3. Common factor selalu dianggap tidak berkorelasi dengan faktor unik. Faktor unik biasanya juga dianggap saling tidak berkorelasi, akan tetapi common factor mungkin atau tidak
mungkin berkorelasi satu sama lainnya. 4. Umumnya dianggap bahwa jumlah common factor lebih sedikit dari jumlah variabel asli.
Akan tetapi banyaknya faktor unik biasanya dianggap sama dengan banyaknya variabel asli.
2.2.4 Langkah-langkah Analisis Faktor
1. Merumuskan Masalah
Merumuskan masalah meliputi beberapa kegiatan: a. Tujuan analisis faktor harus dikenali
b. Variabel yang tercakup dalam analisis harus disebutkan secara khusus berdasarkan penelitian sebelumnya past research, teori, dan pertimbangan subjektif dari peneliti
c. Variabel harus benar-benar diukur secara tepat diukur pada skala interval atau rasio d. Besarnya sampel n harus memenuhi, maka sebagai petunjuk menggunakan rumus :
n ≥
Lemeshow, 1997.
2. Bentuk Matriks Korelasi
Proses analisis didasarkan pada suatu matriks korelasi agar variabel pendalaman yang berguna bisa diperoleh dari penelitian matriks ini. Agar analisis faktor bisa tepat dipergunakan,
variabel-variabel yang akan dianalisis harus berkorelasi. Apabila koefisien korelasi antar variabel terlalu kecil, hubungannya lemah, analisis faktor menjadi tidak tepat.
Prinsip utama analisis faktor adalah korelasi, maka asumsi-asumsi akan terkait dengan metode statistik korelasi yaitu :
Universitas Sumatera Utara
1. Besar korelasi atau korelasi independen variabel yang cukup kuat, misalnya diatas 0.5 atau bila dilihat tingkat signifikasinya adalah kurang dari 0.5.
2. Besar korelasi parsial, korelasi antar dua variabel dengan mengganggap variabel lain adalah tetap konstan harus kecil. Pada SPSS deteksi parsial diberikan pada Anti image
Correlation. Statistik formal tersedia untuk menguji ketepatan model faktor yaitu
Barlett’s Test of Sphericity bisa digunakan untuk menguji hipotesis bahwa variabel tak berkorelasi di dalam
populasi. Nilai yang besar untuk uji statistik, berarti hipotesis nol harus ditolak berarti korelasi yang signifikan diantara beberapa variabel. Kalau hipotesis nol diterima, ketepatan analisis
faktor harus dipertanyakan. Statistik lainnya yang berguna adalah KMO Kaiser-Meyer-Olkin mengukur kecukupan
sampling sampling adequancy. Indeks ini membandingkan besarnya koefisien korelasi terobservasi dengan besarnya koefisien korelasi parsial. Nilai KMO yang kecil menunjukkan
korelasi antar pasangan variabel tidak bisa diterangkan oleh variabel lain dan analisis faktor mungkin tidak tepat.
a. Harga KMO sebesar 0.9 adalah sangat memuaskan. b. Harga KMO adalah 0.8 adalah memuaskan.
c. Harga KMO adalah 0.7 adalah harga menengah. d. Harga KMO adalah 0.6 adalah cukup.
e. Harga KMO adalah 0.5 adalah kurang memuaskan. f. Harga KMO adalah 0.4 adalah tidak dapat diterima.
Measure of Sampling Adequancy MSA ukuran dihitung untuk seluruh matriks korelasi dan setiap variabel yang layak untuk diaplikasikan pada analisis faktor. Nilai MSA yang rendah
Universitas Sumatera Utara
merupakan pertimbangan untuk membuang variabel tersebut pada tahap analisis selanjutnya Wibisono, 2003.
Angka MSA berkisar 0-1 menunjukkan apakah sampel bisa dianalisis lebih lanjut Wibowo, 2006.
a. MSA = 1, variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel lain. b. MSA 0.5 variabel masih dapat diprediksi dan dapat dianalisis lebih lanjut.
c. MSA 0.5 variabel tidak dapat diprediksi dan tidak dapat dianalisis lebih lanjut.
3. Menentukan Metode Analisis Faktor
