Teknik Ekstraksi Analisis Faktor

Teknik Ekstraksi Analisis Faktor

Analisis multivariat adalah displin ilmu yang sangat dinamis. Banyak metoda yang dimunculkan para ahli.  Seorang yang tergolong ahli sekalipun bisa saja tidak menguasai semua metoda karena metoda yang berkembang terus.  Dalam SPSS, misalnya terdapat enam metoda, yaitu principal component analysis, principal axis factoring, weigthed least square atau generalized least square, maximum likelihood, dan alpha factoring.  Berikut penjelasan singkatnya.

Principal component analysis dipakai apabila kita ingin mengetahui variabel laten dari sejumlah variabel pengamatan. Misalnya, kita memiliki 15 variabel pengamatan. Kemudian kita ingin mengetahui berapakah variabel laten yang mendasari variabel-variabel tersebut? Dalam proses ini, PCA memperhitungkan unique variance dan common variance. Sebelumnya, kita perlu ketahui bahwa ada tiga jenis variance. Pertama, common variance, yaitu variance suatu variabel yang juga dimiliki variabel-variabel lain (variance in a variable that is shared with all other variables).  Kedua, specific variance, yaitu variance yang dimiliki hanya oleh sebuah variabel.  Ketiga, error variance, yaitu varian yang disebabkan oleh kesalahan pengukuran, kesalahan alat ukur ataupun kesalahan pemilihan sampel. Principal component analysis (PCA) menggunakan total varian dalam analisis.  Metoda ini menghasilkan faktor yang memiliki specific variance dan error variance yang paling kecil.  Kalau ada beberapa faktor yang dihasilkan, maka faktor yang duluan dihasilkan adalah yang memiliki common variance terbesar, sekaligus specific dan error variance terkecil.

PCA bertujuan untuk mengetahui jumlah faktor minimal yang dapat diekstrak.  Namun, sebelum memilih metoda ini, peneliti harus yakin dulu bahwa common variance lebih besar dari specific dan error variance.

Principal axis factoring, yang disebut juga common factor analysis, bertujuan untuk menemukan sesedikit mungkin faktor berdasarkan common variance atau korelasi sejumlah faktor.  Common factor analysis mengekstrak faktor hanya berdasarkan common variance.  Metoda ini dapat dipakai apabila tujuan utama peneliti adalah untuk mengetahui dimensi-dimensi laten atau konstruk yang mendasari variabel-variabel asli.  Memang, dengan metoda ini, jumlah faktor tetap diekstrak, akan tetapi metoda ini lebih kuat dalam mengungkap dimensi-dimensi laten yang melandasi variabel-variabel asli.  Sebagai tambahan, metoda ini juga dapat dipakai kalau peneliti tidak mengetahui specific dan error variance, sehingga mau diabaikan saja dalam analisis.

Kalau mau menggunakan common factor analysis, peneliti perlu mengetahui beberapa kelemahan, seperti dikemukakan Hair et. al. Pertama, faktor indeterminancy, yaitu setiap responden dapat memiliki beberapa skor yang berbeda yang dihasilkan dari model yang dihasilkan.  Kedua, communalities tidak selalu dapat dicari, kalaupun bisa, hasilnya dapat invalid (lebih besar dari 1).  Dengan adanya kelemahan-kelemahan tersebut, pemakaian principal component analysis lebih luas.  Sekalipun demikian, pemakaian kedua metoda sering menghasilkan kesimpulan yang sama (Hair et al., 2006).

Metoda PCA dan CFA adalah dua metoda yang paling banyak digunakan. Metoda-metoda lain tetapi jarang digunakan adalah weighted least square, maximum likelihood, dan alpha factoring.

Maximum likelihood adalah prosedur untuk menemukan nilai satu atau lebih parameter dengan harapan likelihood distribution yang diketahui maksimum. Metoda ini bertujuan menemukan factor loading dengan memaksimalkan fungsi unique variances untuk menemukan faktor yang unik pula.  Teknik ini memungkinkan peneliti untuk mengukur indeks goodness of fit model, termasuk untuk menguji signifikansi factor loading yang dihasilkan secara statistic, menguji korelasi antar faktor dan juga menghitung confidence interval antar parameter.  Teknik ini membutuhkan data berdistribusi normal, kalua tidak, jangan gunakan sama sekali.

Ordinary or Unweighted least squares dimaksudkan untuk meminimalkan residual antara input matriks korelasi dengan matrik korelasi yang dihasilkan faktor-faktor yang dihasilkan. Generalized or Weighted least squares adalah modifikasi atas teknik di atas. Tujuannya juga sama yaitu meminimalkan residual antara input matriks korelasi dengan matrik korelasi yang dihasilkan faktor-faktor yang dihasilkan. Namun, teknik ini memberikan bobot korelasi yang berbeda, di mana korelasi antar variabel yang keunikannya tinggi diberi bobot lebih rendah. Teknik ini digunakan apabila peneliti ingin kesesuaian (fit) faktor dengan unique variables lebih rendah dibanding dengan common variables.

Alpha factoring sesuai untuk teknik analisis faktor yang mengamnggap bahwa yang digunakan merupakan sampel dari populasi variabel yang tentunya jumlahnya lebih banyak. Teknik ini dimaksudkan untuk memaksimalkan reliabilitas alpha faktor-faktor yang dihasilkan.