Demonstrasi Exploratory Factor Analysis (EFA)

EFA berdasarkan dataset-burnout

Tabel ini menampilkan hasil ekstraksi tiga faktor menggunakan metode minimum residual dengan rotasi oblimin (oblique).

Struktur faktor yang muncul konsisten dengan struktur teoretis yang dihipotesiskan:

1. Faktor 1 memuat seluruh item ab_ee (Emotional Exhaustion), dengan muatan berkisar 0.678–0.819
2. Faktor 2 memuat seluruh item ab_cy (Cynicism), dengan muatan berkisar 0.594–0.824
3. Faktor 3 memuat seluruh item ab_ef (Academic Efficacy), dengan muatan berkisar 0.606–0.817

Tidak ada cross-loading yang substansial. Setiap item hanya strongly loaded pada satu faktor, yang mengindikasikan simple structure yang baik.

Ambang batas muatan faktor: Konvensi umum menetapkan loading ≥ 0.30 (atau lebih konservatif ≥ 0.40) sebagai batas yang baik. Semua loading dalam model ini jauh melampaui ambang ini. Sel kosong pada tabel jamovi biasanya berarti muatan di bawah threshold (umumnya 0.30), tetapi bukan berarti nilainya persis nol.

Uniqueness: Nilai uniqueness = 1 - communality, yaitu proporsi varians item yang tidak dijelaskan oleh faktor-faktor dalam model. Nilai yang perlu diwaspadai adalah uniqueness tinggi (> 0.80, disebut Heywood case atau mendekatinya). Item dengan uniqueness tertinggi di sini adalah ab_ef_5 (0.563) dan ab_cy_5 (0.523), masih dalam batas yang dapat diterima, meskipun faktor menjelaskan varians kedua item ini relatif lebih sedikit dibanding item lainnya.

Oblimin vs. Varimax: Penggunaan rotasi oblimin (oblique) mengimplikasikan kita mengasumsikan bahwa faktor-faktor saling berkorelasi. Ini tepat secara teoritis: Emotional Exhaustion, Cynicism, dan Academic Efficacy dalam model burnout (Maslach) memang diharapkan berkorelasi. Jika faktor ternyata tidak berkorelasi, rotasi orthogonal (Varimax) akan menghasilkan hasil serupa, tetapi memaksakan orthogonalitas tanpa dasar teori adalah kesalahan metodologis.

Minimum Residual (MinRes): Metode ekstraksi ini meminimalkan residual off-diagonal pada matriks korelasi. Ia merupakan alternatif yang baik untuk Principal Axis Factoring (PAF) dan umumnya lebih stabil, terutama pada sampel kecil-sedang.

Factor Statistics

Tabel ini merangkum seberapa banyak varians total yang dijelaskan oleh masing-masing faktor.

Ketiga faktor menjelaskan 57.0% varians total dari 15 item. Distribusi SS Loadings relatif merata antar faktor (3.11, 2.80, 2.64), yang konsisten dengan struktur tiga-faktor yang seimbang. Tidak ada satu faktor yang sangat dominan atas yang lain.

Interpretasi

1. F1 × F2 (Emotional Exhaustion × Cynicism): r = 0.629 — korelasi positif yang kuat. Mahasiswa yang merasa terkuras secara emosional cenderung juga menunjukkan sikap sinis terhadap studi mereka. Ini sangat konsisten dengan model burnout Maslach, di mana exhaustion dipandang sebagai prekursor (pendahulu) cynicism.
2. F1 × F3 (Emotional Exhaustion × Academic Efficacy): r = -0.450 — korelasi negatif yang moderat. Semakin tinggi kelelahan emosional, semakin rendah keyakinan pada kemampuan akademik diri sendiri.
3. F2 × F3 (Cynicism × Academic Efficacy): r = -0.345 — korelasi negatif yang moderat-lemah. Sikap sinis berkaitan dengan efikasi yang lebih rendah, meskipun hubungannya tidak sekuat dua korelasi sebelumnya.

Justifikasi rotasi oblique: Korelasi antar-faktor yang substansial, terutama F1×F2 = 0.629, mengonfirmasi bahwa pilihan rotasi oblimin adalah tepat. Jika peneliti memaksakan rotasi varimax (orthogonal), model akan salah mengasumsikan faktor-faktor ini tidak berkorelasi, yang bertentangan dengan data dan teori.

Ini juga berarti faktor-faktor tersebut tidak boleh dijumlahkan begitu saja menjadi skor total tanpa mempertimbangkan struktur korelasinya.

Korelasi tinggi F1×F2 dan ancaman discriminant validity: Korelasi 0.629 cukup tinggi dan perlu dicermati. Dalam kerangka SEM/CFA, nilai ini setara dengan common variance sebesar 0.629² ≈ 39.5%. Ini masih di bawah ambang batas kritis yang sering digunakan (r > 0.85 atau common variance > 0.70), sehingga kedua faktor masih dapat dianggap independen/terpisah secara empiris.

Model Fit

Berikut ini adalah tabel yang memuat informasi mengenai ketepatan model menggambarkan data (model fit)

Model tiga faktor menunjukkan kesesuaian yang sangat baik dengan data berdasarkan seluruh indeks fit:

1. RMSEA = 0.022 — jauh di bawah ambang batas 0.05 (close fit), bahkan mendekati 0. Batas atas CI 90% = 0.041, masih di bawah 0.05, yang berarti kita dapat menyimpulkan close fit dengan cukup yakin.
2. TLI = 0.993 — sangat mendekati 1.0, jauh melampaui ambang batas konvensional ≥ 0.95. Mengindikasikan model jauh lebih baik dari null model.
3. BIC = -295 — nilai negatif mengindikasikan model ini lebih baik dari model jenuh (saturated model) yang digunakan sebagai baseline. Berguna untuk membandingkan model dengan jumlah faktor berbeda: semakin kecil (lebih negatif) BIC, semakin baik.
4. χ²(63) = 73.16, p = .166 — uji chi-square tidak signifikan, yang dalam konteks fit model artinya baik: model tidak ditolak, dan perbedaan antara matriks korelasi yang diprediksi dan yang diobservasi tidak berbeda secara signifikan dari nol.

Assumption Checks

Output ini seharusnya dilaporkan sebelum hasil EFA, karena fungsinya adalah memeriksa apakah data layak dianalisis dengan EFA. Dalam jamovi, tabel ini memang muncul belakangan, tetapi dalam laporan dan paper, tempatkan bagian ini di awal sebelum membahas factor loadings.

Uji ini menguji H₀ bahwa matriks korelasi antar item adalah identity matrix (semua korelasi antar-item = 0). Hasil yang signifikan (p < .001) menolak H₀ tersebut, artinya terdapat korelasi yang cukup di antara item-item untuk melanjutkan EFA.

KMO overall = 0.919, tergolong "sangat baik" (marvelous dalam klasifikasi Kaiser). Seluruh nilai MSA per item berada di atas 0.86, tanpa satupun item yang mendekati ambang batas bermasalah.

• 0.90–1.00 → marvelous
• 0.80–0.89 → meritorious
• 0.70–0.79 → middling
• 0.60–0.69 → mediocre
• 0.50–0.59 → miserable
• < 0.50 → unacceptable

Eigenvalues

Dari 15 faktor yang mungkin, hanya 3 faktor pertama yang memiliki eigenvalue positif. Faktor 4 hingga 15 semuanya negatif.

• F1 → F2: 5.702 → 1.451 (penurunan 4.251 — sangat besar)
• F2 → F3: 1.451 → 0.801 (penurunan 0.650)
• F3 → F4: 0.801 → -0.008 (penurunan 0.809, lalu semua negatif)

Scree Plot

Garis biru (Data): Penurunan tajam dari F1 (5.702) ke F2 (1.451), kemudian lebih landai ke F3 (0.801), lalu mendatar dan masuk ke zona negatif mulai F4. "Siku" (elbow) paling jelas terletak antara F3 dan F4.

Garis oranye (Simulasi): Eigenvalue dari data acak yang memiliki ukuran sampel dan jumlah variabel yang sama. Ini adalah landasan parallel analysis.

Cara melaporkan dalam laporan penelitian

Sebelum EFA dilakukan, kelayakan data diperiksa menggunakan uji Bartlett dan Kaiser-Meyer-Olkin (KMO). Uji Bartlett menunjukkan bahwa matriks korelasi secara signifikan berbeda dari matriks identitas, χ²(105) = 2575, p < .001. Nilai KMO overall sebesar 0.919 (marvelous), dengan nilai MSA per item berkisar antara 0.869 hingga 0.945, mengkonfirmasi bahwa data sangat layak untuk dianalisis dengan EFA.

EFA dilakukan terhadap 15 item skala burnout akademik menggunakan metode ekstraksi minimum residual dengan rotasi oblimin. Rotasi oblique dipilih karena faktor-faktor dalam model burnout secara teoretis diharapkan saling berkorelasi. Jumlah faktor ditentukan berdasarkan kombinasi tiga pertimbangan: (a) justifikasi teoretis model burnout Maslach yang mencakup tiga dimensi, (b) inspeksi scree plot yang menunjukkan siku yang jelas setelah faktor ketiga, dan (c) parallel analysis yang menunjukkan bahwa eigenvalue tiga faktor pertama dari data aktual (5.702, 1.451, 0.801) melampaui eigenvalue yang dihasilkan dari simulasi data acak, sementara faktor keempat tidak. Penggunaan parallel analysis diprioritaskan atas Kaiser criterion (eigenvalue > 1.0) yang hanya menyarankan dua faktor, karena parallel analysis diketahui lebih akurat dalam menentukan jumlah faktor yang tepat, terutama ketika faktor-faktor saling berkorelasi.

Model tiga faktor laten menunjukkan kesesuaian yang sangat baik dengan data: RMSEA = 0.022, 90% CI [0.000, 0.041], TLI = 0.993, BIC = -295, χ²(63) = 73.16, p = .166. Ketiga faktor secara bersama-sama menjelaskan 57.0% varians total, dengan kontribusi masing-masing yang relatif merata: Faktor 1 = 20.7%, Faktor 2 = 18.7%, dan Faktor 3 = 17.6%.

Struktur faktor yang dihasilkan menunjukkan simple structure yang baik. Seluruh item memuat kuat pada faktor yang sesuai secara teoretis tanpa cross-loading yang substansial. Faktor 1 memuat item-item Emotional Exhaustion (ab_ee_1 hingga ab_ee_5; muatan = 0.678–0.819), Faktor 2 memuat item-item Cynicism (ab_cy_1 hingga ab_cy_5; muatan = 0.594–0.824), dan Faktor 3 memuat item-item Academic Efficacy (ab_ef_1 hingga ab_ef_5; muatan = 0.606–0.817).

Matriks korelasi antar-faktor menunjukkan adanya hubungan yang signifikan antar ketiga dimensi. Emotional Exhaustion berkorelasi positif kuat dengan Cynicism (r = .629) dan berkorelasi negatif moderat dengan Academic Efficacy (r = -.450). Cynicism juga berkorelasi negatif moderat dengan Academic Efficacy (r = -.345).

Pola korelasi ini konsisten dengan model burnout Maslach, mengkonfirmasi ketepatan rotasi oblique yang digunakan, dan membuka kemungkinan eksplorasi model higher-order dalam confirmatory factor analysis lanjutan.

References

[1] The jamovi project (2025). jamovi. (Version 2.7) [Computer Software]. Retrieved from https://www.jamovi.org.

[2] R Core Team (2025). R: A Language and environment for statistical computing. (Version 4.5) [Computer software]. Retrieved from https://cran.r-project.org. (R packages retrieved from CRAN snapshot 2025-05-25).

[3] Revelle, W. (2025). psych: Procedures for Psychological, Psychometric, and Personality Research. [R package]. Retrieved from https://cran.r-project.org/package=psych.