Jika 0.50 KMO 0.60 maka data cukup untuk analisis faktor, 0.60 KMO
0.70 data lebih dari cukup untuk analisis faktor, 0.70 KMO 0.80 data agak baik
untuk analisis faktor, 0.80 KMO 0.90 data baik untuk analisis faktor, 0.90
KMO 1 data sangat baik untuk analisis faktor.
4.8.2. Faktor Analisis
Model faktor linier adalah model regresi dari X
i
[himpunan P variabel acak] terhadap faktor f
j
[himpunan K faktor bersama] dan bentuk variabel kejutan acak terhadap X
i
[ ε
i
], yaitu:
i j
K j
ij i
i
f X
ε β
α
+ +
=
∑
=
1
dimana β
ij
adalah factor loading or factor sensitivities dari faktor ke-j terhadap variabel ke-i. Secara kompak dalam bentuk matrix model faktor di atas dapat
dituliskan sebagai berikut Rachev and Cs., 2007:
X = α + β f + ε
dimana:
X = [X
1
, X
2
, ... , X
P
] ′ = P vektor kepuasan kerja, kejelasan peran dan kinerja
bendahara BOS di Sekolah Dasar Negeri Kota Medan. α = [α
1
, α
2
, ... , α
P
] ′ = P vektor rata-rata kepuasan kerja, kejelasan peran dan kinerja
bendahara BOS di Sekolah Dasar Negeri Kota Medan. ε = [ε
1
, ε
2
, ... , ε
P
] ′ = P vektor kejutan acak kepuasan kerja, kejelasan peran dan
kinerja bendahara BOS di Sekolah Dasar Negeri Kota Medan.
f = [f
1
, f
2,
f
3
] ′ = tiga vektor faktor, yaitu kepuasan kerja, kejelasan peran dan kinerja
bendahara BOS di Sekolah Dasar Negeri Kota Medan.
2 ...
...
2 .
1 .
32 31
22 21
12 11
× =
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦ ⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣ ⎡
= P
P P
β β
β β
β β
β β
β factor loading
Misalkan bahwa Σ = P × P matrix varians-kovarians dari X, Ω = 2 × 2 matrix
varians-kovarians faktor dan Ψ = P × P matrix varians-kovarians dari ε, maka
diagonal matrix dari variabel gangguan adalah
⎥ ⎥
⎥ ⎦
⎤ ⎢
⎢ ⎢
⎣ ⎡
Ψ Ψ
= Ψ
2 2
1
... ...
...
P
Berdasarkan bentuk matrix di atas, matrix varians-kovarians dari variabel kepuasan kerja, kejelasan peran dan kinerja bendahara BOS sebagai berikut:
Σ = βΩβ′ + Ψ
Sesudah estimasi β dan Ψ, faktor dapat diestimasi sebagai regresi linier. Jika
diasumsikan rata-rata faktor adalah nol maka model faktor dapat dituliskan sebagai berikut:
X - α = β f + ε
Estimasi faktor menggunakan metode OLS, yaitu:
[ ]
] [
1 1
1
α β
β β
− Ψ
′ Ψ
′ =
− −
−
X f
. Estimasi OLS ini menghasilkan factor loading or factor sensitivities ditunjukkan pada Tabel 4.5.
Tabel 4.5. Factor Loading or Factor Sensitivities dan Variance
Factor Loading or Factor Sensitivities Variabel
Component 1 [
β
1
] Component 2 [
β
2
] Component 3 [
β
3
] Variance
X1 X2
X3 .
. .
Xp
Nilai pada setiap baris menjelaskan beban atau loading setiap faktor [kepuasan kerja, kejelasan peran dan kinerja bendahara BOS] dengan setiap variabel
yang dipertimbangkan dalam kepuasan kerja, kejelasan peran dan kinerja bendahara BOS [X
1
, X
2
, X
3
… ,X
P
]. Sedangkan kolom varians menjelaskan varians dari variabel
kejutan acak dengan nilai antara 0 dan 1. Apabila nilai varians 0 maka varians secara
sempurna menjelaskan faktor kepuasan kerja, kejelasan peran dan kinerja bendahara
BOS, sebaliknya jika nilai varians 1 maka varians gagal menjelaskan faktor kepuasan
kerja, kejelasan peran dan kinerja bendahara BOS.
Model X - α = β f + ε adalah linier dalam faktor bersama. Bagian dari varians
[X
i
] yang dapat dijelaskan oleh faktor bersama disebut communality ke-i [h
2 i
], sedangkan bagian dari varians [X
i
] karena faktor spesifik disebut varians spesifik ke-i [
ψ
i
], yaitu:
i i
im i
i ii
h ψ
β β
β σ
+ =
+ +
+ =
2 2
2 2
2 1
... dimana
2 im
β adalah varians variabel X
i
. Faktor-faktor yang diperoleh melalui metode komponen utama pada umumnya sulit diinterpretasikan secara langsung. Untuk itu
dilakukan manipulasi dengan cara merotasi loading β dengan menggunakan metode
rotasi tegak lurus Varimax atau varimax orthogonal rotation sesuai dengan saran beberapa ahli, karena rotasi tegak lurus varimax lebih mendekati kenyataan dibanding
yang lain. Rotasi varimax adalah rotasi yang memaksimalkan pembobot dan mengakibatkan korelasi variabel-variabel dengan suatu faktor mendekati satu serta
korelasi dengan faktor lainnya mendekati nol. Rotasi varimax menghasilkan new loading
β , yaitu:
β
p×q
= β
p×q
T
p×q
dimana T adalah matrix transformasi yang dipilih sehingga T ′T = TT′ = I. Matrix
transformasi T ditentukan sedemikian rupa hingga total varians kuadrat loading β
adalah:
∑ ∑ ∑
= =
=
⎥ ⎥
⎥ ⎦
⎤ ⎢
⎢ ⎢
⎣ ⎡
⎪⎭ ⎪
⎬ ⎫
⎪⎩ ⎪
⎨ ⎧
⎟⎟⎠ ⎞
⎜⎜⎝ ⎛
− ⎟⎟⎠
⎞ ⎜⎜⎝
⎛ =
q j
P i
P i
i ij
i ij
P h
h P
V
1 1
2 1
2 4
1 β
β
Dari rumus ini diketahui bahwa rotasi merupakan upaya untuk menghasilkan faktor penimbang baru yang lebih mudah diinterpretasi, yaitu dengan mengalikan
faktor penimbang asli dengan matrix transformasi yang bersifat orthogonal sehingga matrix korelasinya tidak berubah. Dari rotasi matrix loading ditunjukkan bahwa
setiap variabel asli mempunyai korelasi yang tinggi dengan faktor tertentu saja,
sedangkan dengan faktor lainnya mempunyai korelasi yang rendah, sehingga pada akhirnya setiap faktor akan lebih mudah diinterpretasikan.
BAB V HASIL PENELITIAN DAN PEMBAHASAN
5. 1. Hasil Penelitian 5.1.1. Deskripsi Data Penelitian
5.1.1.1. Deskripsi data variabel kepuasan kerja X1 Data frekuensi variabel kepuasan kerja dapat pada tabel 5.1 sedangkan
langkah dan perhitungannya terdapat pada lampiran 7.
Tabel 5.1. Distribusi Frekuensi Kepuasan Kerja
Kategori NilaiBobot
f
Absolut
Sangat setuju Setuju
Kurang Setuju Tidak Setuju
Sangat Tidak Setuju 5
4 3
2 1
115 179
100 1
0,29 0,45
0,25 0,01
Jumlah -
395 1
Rata-rata 4
Standar Deviasi 0,74
Sumber : Data diolah Exel Berdasarkan tabel 5.1 dapat diketahui responden penelitian dalam menjawab
instrumen variabel kepuasan kerja dengan persentase tertinggi terdapat pada kategori setuju sebanyak 45 sedangkan persentase terendah terdapat pada kategori sangat
tidak setuju sebanyak 0 . Berdasarkan hasil perhitungan diperoleh rata-rata responden dalam menjawab
instrumen variabel kepuasan kerja sebesar 4 atau berada pada kategori setuju. Sedangkan penyimpangan dari rata-rata sebesar 0,74. Data distribusi frekuensi
kepuasan kerja selanjutnya digambarkan dalam bentuk histogram gambar 5.1.
