1. Komponen hipotesis tersebut diberi nama faktor.
2. Variabel komponen hipotesis yang disebut faktor bisa dikelompokkan menjadi
dua yaitu: common factor and unique factor. Dua komponen ini bisa dibedakan kalau dinyatakan dalam timbangan di dalam persamaan linier, yang menurunkan
variabel terobservasi dari variabel komponen hipotesis. Common factor mempunyai lebih dari satu variabel dengan timbangan yang bukan nol nilainya.
Suatu faktor unik hanya mempunyai satu variabel dengan timbangan yang tidak nol terikat dengan faktor. Jadi hanya satu variabel yang tergantung pada satu
faktor unik. 3.
Common factor selalu dianggap tidak berkorelasi dengan faktor unik. Faktor unik biasanya juga dianggap saling tidak berkorelasi, akan tetapi common
factor mungkin atau tidak mungkin berkorelasi satu sama lainnya. 4.
Umumnya dianggap bahwa jumlah common factor lebih sedikit dari jumlah variabel asli. Akan tetapi banyaknya faktor unik biasanya dianggap sama dengan
banyaknya variabel asli.
2.3.4. Langkah-Langkah Analisis Faktor
1. Merumuskan Masalah
Merumuskan masalah meliputi beberapa hal : 1.
Tujuan analisis faktor harus diidentifikasi. 2.
Variabel yang akan dipergunakan didalam analisis faktor dispesifikasi berdasarkan penelitian sebelumnya, teori dan pertimbangan dari peneliti.
3. Pengukuran variabel berdasarkan skala interval dan rasio.
4. Banyaknya elemen sampel n harus cukupmemadai, sebagai petunjuk N=85
dan d=90. n=
2
1 d
N N
+ n = jumlah sampel
=
2
1 ,
8 5 1
8 5 +
N = jumlah populasi = 45
d = tingkat kepercayaan
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 akan
terkait dengan metode statistik korelasi yaitu: 1.
Besar korelasi atau korelasi independen variabel yang cukup kuat, misalnya diatas 0,5 atau bila dilihat tingkat signifikansinya adalah kurang dari 0,5.
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 Barlett’s Test of Sphericity bisa digunakan untuk menguji hipotesis bahwa variabel tak
berkorelasi di dalam populasi. Nilai yang besar untuk uji statistik, berati hipotesis nol
harus ditolak berarti ada 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 adequancy. 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. a.
Harga KMO sebesar 0,9 adalah sangat memuaskan b.
Harga KMO sebesar 0,8 adalah memuaskan c.
Harga KMO sebesar 0,7 adalah harga menengah d.
Harga KMO sebesar 0,6 adalah cukup e.
Harga KMO sebesar 0,5 adalah kurang memuaskan f.
Harga KMO sebesar 0,4 adalah tidak dapat diterima. Measure of Sampling Adequacy MSA ukuran dihitung untuk seluruh matriks
korelasi dan setiap variabel yang layak untuk diaplikasikan pada analisis faktor. Nilai MSA yang rendah merupakan pertimbangan untuk membuang variabel tersebut pada
tahap analisis selanjutnya. Wibisono, 2003. Angka MSA berkisar 0-1 menunjukan apakah sampel bisa dianalisis lebih lanjut Wibowo A, 2006.
a. MSA = 1, variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel
lain. b.
MSA 0,5 variabel masih dapat diprediksi dan dapat dianalisis lebih lanjut. c.
MSA 0,5 variabel tidak dapat diprekdiksi dan tidak dapat dianalisis lebih lanjut.
3. Menentukan Metode Analisis Faktor
