2.12Langkah-langkah Analisis faktor 2.12.1 Tabulasi Data
Data yang telah diperoleh dari penyusunan serta penyebaran kuesioner di tempat-tempat yang telah ditentukan, kemudian data-data ini dikumpulkan serta
ditabulasikan pada kolom-kolom agar mempermudah untuk dikonversi pada software yang akan digunakan
2.12.2 Pembentukan Matriks Korelasi
Matriks korelasi merupakan matriks yang memuat semua koefisien korelasi dari semua pasangan variabel dalam penelitian ini.Matriks ini digunakan untuk
mendapatkan nilai kedekatan hubungan antar variabel penelitian.Nilai kedekatan ini dapat digunakan untuk melakukan beberapa pengujian untuk melihat
kesesuaian dengan nilai korelasi yang diperoleh dari analisis faktor. Dalam tahap ini, ada dua hal yang perlu dilakukan agar analisis faktor dapat dilaksanakan yaitu:
1. Menentukan besaran nilai Barlett Test of Sphericity, yang digunakan untuk
mengetahui apakah ada korelasi signifikan antar variabel. Statistik uji bartlett adalah sebagai berikut:
�
2
= − �� − 1 −
2 � + 5
6 � N |�|
dengan derajat kebebasandegree of freedom df = �� − 12
Keterangan : �
= jumlah observasi �
= jumlah variabel |
�| = determinan matriks korelasi
2. Penentuan Keiser-Meyesr-Okliti KMO Measure of Sampling Adequacy,
yang digunakan untuk mengukur kecukupan sampel dengan cara membandingkan besarnya koefisien korelasi yang diamati dengan
koefisien korelasi parsialnya. Kriteria kesesuaian dalam pemakaian analisis faktor adalah Kaiser, 1974:
1. Jika harga KMO sebesar 0,9 berarti sangat memuaskan
Universitas Sumatera Utara
2. Jika harga KMO sebesar 0,8 berarti memuaskan
3. Jika harga KMO sebesar 0,7 berarti harga menengah
4. Jika harga KMO sebesar 0,6 berarti cukup
5. Jika harga KMO sebesar 0,5 berarti kurang memuaskan
6. Jika harga KMO kurang dari 0,5 tidak dapat diterima
Angka MSA bekisar antara 0 sampai dengan 1, dengan kriteria yang digunakan untuk intepretasi adalah sebagai berikut:
1. Jika MSA = 1, maka variabel tersebut dapat diprediksi tanpa kesalahan
oleh variabel yang lainnya. 2.
Jika MSA lebih besar dari 0,5 maka variabel tersebut masih dapat diprediksi dan bisa dianalisis lebih lanjut.
3. Jika MSA lebih kecil dari 0,5 dan atau mendekati nol 0, maka variabel
tersebut tidak dapat dianalisis lebih lanjut, atau dikeluarkan dari variabel lainnya.
2.12.3 Ekstraksi Faktor
Pada tahap ini, akan dilakukan proses inti dari analisis faktor, yaitu melakukan ekstraksi terhadap sekumpulan variabel yang ada KMO0,5 sehingga
terbentuk satu atau lebih faktor. Metode yang digunakan untuk maksud ini adalah Principal Component Analysis dan rotasi faktor dengan metode Varimax bagian
dari orthogonal. Setelah sejumlah variabel terpilih, maka dilakukan ekstraksi variabel
tersebut sehingga menjadi beberapa faktor. Setelah memproses variabel-variabel yang layak, maka dengan program SPSS versi 20 akan diperoleh nilai hasil
statistik yang menjadi indikator utama yaitu tabel communalities, tabel Total Variance Explained, Grafik Scree, tabel component matrix dan tabel rotated
component matrix. Tabel Communalities merupakan tabel yang menunjukkan persentase
variansi dari tiap variabel yang dapat dijelaskan oleh faktor yang terbentuk.Nilai yang dilihat adalah extraction yang terdapat pada tabel communalities.Makin kecil
Universitas Sumatera Utara
nilainya, makin lemah hubungan antara variabel yang terbentuk.Perhitungan communality setiap variabel dengan persamaan.
Communality adalah jumlah varian yang disumbangkan oleh suatu variabel dengan seluruh variabel lainnya dalam analisis.Bisa juga disebut proporsi
atau bagian varian yang dijelaskan oleh common factor atau besarnya sumbangan suatu faktor terhadap varian seluruh variabel.
Tabel Total Variance Explained, menunjukkan persentase variansi yang dapat dijelaskan oleh faktor secara keseluruhan. Nilai yang menjadi indikatornya
eigenvalues yang telah mengalami proses ekstraksi. Pada tabel akan tercantum nilai extraction sum of square loading. Hal ini disebabkan nilai eigenvalues tidak
lain merupakan jumlah kuadrat dari faktor loading dari setiap variabel yang termasuk ke dalam faktor. Faktor Loading ini merupakan nilai yang
menghubungkan faktor-faktor dengan variabel-variabel.Variabel yang masuk ke dalam faktor adalah yang nilainya lebih dari satu
≥ 1. Dari sini akan terlihat pula jumlah faktor yang akan terbentuk.
Perhitungan nilai karakteristik eigenvalue , dimana perhitungan ini berdasarkan persamaan karakteristik:
det � − �� = 0
Keterangan: �
= matriks korelasi dengan orde n x n �
= matriks identitas �
=eigenvalue
Eigenvalue adalah jumlah varian yang dijelaskan oleh setiap faktor. Penentuan faktor karakteristik eigen factor yang bersesuaian dengan nilai
karakteristik eigen value. Matriks loading factor � diperoleh dengan
mengalikan matriks eigen factor � dengan akar dari matriks eigen value �.
Factor loading merupakan korelasi sederhana antara variabel dengan faktor. Grafik Scree Plot menggambarkan tampilan grafik dari tabel Total
Variance Explained.Grafik ini sebenarnya menunjukkan peralihan dari satu faktor ke faktor lainnya garis menurun disepanjang sumbu y. Sumbu x menunjukkan
Universitas Sumatera Utara
jumlah komponen faktor yang terbentuk, sedangkan sumbu y menunjukkan nilai eigenvalues.
Tabel component matrix menunjukkan kategori variabel-variabel ke dalam komponen faktor, atau dengan kata lain menunjukkan distribusi variabel-variabel
pada faktor yang terbentuk. Bila yang dijadikan acuan adalah nilai faktor loading yang ada dalam tabel, dimana nilai lebih besar menunjukkan korelasi yang cukup
kuat antara variabel-variabel tersebut dengan komponen faktor. Jumlah jasa kuadrat faktor loading dari tiap variabel tidak lain merupakan nilai extraction
untuk tiap variabel yang tercantum dalam tabel communalities.
2.12.4 Rotasi Faktor