analisis faktor dan validitas konstruk

📊 Seri Belajar Statistik · Artikel 13 dari 14

Faktor Tersembunyi di Balik
Data Kuesioner

Eksplorasi Analisis Faktor — Membongkar Struktur Laten di Balik Puluhan Item Skala Penelitianmu

EFA Loading Faktor CFA vs EFA Validitas Konstruk

⏱️Estimasi baca: 12 menit

🎓Level: S2 / Pascasarjana

📅2026

Bayangkan kamu sudah susah payah menyusun kuesioner dengan 30 item pertanyaan. Responden sudah mengisi, data sudah masuk. Tapi pertanyaannya: apakah 30 item itu benar-benar mengukur konstruk yang kamu maksud? Atau jangan-jangan, di balik 30 pertanyaan itu tersembunyi hanya 4–5 "faktor tersembunyi" yang sesungguhnya menjelaskan pola jawaban responden? Di sinilah analisis faktor EFA validitas konstruk statistik menjadi senjata utama peneliti. Artikel ini adalah bagian dari seri 14 Artikel Belajar Statistik: Statistik From Zero to Zorro — dan di sini kita akan membedah tuntas Exploratory Factor Analysis (EFA) dari asumsi matematisnya hingga cara pelaporannya di jurnal ilmiah.

Apa Itu Analisis Faktor EFA dan Mengapa Level S2 Harus Masuk Lebih Dalam?

Analisis faktor adalah teknik statistik multivariat yang bertujuan mengidentifikasi struktur laten di balik sekumpulan variabel yang saling berkorelasi (Hair et al., 2019). Ada dua varian utama: Exploratory Factor Analysis (EFA) — yang digunakan ketika peneliti belum punya teori kuat tentang struktur faktor — dan Confirmatory Factor Analysis (CFA) yang digunakan untuk menguji model yang sudah dihipotesiskan.

Di level S1, EFA sering diajarkan hanya sebatas "jalankan di SPSS, lihat loading faktor ≥ 0.40, selesai." Di level S2, kamu wajib memahami asumsi matematis di balik prosedur tersebut, karena kesalahan asumsi = kesalahan interpretasi = artikel ditolak reviewer (Santoso, 2019).

MODEL MATEMATIS EFA

Model dasar EFA untuk variabel ke-i:

Xᵢ = λᵢ₁F₁ + λᵢ₂F₂ + ... + λᵢₘFₘ + εᵢ

Xᵢ = variabel terobservasi ke-i  |  λᵢₖ = factor loading (bobot) variabel i pada faktor k  |  Fₖ = common factor ke-k  |  εᵢ = unique/error factor

⚖️ Perbandingan EFA vs CFA — Kapan Digunakan?

🔍 EFA (Exploratory)

• Belum ada teori yang mapan
• Tahap pengembangan instrumen
• Jumlah faktor ditentukan dari data
• Cocok untuk penelitian grounded
• Output: eigenvalue, scree plot, rotated matrix

✅ CFA (Confirmatory)

• Teori atau model sudah ada
• Validasi instrumen yang sudah dikembangkan
• Jumlah faktor sudah ditetapkan
• Cocok untuk replikasi atau pengujian model
• Output: fit index (CFI, RMSEA, SRMR)

🔥

Fakta Menarik

Analisis faktor pertama kali dikembangkan oleh psikolog Charles Spearman (1904) untuk memahami struktur kecerdasan manusia. Artinya, metode ini lahir bukan dari matematika murni, melainkan dari kebutuhan psikologi untuk "mengukur sesuatu yang tak kasat mata" — persis seperti konstruk dalam penelitian sosial kamu (Hair et al., 2019).

Asumsi Matematis dan Diagnostik Model EFA yang Wajib Dikuasai Peneliti S2

Sebelum menjalankan EFA, ada serangkaian asumsi yang harus dipenuhi. Melewatkan tahap ini sama dengan membangun gedung tanpa mengecek kondisi tanah — bisa roboh kapan saja. Berikut adalah checklist diagnostik lengkap untuk analisis faktor EFA validitas konstruk statistik yang benar (Field, 2018):

1

Sample Size yang Memadai

Minimal 5–10 responden per item, atau total N ≥ 200. Hair et al. (2019) merekomendasikan rasio 10:1 (10 responden per variabel) untuk hasil yang stabil. Semakin besar sampel, semakin dapat dipercaya loading faktor yang dihasilkan.

2

KMO (Kaiser-Meyer-Olkin) ≥ 0.50

KMO mengukur kecukupan sampel secara keseluruhan. Nilai KMO ≥ 0.50 = "acceptable"; ≥ 0.70 = "good"; ≥ 0.80 = "great". Jika KMO < 0.50, data belum layak untuk EFA karena korelasi antar variabel terlalu lemah (Field, 2018).

3

Bartlett's Test of Sphericity: Signifikan (p < 0.05)

Uji ini menguji hipotesis bahwa matriks korelasi adalah matriks identitas (tidak ada korelasi). Hasilnya harus signifikan (p < 0.05), artinya ada korelasi yang cukup di antara variabel — syarat dasar agar EFA bermakna (Santoso, 2019).

4

Anti-Image Correlation: MSA ≥ 0.50 per Variabel

Measure of Sampling Adequacy (MSA) per item dilihat dari diagonal matriks Anti-Image Correlation. Item dengan MSA < 0.50 sebaiknya dikeluarkan dari analisis. Ini adalah "saringan item" level individual, berbeda dengan KMO yang sifatnya global (Priyatno, 2018).

5

Komunalitas (Communality) ≥ 0.40

Komunalitas menunjukkan proporsi varians suatu variabel yang dijelaskan oleh faktor-faktor bersama. Nilai < 0.40 mengindikasikan item tersebut tidak berkontribusi signifikan pada struktur faktor dan perlu dipertimbangkan untuk dibuang (Hair et al., 2019).

💡

Tips Praktis S2

Jika MSA beberapa item di bawah 0.50, jangan langsung buang semua sekaligus. Eliminasi item satu per satu mulai dari nilai MSA terendah, lalu jalankan ulang analisis. Ini memastikan setiap keputusan eliminasi mempertimbangkan efek domino terhadap item lainnya (Field, 2018).

Prosedur EFA Step-by-Step: Dari SPSS/R Hingga Pelaporan di Jurnal

Setelah asumsi terpenuhi, saatnya menjalankan EFA. Bayangkan ini seperti memilah-milah baju di lemari: kamu mau tahu baju mana yang "serumpun" tanpa sebelumnya punya patokan warna tertentu. EFA yang akan mengelompokkannya untukmu.

SPSS Syntax — Exploratory Factor Analysis

FACTOR
  /VARIABLES item1 item2 item3 item4 item5 item6 item7 item8 item9 item10
  /MISSING LISTWISE
  /ANALYSIS item1 item2 item3 item4 item5 item6 item7 item8 item9 item10
  /PRINT UNIVARIATE INITIAL EXTRACTION ROTATION KMO AIC
  /FORMAT SORT BLANK(.40)
  /PLOT EIGEN
  /CRITERIA MINEIGEN(1) ITERATE(25)
  /EXTRACTION PAF
  /CRITERIA ITERATE(25)
  /ROTATION OBLIMIN
  /METHOD=CORRELATION.

📋 Contoh Output: KMO and Bartlett's Test

KMO and Bartlett's Test
─────────────────────────────────────────────────
Kaiser-Meyer-Olkin Measure of Sampling Adequacy  :  .812
Bartlett's Test of Sphericity  Approx. Chi-Square: 847.231
                               df                : 45
                               Sig.              : .000
─────────────────────────────────────────────────
✓ KMO = 0.812  →  "Great"  (≥ 0.80)
✓ Bartlett p = .000  →  Signifikan (p < .05)
→ Data LAYAK untuk dilanjutkan ke EFA

🔵 R Code — EFA dengan package psych

library(psych)
library(GPArotation)

# 1. Cek KMO dan Bartlett
KMO(data_kuesioner)
cortest.bartlett(data_kuesioner, n = 250)

# 2. Tentukan jumlah faktor dengan parallel analysis
fa.parallel(data_kuesioner, fm = "pa", fa = "fa")

# 3. Jalankan EFA dengan rotasi oblique (oblimin)
hasil_efa <- fa(data_kuesioner,
                nfactors = 3,
                rotate    = "oblimin",
                fm        = "pa",
                scores    = "regression")

# 4. Tampilkan pattern matrix dengan cutoff 0.40
print(hasil_efa, cut = 0.40, sort = TRUE)

📊 Tabel Interpretasi Nilai Loading Faktor

Nilai Loading (|λ|)	Interpretasi	Keputusan Item
< 0.30	Lemah / Tidak berarti	Buang Item
0.30 – 0.39	Minimal (borderline)	Pertimbangkan
0.40 – 0.59	Signifikan	Pertahankan
0.60 – 0.79	Baik	Kuat
≥ 0.80	Sangat baik / Excellent	⭐ Ideal

Sumber: Hair et al. (2019); Field (2018)

⚡

Insight Penting: Pilih Rotasi yang Tepat

Gunakan rotasi Varimax (orthogonal) jika kamu berasumsi faktor-faktor tidak saling berkorelasi. Gunakan Oblimin / Promax (oblique) jika faktor diperkirakan berkorelasi — yang lebih realistis dalam penelitian sosial dan perilaku. Peneliti S2 yang baik selalu mempertimbangkan asumsi ini sebelum memilih rotasi, bukan sekadar menerima default SPSS (Hair et al., 2019).

Cara Melaporkan Hasil EFA di Jurnal Ilmiah dan Keterbatasan Metode

Salah satu kelemahan umum tesis S2: data sudah dianalisis dengan benar, tapi cara pelaporannya di bab metodologi sangat miskin informasi. Reviewer jurnal perlu melihat angka yang cukup untuk me-replika keputusanmu (Sugiyono, 2019).

📝 Template Pelaporan EFA — APA Style untuk Jurnal

"An exploratory factor analysis (EFA) using principal axis factoring with oblimin rotation was conducted on [N] participants. The Kaiser-Meyer-Olkin measure verified the sampling adequacy for the analysis, KMO = .[xxx], which is above the recommended value of 0.5. Bartlett's test of sphericity χ²([df]) = [value], p < .001, indicated that correlations between items were sufficiently large for EFA. An initial analysis was run to obtain eigenvalues for each component. [X] factors had eigenvalues over Kaiser's criterion of 1 and in combination explained [XX]% of the variance. The scree plot was slightly ambiguous and showed inflexions that would justify retaining [X] or [X+1] factors. Given the large sample size, and the convergence of the scree plot and Kaiser's criterion on [X] factors, [X] factors were retained in the final analysis. Items with factor loadings below .40 were excluded. The final [X]-factor solution accounted for [XX]% of the total variance."

⚠️

Perhatian: Keterbatasan EFA yang Sering Diabaikan

• EFA bersifat eksploratoris — solusi faktor bukan satu-satunya yang valid; berbeda metode ekstraksi & rotasi bisa menghasilkan solusi berbeda.
• Tidak ada uji fit formal dalam EFA klasik; berbeda dengan CFA yang punya CFI, RMSEA, dll.
• Cross-loading (item loading di dua faktor sekaligus ≥ 0.30) adalah sinyal ambigu dan memerlukan keputusan berbasis teori.
• Hasil EFA tidak otomatis mengkonfirmasi validitas konstruk — perlu triangulasi dengan bukti konvergen & diskriminan (Hair et al., 2019).

⚡

Implikasi untuk Penelitian Kompleks (S2)

Dalam penelitian multivariat kompleks — misalnya SEM (Structural Equation Modeling) — EFA biasanya menjadi langkah awal sebelum CFA. Peneliti S2 yang akan mengembangkan konstruk baru atau bekerja di konteks budaya yang berbeda dari instrumen asli (misalnya mengadaptasi skala Barat ke konteks Indonesia) sangat membutuhkan EFA sebagai bukti validitas ekologi instrumen tersebut (Sugiyono, 2019; Hair et al., 2019).

🎯 Kesimpulan

Memahami analisis faktor EFA validitas konstruk statistik bukan sekadar soal "bisa menjalankan SPSS." Di level S2, kamu dituntut memahami keseluruhan ekosistem metode ini — dari asumsi hingga keterbatasannya. Berikut poin-poin kunci yang perlu kamu bawa pulang:

01

EFA bertujuan menemukan struktur laten di balik data kuesioner tanpa asumsi jumlah faktor di awal — berbeda fundamental dengan CFA yang menguji model yang sudah ditentukan.

02

Lima asumsi kritis sebelum EFA: ukuran sampel memadai, KMO ≥ 0.50, Bartlett's signifikan, MSA per item ≥ 0.50, dan komunalitas ≥ 0.40.

03

Pilihan rotasi (Varimax vs. Oblimin) bukan sekadar pilihan teknis — ini adalah pernyataan teoritis tentang hubungan antar faktor dalam model kamu.

04

Pelaporan di jurnal harus mencakup nilai KMO, hasil Bartlett's, jumlah faktor, % variance explained, dan nilai loading faktor minimum yang ditetapkan.

05

EFA memiliki keterbatasan inheren: tidak ada uji fit formal, rentan terhadap cross-loading, dan solusinya tidak bersifat tunggal. Triangulasi dengan metode lain tetap diperlukan.

📌 Preview Artikel Berikutnya:

Di Artikel 14 (Terakhir!) dari seri ini, kita akan membuat Peta Lengkap Statistik — panduan komprehensif memilih uji statistik yang tepat untuk skripsi atau tesismu. Setelah memahami EFA, kamu sudah punya fondasi yang kuat untuk memahami peta besar statistik multivariat!

💬 Punya pertanyaan tentang EFA? Atau mau cerita pengalaman menjalankan analisis faktor untuk penelitianmu? Tinggalkan komentar di bawah! Dan kalau artikel ini bermanfaat, share ke teman-teman seperjuangan yang lagi berjuang dengan bab metodologi. 🚀

💬 Tulis Komentar 📚 Lihat Seri Lengkap

Label: Analisis Faktor EFA Validitas Konstruk Loading Faktor S2

📚

Daftar Referensi

Format APA 7th Edition

1. Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
2. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
3. Priyatno, D. (2018). SPSS panduan mudah olah data bagi mahasiswa dan umum. Andi Offset.
4. Santoso, S. (2019). Mahir statistik multivariat dengan SPSS. PT Elex Media Komputindo.
5. Sugiyono. (2019). Metode penelitian kuantitatif, kualitatif, dan R&D (2nd ed.). Alfabeta.

📚

Seri Lengkap

Statistik from Zero to Zorro — Daftar Isi Lengkap

Lihat roadmap lengkap 14 artikel seri belajar statistik — dari statistik deskriptif hingga multivariat.

Lihat Semua Artikel →

← Artikel 12 Regresi Berganda & Multikolinearitas Uji asumsi OLS dan diagnostik model regresi berganda

Artikel 14 → Peta Lengkap Statistik: Panduan Memilih Uji Statistik untuk Skripsi Roadmap pemilihan uji statistik yang tepat berdasarkan jenis data & hipotesis