Perbandingan Keefektifan Beberapa Metode Pendugaan Parameter dalam Analisis Faktor

Abstract

Analisis faktor adalah suatu metode peubah ganda yang bertujuan menjelaskan hubungan antar banyak peubah yang saling berkorelasi, sehingga menjadi peubah yang lebih sedikit dari jumlah peabah awal. Permasalahan yang dihadapi dalam analisis faktor adalah menentukan L (Loading Faktor dan y (Ragam Khusus). Terdapat banyak pendekatan dan sudut pandang yang berbeda-beda dicemukakan para ahli dalam menghadapi masalah ini. Dengan berbagai metode pendugaan tersebut, ppens sering kesulitan dalam memilih metode yang paling efektif dalam menyelesaikan analisis faktor. Smuk itu, penelitian ini mencoba mengkaji seberapa jauh tingkat keefektifan metode-metode dalam analisis faktor. Metode yang akan dibandingkan keefektifannya dalam penelitian ini adalah Metode Komponen Utama (PCA), Metode Kemungkinan Maksimunı (MLE) dan Metode Kuadrat Teritocil Tak-Terboboti (ULS) karena dianggap bahwa metode-metode tersebut pada umumnya lebih sering dipakai untuk menganalisis. Keefektifan dalam tujuan ini berarti keefektifan ketiga metode (PCA, MLE dan ULS) dalam menjelaskan struktur keragaman pengamatan asal dan mempertahankan struktur hubungan antar variabel berdasarkan residual yang dihasilkan dengan mengikuti standar ukuran RMS_overall. Pada awalova, titik ukur keefektifan metode dilihat dari total keragaman yang terbesar dan nilai RMS-overall yang terkecil. Tetapi hal ini tidak bisa didapatkan secara berrama-sama, mengingat setiap metode pendugaan parameter yang diperbandingkan memiliki kelebihan dan kekurangan masing-masing Penerapan PCA akan menghasilkan total keragaman paling tinggi dibandingkan metode yang Tamaya, baik pada korelasi rendah, sedang maupun tinggi. Hal ini dapat dilihat dari nilai rataan total Leragaman yang selalu lebih tinggi daripada rataan metode yang lain yang diperbandingkan. Artinya adalah PCA memiliki kemampuan yang cukup bagus dalam menjelaskan informasi faktor-faktor yang diekstraksi Sedangkan apabila dilihat dari nilai residual yang diukur berdasarkan RMS-overall, ULS merupakan metode yang mampu melakukan pendugaan struktur koragam data asal dengan sangat hagas Hal ini dibuktikan dengan adanya persentase residual non-diagonal utama berdasarkan RMS overall diatas 0.05 hampir tidak ada. Artinya residual yang dihasilkan semakin bagus karena Korelasi yang sebenarnya hampir tidak jauh berbeda dengan korelasi dugaan