30
b. Koefisien korelasi parsial antar 2 variabel harus kecil Hal ini dapat diidentifikasi dengan nilai Kaiser Meyer Olkin measure of
sampling adequency KMO. KMO merupakan sebuah indeks perbandingan jarak antara koefisien korelasi dengan koefisien parsialnya secara keseluruhan. Jika jumlah
kuadrat koefisien korelasi parsial diantara seluruh pasangan variabel bernilai kecil dibandingkan dengan jumlah kuadrat koefisien korelasi, maka akan menghasilkan
nilai KMO yang mendekati satu. Nilai KMO yang kecil menunjukkan bahwa analisis faktor bukan merupakan pilihan yang tepat. Untuk dapat dilakukan analisis faktor,
nilai KMO dianggap cukup apabila nilai KMO 0,5. c. Koefisien korelasi antar variabel harus kecil
Hal ini dapat diidentifikasi dengan nilai Measure of Sampling Adequency MSA. MSA adalah sebuah indeks perbandingan jarak antara koefisien korelasi
dengan koefisien korelasi parsialnya secara parsial setiap itemvariabel. Untuk dapat dilakukan analisis faktor, nilai MSA dianggap cukup apabila nilai MSA 0,5.
Apabila ada itemvariabel yang tidak memiliki nilai MSA 0,5, variabel tersebut harus dikeluarkan dari analisis faktor secara bertahap satu persatu.
d. Dalam beberapa kasus, setiap variabel yang akan dianalisis dengan menggunakan analisis faktor harus menyebar secara normal.
2.3.6 Penamaan Faktor yang terbentuk
Untuk menamai faktor yang telah dibentuk dalam analisis faktor, dapat dilakukan dengan cara berikut.
Universitas Sumatera Utara
31
1. Memberikan nama faktor yang dapat mewakili nama-nama variabel yang membentuk faktor tersebut.
2. Memberikan nama faktor berdasarkan variabel yang memiliki nilai faktor loading tertinggi. Hal ini dilakukan apabila tidak dimungkinkan untuk memberikan nama
faktor yang dapat mewakili semua variabel yang membentuk faktor tersebut.
2.3.7 Metode Pendugaan Parameter PCA Principal Component Analysis
Secara sederhana, sebuah variabel akan mengelompok ke suatu faktor yang terdiri atas variabel-variabel yang lainnya pula jika variabel tersebut berkorelasi
dengan sejumlah variabel lain yang masuk dalam kelompok faktor tertentu. Ketika sebuah variabel berkorelasi dengan variabel lain, variabel tersebut berbagi varians
dengan variabel lain tersebut, dengan jumlah varians yang dibagikan adalah besar korelasi pangkat dua R
2
. Varians adalah akar dari standar deviasi, yakni jumlah penyimpangan data dari rata-ratanya Santoso, 2012.
Dengan demikian, varians total pada sebuah variabel dapat dibagi menjadi tiga bagian:
1. Common variance, yakni varians yang dibagi dengan varians lainnya atau jumlah varians yang dapat diekstrak dengan proses factoring.
2. Specific variance, yakni varians yang berkaitan dengan variabel tertentu saja. Jenis varians ini tidak dapat dijelaskan dengan korelasi hingga menjadi bagian dari
variabel lain. Namun varians ini masih berkaitan secara unik dengan satu variabel.
Universitas Sumatera Utara
32
3. Error variance, yakni varians yang tidak dapat dijelaskan lewat korelasi. Jenis ini muncul karena proses pengambilan data yang salah, pengukuran variabel yang
tidak tepat dan sebagainya. Berdasarkan penjelasan tersebut di atas, dapat dikatakan jika sebuat variabel
berkorelasi dengan variabel lain, maka common variance disebut juga communality akan meningkat. Proses common analysis hanya berhubungan dengan common
variance, sedangkan proses principal component analysis akan mengaitkan semua varians tersebut. Pada umumnya, principal component analysis akan digunakan jika
tujuan utama analisis faktor adalah data reduction, dan beranggapan bahwa sejumlah specific variance dan error variance berjumlah kecil.
PCA menggunakan total varians dalam analisisnya. Metode ini menghasilkan faktor yang memiliki specific variance dan error variance yang lebih kecil. Kalau ada
beberapa faktor yang dihasilkan, faktor yang duluan dihasilkan adalah yang memiliki common variance terbesar, sekaligus specific dan error variance terkecil Simamora,
2004.
2.4 Landasan Teori
