19 Sampel dibagi menjadi dua, dan analisis faktor diaplikasikan kepada masing-
masing bagian. Hanya faktor yang memiliki faktor loading tinggi antar dua bagian itu yang akan dipertahankan.
f. Penentuan Berdasarkan Uji Signifikan
Dimungkinkan untuk menentukan signifikansi statisstik untuk eiganvalue yang terpisah dan mempertahankan fakto-faktor yang berdasarkan uji statistik
eigenvalue nya signifikan pada α = 5 atau α = 1 . Penentuan banyaknya faktor
dengan cara ini memiliki kelemahan, khususnya pada ukuran sampe yang besar misalnya diatas 200 responden, banyak faktor yang menunjukkan uji signifikan,
walaupun dari pendangan praktis banyak faktor yang mempunyai sumbangan terhadap seluruh varians hanya kecil.
6. Menghitung matriks faktor loading
Matriks loading factor Ʌ diperoleh dengan mengalikan matriks eigenvector
dengan akar dari matriks eigenvalue . Atau dalam persamaan matematis ditulis
Ʌ = � � √� 7. Melakukan Rotasi Faktor
Sebuah output penting dari analisis faktor dalah matriks faktor atau disebut juga sebagai matriks faktor pola. Matriks faktor mengandung koefisien yang digunakan
untuk mengekspresikan variabel yang dibakukan distandarisasi dinyatakan dalam faktor. Koefisien-koefisien tersebut atau faktor loadings merupakan
korelasi antara faktor dengan variabelnya, Sebuah koefisien dengan nilai absolut yang besar mengindikasikan bahwa faktor dan variabel berkorelasi kuat.
Koefisien tersebut bisa digunakan untuk menginterprestasi faktor. Walaupun faktor awal atau unroatated factor matrix mengindikasikan
hubungan antara faktor dengan variabel individu tertentu, akan tetapi masih sulit. Diambil kesimpulannya tentang banyaknya faktor yang bisa diekstraksi, hal ini
disebabkan karena faktor berkorelasi dengan banyaknya variabel atau sebaliknya variabel tertentu masih banyak berkorelasi dengan banyak faktor.
Dalam merotasi faktor, diharapkan setiap faktor memiliki loading faktor atau koefisien yang tidak nol, atau signifikan hanya untuk beberapa variabel.
Atau, diharapkan setiap variabel memiliki faktor loadings signifikan hanya dengan sedikit faktor, atau kalau mungkin dengan sebuah faktor. Rotasi tidak
Universitas Sumatera Utara
20 berpengaruh terhadap komunalitas dan persentase total varians yang dijelaskan.
Namun demikian, rotasi berpengaruh terhadap persentase varians dari setiap faktor. Beberapa metode rotasi yang bisa digunakan adalah orthogonal rotation,
varimax rotation, dan oblique rotation. Orthogonal rotation adalah kalau sumbu dipertahankan tegak lurus
sesamanya bersudut 90 derajat. Yang paling banyak digunakan adalah varimax rotation, yaitu rotasi ortogonal dengan meminimumkan banyaknya variabel yang
memiliki loadings tinggi pda sebuah faktor, sehingga lebih mudah menginterprestasikan faktor. Rotasi orotogonal menghasilkan faktor-faktor yang
tidak berkorelasi. Oblique rotation adalah jika sumbu-sumbu tidak dipertahankan harus tegak lurus sesamanya bersudut 90 derajat dan faktor-faktor berkorelasi.
Kadang-kadang, mentoleransi korelasi antar fakto-faktor bisa menyederhanakan matriks pola faktor. Oblique rotation harus dipergunakan kalau faktor dalam
populasi berkorelasi sangat kuat.
8. Interprestasi Faktor
Interprestasi dipermudah dengan mengidentifikasi variabel yang loadingnya besar pada faktor yang sama. Faktor tersebut kemudian dapat diinterprestasikan
menurut variabel-variabel yang memiliki loading tinggi dengan faktor tersebut. Cara lain yang bisa digunakan adalah memalui pivot variabel dengan faktor
loading sebagai koordinat. Variabel yang berada pada akhir sebuah sumbu adalah variabel yang memiliki loading tinggi hanya pada faktor yang bersangkutan,
sehingga bisa digunakan untuk menginterprestasi faktor. Variabel yang berada di dekat titik origin memiliki loading yang rendah terhadap kedua faktor. Variabel
yang tidak berada di dekat sumbu mengindikasi bahwa variabel tersebut berkorelasi dengan kedua faktor. Jika sebuah faktor tidak bisa secara jelas
didefinisikan dalam batas variabel awalnya, maka disebut faktor umum.
9. Menentukan Ketetapan Model model fit
Langkah terakhir dalam analisis faktor adalah menentukan ketetapan model model fit. Asumsi dasar yang digunakan dalam analisis faktor adalah korelasi
terobservasi dapat menjadi atribut dari faktor atau komponen. Untuk itu, korelasi terobservasi dapat direproduksi memalalui estimasi korelasi antara variabel
terhadap faktor. Selesih antara korelasi dari data observasi dengan korelasi
Universitas Sumatera Utara
21 reproduksi dapat digunakan dengan mengukur ketetapan model. Selesih tersebut
disebut sebagai residuals. Jika banyaj residual yang besar residual 0,05 berarti model faktor yang dihasilkan tidak tepat sehingga model perlu dipertimbangkan
kembalikan.
Universitas Sumatera Utara
1
BAB 1 PENDAHULUAN
1.1 Latar Belakang