Analisis Faktor terhadap Variabel Dikotomi dengan Metode Maximum Likelihood dan Faktor Komponen Utama

Authors

DOI:

https://doi.org/10.31004/riggs.v4i4.3513

Keywords:

Variabel Kikotomi, Metode Maximum Likelihood, Faktor Komponen Utama

Abstract

Penelitian ini menganalisis faktor dan membandingkan kedua metode pendugaan parameter yang umum digunakan yaitu metode maximum likelihood dan foktor komponen utama terhadap data dikotomi dengan korelasi polychoric dan melihat bagaimana performa kedua metode yang menghasilkan analisis faktor yang lebih baik berdasarkan nilai standardized root mean square of residual (SRMR) yang dihasilkan. Dengan adanya penelitian ini diharapkan dapat memberikan tambahan pengetahuan bagi pengguna statistik tentang analisis faktor pada data dikotomi menggunakan korelasi polychoric dan perbandingan metode maximum likelihood dan metode faktor komponen utama. Data yang digunakan dalam penelitian ini merupakan data bangkitan. Data bangkitan berupa variabel dikotomi X1, X2, X3, X4, X5 dan X6. Setiap variabel Xi diasumsikan merupakan indikator-indikator dari suatu variabel laten kontinu (yaitu faktor). Metode penelitian yang dilakukan adalah studi pustaka dan simulasi data dengan menggunakan computer. Hasil penelitian ini yaitu: 1). Berdasarkan nilai communality dapat disimpulkan semakin banyak faktor yang digunakan maka kedua metode memberikan hasil yang semakin baik,. Namun nilai communality kedua metode semakin menurun seiring dengan meningkatnya ukuran sampel n. 2). Berdasarkan nilai SRMR dapat disimpulkan bahwa semakin banyak faktor yang digunakan, kedua metode juga memberikan hasil yang semakin baik,. Dan nilai SRMR kedua metode semakin menurun sdan semakin baik seiring dengan meningkatnya ukuran sampel n. 3). Untuk sampel berukuran lebih kecil (pada n bervariasi di setiap kasus model faktor) metode faktor komponen utama menghasilkan pendugaan model faktor yang lebih baik dibandingkan dengan metode maximum likelihood. Semakin besar ukuran sampel maka kedua metode memberikan hasil yang sama baiknya.

Downloads

Download data is not yet available.

References

Finch, W.H. 2020. Using Fit Statistic Differences to Determine the Optimal Number of Factors to Retain in an Exploratory Factor Analysis. Educational and Psychological Measurement, vol 80 (2), hal 217–241.

Isnayanti dan Abdurrahman. 2019. Metode Diagonally Weighted Least Square (DWLS). Media Statistik, vol 12 (1), hal. 100-106.

Johnson, R. A. dan Wichern, D. W. 2007. Applied Multivariate Statistical Analysis, 6th Edition. Pearson Prentice Hall : New Jersey.

Joreskog, K.G. dan Sobom, D. 1996. PRELIS 2 User’s Reference Guide: A program Multivariate Data Screning And Data Summarization a Preprocessor for LISREL. Scientific Software International: Chicago.

Kassim, S., Hasan, H., Ismon, A. H., dan Asri, F. M. 2013. Parameter Estimation in Factor Analysis: Maximum Likelihood versus Principal Component. Proceeding of the 20th National Symposium on Mathematical Sciences AIP Conf. Proc, 1522, hal. 1293-1299.

Lembang, K. F. dan Samangun, Y. 2015. Analisis Faktor Terhadap Resiko Kejadian Diare Pada Anak Balita di Kota Ambon. Statistika, vol. 15 (2), hal. 59-64.

Mabel, O.A. dan Olayemi, O.S. 2020. A Comparison of Principal Component Analysis, Maximum Likelihood and the Principal Axis in Factor Anallysis. http://journal.sapub.org/ajms.

Muca, M., Puka, L., dan Bani, K. 2013. Principal Components And The Maximum Likelihood Methods As Tools To Analyze Large Data With A Psychological Testing Example. European Scientific Journal, vol. 9 (20), hal. 176-184.

Muthen, B. 1983. Latent Variabel Structural Ecuation Modeling With Categorical Data. Journal of econometrics, vol. 22, hal. 43-46

Nugroho, S. 2008. Statistika Multivariat terapan. UNIB Press: Bengkulu.

Olsson, U. 1979. Maximum Likelihood Estimation of The Polychoric Correlation

Coefficien. Psychometrika, vol. 44 (4), hal. 443-460.

Priyanto, A. 2008. Pendugaan Parameter Model Faktor Dengan Menggunakan Metode Maksimum Likelihood. Mathematics Departement State University: Jakarta.

Rahardi, D. 2006. Principal Component Analysis (PCA) Sebagai Metode Jitu Untuk Mengatasi Masalah Multikolinearitas. http://dickyrahardi. blogspot.com/200612/principal component analysis pca.html.

Rizewska, A.Z., Basinski, K., dan Michalic, A. 2020. A Confirmatory Factor Analysis for An Adapted and Validated Polish Version of The Chalder Fatigue Questionnaire. International Journal of Occupational Medicine and Environmental Health, vol. 33 (1), hal 67-76.

Rizwan, M. 2020. Comparison of Correlation Measures for Nominal Data. National Univercity of Sciences & Technology, hal. 1-26.

Shi, D., Olivers, A. M., dan Rosseel. Y. 2019. Assesing Fit in Ordinal Factor Analysis Models: SRMR vs. RMSEA. Structural Equation Modeling: A Multidisciplinary Journal, hal. 1-15.

Simamora, B. 2005. Analisis Multivariat Pemasaran. Jakarta: PT. Gramedia Pustaka Utama: Jakarta.

Sutanapong, C. dan Loungrath, P.I. 2015. Correlation Coefficien for Continuous and Discrete Data Part 4 of 4. Internatioal journal of research & methodology in social Science, vol. 1 (4), hal 25-50.

Van Kesteren, E.J. dan Kievit R.A. 2020. Eksploratory Factor Analysis with Struckturs Residuals for Brain Network. Network Neuroscience, Advanced Publication, hal. 1-27.

Wulder, M. 2002. Principal Components Analysis and Factor Analysis. The Basics of Financial Econometrics, hal. 235-264.

Yang, Y., Lu, X., MA Jian., Qiao, H. 2014. A Robust Factor Analysis Model for Dichotomous Data. Journal of Systems Science and Information, vol. 2 (5), hal. 437-450.

Downloads

Published

29-11-2025

How to Cite

[1]
R. D. Purwanti, K. E. Pertiwi, and U. N. Ardilla, “Analisis Faktor terhadap Variabel Dikotomi dengan Metode Maximum Likelihood dan Faktor Komponen Utama”, RIGGS, vol. 4, no. 4, pp. 2864–2877, Nov. 2025.