Pelaksanaan Analisis Faktor a.

f. Factor Loading Plot, adalah sebuah plot dari variabel asli menggunakan factor loading sebagai koordinat. g. Factor Matrix, mengandung factor loadings dari seluruh variabel dalam seluruh faktor yang dikembangkan. h. Factor Scores, adalah skor komposit yang diestimasi untuk setiap responden pada faktor yang diderivasi. i. Kaiser-Meyer-Olkin KMO Measure of Sampling Adequacy MSA, adalah indeks yang digunakan untuk menguji kesesuaian analisis faktor. Nilai yang tinggi antara 0,50 sampai 1,00 mengindikasikan analisis faktor yang sesuai. Nilai di bawah 0,50 menunjukkan bahwa analisis faktor tidak sesuai untuk diaplikasikan. j. Percentage of Variance, adalah persentase total varians yang menjadi atribut kepada setiap faktor. k. Residuals, adalah selisih antara korelasi observasi, seperti yang diberikan dalam matrik korelasi input, dengan korelasi yang direproduksi, seperti yang diestimasi dari matrik faktor. 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 dalam analisis faktor harus dispesifikasi berdasar 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 tersebut harus berkorelasi. 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 berkorelasi, juga berkorelasi tinggi dengan sebuah faktor yang sama atau faktor-faktor lain. b. Statistik untuk menguji kesesuaian model adalah Bartlett’s test of sphericity Universitas Sumatera Utara Yaitu untuk menguji H yang menyatakan bahwa variabel-variabel tersebut tidak berkorelasi, atau dengan kata lain bahwa matrik korelasinya adalah matrik identitas. Test of sphericity berbasis transformasi χ 2 dari determinan matrik korelasi. Nilai statistik tinggi diharapkan untuk menolak H , jika tidak maka kesesuaian penggunaan analisis faktor itu patut dipertanyakan. Untuk hasil uji Bartlett’s test of sphericity nilai signifikan harus 0,05 untuk menunjukkan bahwa antar variabel terjadi korelasi. Sedangkan untuk Test of sphericity berbasis transformasi χ 2 , nilai determinan dari matrik korelasinya 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 mengindikasi bahwa korelasi antar pasangan variabel tidak dapat dijelaskan oleh variabel lain dan analisis faktor bisa menjadi tidak tepat. Nilai KMO harus 0,5 untuk menunjukkan bahwa analisis faktor sesuai untuk diaplikasikan. 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 berdasar eigenvalue, scree plot, percentage of variance accounted for, split-and-half dan significance test. 1. Penentuan Apriori. Kadang-kadang, karena adanya dasar teori, maka peneliti dapat menentukan banyaknya faktor yang akan diekstraksi. Hampir sebagian besar program komputer 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 merepresentasi total varians yang berkaitan dengan faktor. Faktor dengan nilai eigenvalue lebih kecil daripada Universitas Sumatera Utara 1,00, tidak lebih baik dari sebuah variabel tunggal, karena untuk keperluan standardisasi setiap variabel memiliki varians = 1,0. 3. Penentuan Berdasarkan Scree Plot. Scree plot adalah plot nilai egienvalue terhadap banyaknya faktor dalam ekstraksinya. Bentuk plot yang dihasilkan, digunakan untuk menentukan banyaknya faktor. Biasanya, plot akan berbeda antara slope tegak faktor, dengan eigenvalue yang besar dan makin mengecil pada sisa faktor yang tidak perlu diekstraksi. Pengecilan slope ini yang disebut sebagai scree. Gambar 2.1 Scree Plot 4. Penentuan Berbasis Percentage of Variance. Dalam pendekatan ini, banyaknya faktor yang diesktraksi ditentukan sampai persentase kumulatif varians mencapai tingkat yang memuaskan peneliti. Tingkat kumulatif yang memuaskan tersebut tergantung kepada persoalannya. Bagaimanapun, sangat direkomendasikan bahwa faktor-faktor yang diekstraksi sampai mencapai kumultaif varians paling sedikit = 60,00. 5. Penentuan Berdasarkan Split and Half. Sampel dibagi menjadi dua, dan analisis faktor diaplikasikan kepada masing- masing bagian. Hanya faktor yang memiliki factor loadings tinggi antar dua bagian itu yang akan dipertahankan. 10 9 8 7 6 5 4 3 2 1 Banyaknya faktor 4 2 Eigenvalue Universitas Sumatera Utara 6. Penentuan Berbasis Significance Test. Pendekatan ini adalah mempertahankan faktor yang memiliki separate eigenvalue signfikan. 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. Sebuah output penting dari analisis faktor adalah factor matrix atau disebut juga sebagai factor pattern matrix. Factor matrix mengandung koefisien yang digunakan untuk mengekspresikan variabel terstandar dalam hubungannya dengan faktor. Koefisien-koefisien tersebut, atau factor 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. Untuk batasan factor loadings beberapa literatur menyarankan nilainya sebesar ≥ 0,3 , ≥ 0,4 atau ≥ 0,5. Walaupun initial atau unrotated factor matrix mengindikasikan hubungan antara faktor dengan variabel individual tertentu, kadang-kadang dapat diperoleh di dalam faktor yang bisa diinterpretasi, karena faktor tersebut berkorelasi dengan banyak variabel. Pada banyak persoalan yang kompleks, maka sulit melakukan interpretasi. Untuk itu diperlukan suatu langkah merotasi factor matrix agar lebih mudah menginterepretasikan faktor. Dalam merotasi faktor, diharapkan setiap faktor memiliki loading factor atau koefisien non zero, atau signifikan hanya untuk beberapa variabel. Atau, diharapkan setiap variabel memiliki factor loadings signifikan hanya dengan sedikit faktor, atau jika mungkin hanya dengan sebuah faktor. Rotasi tidak berpengaruh terhadap komunalitas dan persentase total varians yang dijelaskan. Namun demikan, 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 jika sumbu- sumbu tetap dijaga pada sudut yang benar.Varimax rotation, yaitu rotasi ortogonal Universitas Sumatera Utara dengan meminimumkan banyaknya variabel yang memiliki loadings tinggi pada sebuah faktor, sehingga lebih bisa menginterpretasi faktor. Rotasi ortogonal menghasilkan faktor-faktor yang tidak berkorelasi. Oblique rotation adalah jika sumbu-sumbu tidak dijaga pada sudut yang benar dan faktor-faktor berkorelasi. Kadang-kadang, mentoleransi korelasi antar faktor-faktor bisa menyederhanakan matrik pola faktor. Oblique rotation akan digunakan jika faktor-faktor pada populasi diperkirakan berkorelasi kuat. f. Interpretasi Faktor. 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 kordinat. 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 didekat titik origin memiliki loadings yang rendah terhadap kedua faktor. Variabel yang yang tidak berada di dekat sumbu manapun mengindikasi bahwa variabel tersebut berkorelasi dengan kedua faktor. Jika sebuah faktor tidak bisa secara jelas didefinisikan dalam batas variabel awalnya, maka disebut sebagai faktor umum saja tidak perlu diberi label khusus. Universitas Sumatera Utara Gambar 2.2 Rotated Plot g. Mengukur Ketepatan Model Model Fit. 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 antara variabel terhadap faktor. Selisih antara korelasi dari data observasi dengan 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 sehingga model tersebut dapat diterima. 0.9 0.6 0.3 0.0 -0.3 -0.6 -0.9 Komponen 1 0.9 0.6 0.3 0.0 -0.3 -0.6 -0.9 X 7 X 9 X 8 X 10 X 6 X 5 X 4 X 3 X 2 X 1 Komponen 2 Universitas Sumatera Utara

BAB 3 PEMBAHASAN

3.1 Gambaran Umum

Dalam Kamus Umum Bahasa Indonesia, pelayanan diartikan sebagai kegiatan untuk melayani atau kegiatan yang berkaitan dengan melayani. Dalam pelaksanaan kegiatan pelayanan di Kantor Pelayanan Pajak Bumi dan Bangunan Meulaboh Aceh Barat didefenisikan beberapa variabel yang mempengaruhi kepuasan wajib pajak dalam pelayanan tersebut. Adapun deskripsi dari variabel-variabel tersebut antara lain: a. X 1 = Ruang pelayanan yang tersedia. Ruang pelayanan mempunyai ruang tunggu bagi wajib pajak menunggu giliran untuk dilayani, mempunyai resepsionis atau satpam untuk menanyakan keperluan wajib pajak di pintu masuk, mempunyai LCD TV, alat pendingin ruangan AC serta air mineral bagi wajib pajak yang memerlukan serta mempunyai toilet. b. X 2 = Area parkir yang tersedia. Area parkir mencukupi bagi kendaraan roda dua, kendaraan roda tiga dan kendaraan roda empat, mempunyai penjaga atau satpam untuk menjaga keamanan kendaraan yang diparkir. c. X 3 = Peralatan dan perlengkapan pelayanan. Peralatan terdiri dari komputer lengkap dengan program pengolah data wajib pajak dan objek pajak yaitu Sistem Informasi Manajemen Objek Pajak SISMIOP, komputer dengan jaringan Local Area Network LAN, IntraNet, InterNet, printer dan scanner. Universitas Sumatera Utara