BAB III METODOLOGI PENELITIAN
3.4 Instrumen Penelitian
Validitas adalah menunjukkan sejauh mana suatu alat pengukur dapat mengukur apa yang ingin diukur. Uji validitas dilakukan untuk mengetahui apakah item-item yang tersaji dalam kuesioner benar-benar mampu mengungkapkan pasti yang akan diteliti. Variabel yang diteliti baru dianggap valid apabila mampu mengukur apa yang hendak diukur. Untuk menguji validitas instrument dilakukan cara mengkorelasi skor jawaban
yang diperoleh pada setiap item dengan skor total dari keseluruhan item instrument. Adapun persamaan rumus yang digunakan, adalah:
r =
( )
[
2 2]
[
2 2]
) ( ) ( ) ( Y Y n X X n Y X XY n − Σ Σ − Σ Σ Σ − Σ (Umar, 2002 : 111) Keterangan:T = Koefisien produk moment X = Skor total tiap-tiap item Y = Skor total
n = Jumlah responden
3.4.2 Uji Reliabilitas
Realibilitas (kepercayaan) menunjukkan pada pengertian apakah sebuah instrumen dapat mengukur sesuatu yang dapat diukur secara konsisten dari waktu ke waktu. Realibilitas adalah untuk menguji sejauh mana hasil suatu pengukuran dapat dipercaya. Konsep realibilitas dapat dipahami melalui ide dasar konsep tersebut, yaitu konsisten. Alat pengukuran keandalan pada penelitian ini digunakan teknik pengukuran realibilitas C'ronbach. ri = −1 k k −∑ 2 2 1 t b σ σ
Dimana:
ri = Realibilitas instrumen k = Banyak butir pertanyaan σt2
= Varians total Σσb2
= Jumlah varians butir
3.5 Teknik Analisis 3.5.1 Analisis Faktor
Dalam penelitian ini, penulis menggunakan analisis faktor. Analisis faktor adalah suatu teknik analisis statistic multivariate yang digunakan untuk mengurangi/mereduksi jumlah variabel menjadi yang mudah ditangani dan mudah memiliki karakteristik pengukuran yang tumpang tindih. Tidak satupun variabel yang dipandang variabel dependen atas yang lain.
Model analisis faktor menurut Malhotra yang dikutip Widayat (2002 : 133) dapat dirimudkan sebagai berikut :
Xi= Ai1. f1 + Ai2f2 + Ai3f3 + …. + Aim fm+ Vi . Ui. Dimana:
Xi = Variabel standart ke i
Aij = Faktor loading multiple regression dari variabel i pada faktor j F = Faktor umum
Vi = Koefisien standar regresi dari variabel 1 pada faktor khusus i Ui = Faktor khusus dari variabel i
Faktor-faktor unik berkorelasi satu dengan yang lain dan dengan faktor-faktor umum. Faktor umum itu sendiri dapat dinyatakan sebagai kombinasi linier dari variabel yang diamati dengan persamaan :
Fi = Wi1X1 +Wi2X2+Wi3 X3 +...Wik Xk Dimana:
Fi = Estimasi faktor ke i Wi = Koefisien nilai faktor K = Jumlah variabel
Didalam analisis faktor terdapat dua pembahasan, yaitu : 1. Penyelidikan untuk penemuan (exploratory).
Analisis faktor digunakan untuk menyelediki dan mendeteksi suatu pola dari variabel-variabel yang ada, dengan tujuan untuk menemukan konsep baru dan kemungkinan pengurangan data dari data besar.
2. Penegasan suatu hipotesa (confirmatory user).
Analisis faktor digunakan untuk mengadakan pengujian suatu hipotesis mengenai struktur dan variabel-variabel baru yang berkaitan dengan sejumlah faktor yang signifikan dan faktor loading yang diharapkan.
Menurut Malhotra yang dikutip Widayat (2002 : 141) terdapat beberapa kunci statistik yang berhubungan dengan analisis faktor, antara lain:
1. Barlett of sphericity
Yaitu tes yang digunakan untuk menguji interpedensi antara butir-butir yang menjadi indikator suatu variabel atau faktor. Analisis ini bermaksud tidak terkorelasi satu dengan yang lainnya (colinearity)
dalam papulasi. Apabila ternyata terbukti ada variabel yang berkorelasi maka salah satu dari variabel tersebut tidak perlu dianalisis.
2.. Correlation matrix
Yaitu matrix korelasi yang merupakan sajian basil korelasi antar butir yang menunjukkan koefisien korelasi (r) antara butir satu dengan lainnya, yang mungkin dapat atau tidak dimasukkan dalam analisis.
3. Communality
Yaitu jumlah varians yang diberikan tiap-tiap butir dengan butir lain yang dipertimbangkan. Koefisien communality tersebut cukup efektif apabila bernilai 50%. Apabila terdapat communality 50% maka harus dipertimbangkan besarnya muatan faktor.
4.. Eigenvalue
Yaitu nilai yang menunjukkan jumlah varian yang berasosiasi dengan masing-masing faktor. Faktor yang mempunyai eigenvalue 1 dimasukkan dalam model, sedangkan yang nilainya kurang dari 1 merupakan faktor yang tidak dimasukkan dalam model.
4. Loading factor
Yaitu koefisien korelasi antara variabel-variabel dengan faktor-faktornya. Faktor loading yang bernilai berarti menunjukkan besarnya pengaruh variabel observasi terhadap faktor.
5. Keiser-Meyer-Olkin (KMO) Measure of Sampling Adequacy
Yaitu angka indeks untuk menghentikan besarnya koefisien korelasi observasi dengan besarnya koefisien korelasi parsial. Apabila nilai KMO kecil (< 0,5) menunjukkan bahwa korelasi antar variabel tidak dapat menjelaskan variabel lain dan analisis faktor tidak sesuai untuk diterapkan.
6. Faktor matrix
Yaitu faktor yang berisi muatan faktor dari semua variabel pada semua faktor yang telah dipilih. Dari faktor matrix ini dapat dilihat pengaruh dari variabel terhadap faktor.
8. Percentage of variance
Yaitu presentase dari total variance explain atribut dari masing-masing faktor .
3.5.1.1 Langkah-Langkah Analisis Faktor
Adapun langkah-langkah yang harus dilakukan dalam analisis faktor adalah sebagai berikut :
Langkah 1 : Menentukan Matrix Korelasi
Matrix korelasi merupakan matrix yang memuat koefisien korelasi dari semua pasangan variabel dalam penelitian. Jadi, matrix ini digunakan untuk medapatkan nilai kedekatan hubungan antara variabel manifest. Nilai kedekatan ini dapat digunakan untuk melakukan beberapa pengujian untuk
Selanjutnya, perlu diuji apakah matriks korelasi ini merupakan matriks identitas atau bukan, karena matriks identitas tidak dapat digunakan untuk analisis berikut. Metode yang biasa dilakukan adalah metode Bartlett Test of Sphericity. Kemudian perlu ditentukan nilai koefisien dari korelasi parsial, yaitu estimasi antar faktor unik dan nilainya harus mendekati nol untuk memenuhi asumsi analisis faktor.
Tahap 2 : Pengukuran Kecukupan Penarikan Sampel
Untuk menguji kesesuaian penggunaan analisis faktor, digunakan metode Kaiser-Meyer-Olkin (KMO). KMO merupakan indeks perbandingan besarnya koefisien korelasi observasi dengan besarnya koefisien parsial. Jika nilai kuadarat koefisien korelasi parsial dari semua pasangan variabel lebih kecil daripada jumlah kuadrat koefisien korelasi, maka harga KMO akan mandekati satu, yang menunjukkan kesesuaian penggunaan analisis faktor.
Harga KMO sebesar 0.9 adalah sangat memuaskan ; Harga KMO sebesar 0.8 adalah memuaskan ; Harga KMO sebesar 0.7 adalah harga menengah ; Harga KMO sebesar 0.6 adalah cukup ;
Harga KMO sebesar 0.5 adalah kurang memuaskan ; Harga KMO sebesar 0.4 adalah tidak dapat diterima ;
Untuk menentukan apakah proses pengambilan sampel telah memadai atau digunakan Measure Of Sampling (MSA). Harga anti image
correlation yang rendah (< 0,5) merupakan pertimbangan untuk membuang variabel tersebut pada tahap analisis selanjutnya. Seringkali karena jumlah data yang banyak, diperhitungkan KMO dan MSA hanya dimungkinkan dengan bantuan komputer.
Langkah 3 : Ekstraksi factor
Tahap selanjutnya adalah faktor exit-action yaitu menentukan jumlah faktor yang diperlukan untuk menginterpretasikan data. Cara untuk menentukan jumlah faktor antara lain dengan akar karakteristik yang dibawah satu atau yang mendekati 0 biasanya tidak dipergunakan karena dipandang kontribusinya dalam nenerangkan keragaman data sangat kecil. Penentuan jumlah faktor juga bisa berdasarkan presentase total varians.
Ekstraksi faktor digunakan untuk menentukan jenis-jenis faktor yang akan dipakai. Estimasi faktor dapat menggunakan metode principal component analysis (selain itu terdapat metode common factor analysis). Dengan metode ini, akan terbentuk kombinasi lini dari variabel-variabel observasi.
Setelah ekstraksi faktor kemudian dilakukan perhitungan nilai
eigenvalue, yang menyatakan nilai variansi dari variabel manivest. Banyak faktor ditentukan berdasarkan nilai presentae dari variasi total yang ditetapkan oleh variabel tersebut. Variasi nilai tersebut merupakan jumlah variasi masing-masing variabel yang disebut nilai eigen.
Langkah 4 : Menentukan Rotasi Matriks Faktor
Matriks faktor sebelum dirotasi digunakan untuk mengeksplorasi kemungkinan-kemungkinan pengelompokan variabel kedalam sejumlah faktor yang telah diekstraksi. Matriks ini merangkum informasi mengenai bobot variabel kedalam setiap faktor, informasi yang terkandung di dalam matriks ini belum dapat digunakan untuk menginterpretasikan dengan jelas mengenai pengelompokan variabel dalam setiap faktor karena bobot masing-masing variabel pada setiap faktor belum jauh berbeda. Agar dapat diperoleh bobot variabel yang mudah untuk diinterpretasikan, matriks faktor ini harus dirotasikan.
Matriks faktor dirotasikan ini bertujuan untuk mempermudah interpretasi dalam menentukan variabel-variabel mana saja yang tercantum dalam suatu faktor.
Dalam analisis penelitian menggunakan metode variamax untuk memberikan faktor sehingga pada akhirnya diperoleh hasil rotasi dimana dalam satu kolom nilai yang ada sebanyak mungkin mendekati nol. Hal ini didalam setiap faktor tercakup sedikit mungkin variabel.
Langkah 5 : Intepretasi
Kelanjutan dari rotasi faktor adalah tahap interpretasi faktor berdasarkan bobot masing-masing variabel dalam setiap faktor.
Tahapan interpretasi :
1. Dimulai pada variabel pada urutan pertama. Interpretasi dimulai dengan bergerak dari faktor paling kiri ke faktor paling kanan pada setiap baris
untuk mencari bilangan yang nilai mutlaknya paling besar dalam baris tersebut.
2. Bilangan yang paling besar menunjukkan dalam faktor mana setiap variabel termasuk. Dengan demikian dapat diketahui variabel-variabel mana yang masuk dalam suau faktor.
3. Poin 1 dan 2 dilakukan berulang sehingga semua variabel telah tercakup dalam faktor-faktor hasil ekstraksi.
4. Bila ada variabel yang belum termasuk dalam salah satu faktor (karena bobotnya kurang dari batas keberartian) maka terdapat dua pilihan yang dapat dilakukan, yaitu :
a. Menginterpretasikan solusi apa adanya tanpa mengikutkan variabel yang bobotnya tidak signifikan.
b. Mengevaluasi variabel yang tidak memiliki bobot signifikan tersebut. Tujuan dari evaluasi ini adalah untuk mengetahui relevansi variabel dalam penelitian yang dilakukan.
Tahap 6: Menentukan Bobot Faktor
Bobot faktor adalah ukuran yang menyatakan representasi suatu variabel oleh masing-masing faktor. Merupakan data mentah bagi analisis regresi dan diskriminan. Bobot faktor menunjukkan bahwa suatu data karakteristik khusus yang direpresentasikan oleh faktor. Bobot faktor ini digunakan untuk analisis lanjutan.
Bobot faktor menunjukkan kedekatan hubungan antara variabel dengan faktornya atau dapat dikatakan kontribusi dari variabel manifest terhadap variabel latent. Faktor dengan bobot faktor tinggi untuk suatu variabel menunjukkan tingginya hubungan faktor itu dengan variabelnya.
BAB IV
HASIL ANALISIS DAN PEMBAHASAN
4.1 Gambaran Umum Obyek Penelitian dan Penyajian Data