f. Factor loading plot
, ialah suatu plot dari variabel asli dengan menggunakan factor loadings sebagai koordinat.
g. Factor matrix, yaitu memuat semua factor loading dari seluruh variabel
dalam seluruh variabel yang dikembangkan.
h. Factor scores, yaitu skor komposit yang diestimasi untuk setiap responden
pada faktor yang diderivasi.
i. Kaiser-Meyer-Olkin KMO measure of sampling adequacy MSA,
merupakan suatu indeks yang digunakan untuk menguji kesesuaian analisis faktor. Nilai KMO berkisar antar 0,5-1,0 artinya jika nilai kurang
dari 0,5 analisis faktor tidak tepat untuk digunakan.
Rumus untuk menghitung KMO adalah sebagai berikut :
ik k
i i
ik k
i i
ik k
i i
a r
r KMO
2 2
2
Keterangan : r
2 ik
= Kuadrat matriks korelasi sederhana
2
a
ik
= Kuadrat matriks korelasi parsial
j. Measure of sampling adequacy MSA, yaitu suatu indeks perbandingan
antara koefisien korelasi parsial untuk setiap variabel. MSA digunakan untuk mengukur kecukupan sampel.
Rumus untuk menghitung MSA adalah sebagai berikut :
ik k
ik k
i k
i I
a r
r MSA
2 1
2 2
Keterangan : r
2 ik
= Kuadrat matriks korelasi sederhana
2
a
ik
= Kuadrat matriks korelasi parsial
k. Percentage of variance, merupakan persentase varian total yang
disumbangkan oleh setiap factor.
Universitas Sumatera Utara
l. Residuals, yaitu selisih antara korelasi yang terobservasi berdasarkan
input correlation matrix dan korelasi hasil reproduksi yang diestimasi dari matriks factor.
m. Scree plot, merupakan plot dari eigenvalue sebagai sumbu tegak dan
banyaknya faktor sebagai sumbu datar, untuk menentukan banyaknya faktor yang bisa di tarik.
2.13 Langkah-Langkah Pelaksanaan Analisis Faktor
1. Merumuskan Masalah
Perumusan masalah dalam analisis faktor akan melibatkan beberapa kegiatan seperti mengidentifikasi variabel, yaitu variabel yang digunakan harus
disesuaikan berdasarkan penelitian sebelumnya, teori dan keinginan dari peneliti. Tujuan analisis faktor harus dididentifikasi. Ukuran variabel yang
sesuai adalah interval atau rasio. Untuk menentukan banyaknya sampel berdasarkan analisis faktor sedikitnya 4 atau 5 kali banyaknya variabel.
2. Membentuk Matriks Korelasi
Proses analisis didasarkan pada suatu matriks korelasi antar variabel. Agar analisis faktor menjadi tepat, variabel-variabel yang akan dianalisis harus
berkorelasi.
3. Ekstraksi Faktor
Terdapat dua metode ekstraksi faktor dalam analisis faktor yaitu principal component analysis PCA dan common factor analysis CFA. Didalam PCA
total variance pada data yang diperhatikan yaitu diagonal matriks korelasi, setiap elemennya sebesar 1 dan full variance digunakan untuk dasar
pembentukan faktor, yaitu variabel-variabel baru sebagai pengganti variabel- variabel lama yang jumlahnya lebih sedikit dan tidak lagi berkorelasi satu
sama lain.
Universitas Sumatera Utara
4. Penentuan Jumlah Faktor
Dalam meringkas informasi yang terdapat dalam variabel asli, sejumlah faktor yang lebih sedikit akan diekstraksi. Beberapa jenis prosedur untuk
menentukan banyaknya faktor yang harus diekstraksi antara lain :
a. Penentuan berdasarkan eigenvalues
Dalam pendekatan ini, hanya faktor dengan eigenvalue lebih besar dari 1,00 yang akan dipertahankan. suatu Eigenvalue adalah jumlah varians yang
dijelaskan oleh setiap faktor. Faktor dengan nilai eigenvalue lebih kecil dari 1,00 tidak lebih baiik dari sebuah variabel asli, karena variabel asli telah
dibakukan standardized yang artinya rata-ratanya 0 dan standart deviasinya 1.
b. Penentuan berdasarkan scree plot
Scree plot merupakan suatu plot dari eigenvalue sebagai fungsi banyaknya faktor dalam upaya mengekstraksi. Biasanya plot akan berbeda antara slope
tegak faktor dengan eigenvalue yang besar dan makin mengecil pada sisa faktor yang tidak perlu diektraksi. Pengecilan slope ini yang disebut scree.
5. Rotasi Faktor
Hasil atau output yang penting dari analisis faktor adalah matriks faktor pola factor pattern matrix yang memuat koefisien yang digunakan untuk
mengekspresikan variabel yang dibakukan standardized dinyatakan dalam faktor. Koefisien-koefisien ini yang disebut muatan faktor factor loading
yang merupakan korelasi antara faktor dengan variabelnya. Suatu koefisien dengan nilai absolut yang besar menunjukkan bahwa faktor dan variabel
berkorelasi sangat kuat. Koefisien tersebut bisa digunakan untuk menginterpretasi faktor. Beberapa literatur menyarankan besarnya nilai untuk
batasan factor loadings adalah ≥ 0,3, ≥0,4 atau ≥0,5.
Dalam melakukan rotasi faktor, diharapkan setiap faktor memiliki factor loading atau koefisien yang tidak nol atau signifikan hanya untuk beberapa
Universitas Sumatera Utara
variabel. Dan diharapkan agar setiap variabel memiliki factor loading signifikan hanya dengan beberapa faktor saja, atau jika mungkin hanya
dengan satu faktor saja. Rotasi tidak berpengaruh terhadap komunalitas dan persentase total varians yang dijelaskan. Namun demikan, rotasi berpengaruh
terhadap persentase varians dari setiap faktor.
Ada dua metode rotasi yang berbeda yaitu : orthogonal dan oblique rotation. Rotasi dikatakan orthogonal rotation jika sumbu dipertahankan
tegak lurus sesamanya bersudut 90 drajat. Metode orthogonal rotation dapat dibedakan menjadi : quartimax, varimax, dan equimax. Rotasi dikatakan
oblique rotation jika sumbu tidak dipertahankan harus tegak lurus sesamanya dan faktor-faktor tidak berkorelasi. Oblique rotation akan digunakan jika
faktor-faktor pada populasi diperkirakan berkorelasi kuat. Metode ini dapat dibedakan menjadi oblimin, promax, dan orthobolique. Metode rotasi yang
banyak digunakan ialah varimax procedure. Prosedur ini merupakan metode orthogonal yang berusaha meminimumkan banyaknya variabel dengan
muatan tinggi pada satu faktor, dengan demikian memudahkan interpretasi mengenai faktor. Rotasi orthogonal menghasilkan faktor-faktor yang tidak
berkorelasi satu sama lain.
6. Interpretasi Faktor
Interpretasi faktor dipermudah dengan mengenali mengidentifikasi variabel yang mempunyai nilai loading yang besar pada faktor yang sama. Faktor
tersebut kemudian bisa diinterpretasikan menurut variabel-variabel yang mempunyai nilai loading yang tinggi dengan faktor tersebut. Cara lain yang
dapat digunakan adalah melalui pivot variabel dengan faktor loading sebagai koordinat. Variabel pada ujung suatu sumbu ialah variabel yang mempunyai
high loadings hanya pada faktor tertentu, sedangkan variabel yang dekat dengan titik asal memiliki muatan rendah low loading pada kedua faktor.
Variabel yang tidak dekat dengan sumbu salah satu faktor berarti berkorelasi dengan kedua faktor tersebut. Jika sebuah faktor tidak dapat dengan jelas
didefinisikan dalam batas variabel awalya, maka disebut faktor umum.
Universitas Sumatera Utara
7. Menentukan Ketepatan Model Model fit
Untuk mengetahui apakah model dapat dinyatakan sudah tepat dan layak digunakan yaitu dengan melihat selisih atau nilai residual antara matriks
korelasi sebelum dilakukan analisis faktor dengan matriks korelasi setelah dilakukan analisis faktor. Untuk menentukan sebuah model sesuai atau tidak,
maka nilai absolut residuals harus kurang dari 0,05 sehingga model tersebut dapat diterima.
Universitas Sumatera Utara
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Kategori