Analisis faktor eksploratori (EFA)
Menemukan struktur faktor dari butir kuesioner.
Untuk apa dipakai
- Menguji kualitas kuesioner (validitas dan reliabilitas)
- Menguji model dengan banyak variabel laten
Data yang dibutuhkan
Beberapa kolom angka butir kuesioner (umumnya 6 butir atau lebih).
Unggah file Excel (.xlsx) atau CSV. Aplikasi memeriksa kecocokan data dengan metode sebelum analisis dijalankan, dan token tidak terpotong bila analisis gagal.
Cara membaca hasilnya
Mencari kelompok butir yang saling berkaitan dari data, tanpa dugaan awal.
- KMO dan uji Bartlett
- KMO di atas 0,50 (lebih baik di atas 0,60) dan Bartlett p kurang dari 0,05 berarti data layak difaktorkan.
- Varians terjelaskan
- Persentase variasi yang ditangkap faktor; sekitar 50–60% atau lebih lazim dianggap cukup.
- Muatan faktor
- Tiap butir dikelompokkan ke faktor dengan muatan tertinggi (sekitar 0,40 ke atas).
Perlu diwaspadai
- Nama faktor adalah tafsiran peneliti; beri nama sesuai isi butirnya.
- Pastikan butir tidak bermuatan tinggi pada beberapa faktor sekaligus.
Bantuan — proses & rumus
Tahap komputasi yang dijalankan OlahData untuk metode ini, lengkap dengan rumus dan rujukannya.
KMO memakai rumus Kaiser dan Rice (1974): seberapa besar korelasi antar butir dibanding korelasi parsialnya. Uji Bartlett (1950) menguji apakah matriks korelasi sama dengan matriks identitas (tidak ada hubungan antar butir sama sekali).
KMO = Σr² / (Σr² + Σq²) (r = korelasi, q = korelasi parsial)
Tiga kriteria dibandingkan: analisis paralel (Horn, 1965) membandingkan nilai eigen data dengan persentil ke-95 nilai eigen data acak simulasi; kriteria Kaiser mempertahankan faktor dengan nilai eigen > 1; atau jumlah faktor ditetapkan sendiri. Analisis paralel lebih disarankan karena kriteria Kaiser sering menghasilkan terlalu banyak faktor (Horn, 1965; Fabrigar dkk., 1999).
Principal axis factoring (PAF) mengestimasi komunalitas lewat iterasi (hanya varians yang dijelaskan faktor dimodelkan); komponen utama (PCA) memakai komunalitas = 1 untuk semua butir.
Varimax (rotasi ortogonal, faktor tidak berkorelasi) atau promax (rotasi oblik, faktor boleh berkorelasi) diterapkan agar struktur muatan lebih sederhana dan mudah dibaca; butir dengan muatan di bawah ambang (standar 0,40) disembunyikan dari tabel.
| Ukuran | Ambang batas | Rujukan |
|---|---|---|
| KMO | ≥ 0,50 layak; ≥ 0,80 baik | Kaiser & Rice (1974) |
| MSA per butir | < 0,50 pertimbangkan dikeluarkan | Kaiser & Rice (1974) |
| Muatan faktor | ≥ 0,40 (ambang baku aplikasi, dapat diubah) | — |
- Kaiser, H. F. (1970). A second generation little jiffy. Psychometrika, 35(4), 401–415.
- Kaiser, H. F., & Rice, J. (1974). Little jiffy, mark IV. Educational and Psychological Measurement, 34(1), 111–117.
- Bartlett, M. S. (1950). Tests of significance in factor analysis. British Journal of Statistical Psychology, 3(2), 77–85.
- Horn, J. L. (1965). A rationale and test for the number of factors in factor analysis. Psychometrika, 30(2), 179–185.
- Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.
- Kaiser, H. F. (1958). The varimax criterion for analytic rotation in factor analysis. Psychometrika, 23(3), 187–200.
- Hendrickson, A. E., & White, P. O. (1964). Promax: A quick method for rotation to oblique simple structure. British Journal of Statistical Psychology, 17(1), 65–70.
- Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299.
Fabrigar dkk. (1999); Horn (1965)
Contoh hasil
Contoh hasil dengan data fiktif untuk metode ini sedang disiapkan.
Ingin mencoba dengan data Anda?
Hasilnya disertai tabel, grafik, narasi, dan penjelasan prosesnya.