Pelaksanaan Analisis Faktor Barlett’s test of spericity

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