Analisis faktor merupakan teknik interdepensi, dimana tidak ada pembagian variabel menjadi variabel bebas dan variabel tergantung dengan tujuan utama yakni mendefinisikan struktur yang terletak di antara variabel-variabel dalam analisis (Hair, 2010). Menurut J. Supranto (2004) analisis faktor merupakan suatu kelas prosedur yang dipergunakan untuk mereduksi data atau meringkas, dari variabel yang banyak diubah menjadi sedikit variabel, misalnyan dari 15 variabel yang lama diubah menjadi 4 atau 5 variabel baru yang disebut faktor dan masih memuat sebagian besar informasi yang terkandung dalam variabel asli.
Analisis faktor diartikan sebuah analisis yang mensyaratkan adanya keterkaitan antar variabel. Pada prinsipnya analisis faktor menyederhanakan hubungan yang beragam dan kompleks pada variabel yang diamati dengan menyatukan faktor atau dimensi yang saling berhubungan atau mempunyai korelasi pada suatu struktur data yang baru yang mempunyai set faktor lebih kecil.
Data-data yang dimasukkan pada umumnya data matrik dan terdiri dari variabel-variabel dengan jumlah besar.
πΉπ = ππ1π1+ ππ2π2+ ππ3π3+ β― + πππππ (2.7) keterangan:
πΉπ = faktor atau komponen bersama yang terbentuk
ππ= parameter yang merefleksikan pentingnya faktor komponen dalam komposisi dari respon ke-i. ππdalam analisis faktor atau analisis komponen utama disebut sebagai bobot (loading) faktor.
i = 1,2,3,β¦,k
k = banyaknya variabel
Analisis faktor dapat digunakan di dalam situasi sebagai berikut:
1.Mengenali atau mengidentifikasi dimensi yang mendasari (underlying dimension) atau faktor yang menjelaskan korelasi antara suatu set variabel.
2. Mengenali atau mengidentifikasi suatu set variabel baru yang tidak berkorelasi (independent) yang lebih sedikit jumlahnya untuk menggantikan suatu set variabel asli yang saling berkorelasi di dalam analisis multivariat
3. Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu set variabel yang lebih banyak jumlahnya untuk dipergunakan di dalam analisis multivariat selanjutnya.
Tujuan utama analisis faktor adalah untuk menjelaskan struktur hubungan diantara banyak variabel dalam bentuk faktor atau variabel laten atau variabel bentukan. Faktor terbentuk merupakan besaran acak (random quantities) yang sebelumnya tidak dapat diamati atau diukur atau ditentukan secara langsung.
Selain tujuan utama tersebut, terdapat tujuan lainnya, yaitu:
1. Untuk mereduksi sejumlah variabel asal yang jumlahnya banyak menjadi sejumlah variabel baru yang jumlahnya lebih sedikit dari variabel asal, dan variabel baru tersebut dinamakan faktor atau variabel laten atau konstruk atau variabel bentukan.
2. Untuk mengidentifikasi adanya hubungan antar variabel penyusun faktor atau dimensi dengan faktor yang terbentuk, dengan menggunakan pengujian koefisien korelasi antar faktor dengan komponen pembentuknya.
3. Validasi data untuk mengetahui apakah hasil analisis faktor tersebut dapat digeneralisasi ke dalam populasinya, sehingga setelah terbentuk faktor, maka peneliti sudah mempunyai suatu hipotesis baru berdasarkan hasil analisis tersebut.
Analisis faktor pada dasarnya dapat dibedakan menjadi dua macam yaitu:
1. Analsis komponen utama (Principal components analysis)
Analisis komponen utama merupakan suatu teknik statistik untuk mengubah dari sebagian besar variabel asli yang digunakan yang saling berkorelasi satu dengan yang lainnya menjadi satu set variabel baru yang lebih kecil dan saling bebas. Jadi analisis komponen utama berguna untuk mereduksi data, sehingga lebih mudah untuk menginterpretasikan data tersebut (Johnson &
Wichern).
2. Analisis konfirmatori (Common factor analysis)
Analisis konfirmatori adalah sebuah metode statistic yang digunakan untuk menggambarkan variabilitas diantara variabel-variabel yang secara potensial dapat mengelompokkan menjadi jumlah kelompok yang disebut faktor.
2.8.1 Langkah β Langkah Analisis Faktor 1. Merumuskan masalah
Tujuan analisis faktor harus dikenali. Variabel yang tercakup dalam analisis harus disebutkan secara khusus berdasarkan penelitian sebelumnya, teori, dan pertimbangan subjektif dari peneliti. Pengukuran variabel berdasarkan skala interval dan rasio. Banyaknya elemen sampel (n) paling sedikit empat atau lima kali banyaknya variabel.
2. Membentuk matriks korelasi
Matriks ialah kumpulan angka-angka (sering disebut elemen-elemen) yang disusun menurut baris dan kolom sehingga berbentuk empat persegi panjang, di mana panjang dan lebarnya ditunjukkan oleh banyaknya kolom-kolom dan baris-baris (J. Supranto).
Matriks korelasi merupakan matriks yang memuat koefisien korelasi dari semua pasangan variabel dalam penelitian ini.Matriks ini digunakan untuk mendapatkan nilai kedekatan hubungan antar variabel penelitian.Nilai kedekatan ini dapat digunakan untuk melakukan beberapa pengujian untuk melihat kesesuaian dengan nilai korelasi yang diperoleh dari analisis faktor. Dalam tahap ini ada tiga hal yang perlu dilakukan agar analisis faktor dapat dilaksanakan, yaitu:
a. Penentuan Keiser-Meyer Olkin (KMO) yang digunakan untuk melihat syarat kecukupan data untuk analisis faktor.
Jika nilai tinggi antara 0,5 β 1,0 berarti analisis faktor tepat, dan jika kurang dari 0,5 maka analisis faktor dikatakan tidak tepat.
Adapun formulasi pengujian secara matematis dituliskan sebagai berikut:
πΎππ = πππ
dimana: πππ2 = koefisien korelasi sederhana dari variabel i dan j
πππ2 = koefisien korelasi parsial dari variabel i dan j i = 1,2,3, β¦ , p ; j = 1,2,3,β¦, p
b. Angka Measure Of Sampling Adequacy (MSA) berkisar antara 0 sampai dengan 1, dengan kriteria yang digunakan untuk interpretasi adalah sebagai berikut:
1. Jika MSA = 1, maka variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel lainnya.
2. Jika MSA > 0,5 maka variabel tersebut masih dapat diprediksi dan bisa dianalisis lebih lanjut.
3.Jika MSA < 0,5 atau mendekati nol, maka variabel tersebut tidak dapat dianalisis lebih lanjut atau dikeluarkan dari variabel lainnya.
πππ΄ = πππ
2 ππ β π ππ
ππ ππ β ππππ2 (2.9) dimana:πππ2 = koefisien korelasi sederhana dari variabel i dan j
πππ2 = koefisien korelasi parsial dari variabel i dan j n = Jumlah variabel
i = 1,2,3, β¦ , p ; j = 1,2,3,β¦, p
c. Menentukan nilai Barlettβs Test of Sphericityyang digunakan untuk mengetahui apakah ada korelasi signifikan antara variabel.
π2 = β[ π β 1 β 2π+5
6 ] ln |π | (2.10)
dengan derajat kebebasan (degree of freedom) ππ =π πβ1
2
Metode analisis faktor yang digunakan yaitu Principal Component Analysis (PCA). Principal Component Analysis merupakan suatu teknik statistik untuk mengubah dari sebagian besar variabel asli yang digunakan yang saling
berkorelasi satu dengan yang lainnya menjadi satu set variabel baru yang lebih kecil dan saling bebas. Jadi analisis komponen utama berguna untuk mereduksi data, sehingga lebih mudah untuk menginterpretasikan data tersebut (Johnson
& Wichern).
4. Rotasi faktor
Output terpenting dari analisis faktor ialah matrix factor atau matriks faktor pola.
Matriks faktor memuat koefisien yang dipergunakan untuk mengekspresikan variabel yang dibakukan dinyatakan dalam faktor. Koefisien ini merupakan factor loading, mewakili koefisien korelasi antara faktor dengan variabel. Factorloading adalah angka yang menunjukkan besarnya korelasi antara suatu variabel dengan faktor satu, faktor dua, faktor tiga, faktor empat atau faktor lima yang terbentuk.
Proses penentuan variabel mana akan masuk ke faktor yang mana, dilakukan dengan melakukan perbandingan besar korelasi pada setiap baris di dalam setiap tabel.
Dalam penelitian ini digunakan metode varimax, karena bertujuan untuk mengekstraksi sejumlah variabel menjadi beberapa faktor.Selain itu metode ini menghasilkan struktur relatif lebih sederhana dan mudah diinterpretasikan.
5. Membuat interpretasi hasil rotasi
Setelah diperoleh sejumlah faktor yang valid, selanjutnya perlu menginterpretasikan nama-nama faktor. Interpretasi mengenai faktor bisa dipermudah dengan mengenali (mengidentifikasi) variabel yang mempunyai nilai loading yang besar pada faktor yang sama. Faktor tersebut kemudian dapat diinterpretasikan menurut variabel-variabel yang memiliki loading tinggi dengan faktor tersebut.
BAB 2