Interpretasi Hasil Analisis Faktor

Portal-Statistik | Selamat malam kawan blogger semuanya, weekend sudah tiba waktunya melepaskan penat ya hehe. Melanjutkan postingan sebelumnya nih kawan blogger, kemarin saya sudah posting tentang Langkah-Langkah Analisis Faktor dengan R, nah kalau sekarang saya akan berbagi sedikit bagaimana membaca hasil output dari program R tersebut. Mungkin sebaiknya anda juga bisa membaca postingan tentang Penjelasan Tentang Analisis Faktor dan Principal Component Analysis (PCA).

Oke tanpa berbasa-basi, mari kita mulai !!!

Jadi sesuai dengan studi kasus tersebut, kita akan mengelompokan kepribadian seseorang melalui pendekatan Big Five Personality dengan menggunakan 25 indikator, sehingga dapat diketahui indikator yang tingkat kesamaannya tinggi yang digabungkan dalam satu faktor.

Big Five Personality merupakan pendekatan dalam psikologi kepribadian yang mengelompokan trait kepribadian dengan analisis faktor. Tokoh pelopornya adalah Allport dan Cattell. Big Five Personality adalah suatu pendekatan yang digunakan dalam psikologi untuk melihat kepribadian manusia melalui trait yang tersusun dalam lima buah domain kepribadian yang telah dibentuk dengan menggunakan analisis faktor. Lima traits kepribadian tersebut adalah extraversion, agreeableness , Conscientiousness , neuoriticism, openness to experiences.
Teori tentang big fie personality silahkan bisa di baca di google aja.!

Proses analisis dilakukan dengan menggunakan aplikasi R. Variabel yang dianalisis adalah sebanyak 25 variabel. analisis faktor menghasilkan ringkasan (summary) untuk setiap variabelnya sebagai berikut.
 
Berdasarkan output pada gambar di atas terlihat adanya data yang hilang (missing) untuk variabel P1 sebanyak 16 data, kemudian pada P2 data missing-nya ada sebanyak 25 data, P3 sebanyak 26 data, P4 terdiri dari 19 data missing, P5 mengandung 16 data missing, dan sebagainya yang bisa dilihat di dalam kotak merah pada gambar 1. Kemudian didapatkna bahwa hanya satu variabel, yaitu variabel P22 yang tidak terdapat data missing. Selanjutnya peneliti bisa melihat matrik korelasi antara 25 variabel tersebut. Tabel matriks correlasi hasil output program R berikut menunjukan hubungan antar variabel tersebut. (hasil output keseluruhan dilampirkan)
Gambar di atas menunjukan bahwa matriks diagonal korelasi selalu bernilai 1 karena variabel tersebut berkorelasi dengan dirinya sendiri sehingga nilai korelasinya adalah 1. Misalkan diambil contoh korelasi antara P2 (menanyakan kesehatan orang lain) dan P1(acuh terhadap orang lain) nilai korelasinya adalah -0,35090545. hubungan yang terbentuk antara P2 dan P1 bersifat negatif dan lemah. Artinya semakin tinggi tingkat keacuhan terhadap orang lain maka kemungkinan untuk mengajukan pertanyaan mengenai kesehatan terhadap orang tersebut akan semakin rendah. Jika diambil contoh lagi antara P5 (membuat orang lain nyaman) dan P4 (mencintai anak-anak) nilai korelasinya adalah 0,50304109. Hubungan yang terbentuk bersifat positif dan kuat. Artinya semakin tinggi kemampuan membuat seseorang merasa nyaman, maka kemungkinan kecintaan terhadap anak-anak juga tinggi.  Lalu missal diambil contoh matriks korelasi antara P6 (Merasa berat dengan pekerjaan) dan P4(mencintai anak-anak) nilai korelasinya adalah 0,09481253. Korelasi yang terbentuk positif namun sangat lemah. Artinya ketika kecenderung seseorang merasa berat menyelesaikan pekerjaan tinggi maka kemungkinan mencintai anak-anak juga tinggi. Namun kecenderungan tersebut sangat lemah karena nilai matriks korelasinya mendekati 0%.

Pengujian KMO (Kaiser Meyer Olkin) dan Bartlett’s

Uji KMO (Kaiser Meyer Olkin) bertujuan untuk memastikan apakah data Synthetic Aperture Personality Assessment (SAPA) yang akan dianalisis dianggap cukup, sehingga dapat digunakan dalam analisis faktor. Sedangkan pengujian Bartlett’s bertujuan untuk memastikan apakah analisis multivariat layak digunakan terutama metode analisis komponen utama dan analisis faktor. Berikut ini ditunjukan Pengujian Hipotesis untuk uji KMO dan Batrlett’s.

Uji KMO (Kaiser Meyer Olkin)
    #Uji Hipotesis
H0 : jumlah data Synthetic Aperture Personality Assessment (SAPA) telah cukup untuk difaktorkan
H1: jumlah data Synthetic Aperture Personality Assessment (SAPA)  tidak cukup untuk difaktorkan
    #Tingkat signifikansi (α=5%)
    #Statistik Uji
Nilai KMO = 0,8486452
    #Daerah kritis
H0 ditolak jika KMO < α=0,5
    #Keputusan
KMO (0, 8486452) > 0,5 maka gagal tolak H0
    #Kesimpulan
Jadi, dengan menggunakan tingkat kepercayaan 95% dapat disimpulkan bahwa jumlah data Synthetic Aperture Personality Assessment (SAPA) telah cukup untuk difaktorkan

Uji Bartlett’s
Uji Bartlett’s ini digunakan untuk mengetahui apakah terdapat hubungan antar variabel dalam kasus multivariat. Jika X1, X2, …, X25 Independen (saling bebas) maka matriks korelasi antar variabel sama dengan matriks identitas.
    #Uji Hipotesis
H0 : ρ=1 (Analisis Multivariat tidak layak digunakan terutama metode analisis
komponen utama dan analisis faktor)
H1: ρ≠1 (Analisis Multivariat layak digunakan terutama metode analisis
komponen utama dan analisis faktor)
    #Tingkat signifikansi (α=5%)
    #Statistik Uji
Nilai sig. = 0,000
    #Daerah kritis
H0 ditolak jika sig. < 0,05
    #Keputusan
Karena P-value (0,000) < 00,5 maka  tolak H0
    #Kesimpulan
Jadi, dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa Analisis Multivariat layak digunakan terutama metode analisis komponen utama dan analisis faktor untuk data jumlah data Synthetic Aperture Personality Assessment (SAPA).

Selain pengecekan terhadap KMO and Bartlett test, dilakukan juga pengecekan Anti Image matrices untuk mengetahui apakah variabel – variabel secara parsial layak untuk dianalisis dan tidak dikeluarkan dalam pengujian. Berdasarkan gambar 3, terlihat bahwa nilai MSA dari 25 variabel > 0.5 yang artinya semua variabel tersebut layak untuk dianalisis.

Setelah diketahui data tersebut cukup untuk dianalisis dan layak digunakan maka selanjutnya adalah mengkalisifikasikan 25 variabel kedalam 5 faktor yang telah dibahas pada bagian landasan teori. Big Five Personality tersebut adalah Extraversion (E), Agreeableness (A), Conscientiousness (C), Neuoriticism (N), Openness to Experiences (O). Proses pengklasifikasian ini masuk kedalam tahap reduksi komponen.

Reduksi Komponen

Prinsip analisis faktor adalah mereduksi jumlah variabel yang banyak untuk kemudian diperkecil atau dikurangi jumlahnya namun tidak mengurangi informasi yang diberikan. Dengan menggunakan program R didapatkan hasil reduksi variabel tersebut menjadi 5 faktor yaitu bisa dilihat pada gambar dibawah.
Seperti yang telah dibahas sebelumnya bahwa prinsip mereduksi adalah memperkecil jumlah variabel tanpa mengurangi informasi yang diberikan, maka melalui gambar di atas tersebut akan dijelaskan seberapa jauh kelima komponen (faktor) tersebut menjelaskan informasi yang terdapat dalam 25 variabel yang dianalisis. Peneliti bisa melihat pada bagian proportion variance, angka yang tertera pada kolom proportion var tersebut menunjukan kemampuan tiap faktor dalam menjelaskan variabilitas keseluruhan data Synthetic Aperture Personality Assessment (SAPA). Berdasarkan gambar di atas, proportion variance  untuk PC1 (faktor 1) adalah sebesar 0,12, artinya faktor pertama yaitu Agreeableness (A) mampu menjelaskan variansi dari 25 variabel sebesar 12%. Kemudian faktor kedua yaitu Neuoriticism (N) mampu menjelaskan variansi dari keseluruhan variabel yang diamati sebesar 13%, sedangkan variansi dari 25 variabel mampu dijelaskan oleh faktor ketiga yaitu Conscientiousness (C) sebesar 10%. Faktor keempat, Openness to Experiences (O) mampu menjelaskan variabilitas keseluruhan data sebesar 9% dan yang terakhir faktor Extraversion (E) hanya mampu menjelaskan sejauh 10%.

Cumulative Var menunjukan gabungan dari beberapa atau keseluruhan nilai proportion var faktor dalam menjelaskan 25 variabel tersebut. Misalkan nilai 0,25 menunjukan gabungan dari proportion var faktor Agreeableness (A) dan Neuoriticism (N) yaitu 0,13 + 0,12 = 0,25. Artinya adalah variansi dari 25 variabel mampu dijelaskan oleh faktor 1 dan faktor 2 sebesar 0,25 atau 25%. Sedangkan untuk kelima faktor yang terbentuk mampu menjelaskan variansi dari 25 variabel sebesar 54%.

 Loading Faktor

Langkah selanjutnya dalam analisis faktor adalah menentukan anggota dari tiap-tiap faktor tersebut. Loading faktor artinya peneliti memasukan tiap-tiap variabel yang ada untuk dimasukan kedalam 5 faktor yang terbentuk berdasarkan output program R berikut.

Rotasi dengan metode Varimax terhadap faktor-faktor yang akan terbentuk dimaksudkan agar nilai loading factor yang dihasilkan tersebut konsisten dan tidak menimbulkan tafsiran ganda artinya setiap variabel yang akan memasuki faktor tertentu hanya pada 1 component saja yang nilainya > 0.5. Berdasarkan hasil loading tersebut, penentuan faktor dari variabel adalah dengan melihat nilai matriks korelasi (nilai mutlak) terbesar ( > 0.5 ) antara tiap variabel dengan tiap faktor. Misalnya nilai terbesar ( > 0.5 )  untuk matriks korelasi variabel P1 adalah terdapat pada komponen PC5 (Faktor kelima) yaitu -0,64, maka faktor P1 masuk di faktor kelima. Begitu juga untuk variabel P11, matriks korelasi terbesar ( > 0.5 ) berada di komponen PC1 (faktor pertama) dengan nilai korelasi sebesar -0,68 maka varaibel P11 masuk di faktor pertama. Sehingga dari keseluruhan hasil output tersebut pada masing-masing item serta menimbang dari landasan teori terhadap penamaan setiap faktor, maka dapat dikelompokkan sebagi berikut:
  1. Faktor 1 disebut faktor Agreeableness (A) terdiri dari variabel P11, P12, P113, P14, dan P15. Artinya terdapat 5 variabel pada faktor Agreeableness (A).
  2. Faktor 2 disebut Faktor Neuoriticism (N) terdiri dari variabel P16, P17, P18, P19, dan P20. Artinya terdapat 5 variabel pada faktor Neuoriticism (N). 
  3. Faktor 3 disebut Faktor Conscientiousness (C) terdiri dari variabel P6, P7, P8, P9, dan P10. Artinya terdapat 5 variabel pada faktor Conscientiousness (C). 
  4.  Faktor 4 disebut Faktor Openness to Experiences (O) terdiri dari variabel P21, P22, P23, P24, dan P25. Artinya terdapat 5 variabel pada faktor Openness to Experiences (O).
  5. Faktor 5 disebut Faktor Extraversion (E) terdiri dari variabel P1, P2, P3, P4, dan P5. Artinya terdapat 5 variabel pada faktor Extraversion (E).

Jika hasil dari analisis faktor di atas disajikan dalam bentuk tabel, maka hasilnya adalah sebagai berikut.
Gambar Scree Plot menunjukkan hasil faktor yang terbentuk, dalam kasus ini yang diambil adalah 5 faktor saja karena berlandaskan teori tentang big five personality.


Terimakasih Semoga bermanfaat
Have Fun !

Tag : R, Statistik SPSS
1 Komentar untuk "Interpretasi Hasil Analisis Faktor"

Selamat malam, terima kasih atas penjelasannya, namun ada yang ingin saya tanyakan perihal bagaimana menentukan bahwa faktor 1 mewakili (adalah) faktor Agreeableness(A)bukan faktor Extraversion (E) dan seterusnya.

Silahkan tinggalkan komentar, kritik, maupun saran dari sobat blogger tentang apa yang sobat rasakan setelah mengunjungi blog ini.

Back To Top