Analisis Faktor (PCA) dengan R

Principal Component Analysis (PCA) adalah salah satu metode statistik multivariat yang memungkinkan kita untuk melihat pola maupun variasi dalam data. PCA digunakan untuk menganalisis satu kelompok data hasil pengamatan yang dihasilkan dari indikator penelitian yang banyak untuk menghasilkan beberapa gagasan atau komponen utama, yang tidak berkorelasi satu sama lain dan menjelaskan variasi dalam data. PCA memungkinkan untuk digunakan dalam proses reduksi data kompleks menjadi kelompok dimensi untuk mengungkapkan struktur/komponen dominan dalam pengamatan dan kelompok data. Kita lihat langsung contohnya pada pemrograman R, data yang akan saya gunakan adalah data hasil penelitian saya yang sudah dipublikasikan dengan judul Knowledge management key factors: an empirical research on small and medium-sized enterprises in Indonesia, data penelitian ini dapat didownload di sini.

Kita akan menggunakan perintah principal() dari package psych untuk melakukan proses PCA, langkah awal seperti biasa adalah dengan melakukan import data file kita ke RStudio, data di contoh kita kali ini diberi nama datapca, data kita berada pada kolom 1 sampai 31, lakukan proses PCA dengan perintah di bawah ini,

   > library(psych)
   > pcaKu <- principal(datapca[1:31])
   > pcaKu[["values"]]
    [1] 16.7152235  2.2354955  1.3553517  1.0842009  1.0137432
    [6]  0.7397658  0.6195730  0.5542447  0.5267381  0.4924132
   [11]  0.4473847  0.4109380  0.3939930  0.3789867  0.3564000
   [16]  0.3380990  0.3244409  0.3017411  0.2854721  0.2630089
   [21]  0.2604172  0.2459034  0.2260510  0.2106246  0.2048379
   [26]  0.2032162  0.1879858  0.1625772  0.1570976  0.1553930
   [31]  0.1486821 

dari langkah di atas kita lihat bahwa ada 5 faktor utama dengan nilai eigenvalues di atas 1, dapat kita nyatakan akan ada lima faktor utama dari data kita, kita akan terapkan jenis rotation oblimin pada contoh ini. Langkah selanjutnya adalah dengan perintah di bawah ini,

 > pcaKu <- principal(datapca[1:31],nfactors=5,rotate="oblimin")
 > pcaKu[["loadings"]] 
 Loadings:
        TC1    TC2    TC4    TC3    TC5   
 var1                        0.889       
 var2                 0.144  0.829       
 var3   0.541                0.439 -0.121
 var4   0.851                0.141 -0.128
 var5   0.520         0.493        -0.258
 var6   0.408  0.580                     
 var7   0.307  0.591  0.116        -0.226
 var8   0.684  0.167         0.175       
 var9   0.152  0.722 -0.159  0.153       
 var10  0.333  0.654 -0.175              
 var11  0.373  0.136  0.506  0.117 -0.159
 var12                0.718  0.164       
 var13  0.273  0.512                0.234
 var14  0.702  0.177                     
 var15  0.689  0.150                     
 var16  0.351  0.246  0.423         0.116
 var17 -0.268  0.894  0.263              
 var18  0.152  0.106  0.271  0.230  0.499
 var19  0.315  0.130                0.557
 var20  0.103         0.670         0.297
 var21  0.655         0.206         0.234
 var22         0.733                0.306
 var23  0.740 -0.134  0.194         0.125
 var24  0.613                       0.332
 var25  0.131         0.642  0.130       
 var26  0.747         0.214              
 var27  0.840  0.130                     
 var28  0.413  0.162  0.170  0.144  0.334
 var29  0.805         0.131              
 var30  0.495         0.472              
 var31  0.756                       0.126 
               TC1   TC2   TC4   TC3   TC5
 SS loadings    7.936 3.518 2.720 1.927 1.345
 Proportion Var 0.256 0.113 0.088 0.062 0.043
 Cumulative Var 0.256 0.369 0.457 0.519 0.563

dari hasil di atas kita dapat tentukan indikator pada setiap komponen utama yang kita dapatkan, tahapan yang cukup menantang selanjutnya adalah memberikan nama untuk faktor utama yang didapat, tentu perlu analisis mendalam terhadap setiap kelompok faktor yang didapat, pemberian nama harus mampu menggambarkan karakter khusus dari setiap komponen/faktor nya.

Pada hasil penelitian kami di atas, 5 komponen utama (loading Bold) itu kami namakan sebagai 1. knowledge-preneur leadership; component 2. techno-preneur Harmony; component 3. organisational K-partnership; component 4. knowledge-preneur employee; dan component 5. socialisation palisade. Penjelasan detail setiap komponen dapat dibaca lebih jelas di artikel penelitian kami di sini. Selamat mencoba PCA.

Leave a Reply

Your email address will not be published. Required fields are marked *