Journal of Artificial Intelligence and Digital Business
Vol. 4 No. 4 (2026): November - January

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

Purwanti, Ramadhani Dewi (Unknown)
Pertiwi, Kartika Eka (Unknown)
Ardilla, Ulfa Nurfitria (Unknown)



Article Info

Publish Date
29 Nov 2025

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.

Copyrights © 2026






Journal Info

Abbrev

RIGGS

Publisher

Subject

Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

Description

Journal of Artificial Intelligence and Digital Business (RIGGS) is published by the Department of Digital Business, Universitas Pahlawan Tuanku Tambusai in helping academics, researchers, and practitioners to disseminate their research results. RIGGS is a blind peer-reviewed journal dedicated to ...