Factor Analysis STATISTIKIAN

Engine Code by Anwar Hidayat – www.statistikian.com

1. Input Data Parameter Mentah (Grid View)

💡 Tips: Paste data metrik berskala Likert/Rasio.
NoItem_1Item_2Item_3Item_4Item_5
1
2
3
4
5

Butuh Bantuan Analisis Data Profesional?

Serahkan pada ahlinya! Kami bantu olah data Skripsi/Tesis Anda hingga tuntas. Akurat, Cepat, dan Bergaransi. Menggunakan aplikasi SPSS, STATA, EVIEWS, LISREL, SMARTPLS, AMOS, JASP, MINITAB, EXCEL, R STUDIO.

💬 Konsultasi Jasa Olah Data (WhatsApp)

Dokumentasi Akademik ST-Engine: Analisis Faktor (EFA & PCA)

Dikembangkan Oleh:

ANWAR HIDAYAT

Founder dan CEO www.statistikian.com

Coding ini dibangun dan didevelop oleh Anwar Hidayat untuk menghadirkan instrumen reduksi data multivariat berbasis Pure JavaScript Math Engine. Alat ini mengeksekusi dekomposisi matriks secara riil tanpa ketergantungan pada library eksternal, memastikan performa instan dan akurasi tinggi dalam ekosistem WordPress.

Dokumentasi ini menyajikan spesifikasi analitis dan landasan teoretis untuk alat ST-Engine Factor Analysis. Analisis faktor merupakan teknik reduksi dimensi yang bertujuan untuk mengekstraksi variabel laten yang tidak teramati (faktor) dari sekumpulan variabel manifes yang saling berkorelasi. Alat ini memfasilitasi Exploratory Factor Analysis (EFA) dan Principal Component Analysis (PCA) secara komprehensif.

1. Teori Dasar: Definisi, Tujuan, dan Fungsi

Analisis Faktor adalah prosedur statistik multivariat yang digunakan untuk mendeskripsikan struktur variabilitas di antara variabel-variabel yang diamati melalui sejumlah kecil variabel yang tidak teramati, yang disebut sebagai faktor. Secara historis, teknik ini dipelopori oleh Charles Spearman (1904) dan dikembangkan lebih lanjut melalui kerangka kerja psikometrika untuk mengidentifikasi dimensi laten di balik skor tes kecerdasan (Gorsuch, 1983).

Tujuan utama dari analisis faktor adalah reduksi data dan identifikasi struktur. Dalam riset organisasi dan manajemen, peneliti sering kali berhadapan dengan puluhan indikator kuesioner yang tumpang tindih. Analisis faktor memungkinkan peneliti untuk menyederhanakan data tersebut menjadi kelompok-kelompok faktor yang lebih bermakna secara teoretis, sehingga meminimalisasi masalah multikolinearitas dalam pemodelan regresi lanjutan (Hair et al., 2019). Fungsi fungsional alat ini mencakup dua pendekatan utama:

  • Principal Component Analysis (PCA): Secara teknis bertujuan untuk merangkum informasi dari variabel asli ke dalam sejumlah kecil komponen dengan memaksimalisasi varians total. PCA lebih tepat digunakan untuk reduksi data murni tanpa asumsi adanya variabel laten (Jolliffe, 2002).
  • Exploratory Factor Analysis (EFA): Bertujuan untuk mengidentifikasi struktur laten yang mendasari sekumpulan variabel. EFA hanya memfokuskan pada varians bersama (common variance) dan mengabaikan varians unik serta varians galat. Metode ini sangat relevan untuk pengembangan skala dan validasi konstruk (Brown, 2015).

Keandalan hasil analisis faktor sangat bergantung pada kecukupan sampel (sampling adequacy) dan adanya korelasi antar variabel. Uji Kaiser-Meyer-Olkin (KMO) mengukur proporsi varians variabel yang mungkin disebabkan oleh faktor-faktor yang mendasarinya. Nilai KMO di bawah 0.50 mengindikasikan bahwa data tidak layak difaktorkan (Kaiser, 1974). Sementara itu, Uji Bartlett memeriksa apakah matriks korelasi sampel merupakan matriks identitas. Signifikansi pada uji Bartlett (Sig. < 0.05) merupakan prasyarat mutlak yang membuktikan bahwa variabel-variabel manifes memiliki hubungan multivariat yang cukup untuk diekstraksi (Bartlett, 1950).

2. Formula Tiap Tahap Analisis

R = \frac{1}{n-1} \sum_{i=1}^n \left( \frac{X_i - \bar{X}}{s_x} \right) \left( \frac{Y_i - \bar{Y}}{s_y} \right)
Matriks Korelasi (Pearson): Fondasi awal analisis faktor. Formula ini menghitung derajat asosiasi linear antar variabel manifes untuk membentuk matriks persegi simetris yang akan didekomposisi (Hair et al., 2019).
det(R - \lambda I) = 0
Dekomposisi Nilai Eigen: Menggunakan metode Exact Jacobi untuk menemukan nilai eigen (\lambda) dari matriks korelasi. Nilai eigen mencerminkan jumlah varians yang dijelaskan oleh setiap faktor atau komponen (Gorsuch, 1983).
MSA_i = \frac{\sum_{j \neq i} r_{ij}^2}{\sum_{j \neq i} r_{ij}^2 + \sum_{j \neq i} a_{ij}^2}
Measure of Sampling Adequacy (MSA): Digunakan untuk mengevaluasi kelayakan setiap item secara individual. r adalah korelasi parsial dan a adalah elemen korelasi anti-image (Kaiser, 1974).
V = \sum_{j=1}^m \left[ \sum_{i=1}^p (\lambda_{ij}/h_i)^4 - \frac{1}{p} (\sum_{i=1}^p \lambda_{ij}^2/h_i^2)^2 \right]
Rotasi Varimax (Orthogonal): Algoritma iteratif untuk memaksimalisasi varians dari pembebanan kuadrat (loadings) pada setiap faktor. Relevansinya adalah untuk menciptakan struktur faktor yang sederhana (simple structure) sehingga variabel hanya memuat tinggi pada satu faktor saja (Kaiser, 1958).

3. Arsitektur Perangkat Lunak

Alat ini dikembangkan oleh Anwar Hidayat dengan paradigma efisiensi tinggi tanpa ketergantungan pada server eksternal:

  • Pure Vanilla JS Math Engine: Seluruh algoritma aljabar linear, termasuk eliminasi Gauss-Jordan untuk inversi matriks dan metode Jacobi untuk nilai eigen, ditulis secara asali (hardcoded). Hal ini mengeliminasi kebutuhan untuk mengunduh biner R-WASM (~35MB), sehingga alat dapat berjalan instan.
  • SVG Visualization: Grafik Scree Plot dan Loading Plot dirender menggunakan elemen vektor (SVG) yang ringan dan tajam, memastikan visualisasi data tetap jernih pada berbagai resolusi layar.

4. Ekuivalensi dengan R Studio dan SPSS

Alat ST-Engine ini dirancang untuk mencapai konsistensi hasil dengan standar industri:

  • Kesamaan dengan R Studio (100%): Perhitungan matriks, KMO, dan Bartlett identik dengan paket psych di R. Karena mesin ini mereplikasi algoritma R secara matematis, hasil desimal dipastikan sama.
  • Kesamaan dengan SPSS (~99.9%): Hasil akan sangat setara. Perbedaan mikroskopis (pada desimal ke-5) mungkin terjadi akibat kriteria konvergensi iterasi rotasi. Perlu dicatat bahwa secara *default* SPSS sering menggunakan PCA, sementara alat ini memberikan fleksibilitas untuk memilih EFA murni (ML/PAF) yang sering kali menghasilkan pembebanan faktor yang lebih akurat dan konservatif.

5. Cara Menggunakan Tool Ini

A. Persiapan Data & Mapping

  • Input data berupa angka metrik (Likert/Rasio). Klik sel kiri atas pada Grid lalu Paste (Ctrl+V) dari Excel.
  • Gunakan Simpan Data & Mapping untuk mendaftarkan variabel.
  • Pindahkan variabel dari bilik kiri ke bilik Variables / Parameter Uji. Batas maksimal adalah 50 variabel untuk menjaga stabilitas memori browser.

B. Konfigurasi Opsi & Diagram Alur

  • Extraction: Pilih Principal Component Analysis untuk reduksi data atau Maximum Likelihood / PAF untuk mencari struktur laten.
  • Rotation: Gunakan Varimax (Orthogonal) untuk faktor yang tidak berhubungan, atau Promax (Oblique) jika faktor secara teoretis saling berkorelasi.
  • Diagram Alur: Grid Data → Korelasi Pearson → Uji KMO/Bartlett → Dekomposisi Eigen → Ekstraksi Loadings → Rotasi Matriks → Render Output.

C. Cara Baca Tabel Output

  • KMO & Bartlett: Pastikan KMO > 0.50 dan Sig. Bartlett < 0.05. Jika gagal, data Anda tidak layak dianalisis faktor.
  • Total Variance Explained: Lihat kolom Cumulative %. Dalam riset sosial, akumulasi varians > 60% dianggap memadai.
  • Rotated/Pattern Matrix: Perhatikan angka yang dicetak tebal (Loading > 0.40). Jika ada item memuat tinggi pada dua faktor sekaligus (cross-loading), pertimbangkan untuk menghapus item tersebut.
  • Factor Score Equations: Digunakan untuk menghitung variabel baru (skor faktor) bagi setiap responden. Format interaksi antar variabel ditulis lengkap dalam kurung, misal (X1*X2).

6. Manfaat Aplikasi (Kelebihan & Kekurangan)

  • Kelebihan: Eksekusi instan (0 detik) karena tanpa loading R-WASM. Privasi data 100% aman (pengolahan di RAM lokal). Mendukung Parallel Analysis (Monte Carlo) yang merupakan standar emas jurnal internasional untuk menentukan jumlah faktor.
  • Kekurangan: Kapasitas pengolahan terbatas pada kemampuan RAM komputer pengguna (maksimal ~50 variabel). Tidak mendukung input data non-numerik (string) secara langsung.

7. Daftar Pustaka

  • Bartlett, M. S. (1950). Tests of significance in factor analysis. British Journal of Psychology, 3(2), 77-85.
  • Brown, T. A. (2015). Confirmatory Factor Analysis for Applied Research. Guilford Publications.
  • Gorsuch, R. L. (1983). Factor Analysis. Lawrence Erlbaum Associates.
  • Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
  • Horn, J. L. (1965). A rationale and test for the number of factors in factor analysis. Psychometrika, 30(2), 179-185.
  • Jolliffe, I. T. (2002). Principal Component Analysis. Springer.
  • Kaiser, H. F. (1958). The varimax criterion for analytic rotation in factor analysis. Psychometrika, 23(3), 187-200.
  • Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31-36.
  • Spearman, C. (1904). “General Intelligence,” objectively determined and measured. The American Journal of Psychology, 15(2), 201-292.
Daftar Tool Analisis Statistik Online Statistikian
Scroll to Top
Jasa Olah dan Analisis Statistik Oleh Statistikian Tahun 2024