l.
Scree Plot ,
adalah sebuah plot dari eigenvalue dan banyaknya faktor yang dapat dikembangkan.
2.8.3 Pelaksanaan Analisis Faktor
a. Merumuskan masalah dan identifikasi variabel.
Merumuskan masalah akan melibatkan banyak kegiatan. Pertama, tujuan dari analisis faktor harus diidentifikasi. Variabel yang dilibatkan harus dispesifikasi
berdasarkan kepada penelitian terdahulu, teori dan keinginan peneliti. Ukuran variabel yang sesuai adalah interval atau rasio. Menentukan banyaknya
sampel, sedikitnya empat kali atau lima kali dari banyaknya variabel. Proses analisis berbasis pada matrik korelasi antar variabel. Agar analisis faktor
sesuai, variabel-variabel harus berkolerasi. Dalam praktek, persoalan yang sering timbul adalah jika korelasi antar variabel itu kecil, maka analisis faktor
tidak sesuai untuk diaplikasi. Harapannya, selain antar variabel itu berkolerasi, juga berkolerasi tinggi dengan sebuah faktor yang sama atau faktor-faktor lain.
b. Statistik untuk menguji kesesuaian model adalah Barlett’s test of spericity
Yaitu menguji Ho yang menyatakan bahwa variabel-variabel tersebut tidak berkolerasi, atau dengan kata lain bahwa matrik korelasinya adalah matrik
identitas.
Test of spericity
berbasis transformasi χ
2
, nilai determinan dari matrik korelasi. Nilai statistik tinggi diharapkan untuk menolak Ho, jika tidak
maka kesesuaian penggunaaan analisis faktor patut dipertanyakan.
Untuk hasil uji Barlett’s test of spericity nilai signifikan harus 0,05
untuk menunjukkan bahwa antar variabel terjadi korelasi. Sedangkan untuk
Tes of spericity
berbasis transforma si χ
2
, nilai determinan harus mendekati nol 0 untuk menunjukkan antar variabel mempunyai korelasi.
c. Statistik lain yang sangat berguna pemanfaatannya adalah
KMO
untuk mengukur tingkat kecukupan sampel. Indeks tersebut membandingkan ukuran
antara korelasi sederhana dengan korelasi parsial. Nilai
KMO
yang rendah mengindikasikan bahwa korelasi antar pasangan variabel tidak dapat
Universitas Sumatera Utara
dijelaskan oleh variabellain dan analisis faktor bisa menjadi tidak tepat. Nilai
KMO
harus 0,5 untuk menunjukkan bahwa analisis faktor sesuai untuk diaplikaskan.
2 2
2
ij ij
ij
KMO
r a
r
dengan i≠j
r
ij
= koefisien korelasi sederhana antara peubah i dan j a
ij
= koefisien korelasi parsial antara peubah i dan j
d. Menentukan jumlah faktor adalah hal yang tidak mungkin menghitung faktor
sebanyak jumlah variabel. Dalam rangka meringkas informasi yang dikandung dalam variabel asli, sejumlah faktor yang lebih sedikit akan diekstraksi.
Beberapa jenis prosedur untuk menentukan banyaknya faktor yang harus diekstraksi antara lain;penentuan apriori, dan pendekatan berdasarkan
eigenvalue, scree plot, percentage of variance accounted for, split-and-half dan significance test.
1. Penentuan
Apriori.
Kadang-kadang karena adnya dasar teori, maka peneliti dapat menentukan banyaknya faktor yang akan diekstraksi. Hampir sebagian
besar program memberikan peluang untuk pendekatan ini.
2.
Penentuan Berbasis
Eigenvalue.
Pada pendekatan ini, hanya faktor dengan eigenvalue lebih besar daripada 1,00 yang akan dipertahankan.
Eigenvalue
merepresentasikan total varians yang berkaitan dengan faktor. Faktor dengan eigenvalue
lebih kecil daripada 1,00 tidak lebih baik daripada sebuah variabel tunggal, karena untuk keperluan standarisasi setiap variabel memiliki
varians = 1,00.
3. Penentuan Berdasarkan
Scree Plot
.
Scree plot
adalah plot nilai
eigenvalue
terhadap banyaknya faktor dalam ekstraksinya. Bentuk plot yang dihasilkan, digunakan untuk
Universitas Sumatera Utara
menentukan banyaknya faktor. Biasanya, plot akan berbeda antara
slop
tegak faktor, dengan
eigenvalue
yang besar dan makin kecil pada sisa faktor yang tidak perlu diekstrasi. Pengecilan
slop
ini yang disebut
scree.
4. Penentuan Berbasis
Percentage of Variace
. Dalam pendekatan ini banyaknya faktor yang diekstraksi ditentukan
sampai persentase kumulatif varians mencapai tingkat yang memuaskan peneliti. Tingkat persen kumulatif yang memuaskan
tersebut tergantung kepada persoalannya. Bagaimanapun sangat direkomendasikan bahwa faktor-faktor yang diekstraksi sampai
mencapai persen kumulatif paling sedikit = 60,00 persen.
5. Penentuan Berdasarkan
Split and Half.
Sampel dibagi menjadi data, dan analisis faktor diaplikasikan kepada masing-masing bagian. Hanya faktor yang memilih
factor loadings
tinggi antar data bagian itu yang akan dipertahankan.
6. Penentuan Berbasis
Significance Test.
Pendekatan ini adlah untuk memperthankan faktor yang memiliki
saparate eigenvalue
signifikan. Dengan sampel besar 200, banyak faktor yang cenderung signifikan, walaupun dari pandangan praktis,
banyak dari faktor tersebut yang memiliki proporsi varians yang kecil terhadap total varians.
e. Rotasi Faktor adalah sebuah output penting dari analisis faktor berupa factor
matrix atau disebut juga sebagai factor putaran matrix. Faktor matrik mengandung koefisien yang digunakan untuk mengekspresikan variabel
terstandar dalam hubungannya dengan faktor. Koefisien-koefisien terseut, atau factor loadings, merupakan korelasi antar faktor dengan variabelnya. Sebuah
koefisien dengan nilai absolut yang besar mengindikasikan bahwa faktor dan
Universitas Sumatera Utara
variabel berkorelasi kuat. Koefisien tersebut dapat digunakan untuk menginterpretasikan faktor. Untuk ba
tasan factor loadings nilainya sebesar ≥ 0,3, ≥ 0,4 atau ≥ 0,5.
Walaupun initial atau unrotated factor matrix mengindikasikan hubungan antara faktor dengan dengan variabel individual tertentu, kadang-
kadang dapat diperoleh di dalam faktor yang bisa diinterpretasikan, karena faktor tersebut berkolerasi dengan banyak variabel. Pada banyak persoalan
yang kompleks, maka sulit melakukan interpretasi. Untuk itu diperlukan suatu langkah merotasi factor matrik agar lebih mudah menginterpretasikan faktor.
Dalam merotasi faktor, dilanjutkan setiap faktor memiliki loadings factor atau koefisien non zero, atau signifikan hanya untuk beberapa variabel.
Atau diharapkan setiap varibel memiliki factor loadings signifikan hanya dengan sedikit faktor. Rotasi tidak 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 adlah jika
sumbu-sumbu tetap dijaga pada sudut yang benar. Varimax Rotation adalah rotasi ortogonal dengan meminimumkan banyaknya variabel yang memiliki
loadings faktor, sehingga lebih bisa menginterpretasi faktor. Rotasi ortogonal menghasilkan faktor-faktor yang tidak berkolerasi. Oblique rotation adalah
jika sumbu-sumbu tidak dijaga pada sudut yang benar dan faktor-faktor berkolerasi. Kadang-kamg, mentoleransi korelasi antar faktor-faktor bisa
menyederhanakan matrik pola faktor. Oblique rotation akan digunakan jika faktor-faktor pada populasi diperkirakan berkolerasi kuat.
Rotasi faktor dilakukan dengan cara merotasikan loading factor L, dengan menggunakan metode rotasi sehingga menghasilkan loading faktor
baru
L
.
pxm pxm
pxm
L L
T
Dengan T adalah matriks transformasi yang dipilih.
Universitas Sumatera Utara
f. Interpretasi Faktor adalah interpretasi difasilitasi melalui identifikasi variabel
yang memiliki loadings besar pada faktor yang sama. Faktor tersebut kemudian dapat diinterpretasi dalam batas variabel yang memiliki loadings
tinggi dalam faktor tersebut. Cara lain yang bisa digunakan adalah melalui plot variabel dengan
factor loadings sebagai koordinat. Variabel yang berada pada akhir sebuah sumbu adalah adalah variabel yang memiliki loadings tinggi hanya pad faktor
yang bersangkutan, didekat titik origin memiliki loadings yang rendah terhadap kedua faktor. Variabel tersebut berkolerasi dengan kedua faktor. Jika
sebuah faktor tidak bisa secara jelas didefinisikan dalam batas variabel awalnya, maka disebut sebgai faktor umum saja tidak perlu diberi lebel
khusus.
g. Mengukur Ketepatan Model Model Fit adalah asumsi dasar yang digunakan
dalam analisis faktor adalah korelasi dari data awal dapat menjadi atribut dari faktor. Untuk itu, korelasi data awal dapat direproduksi melalui estimasi
korelasi reproduksi dapat digunakan untuk mengukur kesesuaian model. Selisih tersebut disebut sebagai residuals. Untuk menentukan sebuah model
sesuai atau tidak, maka nilai absolut residuals harus kurang dari 50 persen sehingga model tersebut dapat diterima.
Universitas Sumatera Utara
BAB 3
PEMBAHASAN
3.1 Gambaran Umum