Analisis Faktor Eksploratori (EFA): KMO, Bartlett, Jumlah Faktor, dan Rotasi

Analisis faktor eksploratori (exploratory factor analysis, EFA) adalah teknik untuk menemukan kelompok-kelompok butir kuesioner yang mengukur hal yang sama. Butir yang saling berkorelasi kuat dikelompokkan ke dalam satu faktor, sehingga peneliti bisa melihat struktur di balik banyak butir.

EFA sering dipakai untuk menguji validitas konstruk instrumen baru atau instrumen yang struktur dimensinya belum jelas. Artikel ini menjelaskan langkah EFA di SPSS, mulai dari uji KMO dan Bartlett, menentukan jumlah faktor, rotasi, sampai membaca matriks faktor, dengan contoh lengkap.

Artikel ini bagian dari seri Materi Statistik IDTesis. Dasar-dasar validitas dibahas di artikel uji validitas.

Kapan EFA Dipakai?

• Menyusun instrumen baru yang dimensinya belum pasti.
• Memeriksa struktur instrumen yang diadaptasi dari bahasa atau budaya lain, ketika teori belum cukup kuat menyatakan strukturnya.
• Meringkas banyak variabel menjadi beberapa faktor.

Jika struktur faktornya sudah jelas dari teori, gunakan CFA ? untuk mengujinya. EFA mencari struktur, sedangkan CFA menguji struktur.

Langkah-Langkah EFA

1. Periksa Kelayakan Data: KMO dan Bartlett

• KMO (Kaiser-Meyer-Olkin) mengukur apakah korelasi antarbutir cukup kuat untuk dianalisis faktor. Kaiser (1974) memberi patokan: 0,90 ke atas sangat baik, 0,80-an baik, 0,70-an cukup, 0,60-an sedang, 0,50-an kurang, dan di bawah 0,50 tidak layak.
• MSA (measure of sampling adequacy) adalah KMO untuk setiap butir, terlihat di diagonal tabel Anti-image Correlation. Butir dengan MSA di bawah 0,50 sebaiknya dikeluarkan.
• Uji Bartlett menguji apakah matriks korelasi berbeda dari matriks identitas, yaitu kondisi ketika butir-butir sama sekali tidak berkorelasi. Hasil yang diharapkan adalah signifikan (p < 0,05).

2. Tentukan Metode Ekstraksi

SPSS memakai principal components sebagai bawaan. Untuk tujuan menemukan faktor laten, banyak ahli menyarankan principal axis factoring atau maximum likelihood, karena principal components sebenarnya bukan analisis faktor dalam arti sempit (Costello & Osborne, 2005).

3. Tentukan Jumlah Faktor

• Kriteria Kaiser: faktor dengan eigenvalue di atas 1. Cara ini mudah, tetapi sering menghasilkan faktor terlalu banyak.
• Scree plot: pertahankan faktor sebelum titik tempat grafik mulai melandai.
• Parallel analysis: bandingkan eigenvalue data dengan eigenvalue dari data acak berukuran sama. Pertahankan faktor yang eigenvalue-nya lebih besar daripada data acak (Horn, 1965). Cara ini paling dianjurkan.

4. Lakukan Rotasi

Rotasi membuat pola loading lebih mudah dibaca. Varimax (ortogonal) menganggap faktor tidak berkorelasi. Promax atau Direct Oblimin (oblique) membolehkan faktor berkorelasi. Jika korelasi antarfaktor sekitar 0,32 atau lebih, rotasi oblique lebih tepat (Tabachnick & Fidell, 2019).

5. Baca dan Bersihkan Matriks Faktor

Setiap butir seharusnya memuat tinggi pada satu faktor dan rendah pada faktor lain. Patokan loading bergantung pada ukuran sampel: 0,40 cukup untuk sampel sekitar 200, sedangkan sampel 100 membutuhkan sekitar 0,55 (Hair dkk., 2019). Butir yang memuat tinggi pada dua faktor sekaligus disebut muatan silang. Howard (2016) menyarankan butir dipertahankan jika loading utamanya minimal 0,40, loading lainnya di bawah 0,30, dan selisih keduanya minimal 0,20.

Contoh EFA

Seorang peneliti menyusun skala kesiapan belajar daring dengan 12 butir, dirancang untuk mengukur tiga hal: kemandirian belajar (K1–K4), keterampilan teknologi (T1–T4), dan motivasi (M1–M4). Skala diisi 220 mahasiswa. Angka di bawah berasal dari data ilustrasi.

Kelayakan data. KMO = 0,805 (baik), dan MSA setiap butir berkisar 0,722–0,862. Uji Bartlett menghasilkan ?²(66) = 723,24; p < 0,001. Data layak dianalisis faktor.

Jumlah faktor. Tiga eigenvalue pertama adalah 3,63; 1,96; dan 1,58, sedangkan eigenvalue keempat hanya 0,71. Parallel analysis juga mendukung tiga faktor, karena eigenvalue keempat lebih kecil daripada eigenvalue data acak (1,19).

File: scree-plot-parallel-analysis.webp · Alt text: Scree plot eigenvalue 12 butir dan garis parallel analysis yang menunjukkan tiga faktor dipertahankan

Matriks faktor. Ekstraksi memakai principal axis factoring dengan rotasi Varimax.

File: matriks-faktor-rotasi-varimax.webp · Alt text: Matriks faktor 12 butir setelah rotasi Varimax, dengan butir M4 bermuatan silang 0,556 pada Motivasi dan 0,433 pada Kemandirian

Sebelas butir mengelompok sesuai rancangan. Butir M4 (“Saya tetap belajar walaupun tidak ada yang mengingatkan”) memuat 0,556 pada Motivasi dan 0,433 pada Kemandirian. Selisihnya hanya 0,12, sehingga butir ini dikeluarkan. Isinya memang dekat dengan kedua konsep sekaligus.

Hasil akhir (11 butir):

Komunalitas berkisar 0,338–0,556. Butir K3 punya komunalitas paling rendah (0,338), tetapi loading-nya 0,550 dan isinya penting, sehingga tetap dipertahankan. Sebagai pembanding, rotasi Promax menghasilkan pengelompokan butir yang sama, dengan korelasi antarfaktor 0,18–0,34.

Menentukan jumlah faktor dan memutuskan butir mana yang dikeluarkan sering butuh pertimbangan isi, bukan hanya angka. Jika Anda butuh teman diskusi, tim IDTesis bisa membantu.

Langkah EFA di SPSS

1. Buka Analyze ? Dimension Reduction ? Factor. Masukkan semua butir ke kotak Variables.
2. Descriptives: centang KMO and Bartlett’s test of sphericity dan Anti-image.
3. Extraction: pilih Principal axis factoring, centang Scree plot, lalu tentukan jumlah faktor (berdasarkan eigenvalue atau angka tetap hasil parallel analysis).
4. Rotation: pilih Varimax, atau Promax jika faktor diperkirakan berkorelasi.
5. Options: centang Sorted by size dan Suppress small coefficients dengan nilai 0,30 agar matriks lebih mudah dibaca.
6. Baca tabel KMO and Bartlett’s Test, Total Variance Explained, dan Rotated Factor Matrix.

SPSS tidak menyediakan parallel analysis di menu. Perhitungannya bisa memakai sintaks O’Connor, aplikasi daring, atau JASP dan R.

Contoh Penulisan Hasil di Bab 4

Analisis faktor eksploratori dilakukan dengan principal axis factoring dan rotasi Varimax. Nilai KMO sebesar 0,805 dan uji Bartlett signifikan, ?²(66) = 723,24; p < 0,001, sehingga data layak dianalisis. Scree plot dan parallel analysis menunjukkan tiga faktor. Butir M4 dikeluarkan karena bermuatan silang (0,556 dan 0,433). Solusi akhir dengan 11 butir menghasilkan tiga faktor, yaitu kemandirian belajar, keterampilan teknologi, dan motivasi, dengan loading 0,550–0,736 dan total varians yang dijelaskan 46,1%.

Angka di atas hanya contoh. Ganti dengan hasil analisis Anda sendiri.

Kesalahan yang Sering Terjadi

• Hanya memakai kriteria eigenvalue di atas 1, padahal cara ini sering menghasilkan faktor terlalu banyak.
• Menamai faktor tanpa membaca isi butir. Nama faktor harus mencerminkan isi butir yang memuat tinggi.
• Membuang butir hanya karena angka, tanpa menimbang apakah isinya penting bagi konsep.
• Melakukan EFA dan CFA pada data yang sama, lalu menyebut hasil CFA sebagai konfirmasi. Idealnya, sampel dibagi dua atau CFA memakai sampel baru.

Pertanyaan yang Sering Diajukan

Berapa sampel minimum untuk EFA?

Hair dkk. (2019) menyarankan minimal 5 responden per butir, lebih baik 10, dengan sampel tidak kurang dari 100. Sampel yang lebih besar membuat struktur faktor lebih stabil.

Apa bedanya EFA dengan uji validitas korelasi butir-total?

Uji validitas korelasi butir-total memeriksa setiap butir terhadap skor totalnya. EFA melihat struktur seluruh butir sekaligus, sehingga bisa menunjukkan apakah instrumen benar-benar terdiri atas beberapa dimensi. Penjelasan konsep dan dimensi variabel ada di artikel konsep, konstruk, dan variabel.

Perlukah uji reliabilitas setelah EFA?

Perlu. Setelah faktor terbentuk, hitung Cronbach’s alpha untuk setiap faktor. Caranya ada di artikel uji reliabilitas.

Varians yang dijelaskan berapa persen yang cukup?

Tidak ada angka mutlak. Dalam ilmu sosial, total varians 50–60% sering dianggap memadai untuk principal components. Untuk principal axis factoring, angkanya biasanya lebih kecil karena hanya varians bersama yang dihitung.

Butuh Teman Diskusi untuk Analisis Faktor?

Instrumen Anda perlu diuji strukturnya, atau hasil EFA Anda membingungkan? Tim IDTesis bisa menemani Anda memeriksa kelayakan data, menentukan jumlah faktor, menelaah butir yang bermasalah, dan menuliskan hasilnya dengan rapi di Bab 4. Ceritakan dulu instrumen Anda lewat WhatsApp, atau lihat layanan olah data statistik.

Baca juga: Uji Validitas · CFA ? · Metode Analisis Data

Referensi

• Costello, A. B., & Osborne, J. W. (2005). Best practices in exploratory factor analysis: Four recommendations for getting the most from your analysis. Practical Assessment, Research, and Evaluation, 10(7), 1–9.
• 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.
• Howard, M. C. (2016). A review of exploratory factor analysis decisions and overview of current practices: What we are doing and how can we improve? International Journal of Human-Computer Interaction, 32(1), 51–62.
• Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31–36.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.