varians lebih besar dari satu yang dimasukkan dalam model. Faktor dengan varians lebih kecil dari satu tidak lebih dari variabel asli, sebab variabel yang
dibakukan distandarisasi yang berarti rata-ratanya nol dan variansinya satu.
c. Penentuan Berdasarkan Screen Plot
Screen Plot merupakan plot dari nilai eigen value terhadap banyaknya faktor dalam ekstraksinya. Bentuk plot yang dihasilkan, digunakan untuk
menentukan banyaknya faktor. Biasanya plot akan berbeda antara slope tegak faktor, dengan eigen value yang besar dan makin kecil pada sisa faktor yang
tidak perlu diekstraksi.
d. Penentuan Berdasarkan Persentase Varians
Dalam pendekatan ini, banyaknya faktor yang diekstraksi ditentukan berdasarkan persentasi kumulatif varians mencapai tingkat yang memuaskan
peneliti. Tingkat persentase kumulatif yang memuaskan peneliti tergantung kepada permasalahannya. Sebagai petunjuk umum bahwa ekstraksi faktor
dihentikan kalau kumulatif persentase varians sudah mencapai paling sedikit 60 atau 75 dari seluruh varians variabel asli.
e. Penentuan Split-Half Reliability
Sampel dibagi menjadi dua, dan analissi faktor diaplikasikan kepada masing- masing bagian. Hanya faktor yang memiliki faktor loading tinggi antar dua
bagian itu yang akan dipertahankan.
f. Penentuan Berdasarkan Uji Signifikan
Dimungkinkan untuk menentukan signifikansi statistik untuk eigen value- nya terpisah dan mempertahankan faktor-faktor yang berdasarkan uji statistik
eigen value- nya signifikan pada α = 5 atau α = 1. Penentuan banyaknya
faktor dengan cara ini memiliki kelemahan, khususnya pada ukuran sampel yang besar misalnya diatas 100 responden, banyak faktor yang menunjukkan
uji signifikan, walaupun dari pandangan praktis banyak faktor yang mempunyai sumbangan terhadap seluruh varians hanya kecil.
Universitas Sumatera Utara
6. Menghitung matriks faktor loading
Matriks loading factor diperoleh dengan mengalikan matriks eigen vector
dengan akar dari matriks eigen value L. Atau dalam persamaan
matematis ditulis √ .
7. Melakukan Rotasi Faktor
Sebuah output penting dari analisis faktor adalah matriks faktor atau disebut juga sebagai matriks faktor pola. Matriks faktor mengandung koefisien yang
digunakan untuk mengekspresikan variabel yang dibakukan distandarisasi dinyatakan dalam faktor. Koefisien-koefisien tersebut, atau faktor loadings,
merupakan korelasi antara faktor dengan variabelnya. Sebuah koefisien dengan nilai absolut yang besar mengindikasikan bahwa faktor dan variabel
berkorelasi kuat. Koefisien tersebut bisa digunakan untuk menginterpretasi faktor. Walaupun matriks faktor awal atau unrotated factor matrix
mengindikasikan hubungan antara faktor dengan variabel individu tertentu, akan tetapi masih sulit diambil kesimpulannya tentang banyaknya faktor yang
bisa diekstraksi, hal ini disebabkan karena faktor berkorelasi dengan banyaknya variabel atau sebaliknya variabel tertentu masih banyak
berkorelasi dengan banyak faktor. Dalam merotasi faktor, diharapkan setiap faktor memiliki loading faktor atau
koefisien yang tidak nol, atau signifikan hanya untuk beberapa variabel. Atau, diharapkan setiap variabel memiliki faktor loadings signifikan hanya dengan
sedikit faktor, atau kalau mungkin dengan sebuah 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 adalah kalau sumbu dipertahankan tegak lurus
sesamanya bersudut 90 derajat. Yang paling banyak digunakan adalah varimax rotation, yaitu rotasi ortogonal dengan meminimumkan banyaknya
variabel yang memiliki loadings tinggi pada sebuah faktor, sehingga lebih mudah menginterpretasi faktor. Rotasi ortogonal menghasilkan faktor-faktor
Universitas Sumatera Utara
yang tidak berkorelasi. Oblique rotation adalah jika sumbu-sumbu tidak dipertahankan harus tegak lurus sesamanya bersudut 90 derajat dan faktor-
faktor berkorelasi. Kadang-kadang, mentoleransi korelasi antar faktor-faktor bisa menyederhanakan matriks pola faktor. Oblique rotation harus
dipergunakan kalau faktor dalam populasi berkorelasi sangat kuat.
8. Interpretasi Faktor
Interpretasi dipermudah dengan mengidentifikasi variabel yang loading-nya besar pada faktor yang sama. Faktor tersebut kemudian dapat
diinterpretasikan menurut variabel-variabel yang memiliki loading tinggi dengan faktor tersebut. Cara lain yang bisa digunakan adalah melalui pivot
variabel dengan faktor loading sebagai koordinat. Variabel yang berada pada akhir sebuah sumbu adalah variabel yang memiliki loadings tinggi hanya
pada faktor yang bersangkutan, sehingga bisa digunakan untuk menginterpretasi faktor. Variabel yang berada di dekat titik origin memiliki
loading yang rendah terhadap kedua faktor. Variabel yang tidak berada di dekat sumbu mengindikasi bahwa variabel tersebut berkorelasi dengan kedua
faktor. Jika sebuah faktor tidak bisa secara jelas didefinisikan dalam batas variabel awalnya, maka disebut faktor umum.
9. Menentukan Ketepatan Model model fit
Langkah terakhir dalam analisis faktor adalah menetukan ketepatan model model fit. Asumsi dasar yang digunakan dalam analisis faktor adalah
korelasi terobservasi dapat menjadi atribut dari faktor atau komponen. Untuk itu, korelasi terobservasi dapat direproduksi melalui estimasi korelasi antara
variabel terhadap faktor. Selisih antara korelasi dari data observasi dengan korelasi reproduksi dapat digunakan dengan mengukur ketepatan model.
Selisih tersebut disebut sebagai residuals. Jika banyak residual yang besar residual 0,05, berarti model faktor yang dihasilkan tidak tepat sehingga
model perlu dipertimbangkan kembali.
Universitas Sumatera Utara
BAB 1
PENDAHULUAN
1.1 Latar Belakang