Welcome to Wajibstat Analysis Jibvela17...

NEW WAJIBSTAT ANALYSIS IS COMING***

Selasa, 16 April 2013

OUTPUT ANALISIS FAKTOR /CONFIRMATORY FACTOR ANALYSIS (CFA) DENGAN SATU DAN DUA FACTOR DAN BAGAIMANAKAH PERBEDAAN INTERPRETASI KEDUANYA (Terusan Konsep Analisis Faktor Disertai Contoh Kasus)


OUTPUT ANALISIS FAKTOR /CONFIRMATORY FACTOR ANALYSIS (CFA) DENGAN SATU DAN DUA FACTOR DAN BAGAIMANAKAH PERBEDAAN INTERPRETASI KEDUANYA
(Terusan Konsep Analisis Faktor Disertai Contoh Kasus)

Pagi nih sobat semua hehehe.. Pa kabarnya neh hari ni? Emm moga sehat-sehat aja yaakk.. Tetap semangat dooong hehehe... Oiya kemaren malam saya langsung fall asleep bro jadi baru sekarang deh bisa posting lanjutan postingan sebelumnya “KonsepKomprehensif Analisis Faktor (Confirmatory Factor Analysis) Disertai ContohKasus Dengan SPSS”

Syarat pertama dalam analisis faktor seperti yang sudah saya jelasin pada postingan sebelumnya adalah kelayakan kita pakai analisis faktor.. Pertama kita harus penuhi dulu kecukupan jumlah observasi (data) untuk analisis faktor.. Ya, kita lihat apakah nilai Kaiser Meyer Oikin (KMO) lebih besar dari 0,5.. Berikut outputnya:


Nah, ternyata nilai KMOnya 0,871 yang pastinya lebih besar daripada 0,5 sehingga syarat pertama yaitu dasi sisi kecukupan data sudah terpenuhi sooob.. Next, syarat kedua seperti pada penjelasan dalam postingan sebelumnya, analisis faktor ini layak apabila dalam pengujian korelasi multivariat dengan Bartlett, Sig. harus lebih kecil daripada Alpha standar 0,05. Kita lihat dari output bahwa Sig 0,000 lebih kecil dari Alpha 0,05 sehingga dengan demikian kita tolak hipotesis nol (rho=0) dan terima hipotesis alternatif (rho≠0) sehingga disimpulkan ada korelasi antar variabel multivariat.


Selanjutnya untuk melihat nilai korelasi antar variabel multivariat, lihat output pada Anti Image Matrices dimana disini perlu kita lihat sisi Measure of Sampling Adequacy (MSA) saja yaitu yang ada huruf “a” nya pada Anti Image Correlationnya ya soob.. Para ahli mengemukakan kalau nilai MSA ini selalu berkisar antara 0 hingga 1. Nah, ada juga klasifikasi MSA yang mereka buat.. Nih dia:

MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel yang lain.
MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut.
MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut, atau dikeluarkan dari variabel lainnya.

Nah, sekarang coba deh sobat lihat outputnya.. Semua MSA sudah lebih besar dari 0,5 kan hehehe.. Horeee..
Nah, kita lanjut nih ya ke output selanjutnya.. Ini dia:


Nah, dalam Communality ini kita manfaatkan sebagai uji validitas faktor yang nanti terbentuk bisa menjelaskan dan memotret variabel-variabel yang ada.. Nah, ternyata bisa kita lihat dari output bahwa variabel bentukan baru ALIAS faktor yang nanti terbentuk bisa menjelaskan variabel kenyamanan sebesar 88,6%, bisa menjelaskan variabel strategis sebesar 92 persen,, Naaah, begitulah seterusnya sampai terakhir ke variabel promo diskon hehehe..

Next, lihat output selanjutnya.. Total Variance Explained by Factor(s)


Nah, disini kita bisa menentukan ada berapa faktor yang mungkin terbentuk dari sejumlah variabel yang kita pakai.. Perhatikan sob,, faktor I yang nanti terbentuk akan mampu menjelaskan variasi data sebesar 81,623%. Angka ini kita peroleh dari 4,081 per jumlah variabel dikalikan dengan 100% sehingga 4,081/5*100%=81,6%.. Seterusnya faktor II  dengan cara yang sama atau langsung saja lihat ouput, mampu menjelaskan variasi data sebesar 7,477%.

Nah, saya kembali sedikit mengungkit teknik pemilihan pengerjaan (apakah mau pakai nilai eigen value > 1 atau sudah ditetapkan sendiri berapa jumlah faktor yang mau dibentuk) yang ditetapkan adalah yang lebih besar 1. Ini kan namanya pilihan ya soobb.. Oiya.. ini saya tampilkan pemilihannya untuk mengingatkan sobat kembali.. Inget kann? Hehehe..



Nah, setelah saya trial and error dengan keduanya eh malah error hahaha,, Becanda nih sooob biar gak stress hahaha.. Nah, jadi gini saat saya coba pakai standar Eigen Value Over 1 ya hasilnya hanya ada satu faktor yang terbentuk (cek lagi output eigen value di atas).. Begini hasilnya..


Dari Component Matrix kita menentukan seberapa besar korelasi variabel masing-masing dengan Faktor yang terbentuk (hanya satu).. Ternyata semuanya berkorelasi kuat terhadap satu Faktor bentukan (component) yakni semuanya > 0,5.. Karena faktor yang dihasilkan hanya 1, tidak bisa dilakukan rotasi untuk menentukan korelasi yang paling sesuai sehingga bisa ditentukan suatu variabel itu mau masuknya ke faktor yang mana.. 

Hemmh, inilah hebatnya analisis faktor ini dibanding nenek monyongnya dulu analisis komponen utama.. Dengan komputer bisa dilakukan berapa kali rotasi sampai ditemukan kejelasan ke faktor mana variabel akan dimasukan.. Catatan saja, untuk melakukan rotasi minimal setidaknya ada dua faktor ya soob hehehe..

Nah, selanjutnya lihat output Component Score Coef. Matrix soob.. Ini dia:




Nah, karena kita pakai pilihan pertama (ekstraksi dengan eigen value > 1), maka hanya ada satu faktor yang terbentuk dan setelah kita lihat dari Component Matriks seluruh variabel berkorelasi kuat dengan satu faktor bentukan.. Jadi, disimpulkan bahwa kita punya sebuah Faktor saja yang mencerminkan kelima variabel.

Pada data view akan muncul data baru dan silahkan pakailah data itu untuk analisis selanjutnya sesuai penelitian sobat semua hehehe..



Sekarang masalah yang agak gampang gampang sulit adalah faktor yang baru kita bentuk itu mau kita namakan apa ya sehingga dari namanya tercermin kelima variabel multivariat yang terkandung di dalamnya.. Nah, itu sih terserah sobat.. Pilih aja nama yang T.O.P hehehe..



Nah, itu dia kasus kalo saya pakai pilihan berdasarkan eigen value over 1.. Faktornya Cuma satu dan semua variabel juga masuk ke dalam satu faktor itu dan penamaannya agak sulit juga ya hehehe.. Lalu, saya coba pakai pilihan kedua dengan sudah kita tentukan kita mau berapa Factor.. Kan, tinggal pakai rotasi ini dengan komputer hehehe..Mau berapa kali iterasi juga gak masalah kan hehehe.. Kalau sudah pakai pilihan ini sih ya nggak usah lagi perhatiin nilai eigen valuenya (mau satu mau enggak) yang penting intinya nanti ada rotasi hehehe..
  

Perhatikan sooob yaa.. Pada Component Matrix yang belum dirotasi (bagian atas) yang menandakan kuatnya hubungan variabel dengan faktor yang dibentuk lihat semua variabel kuatnya kan ke Factor 1.. Nah, sekarang setelah dirotasi jadi jelas nih soob variabel mau masuk ke mana, Factor 1 atau 2 neeeh.. Lihat dari korelasinya.. Jreeng jreenng dan ternyata untuk variabel nyaman dan strategis masuk ke Factor II sedangkan untuk variabel cost_per_night, fasilitas dan promo_diskon masuknya ke Factor I.

Output selanjutnya silahkan lihat koefisien skor komponen (pembentuk Factor):


Pada data view akan muncul 2 buah factor yang baru dan silahkan sobat pakai data ini nanti untuk analisis selanjutnya yaaa hehehe.. Ini gambarannya:



Selanjutnya bisa kita simpulkan bahwa dengan terlebih dulu menentukan 2 buah Faktor, maka diperoleh:
Factor I: mencakup cost_per_night, fasilitas dan promo_diskon.

Factor II: mencakup kenyamanan dan strategis tempat penginapan.

Untuk Factor I mencakup biaya untuk menginap satu malam, terlalu mahalkah atau bagaimana.. Tentu pelanggan akan melihat kesesuaian biaya dengan fasilitas yang diberikan oleh pihak penginapan baik di dalam ruang kamar, di dalam ruang umum penginapan seperti tempat untuk spa, tempat fitness, dll.. Factor I ini juga mencakup bagaimana promo diskon yang ditawarkan kepada pelanggan, misalnya frekuensi promo/diskon, perolehan diskon dengan memiliki/memegang suatu jenis kartu kredit tertentu, nasabah bank tertentu, diskon bagi yang sudah sering menginap dan menjadi members dll.. Karena itu saya namakan Factor I ini biaya dan fasilitas.
 
Untuk Factor II ini kan mencakup kenyamanan suatu penginapan termasuk pula dari sisi keamanan dan kondusifnya situasi. Posisi atau keberadaan suatu tempat yang strategis misal dekat dengan pusat perbelanjaan, perkantoran, mudah dalam mengakses sarana transportasi dan lebih dekat (pusat) untuk pergi kemana-mana.. Karena itu Factor II ini saya namakan lingkungan



Otreeee deh soob, itu saja yang dulu bisa saya sampaikan tentang penerapan analisis faktor sebagai pengkonfirmasi (CFA) dengan contoh kasus.. Kurang lebihnya, saya mohon maaf ya sob.. Semoga postingan ini bermanfaat bagi kita semua.. Sukses buat sobat semua.. Salam :-)




7 komentar:

  1. Komentar ini telah dihapus oleh pengarang.

    BalasHapus
  2. Bang saya mau bertanya:
    Tadi kan tujuan analisis data yang abang contohkan itu untuk:
    "melihat tingkat motivasi seseorang menentukan tempat penginapan"
    Hasil akhirnya adalah kemunculan dua faktor (Faktor 1: biaya dan fasilitas & Faktor 2: lingkungan)
    Nah dari kedua faktor tersebut (Faktor 1: biaya dan fasilitas & Faktor 2: lingkungan) bisa gak kita lihat faktor mana yang paling mempengaruhi?

    Makasih banyak Bang.
    Slam Kenal
    Nugraha

    BalasHapus
  3. Salam kenal Nugraha.Ya, dalam menentukan faktor yang dominan bisa kita lakukan dengan meregress kedua faktor terhadap variabel dependen (Y). Metode menentukan faktor mana yang dominan bisa dengan metode backward, forward dan stepwise yang pada akhirnya sebenarnya menghasilkan output yang hampir sama. Ingat bahwa dalam penentuan faktor yang dominan, faktor tersebut harus signifikan memengaruhi Y secara statistik. Demikian. Semoga membantu. Salam

    BalasHapus
  4. Salam. Bang mau nanya nich tentang CFA...
    1. Berapa sih kecukupan data untuk dapat dilakukan analisis CFA.
    2. untuk mengukur kualitas kuesioner digunakan validitas dan reliabilitas, nah klo untuk mengukur kualitas data atau validitas data, gimana bang
    3. Syarat untuk melakukan CFA apa aja bang...
    4. Kelayakan data untuk analisis CFA gimana bang

    BalasHapus
  5. @anonim: Salam sdr anonim.. Wah kenalkan dong namanya mas/mbak hehe
    1.) Menurut Joseph F.Hair, dalam bukunya "Multivariate Data Analysis", hal 101 by , dalam aturan umum, kecukupan sampel untuk analisis faktor adalah lima kali dari jumlah variabel yang akan dipakai dalam analisis faktor (5:1), akan tetapi jika memungkinkan, akan lebih baik (more acceptable) jika rasio antara jumlah sampel dan variabel 10:1 atau 20:1.
    2.) Kalau bicara soal mengukur kualitas data sangat luas, bisa dengan plotting data untuk deteksi berapa jumlah data outliers, bisa dengan identifikasi data hilang (dgn solusi imputasi atau interpolasi), transformasi data, pemenuhan uji-uji asumsi (linieritas, normalitas/histogram, heterokedastisitas), perubahan efek koding data atau reference category (misal pada reglog multinomial) dan bisa juga lewat hasil residual (selisih y dengan y model).
    3. Syaratnya: rasio kecukupan data, korelasi parsial antar variabel minimal 0,3 lalu ketepatan isu konseptual yang sesuai (misal kita harus melakukan analisis faktor thdp variabel yang homogen atau sesama eksogen/endogen), uji interkorelasi variabel dan kecocokan analisis faktor dengan nilai Measure of Sampling Adequacy (MSA) > 0,5, uji seberapa besar keragaman data terjelaskan oleh faktor yang dibentuk, nilai loading factor (korelasi faktor terhadap msg2 indikator) dan uji asumsi non multikolinieritas model.
    4. Lihat aja kembali poin-poin sebelumnya :)

    BalasHapus
  6. Pak saya mau bertanya, hasil dari Factor 1 kan ada yang positif ada yang negatif? Itu ada artinya gak?
    Mohon arahannya pak. Trims

    BalasHapus
  7. selamat siang pak. perkenalkan saya sri wahyu mahasiswi universitas bengkul. Terima kasih pak atas penjelasan tentang analisis faktornya, tetapi sebenarnya masih kurang mengerti. itu kan tadi dipenjelasan mengatakan bahwa nyaman dengan strategis itu masuk ke faktor 2 itu bagaimana maksudnya ?karena penelitian saya juga ingin meneliti faktor dominan, kalau di penelitian saya ada 8 faktor yang mempengaruhi variabel y, sehingga saya ingin melihat dari 8 faktor itu yang paling dominan mempengaruhi y itu faktor apa saja. mohion arahannya pak terima kasih sebelumnya.

    BalasHapus