuh variabel, kalau menggunakan rasio 1: 5, mestinya perlu 35 responden.  Bahkan responden lebih banyak lagi kalau menggunakan rasio 1: 10, yaitu 70 responden.  Hasil pada Tabel 5.1 yang hanya menggunakan 25 responden dimaksudkan hanya sebagai contoh.  Jadi, jangan dulu dipersoalkan apakah dengan responden sebanyak itu hasil analisis faktor optimal ataukah tidak.

Mau ambil datanya klik link ini. Video-nya ada di sini.

Langkah-langkah analisis dengan SPSS.

  1. Highlight semua variabel, lalu memasukkan semuanya ke dalam sel ‘Variables’.
  2. Klik menu Desceriptive. Pada kotak dialog yang muncul pilih menu seperti di bawah ini.

INTERPRETASI OUTPUT

Descriptive Analysis

Setiap cerita biasanya dimulai dari hal-hal ringan.  Analisis faktor juga demikian.  Analisis deskriptif tidak khas analisis faktor, akan tetapi bersifat umum pada setiap penelitian.

Analisis deskriptif memberikan gambaran tentang data yang kita miliki.  Dalam mendeskripsikan data, kita bisa menggunakan berbagi cara. Pada analisis faktor, gambaran diberikan melalui rata-rata (mean) dan standar deviasi (standar deviation) setiap variabel. Cara lain bisa melalui modus, median, range, proporsi, dan indeks variabel kumulatif.  Analisis deskriptif, seperti tersaji pada Output 1, belum bercerita apa-apa tentang faktor atau komponen.

Correlation Matrix

Kalau dalam regresi ganda (multiple regression) dihindari, sebaliknya dalam analisis faktor, jusjtru multikolinearitas diinginkan.  Malah analisis faktor tidak dapat dilakukan kalau  tidak terdapat multikolinearitas.

Multikolinearitas adalah adanya korelasi antar variabel.  Pada Output 2, bagian pertama bercerita tentang koefisien korelasi antar variabel.  Misalnya, antara antara X1 dan X2, koefisien korelasi adalah sebesar 0,624 dan antara X4 dan X6 sebesar 0,015. Konsep  korelasi dapat dibaca pada buku-buku yang relevan.  Kedua, berbicara tentang signifikansi korelasi itu.  Signifikansinya adalah satu arah (1-tailed). Artinya, Ho adalah korelasi sama dengan nol. Ha-nya adalah nilai mutlak korelasi lebih besar dari nol.

Pada tabel tersebut itu juga terlihat bahwa signifikansi korelasi antara X1 dan X2 adalah 0,000.  Artinya, kita bisa menyimpulkan bahwa antara X1 dan X2 ada korelasi, dengan tingkat kesalahan 0,000% atau tingkat keyakinan 100%.  Sedangkan antara X4 dan X6 tingkat signifikansinya adalah 0,472.  Artinya, bolehlah kita percaya bahwa korelasi antara X4 dan X6 lebih besar dari nol, tetapi tingkat kemungkinan salah menyimpulkan 47,2% (µ=0,472). Dengan tingkat kesalahan seperti ini, signifikansi tidak diterima.

Korelasi antar-variabel yang sama (misalnya X1 dan X1), yang nilainya 1,000, tidak perlu diperhatikan. Karena variabel-variabel tersebut dikorelasikan dengan ‘dirinya-sendiri’. Yang perlu diperhatikan adalah korelasi antar-variabel yang berbeda.

Sebenarnya tidak ada batasan mutlak berapa tingkat kesalahan yang bisa ditoleransi.  Akan tetapi, secara umum, tingkat kesalahan di atas 0,05 atau 5%, jarang diterima.  Dengan batasan seperti itu, terlihat pada Tabel 5.2 bagian correlation matrix bahwa dari total 21 sel, 10 sel atau 47,62% berisikan korelasi yang signifikan. Dengan persentase sebesar itu, sudah cukup buktikah untuk menyatakan bahwa analisis faktor layak dilakukan pada data Tabel 5.1?  Kita belum bisa memberikan kesimpulan.  Persentase itu baru memberi-kan gambaran adanya multikoliearitas.  Memang, dengan persentase sebesar itu, secara kualitatif dapat kita simpulkan bahwa analisis faktor layak dilakukan.

KMO and Barlett Test

Kesimpulan tentang layak-tidaknya analisis faktor dilakukan,  baru sah secara statistik dengan menggunakan uji Kaiser-Meyer-Olkin (KMO) measure of adequacy dan Berlett Test of   spericity.

KMO Uji yang nilainya berkisar antara 0 sampai 1 ini mempertanyakan kelayakan (appropriateness) analisis faktor.  Apabila nilai indeks tinggi (berkisar antara 0,5 sampai 1,0), analisis faktor layak dilakukan.  Sebaliknya, kalau nilai KMO di bawah 0,5, analisis faktor tidak layak dilakukan.

Sebagaimana umumnya software statistika, program SPSS menyediakan fasilitas menghitung KMO.  Kita tidak perlu repot untuk menghitung secara manual, termasuk membongkar prosedur teknis tentang bagaimana nilai KMO dihitung.  Yang penting bagi kita adalah menginterpretasi nilai KMO.

Dari Output 3 terlihat bahwa nilai KMO secara keseluruhan adalah 0,744.  Kemudian, pada bagian anti-image correlation, terlihat pula bahwa nilai KMO untuk setiap variabel di atas 0,500. Jadi, analisis faktor layak dilakukan.

 Barlett Test    Ini merupakan tes statistik untuk menguji apakah betul variabel-variabel yang dilibatkan berkorelasi.  Hipothesis nol  (H0) adalah tidak ada korelasi antar variabel, sedangkan hipothesis alternatif (Ha) adalah terdapat korelasi antar variabel.  Nilai Barlett Test didekati dengan nilai chi-square.  Pada Output 3 terlihat bahwa nilai chi-square adalah 101.231, yang untuk derajat kebebasan (degree of freedom, disingkat df) sebesar 21, memiliki signifikansi 0,000. Kesimpulan: Cukup bukti menolak H0 dan berarti terdapat hubungan antar-variabel dengan tingkat kepencayaan 100%.

Anti-image Matrices

Angka-angka dalam matrik ini menyatakan korelasi parsial  antar-variabel, yaitu korelasi yang tidak dipengaruhi oleh variabel lain.  Seperti telah dijelaskan, teknik ekstraksi Principal Componen Analysis, menggunakan total variance, yang terdiri dari common variance, specific variance dan eror variance, namun mengusahakan specific dan error variance terkecil. Jadi, anti-image matrices ini menggunakan specific variance dengan harapannya korelasi antar variabel kecil  Dari Output 4 terlihat bahwa anti-image covariance dan anti-image correlation pada umumnya kecil.  Hal ini berdampak pada nilai KMO setiap variabel yang tinggi (di atas 0,500).

Communalities

Communalities menyatakan varian setiap variable yang dijelaskan oleh faktor.  Dalam Pada Output 5, terlihat bahwa varian setiap variabel adalah 1,000.  Angka ini diperoleh setelah data Tabel 5.1 distandarisasi.  Standarisasi dilakukan dengan rumus:

Lihat Tabel 5.1.  Nilai X11, yaitu X1 pada sel 1 adalah 3.  Pada Tabel 5.2, bagian descriptive analysis terlihat bahwa rata-rata X1=4,52 dan standar deviasi adalah 1,159.  Oleh karena itu, nilai standar untuk X11 adalah:

Dengan cara demikianlah semua nilai yang terdapat pada Tabel 5.3 diperoleh.  Dengan demikian, Tabel 5.3 adalah Tabel 5.1 yang distandarisasi. Dengan standarisasi, maka nilai rata-rata setiap variabel menjadi nol dan standar deviasi dan varian (yang merupakan standar deviasi pangkat dua) menjadi satu.

Output 5 menunjukkan porsi varian yang dapat dijelaskan oleh faktor yang diekstrak.  Cara memperolehnya adalah korelasi pangkat dua.  Setiap variabel berko-relasi dengan faktor-faktor yang diekstrak.  Kalau korelasi tersebut dipangkat dua, diperolehlah communalities.

Perhatikan Output 6: component matrix.  Tabel ini menunjukkan korelasi setiap variabel dengan setiap faktor (disebut juga component) yang diekstrak.  Antara variabel 1 (atau X1) dengan faktor 1 nilai korelasi adalah 0,691, sedangkan dengan faktor 2, nilai korelasi adalah 0,340. Pangkat-duakanlah kedua nilai korelasi itu, lalu jumlahkan, maka hasilnya adalah 0,593.  Dengan cara demikianlah seluruh communalities pada Output 5 diperoleh:

Total Variance Explained

Kalau ada tujuh variabel yang dilibatkan, akan ada tujuh faktor (disebut juga component) yang diusulkan dalam analisis faktor (Output 7).  Setiap faktor mewakili variabel-variabel yang dianalisis.  Kemampuan setiap faktor mewakili variabel-variabel yang dianalisis, ditunjukkan oleh besarnya varian yang dijelaskan, yang disebut juga eigenvalue.  Sekali lagi, varian yang dimaksud adalah varian variabel-variabel yang sudah distandarisasi. Karena varian setiap variabel adalah satu, maka varian total adalah tujuh, karena dalam kasus ini ada tujuh variabel.

Dari Output terlihat bahwa faktor 1 memiliki eigenvalue sebesar 3,316, artinya faktor ini menjelaskan 3,136 atau 44,805 % dari  total total communalities (sebesar 7, lihat Output 5).  Angka 3,136 ini adalah total nilai korelasi (factor loadings) yang dipangkat-duakan  (lihat Tabel 5.4).

Scree Plot

Scree plot merupakan cara mendeskripsikan eigenvalue secara visual.  Pada sisi vertikal, dimasukkan eigenvalue, sedangkan sumbu horisontal mewakili seluruh faktor.  Lalu, ditariklah garis yang menghubungkan titik-titik yang mewakili eigenvalue setiap faktor.

Component Matrix

Tabel ini berisikan factor loading (yaitu nilai korelasi) antara setiap faktor dengan variabel-variabel analisis.  Dalam tabel ini, hanya dilibatkan dua faktor, padahal ada tujuh faktor yang dihasilkan sesuai dengan jumlah variabel yang dilibatkan.  Kenapa hanya dua faktor? Jawabannya kita bahas belakangan.

Rotated Component Matrix

Kalau dipetakan dalam diagram kartesius, dengan menggunakan faktor sebagai sumbu, posisi setiap variabel dapat dilihat seperti pada Gambar 5.2.  Idealnya, setiap variabel mendekat dengan salah satu faktor (dalam plot disebut component).  Akan tetapi, dalam Gambar 5.2, variabel 5 (atau X5) dan variabel 6 (atau X6), memiliki jarak yang tidak jauh berbeda ke faktor 1 dan faktor 2.  Dalam component matix juga terlihat bahwa factor loading dengan kedua faktor relatif sama-sama tinggi. Untuk X5, misalnya, terdapat nilai korelasi sebesar -0,575 dengan faktor 1 dan 0,719  dengan faktor 2. Padahal, dengan factor loading-lah kita menyimpulkan menjadi anggota faktor mana sebuah variabel.

Gambar 5.2. Plot Loading yang Belum Dirotasi

Melalui component matrix, terlihat jelas bahwa X1, X2 dan X7 adalah anggota faktor 1 karena ketiga variabel tersebut memiliki korelasi yang tinggi dengan faktor 1, sedangkan dengan faktor 2 korelasinya rendah.  Dengan alasan cara yang sama dapat disimpulkan bahwa X3 dan X4 adalah anggota faktor 2.  Yang belum bisa disimpulkan secara mantap adalah keanggotaan X5 dan X6.  Untuk itulah kita melakukan rotasi.

Rotasi dilakukan dengan memutar (searah ataupun berlawanan dengan jarum jam) kedua faktor yang belum dirotasi.  Rotasi dapat dilakukan dengan dua cara.  Pertama, rotasi dilakukan dengan tetap mempertahankan sudut kedua faktor sebesar 900. Cara demikian disebut rotasi orthogonal. Ilustrasinya adalah Gambar 5.3. Tujuannya, selain untuk mempertajam perbedaan factor loading setiap variabel untuk kedua faktor, juga untuk mempertahankan keadaan di mana antar faktor-faktor yang diekstrak tidak terdapat korelasi.  Quartimax, Varimax dan Equimax adalah tiga metoda rotasi ortogonal yang umum dikenal.  Yang paling banyak dipakai adalah Varimax.

Kedua, rotasi  tanpa memperhatikan sudut kedua faktor setelah rotasi.  Rotasi demikian disebut rotasi oblique. Rotasi ini dapat dilakukan kalau peneliti tidak peduli terhadap ada-tidaknya korelasi antar faktor.  Ini terjadi kalau peneliti hanya tertarik pada dimensi yang melandasi variabel (lihat Gambar 5.4).  Termasuk di antara metoda rotasi oblique yang dikenal adalah: Oblimin, Promax, Orthoblique, dan Dquart.

Metoda-metoda di atas bisa ada bisa tidak ada dalam software yang anda pakai.  Bisa juga metoda-metoda dalam software anda tidak disinggung dalam buku ini.  Harap maklum, karena berkembang dinamis, banyak varian analisis faktor, sehingga sulit untuk merangkum semua metoda dalam satu buku atau software.

Mana yang dipakai?  Pertama, tentukan dulu apakah melakukan rotasi secara ortogonal ataukah secara oblique.  Setelah itu, lihat mana yang tersedia dalam software anda.  Kemudian, lakukan rotasi dengan semua metoda.  Metoda yang memberikan hasil terbaik itulah yang dipilih.

Dalam kasus ini, kita melakukan rotasi Varimax, karena setelah metoda rotasi ortogonal lain diujicoba, metoda inilah yang paling baik mendiferensiasi factor loading.  Hasilnya dapat dilihat pada Tabel 5.2 bagian rotated component matrix. Berdasarkan factor loadings pada tabel tersebut, dengan mudah kita simpulkan bahwa X1, X2, X6 dan X7 adalah anggota faktor 1, sedangkan X3, X4 dan X5 adalah anggota faktor 2.  Kesimpulan yang sama juga terlihat pada Gambar  5.4.  Setiap variabel mendekat dengan salah satu sumbu.

Bagaimana rotasi dilakukan setiap metoda secara teknis?  Pertanyaan ini tidak dijawab dalam buku ini sebab pertanyaan tersebut selayaknya diajukan dalam kelas-kelas statistika, bukan pemasaran.

Component Score Coefficient Matrix

Sebenarnya, setiap faktor memiliki persamaan yang mirip dengan regresi linier ganda (multiple-linier regression), hanya dalam persamaan faktor, tidak terdapat konstanta.

Sebenarnya, faktor merupakan turunan sejumlah variabel yang berhubungan.  Faktor merupakan kombinasi linier dari variabel-variabel input yang dinyatakan dengan persamaan 5.2:

Dengan menggunakan data pada Output 10, maka persamaan untuk faktor 1 adalah:

Dengan persamaan tersebut, kita bisa mencari skor setiap faktor secara manual.  Namun, kita tidak perlu melakukannya.  Setiap software menyediakan fasilitas untuk menghitung skor setiap faktor. Sekedar untuk mengetahui dari mana asalnya, skor faktor 1 pada responden 1 (lihat Tabel 5.1), dihitung dengan menggunakan persamaan di atas, di mana nilai-nilai input diambil dari Tabel 5.2 yang berisikan standarisasi nilai-nilai asli.

Hasil perhitungan manual (yaitu 1,63568) berbeda sedikit dari hasil perhitungan komputer, akan tetapi perbedaan itu dapat diabaikan karena hanya disebabkan oleh perbedaan angka desimal yang dipakai. Komputer menggunakan angka desimal sampai 15 digit di belakang koma, sedangkan dengan perhitungan manual, hanya tiga digit.  Dengan cara yang sama, kalau mau repot, semua skor faktor pada Tabel 5.1, dapat kita hitung secara manual.

Buat apa skor faktor ini?  Kalau memang dibutuhkan, skor-skor faktor yang dihasilkan dapat dipakai untuk menggantikan skor-skor variabel asli.

Component Score Covariance Matrix

 Varimax merupakan metoda rotasi ortogonal, yang memperta-hankan sudut perpotongan faktor 1 dan faktor 2 sebesar 900. Dengan sudut demikian, tidak terdapat korelasi antara faktor 1 dan faktor 2.  Hal ini tercermin dari covarian antara faktor 1 dan faktor 2 sebesar 0. Covarian antara faktor 1 dan faktor 1 serta faktor 2 dan faktor 2 sebesar 1 bukan hal yang aneh. Itu terjadi pada setiap variabel yang dihubungkan dengan dirinya sendiri.

BERAPA JUMLAH FAKTOR YANG DIEKSTRAK?

Seperti telah dijelaskan, analisis faktor akan mengusulkan jumlah faktor sebanyak jumlah variabel yang dilibatkan.  Namun, jumlah variabel yang valid, mesti lebih kecil dari jumlah variabel input karena dengan analisis faktor kita mencari sejumlah faktor (yang jumlahnya lebih sedikit) yang mewakili variabel-variabel input.  Pertanyaannya, berapa jumlah faktor yang valid?

Kalau kita  menggunakan SPSS, jumlah faktor yang valid telah ditentukan sendiri oleh program itu.  Pada Tabel 5.2, hanya ada dua faktor yang ditunjukkan dalam paparan hasil analisis SPSS tentang communalities, component matrix, rotated component matrix, loading plot, component score coefficient matrix, dan component score covariance matrix.  Kenapa? Karena hanya ada dua faktor yang valid.

Sekalipun program telah menyeleksi faktor-faktor yang valid, peneliti perlu tahu apa kriterianya.  Menurut Maholtra, keputusan  tentang jumlah faktor yang valid dapat didasarkan pada: (1) kebutuhan peneliti sendiri, (2) eigenvalue, (3) scree plot, (4) persentase varian yang dijelaskan, (5) teknik belah tengah, dan (6) tes signifikansi (Malhotra, 2012).  Bagian selanjutnya menjelaskan teknik-teknik tersebut, kecuali tes signifikansi.

Kebutuhan Sendiri

Umumnya program-program komputer menyediakan pilihan berapa jumlah faktor yang kita butuhkan.  Kalau pilihan tersebut tidak kita respon, otomatis program akan menentukan sendiri jumlah faktor yang valid.  Namun, sekali pun ditentukan sendiri, jumlah faktor yang ditentukan oleh program, selalu memenuhi kriteria yang diajukan oleh teori.

Kadang-kadang kita menentukan jumlah faktor yang dibutuhkan berdasarkan konsep.  Misalnya, konsep ServQual dari Parasuraman, Zeithaml dan Berry (1988) menyatakan bahwa dimensi kualitas layanan ada lima, yaitu keandalan (reliability), aspek-aspek berwujud (tangibles), daya tanggap (responsiveness), jaminan (assurance) dan empati (emphaty).  Sudah tentu, kalau kita melakukan analisis faktor terhadap atribut-atribut kualitas layanan, jumlah faktor yang kita minta lima, karena, sekali lagi, konsep mengatakan demikian. Karena itu,  kriteria ini disebut juga kriteria konsep.

Contoh kedua.  Anda memiliki sejumlah besar variabel (misalnya 20 variabel)  image suatu merek.  Lalu, anda ingin menganalisis image tersebut dengan metoda sarang laba-laba.  Metoda ini membutuhkan delapan dimensi atau variabel.  Oleh karena itu, kedua puluh variabel asli perlu direduksi menjadi delapan variabel.  Caranya, tentu, dengan analisis faktor yang jumlah faktornya kita yang tentukan.

 Eigenvalue

Dengan kriteria ini, maka faktor yang nilai eigenvalue-nya satu atau lebih besar dianggap valid.  Sebaliknya, faktor yang eigenvaluenya kurang dari satu tidak valid. Pada Output 7, , terlihat bahwa total variance explained faktor 1 (eigenvalue=3,136) dan faktor 2 (eigenvalue=2,440) yang memenuhi syarat itu.  Faktor 3 (eigen-value=0,557), faktor 4 (eigenvalue=0,335), faktor 5 (eigenva-lue=0,195), faktor 6 (eigenvalue=0,192), dan faktor 7 (eigenvalue=0,145) jelas tidak memenuhi syarat karena eigenvalue kurang dari satu.

Scree Plot

Dengan scree plot (Output 8), kita dapat melihat pola penurunan eigenvalue.  Perhatikan garispenghubung nilai-nilai eigenvalue.  Kalau setelah sebuah faktor terjadi penurunan tajam, maka faktor yang valid, hanya sampai faktor itu.  Pada scree plot (lihat Tabel 5.2) terlihat bahwa setelah faktor 2, terjadi penurunan yang tajam ke faktor 3.  Oleh karena itu, faktor yang valid hanya sampai faktor 2.

Persentase Varian yang Dijelaskan

Lihat lagi Output 7.  Dengan dua faktor, yaitu faktor 1 dan faktor 2, varian yang dijelaskan secara akumulatif mencapai 79,656%.  Dengan persentase akumulatif sebesar itu, sah bagi kita untuk mengekstrak hanya dua faktor.  Mungkin ada yang bertanya: “Pak, kalau mengekstrak tiga faktor, bukankah persentase kumulatif lebih tinggi?” Betul, persentase kumulatif varian yang dijelaskan menjadi 87,607%.  Tetapi, sumbangan faktor 3 hanya 7,951%.  Sumbangan itu masih kurang.  Agar valid, sebuah faktor harus menyumbangkan persentase varian yang dijelaskan minimal sebesar rata-rata.  Kalau ada tujuh faktor, maka rata-rata dimaksud adalah 100/7 x 100%= 14,29%.  Jadi, kalau sumbangan faktor kurang dari 14,29%, untuk kasus ini, faktor tersebut tidak perlu diekstrak.

Bagaimana kalau dalam kasus lain ada 5 faktor? Sumbangan minimal setiap faktor agar diterima adalah 100/5×100%=20%.

Teknik Belah Tengah

Bagi dua sampel.  Lakukan analisis faktor untuk kedua sampel.  Sebelumnya minta dulu pada program untuk mengekstrak faktor sejumlah variabel input.  Kalau ada enam variabel, maka pada masing-masing subsampel, akan diperoleh enam faktor.  Lalu, minta program untuk memberikan skor faktor. Lakukanlah korelasi antar faktor yang nomornya sama dari kedua subsampel, faktor 1 (dari subsampel 1) dan faktor 1 (dari subsampel 2), faktor 2 dan faktor 2, dan seterusnya.  Faktor-faktor yang memiliki korelasi yang tinggi dianggap valid.  Untuk contoh kasus kita ini, teknik ini tidak dilakukan.

INTERPRETASI FAKTOR

Setelah diperoleh sejumlah faktor yang valid, selanjutnya, kita perlu menginterpretasi nama faktor, mengingat faktor merupakan sebuah konstruk dan sebuah konstruk menjadi berarti kalau dapat diartikan. Interpretasi faktor dapat dilakukan dengan mengetahui variabel-variabel yang membentuknya.

Seperti telah dijelaskan, berdasarkan factor loading, faktor 1 mewakili:

  1. X1: Aroma ‘sabun aroma buah’.
  2. X2: Kelembut ‘sabun aroma buah’ di kulit.
  3. X6: Desain ‘sabun aroma buah’.
  4. X7: Warna-warni ‘sabun aroma buah’.

Faktor 2 mewakili variabel-variabel:

  1. X3: Kebersihan kulit.
  2. X4: Kelembuatan kulit.
  3. X5: Kehalusan kulit.

Interpretasi nama faktor didasarkan variabel apa yang diwakilinya.    Faktor satu dapat kita namakan daya tarik fisik, sedangkan faktor dua sebagai daya tarik manfaat sabun aroma buah.

Interpretasi dilakukan dengan judgement. Karena sifatnya subjektif, maka hasil bisa berbeda kalau interpretasi dilakukan oleh orang berbeda.

Surrogate Variable

Seperti telah dijelaskan, faktor dapat digunakan sebagai variabel baru menggantikan variabel-variabel asli.  Akan tetapi, adakalanya peneliti lebih tertarik menggunakan beberapa variabel asli untuk mewakili faktor.  Kalau ada dua faktor, pakailah dua variabel, satu variabel mewakili satu faktor.  Di antara X1, X2, X6 dan X7, mana yang mewakili faktor 1? Yang factor loading-nya paling tinggi, yaitu X2 dengan r=0,902.  Faktor 2 diwakili X4 dengan r=0,930.  Kedua variabel pengganti ini disebut surrogate variables.

Pemilihan surrogate variable bukan tanpa masalah. Pertama, kalau dua, tiga atau beberapa variabel memiliki factor loading yang sama atau berbeda sedikit, pemilihan surrogate variable menjadi sulit.  Contoh, untuk faktor 1, X2 (r=0,902) sebenarnya bersaing dengan X6 (r=0,901).  Masalah ini bisa diatasi dengan memeriksa mana yang paling mewakili secara teori.

Kedua, dengan mewakilkan satu, dua atau beberapa variabel pada satu variabel pengganti, apakah tidak ada informasi yang hilang? Jawabannya pasti ada.  Informasi yang hilang ini perlu dipertim-bangkan oleh peneliti sebelum mengambil keputusan.

Summated Scales 

Untuk menggantikan variabel-variabel asli, summated scales merupakan gabungan dari variabel-variabel yang berada pada faktor yang sama.  Variabel-variabel tersebut digabung dengan dua cara. Pertama, memakai rata-rata semua variabel.  Kedua, memakai hasil penjumlahan skor-skor variabel-variabel yang berkoalisi.