Semua yang Perlu Anda Ketahui Tentang Analisis Faktor Data Skala Likert: Metrik dan Ambang Batas

Jika Anda pernah mengumpulkan data survei menggunakan skala likert (misalnya, “Sangat Tidak Setuju” → “Sangat Setuju”), Anda mungkin bertanya-tanya: Apakah pertanyaan saya benar-benar mengukur apa yang saya pikirkan?

Di sinilah analisis faktor masuk. Ini adalah alat statistik yang memeriksa apakah item survei Anda dikelompokkan menjadi kelompok yang bermakna (disebut faktor). Misalnya, sepuluh pertanyaan tentang “kepuasan kerja” sebenarnya dapat membentuk dua faktor: pertumbuhan karir Dan lingkungan kerja.

Namun untuk melakukan analisis faktor dengan benar, Anda perlu memahaminya metrik yang memberi tahu Anda apakah model Anda bagus. Panduan ini mencakup semua hal penting, langkah demi langkah.

---

🔹 Langkah 1: Periksa Kesesuaian Data

Sebelum menjalankan analisis faktor, Anda perlu memeriksa apakah data Anda sesuai.

Metrik yang digunakan:

• Tes Kaiser-Meyer-Olkin (KMO).
  • Mengukur kecukupan pengambilan sampel.
  • Ambang: ≥ 0,6 dapat diterima, ≥ 0,7 baik, ≥ 0,8 baik, ≥ 0,9 luar biasa.
• Uji Kebulatan Bartlett
  • Menguji apakah variabel Anda cukup berkorelasi.
  • Ambang: p < 0,05 (signifikan = sesuai untuk analisis faktor).

---

Langkah 2: Ekstrak Faktor

Sekarang, perangkat lunak akan mulai mengelompokkan item. Namun berapa banyak faktor yang harus Anda pertahankan?

Metrik yang digunakan:

• Nilai eigen
  • Mencerminkan varians yang dijelaskan oleh masing-masing faktor.
  • Ambang: Pertahankan faktor dengan nilai eigen > 1 (aturan Kaiser).
• Plot Layar
  • Pemeriksaan visual: cari titik “siku” di mana kemiringannya mendatar. Pertahankan faktor sebelum siku.
• Analisis Paralel (lebih kuat)
  • Membandingkan nilai eigen aktual dengan nilai eigen dari data acak. Pertahankan faktor-faktor di atas batas acak.

---

Langkah 3: Menilai Pemuatan Faktor

Pemuatan faktor menunjukkan seberapa kuat setiap pertanyaan berhubungan dengan faktornya.

Ambang batas:

• ≥ 0,30 → minimal
• ≥ 0,40 → dapat diterima
• ≥ 0,50 → baik
• ≥ 0,70 → sangat kuat

Jika suatu item memiliki muatan yang rendah (<0,4) atau memuat beberapa faktor (muatan silang), pertimbangkan untuk merevisi atau menghapusnya.

---

Langkah 4: Tingkatkan Interpretabilitas dengan Rotasi

Rotasi membuat solusi faktor Anda lebih mudah dibaca.

• Varimax (ortogonal): Gunakan jika faktor-faktornya independen.
• Oblimin/Promax (miring): Gunakan jika faktor-faktor berkorelasi (umum dalam ilmu sosial).

Ambang batas interpretasi yang bersih: Tiap item harus mempunyai muatan yang tinggi pada satu faktor dan rendah pada faktor yang lain.

---

Langkah 5: Periksa Keandalan

Setelah faktor-faktor diidentifikasi, uji apakah faktor-faktor tersebut dapat diandalkan.

Metrik yang digunakan:

• Alfa Cronbach
  • Memeriksa konsistensi internal.
  • Ambang: ≥ 0,7 dapat diterima, ≥ 0,8 baik, ≥ 0,9 sangat baik.
• Keandalan Komposit (CR)
  • Lebih akurat di CFA.
  • Ambang: ≥ 0,7 baik.

---

Langkah 6: Menilai Validitas

Selain keandalan, Anda perlu memastikan konstruksinya valid.

• Validitas Konvergen
  • Item yang mengukur konstruk yang sama harus berkorelasi kuat.
  • Diukur menggunakan Rata-rata Varians Diekstraksi (AVE).
  • Ambang: AVE ≥ 0,5.
• Validitas Diskriminan
  • Konstruksi harus berbeda satu sama lain.
  • Periksa apakah akar kuadrat dari AVE> korelasi dengan konstruksi lain.
• Model Cocok (untuk CFA/SEM):
  • χ²/df (Chi-kuadrat/df): <3 bagus.
  • RMSEA (Kesalahan Perkiraan Root Mean Square): < 0,08 dapat diterima, < 0,05 sangat baik.
  • Keuangan (Indeks Kesesuaian Komparatif): ≥ 0,90 baik, ≥ 0,95 sangat baik.
  • TLI (Indeks Tucker-Lewis): ≥ 0,90 baik, ≥ 0,95 sangat baik.
  • SRMR (Sisa Akar Mean Kuadrat Standar): < 0,08 dapat diterima.

---

Daftar Periksa Akhir

Ini a lembar contekan cepat untuk analisis faktor pada data skala Likert:

1. UKM ≥ 0,6 → Kecukupan sampel.
2. Uji Bartlett p <0,05 → Data sesuai.
3. Nilai Eigen > 1 & Scree Plot → Retensi faktor.
4. Pemuatan Faktor ≥ 0,4 → Simpan item yang kuat.
5. Alfa Cronbach ≥ 0,7 → Pemeriksaan keandalan.
6. AVE ≥ 0,5, CR ≥ 0,7 → Validitas konvergen.
7. Akar kuadrat dari korelasi AVE > → Validitas diskriminan.
8. Keuangan/TLI ≥ 0,90, RMSEA < 0,08 → Modelnya pas.

---

Pikiran Terakhir

Analisis faktor membantu Anda mengubah tanggapan skala Likert yang berantakan menjadi tanggapan yang berantakan konstruksi yang jelas dan tervalidasi kamu bisa percaya. Kuncinya bukan sekedar menjalankan analisa saja, tapi juga memeriksa metrik dengan cermat.

Pendeknya:

• Pertama, pastikan data Anda sesuai (KMO, Bartlett).
• Kemudian, ekstrak dan perbaiki faktor (nilai eigen, pemuatan, rotasi).
• Terakhir, uji reliabilitas dan validitas (Alpha, AVE, CR, CFI, RMSEA).

Lakukan semua itu, dan survei Anda akan memiliki dasar statistik yang kuat—siap untuk dipublikasikan atau dilaporkan secara profesional.