commit to user
II-24 Faktor-faktor umum merupakan faktor yang tidak dapat diteliti. Biar
bagaimanapun, peneliti dapat mengukur indikator-indikator mereka dan menghitung korelasi antara indikator indikator tersebut. Tujuan dari Analisis
faktor menggunakan matrik korelasi yang diperhitungkan adalah. 1.
Mengidentifikasi jumlah faktor-faktor umum terkecil contoh, model faktor yang paling hemat yang menjelaskan dengan baik atau memberi
keterangan tentang korelasi diantara indicator-indikator. 2.
Mengidentifikasi solusi faktor yang paling masuk akal melalui rotasi faktor
3. Memperkirakan muatan pola dan struktur, komunalitas berhubungan
dengan umum, dan varian-variabel unik indicator-indikator. 4.
Menyediakan sebuah interpretasi faktor-faktor umum. 5.
Jika perlu, memperkirakan nilai-nilai faktor.
2.5.3 Prosedur Peringkasan Data
Ada beberapa langkah untuk menampilkan peringkasan data: a.
Menyusun matrik data baris Matrik ini berisi data riil yang berasal dari kuesioner, m x n x matrik,
dengan m sebagai jumlah responden dan n sebagai variabel. b.
Menguji apakah data sudah sesuai dengan analisis faktor Pertama, seseorang dapat secara subyektif menguji matrik
korelasi, korelasi yang tinggi antara variabel-variabel mengindikasikan bahwa variabel-variabel dapat dikelompokkan menjadi rangkaian
homogen dari variabel-variabel seperti masing-masing rangkaian variabel mengukur “konstruksi atau dimensi yang sama” yang mendasari yang
sama. Korelasi yang rendah antara variabel-variabel mengindikasikan bahwa variabel-variabel tidak memiliki banyak hal-hal umum atau
mengindikasikan bahwa variabel-variabel merupakan kumpulan variabel- variabel yang heterogen. Dalam hal ini, seseorang dapat melihat analisis
faktor sebagai suatu tehnik yang mencoba untuk mengidentifikasi kelompok-kelompok atau kelompok-kelompok variabel seperti yang
commit to user
II-25 variabel-variabel di masing-masing kelompok merupakan indikator sifat
atau faktor umum. Hal ini menyarankan bahwa matrik korelasi sesuai dengan pemfaktoran. Biar bagaimanapun, pengujian visual terhadap
matrik korelasi untuk sejumlah besar variabel merupakan hal yang “tidak mungkin”, dan karena itu aturan ini tidak sesuai ketika ada banyak
variabel. Kedua, seseorang dapat menguji korelasi yang parsial yang
mengendalikan semua variabel-variabel lain. Korelasi ini, yang juga mengacu pada korelasi Anti
image
negatif, untuk matrik korelasi yang sesuai dalam pemfakturan, haruslah kecil. Biar bagaimanapun, seberapa
kecil “kecil” itu biasanya merupakan pertanyaan yang mengkritik. Hal ini nampak bahwa korelasi yang parsial itu sifatnya kecil, tapi seseorang
dapat dengan mudah mengambil persoalan dari kesimpulan-kesimpulan ini.
Ketiga, seseorang dapat menguji ukuran
Kaiser
dari kecukupan sampling secara keseluruhan dan ukuran kecukupan sampling untuk
masing-masing indikator. Ukuran ini, ukuran kecukupan sampling
Kaiser – Meyer – Olkin
KMO Kaiser 1970, merupakan ukuran diagnosa yang populer. KMO menyediakan cara untuk mengakses tingkatan yang mana
indikator sebuah konstruksi masuk didalamnya bersama-sama. Yaitu, sebuah ukuran untuk mengukur kehomogenitasan variabel-variabel.
Meskipun tidak ada tes statistic untuk ukuran KMO ini, panduan berikut ini disarankan oleh Kaiser and Rice 1974.
Tabel 2.2 Panduan Ukuran KMO
Ukuran KMO Rekomendasi
≥ 0.90 Bagus
0.80+ Bermanfaat
0.70+ Biasa
0.60+ Sedang
0.50+ Menyedihkan
Below 0.50 Tidak dapat diterima
commit to user
II-26 Jelas sudah bahwa nilai KMO yang lebih tinggi diinginkan.
Disarankan bahwa ukuran KMO secara keseluruhan harus lebih besar dari 0,80. Biar bagaimanapun, ukuran diatas 0,60 dapat ditoleransi.
Ukuran KMO secara keseluruhan kadang-kadang dapat ditingkatkan dengan cara menghapus variabel-variabel yang salah yang nilai MSA nya
rendah atau kurang dari 0.5. Santoso S., 2001.
2.5.4 Analisis
