sebagai metode antar ketergantungan interdependence methods. Proses analisis faktor mencoba menemukan hubungan antar variabel yang saling independen
tersebut, sehingga bisa dibuat satu atau beberapa kumpulan variabel yang lebih sedikit dari jumlah variabel awal sehingga memudahkan analisis statistik selanjutnya.
Wibowo A, 2006. Tujuan yang penting dari analisis faktor adalah menyederhanakan hubungan
yang beragam dan kompleks pada beberapa variabel yang diamati dengan menyatukan faktor atau dimensi yang saling berhubungan pada suatu struktur data
yang baru yang mempunyai beberapa faktor yang lebih kecil. Wibisono, 2003. Analisis faktor dipergunakan di dalam situasi sebagai berikut :
1. Mengenali atau mengidentifikasi dimensi yang mendasari Underlying dimensions atau faktor, yang menjelaskan korelasi antara suatu set variabel.
2. Mengenali atau mengidentifikasi suatu set variabel baru yang tidak berkorelasi independent yang lebih sedikit jumlahnya untuk menggantikan suatu set
variabel asli yang saling berkorelasi di dalam analisis multivariat selanjutnya. 3. Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu set
variabel yang lebih banyak jumlahnya untuk dipergunakan di dalam analisis multivariat selanjutnya.
2.10.2. Model Analisis Faktor dan Statistik yang Relevan
Secara matematis, analisis faktor agak mirip dengan regresi liner berganda, yaitu bahwa setiap variabel dinyatakan sebagai suatu kombinasi linear dari faktor
yang mendasari Underlying dimensions. Jumlah varian yang disumbangkan oleh suatu variabel dengan variabel lainnya yang tercakup dalam analisis disebut
communality. Kovariasi antara variabel yang diuraikan, dinyatakan dalam suatu
Universitas Sumatera Utara
common factors yang sedikit jumlahnya ditambah dengan faktor yang unik untuk setiap variabel.
Faktor yang unik tidak berkorelasi dengan sesama faktor yang unik dan juga tidak berkorelasi dengan common faktor. Common faktor sendiri bisa dinyatakan
sebagai kombinasi linear dari variabel-variabel yang terlihatterobservasi the observed variables hasil penelitian lapangan.
Statistik kunci yang relevan dengan analisis faktor adalah sebagai berikut : Bartlett’s test of sphericity yaitu suatu uji statistik yang dipergunakan untuk menguji
hipotesis bahwa variabel tidak saling berkorelasi uncorrelated dalam populasi.
2.10.3. Melakukan Analisis Faktor
Langkah-langkah yang diperlukan di dalam analisis faktor bisa dilihat pada gambar dibawah ini :
Merumuskan Masalah
Bentuk Matriks Korelasi
Tentukan Metode Analisis Faktor
Lakukan Rotasi
Interpretasikan Faktor
Hitung Skor Faktor Pilih Variabel Surrogate
Universitas Sumatera Utara
1. Merumuskan Masalah
Merumuskan masalah meliputi beberapa hal : a. Tujuan analisis faktor harus diidentifikasi.
b. Variabel yang akan dipergunakan di dalam analisis faktor harus dispesifikasi berdasarkan berdasarkan penelitian sebelumnya, teori dan pertimbangan dari
peneliti. c. Pengukuran variabel berdasarkan skala interval atau rasio
d. Banyaknya elemen sample n harus cukupmemadai, sebagai petunjuk kasar, kalau k banyaknya jenis variabel maka n = 4 atau 5 kali k. Artinya kalau variabel
5, banyaknya responden minimal 20 atau 25 orang sebagai sampel acak. Supranto J, 2004.
2. Bentuk Matriks Korelasi
Proses analisis didasarkan pada suatu matriks korelasi agar variabel pendalaman yang berguna bisa diperoleh dari penelitian matriks ini. Agar analisis
faktor bisa tepat dipergunakan, variabel-variabel yang akan dianalisis harus berkorelasi. Apabila koefisien korelasi antar variabel terlalu kecil, hubungannya
lemah, analisis faktor menjadi tidak tepat. Prinsip utama Analisis Faktor adalah korelasi maka asumsi-asumsi terkait
dengan korelasi yaitu : 1. Besar korelasi atau korelasi antar independen variabel harus cukup kuat, misalnya
di atas 0,5 atau bila dilihat tingkat signifikansinya adalah kurang dari 0,05.
Universitas Sumatera Utara
2. Besar korelasi parsial, korelasi antar dua variabel dengan menganggap variabel lain adalah tetap konstan harus kecil. Pada SPSS deteksi korelasi parsial
diberikan pada Anti Image Correlation. Statistik formal tersedia untuk menguji ketepatan model faktor yaitu Bartlett’s
Test of Sphericity bisa digunakan untuk menguji hipotesis bahwa variabel tak berkorelasi di dalam populasi. Nilai yang besar untuk uji statistik, berarti hipotesis
nol harus ditolak berarti adanya korelasi yang signifikan diantara beberapa variabel. Kalau hipotesis nol diterima, ketepatan analisis faktor harus dipertanyakan.
Statistik lainnya yang berguna adalah KMO Kaiser-Meyer-Olkin mengukur kecukupan sampling sampling adequacy. Indeks ini membandingkan besarnya
koefisien korelasi terobservasi dengan besarnya koefisien korelasi parsial. Nilai KMO yang kecil menunjukkan korelasi antar pasangan variabel tidak bisa
diterangkan oleh variabel lain dan analisis faktor mungkin tidak tepat. Measure of Sampling Adequacy MSA ukuran dihitung untuk seluruh matriks
korelasi dan setiap variabel yang layak untuk diaplikasikan pada analisis faktor. Wibowo A,2006. Nilai MSA yang rendah merupakan pertimbangan untuk
membuang variabel tersebut pada tahap analisis selanjutnya. Wibisono, 2003. Angka MSA berkisar 0-1 menunjukkan apakah sampel bisa dianalisis lebih lanjut.
• MSA = 1, variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel
lain. •
MSA 0,5 variabel masih dapat diprediksi dan dapat dianalisis lebih lanjut.
Universitas Sumatera Utara
• MSA 0,5 variabel tidak dapat diprediksi dan tidak dapat dianalisis lebih
lanjut. Wibowo A, 2006 .
3. Menentukan Metode Analisis Faktor
Ada dua cara atau metode yang bisa dipergunakan dalam analisis faktor, khususnya untuk menghitung timbangan atau koefisien skor faktor, yaitu principal
components analysis dan common factor analysis. Di
dalam principal components analysis, jumlah varian dalam data
dipertimbangkan. Principal components analysis direkomendasikan kalau hal yang pokok ialah menentukan bahwa banyaknya faktor harus minimum dengan
memperhitungkan varian maksimum dalam data untuk dipergunakan di dalam analisis multivariat lebih lanjut. Faktor-faktor tersebut dinamakan principal
components. Di
dalam common factor analysis, faktor diestimasi hanya didasarkan pada
common variance, communalities dimasukkan di dalam matriks korelasi. Metode ini dianggap tidak tepat kalau tujuan utamanya ialah mengenalimengidentifikasi
dimensi yang mendasari dan common variance yang menarik perhatian. Metode ini juga dikenal sebagai principal axis factoring. Supranto J, 2004.
Communalities ialah jumlah varian yang disumbangkan oleh suatu variabel dengan seluruh variabel lainnya dalam analisis. Bisa juga disebut proporsi atau
bagian varian yang dijelaskan common factors, atau besarnya sumbangan suatu faktor terhadap varian seluruh variabel. Semakin besar Communalities sebuah variabel,
berarti semakin kuat hubungannya dengan faktor yang dibentuknya.
Universitas Sumatera Utara
Eigenvalue merupakan jumlah varian yang dijelaskan oleh setiap faktor. Eigenvalue akan menunjukkan kepentingan relatif masing-masing faktor dalam
menghitung varian yang dianalisis. Susunan eigenvalues selalu diurutkan dari yang terbesar sampai yang terkecil dengan kriteria bahwa angka eigenvalue di bawah 1
tidak digunakan dalam menghitung jumlah faktor yang terbentuk. Eigenvalue yang ditentukan di atas 1 adalah alasan peneliti. Wibowo A, 2006.
4. Rotasi Faktor-Faktor
Suatu hasil atau output yang penting dari analisis faktor ialah apa yang disebut matriks faktor pola faktor pattern matrix. Matriks faktor berisi koefien yang
dipergunakan untuk mengekspresikan variabel yang dibakukan dinyatakan dalam faktor. Koefien-koefisien ini yang disebut muatan faktor atau the faktor loading,
mewakili korelasi antar-faktor dan variabel. Suatu koefisien dengan nilai absolutmutlak yang besar menunjukkan bahwa faktor dan variabel berkorelasi sangat
kuat. Koefisien dari matriks faktor bisa dipergunakan untuk menginterpretasikan faktor.
Meskipun matriks faktor awal yang belum dirotasi menunjukkan hubungan antar-faktor masing-masing variabel, jarang menghasilkan faktor yang bisa
diinterpretasikan diambil kesimpulannya, oleh karena faktor-faktor tersebut berkorelasi atau terkait dengan banyak variabel lebih dari satu.
Di dalam melakukan rotasi faktor, kita menginginkan agar setiap faktor mempunyai muatan atau koefisien yang tidak nol atau yang signifikan untuk beberapa
variabel saja. Demikian halnya kita juga menginginkan agar setiap variabel mempunyai muatan yang tidak nol atau signifikan dengan beberapa faktor saja, kalau
Universitas Sumatera Utara
mungkin hanya dengan satu faktor saja. Kalau terjadi bahwa beberapa faktor mempunyai muatan tinggi dengan variabel yang sama, sangat sulit untuk membuat
interpretasi tentang faktor tersebut. Akan tetapi, persentase varian sebagai sumbangan setiap faktor terhadap seluruh varian dari seluruh variabel asli mengalami
perubahan.
5. Interpretasi Faktor
Interpretasi dipermudah dengan mengidentifikasi variabel yang muatannya besar pada faktor yang sama. Faktor tersebut kemudian bisa diinterpretasikan,
dinyatakan dalam variabel yang mempunyai muatan tinggi padanya. Manfaat lainnya
di dalam membantu untuk membuat interpretasi ialah menge-plot variabel, dengan
menggunakan faktor loading sebagai sumbu koordinat sumbu F dan F2.
Variabel pada ujung atau akhir suatu sumbu ialah variabel yang mempunyai high loading hanya pada faktor tertentu faktor F atau F2 oleh karena itu bisa
menyimpulkan bahwa faktor tersebut terdiri dari variabel-variabel tersebut. Sedangkan variabel yang dekat dengan titik asal perpotongan sumbu F dan F2
mempunyai muatan rendah low loading pada kedua faktor. Variabel yang tidak dekat dengan sumbu salah satu faktor berarti berkorelasi
dengan kedua faktor tersebut. Kalau suatu faktor tidak bisa dengan jelas didefinisikan dinyatakan dalam variabel aslinya, seharusnya diberi label sebagai faktor tidak
terdefinisikan atau faktor umum. Variabel-variabel yang berkorelasi kuat nilai faktor loading yang besar dengan faktor tertentu akan memberikan inspirasi nama faktor
yang bersangkutan.
Universitas Sumatera Utara
6. Menghitung Skor atau Nilai Faktor
Sebenarnya analisis faktor tidak harus dilanjutkan dengan menghitung skor atau nilai faktor, sebab tanpa menghitung pun hasil analisis faktor sudah bermanfaat
yaitu mereduksi variabel yang banyak menjadi variabel baru yang lebih sedikit dari variabel aslinya.
Namun kalau tujuan analisis faktor untuk mencari variabel baru yang bebas satu sama lain, yang disebut faktor untuk dipergunakan dalam analisis multivariat
lainnya seperti analisis regresi linier berganda, maka perlu dihitung skornilai faktor bagi setiap responden.
7. Memilih Surrogate Variables
Surrogate Variables adalah suatu bagian dari variabel asli yang dipilih untuk digunakan di dalam analisis selanjutnya. Pemilihan Surrogate Variables meliputi
sebagian dari beberapa variabel asli untuk dipergunakan di dalam analisis selanjutnya. Hal ini memungkinkan peneliti untuk melakukan analisis lanjutan dan
menginterpretasikan hasilnya dinyatakan dalam variabel asli bukan dalam skor faktor. Dengan meneliti matriks faktor, kita bisa memilih untuk setiap faktor variabel
dengan muatan tinggi pada faktor yang bersangkutan. Variabel tersebut kemudian bisa dipergunakan sebagai variabel pengganti
atau surrogate variables untuk faktor yang bersangkutan. Proses untuk mencari variabel pengganti akan berjalan lancar kalau muatan faktor faktor loading untuk
suatu variabel jelas-jelas lebih tinggi daripada muatan faktor lainnya. Akan tetapi pilihan menjadi susah, kalau ada dua variabel atau lebih mempunyai muatan yang
sama tingginya. Di dalam hal seperti itu, pemilihan antara variabel-variabel ini harus
Universitas Sumatera Utara
didasarkan pada pertimbangan teori dan pengukuran sebagai contoh, mungkin teori menyarankan bahwa suatu variabel dengan muatan sedikit lebih kecil mungkin lebih
penting daripada dengan sedikit lebih tinggi. Demikian juga halnya, kalau suatu variabel mempunyai muatan sedikit lebih
rendah akan tetapi telah diukur lebih telitiakurat, seharusnya dipilih sebagai surrogate variable.
2.11. Proses Analisis Faktor
