Tag: analisis faktor

Bayangkan seorang analis keuangan yang diminta menilai kesehatan perusahaan-perusahaan di satu industri. Berdasarkan penelitian sebelumnya, ada 25 rasio keuangan yang sebaiknya diperhatikan: likuiditas, solvabilitas, profitabilitas, efisiensi, dan seterusnya. Menganalisis 25 angka untuk setiap perusahaan, lalu membandingkannya antarperusahaan, adalah pekerjaan yang melelahkan, dan hasilnya sering membingungkan karena banyak rasio itu saling berkaitan.

Bagaimana kalau 25 rasio itu bisa diringkas menjadi tiga sampai lima indeks yang lebih sederhana, tanpa kehilangan informasi yang penting?

Inilah yang ditawarkan oleh Analisis Komponen Utama (Principal Component Analysis, PCA) dan Analisis Faktor. Keduanya termasuk metode favorit saya karena selalu terasa seperti sulap yang bisa dijelaskan: apa yang kelihatannya rumit ternyata punya struktur yang lebih sederhana di baliknya.

Intinya: banyak variabel sebenarnya mengukur hal yang sama

Variabel dalam data sering tumpang tindih. Contohnya: pendapatan, pengeluaran bulanan, kepemilikan kendaraan, dan luas rumah. Keempatnya berbeda secara teknis, tetapi sangat mungkin bergerak bersama karena sama-sama mencerminkan satu hal besar, yaitu “tingkat kemakmuran”. Kalau kita bisa merangkum keempatnya menjadi satu indeks kemakmuran, analisis kita jadi lebih ringkas dan sering lebih stabil.

Beberapa kegunaan praktis metode ini:

1. Merangkum banyak variabel menjadi sedikit indeks, seperti contoh rasio keuangan tadi.
2. Mengatasi multikolinearitas dalam regresi. Kalau beberapa variabel penjelas sangat berkorelasi sehingga menyulitkan estimasi regresi, tapi semuanya sebaiknya tetap dipakai, kita bisa membentuk variabel baru (komponen) yang tidak saling berkorelasi, lalu memakainya sebagai pengganti variabel aslinya.
3. Menguji struktur kuesioner. Pada instrumen dengan banyak butir, kita ingin mengetahui apakah butir-butir itu mengelompok sesuai dimensi teori. Ini adalah bagian dari uji validitas konstruk.
4. Visualisasi. Data dengan puluhan dimensi dapat diproyeksikan ke dua atau tiga dimensi agar pola kelompok mudah dilihat.

PCA dan analisis faktor: mirip, tetapi tidak sama

Keduanya sering dibahas bersamaan dan sering dijalankan lewat menu yang sama di perangkat lunak, tetapi tujuannya berbeda.

PCA adalah teknik reduksi data. Ia membentuk komponen-komponen baru yang merupakan kombinasi linear dari variabel asli, disusun sehingga komponen pertama menangkap varians terbesar, komponen kedua menangkap varians terbesar berikutnya yang tidak berkorelasi dengan yang pertama, dan seterusnya. Fokusnya: merangkum total varians.

Analisis faktor (eksploratori) adalah teknik pemodelan. Ia mengasumsikan ada faktor laten (konsep tak teramati, seperti “kepuasan” atau “kemakmuran”) yang menyebabkan variabel-variabel yang kita ukur saling berkaitan. Fokusnya: menjelaskan korelasi antarvariabel lewat sedikit faktor bersama, dan memisahkan varians bersama dari varians unik tiap variabel.

Aturan praktis: kalau tujuanmu merangkum data atau membentuk indeks, PCA sudah cukup. Kalau tujuanmu memahami struktur konsep yang mendasari butir-butir kuesioner, analisis faktor lebih sesuai secara konseptual. Di banyak skripsi, keduanya dicampuradukkan, dan penguji yang jeli akan menanyakan perbedaannya.

Langkah-langkah praktis

Berikut kerangka kerja yang saya pakai, baik di SPSS maupun perangkat lunak lain:

Langkah 1: Periksa kelayakan data. Dua uji yang umum: KMO (Kaiser-Meyer-Olkin), yang mengukur kecukupan sampel dan idealnya di atas 0,50 (makin tinggi makin baik), dan uji Bartlett, yang menguji apakah matriks korelasi berbeda dari matriks identitas (kita ingin hasil signifikan, karena itu berarti ada korelasi antarvariabel yang bisa dirangkum). Kalau variabelmu hampir tidak berkorelasi satu sama lain, tidak ada yang bisa diringkas.

Langkah 2: Tentukan jumlah komponen atau faktor. Ada beberapa kriteria, dan sebaiknya digunakan bersama: (a) nilai eigen lebih dari 1 (kriteria Kaiser), (b) scree plot, yaitu mencari titik “siku” tempat kurva mulai mendatar, (c) persentase varians kumulatif yang dijelaskan (sering dipakai target sekitar 60% atau lebih untuk ilmu sosial), dan (d) kemudahan interpretasi. Jangan hanya mengikuti kriteria nilai eigen secara mekanis, karena ia cenderung menghasilkan terlalu banyak komponen.

Langkah 3: Lakukan rotasi (jika relevan). Hasil awal sering sulit diinterpretasi karena banyak variabel memuat pada beberapa komponen sekaligus. Rotasi (misalnya varimax) memutar sumbu agar setiap variabel cenderung memuat tinggi pada satu faktor saja. Ini tidak mengubah total varians yang dijelaskan, hanya membuat polanya lebih mudah dibaca.

Langkah 4: Baca matriks muatan (loading). Muatan menunjukkan seberapa kuat hubungan sebuah variabel dengan faktor. Sebagai patokan, muatan sekitar 0,50 atau lebih biasanya dianggap bermakna pada sampel menengah, dan butir yang memuat tinggi pada dua faktor sekaligus (cross-loading) perlu dipertimbangkan ulang.

Langkah 5: Beri nama dan interpretasikan. Lihat variabel-variabel yang mengumpul pada satu faktor, lalu tanyakan apa kesamaan mereka. Pada contoh rasio keuangan tadi, satu kelompok mungkin memuat rasio-rasio likuiditas (“faktor likuiditas”), kelompok lain memuat rasio profitabilitas, dan kelompok ketiga memuat rasio utang.

Langkah 6: Gunakan skor. Skor komponen atau faktor tiap responden bisa disimpan dan dipakai dalam analisis lanjut, misalnya regresi, klaster, atau perbandingan antarkelompok.

Kesalahan yang sering terjadi

• Sampel terlalu kecil. Analisis ini membutuhkan sampel yang memadai. Pedoman kasar yang sering dikutip adalah beberapa kali jumlah variabel, dan jangan kurang dari sekitar 100 responden. Sampel kecil menghasilkan solusi yang tidak stabil.
• Memasukkan variabel yang tidak cocok. Variabel kategorik nominal tidak cocok untuk analisis ini dalam bentuk standarnya.
• Mengabaikan teori. Kalau hasil analisis menghasilkan faktor yang tidak bisa dijelaskan secara substantif, kamu sedang melihat artefak statistik, bukan konsep nyata.
• Memakai analisis faktor eksploratori untuk membuktikan model teori. Untuk menguji struktur yang sudah ditetapkan teori, gunakan analisis faktor konfirmatori.
• Menghapus butir sebanyak-banyaknya sampai hasil rapi. Kalau kamu menghapus setengah dari kuesioner demi struktur yang bagus, instrumenmu tidak lagi mewakili konsepnya.

Contoh sederhana dalam dunia kerja

Seorang manajer SDM punya survei engagement dengan 30 pernyataan. Alih-alih melaporkan 30 skor kepada direksi, ia menjalankan analisis faktor, dan menemukan bahwa butir-butir itu mengelompok menjadi lima dimensi: kepemimpinan, kompensasi, beban kerja, pengembangan karier, dan komunikasi. Laporan menjadi lima indeks yang mudah dibaca, dan perbandingan antardivisi menjadi lebih bermakna. Itulah nilai praktis metode ini: bukan sekadar teknik, melainkan cara membuat informasi menjadi dapat dikelola.

Data yang banyak bukan masalah. Data yang tidak terbaca itulah masalahnya. Dan dengan alat yang tepat, banyak data bisa diringkas menjadi cerita yang jelas.

Contoh membaca tabel muatan

Bayangkan hasil rotasi varimax untuk enam variabel keuangan menghasilkan dua faktor. Variabel rasio lancar, rasio kas, dan modal kerja memiliki muatan 0,86, 0,81, dan 0,77 pada Faktor 1, tetapi di bawah 0,20 pada Faktor 2. Variabel margin laba, ROA, dan ROE memiliki muatan di atas 0,80 pada Faktor 2 dan di bawah 0,15 pada Faktor 1. Polanya bersih: Faktor 1 bisa dinamai ‘likuiditas’ dan Faktor 2 ‘profitabilitas’. Kalau satu variabel, misalnya rasio utang, memuat 0,45 pada kedua faktor, ia ambigu, dan kamu perlu memutuskan apakah ia dikeluarkan, dibiarkan, atau dikaji ulang secara teoretis. Keputusan itu harus bisa dijelaskan di bab metode.

---

Butuh bantuan analisis faktor atau PCA untuk datamu? Lihat layanan jasa analisis data dan statistik kami.