2.4. Teori Perilaku Kesehatan
2.5.4 Mekanisme Analisis Faktor
Langkah-langkah analisis faktor menurut Supranto (2010), yang diperlukan didalam analisis faktor bisa dilihat pada gambar dibawah ini :
2.5.4.1. Merumuskan Masalah
Merumuskan masalah meliputi beberapa hal : a. Tujuan analisis faktor harus diidentifikasi
b. Variabel yang akan dipergunakan didalam analisis faktor dispesifikasi berdasarkan penelitian sebelumnya, teori dan pertimbangan dari peneliti
c. Pengukuran variabel berdasarkan skala interval dan rasio
d. Banyaknya elemen sampel (n) harus cukup/memadai, sebagai petunjuk kasar, kalau k banyaknya jenis variabel maka n = 4 atau 5 kali k. Artinya kalau variabel 5, banyaknya responden minimal 20 atau 25 orang sampel acak (Supranto, 2010).
2.5.4.2 Bentuk Matriks Korelasi
Matriks korelasi merupakan matriks yang memuat koefisien korelasi dari semua pasangan variabel dalam penelitian. Jadi, matriks ini digunakan untuk mendapatkan nilai kedekatan hubungan antar variabel. Nilai kedekatan ini dapat
digunakan untuk melakukan beberapa pengujian untuk melihat kesesuain dengan nilai korelasi yang diperoleh dari analisis faktor.
Analisis faktor yang baik memiliki nilai korelasi tinggi (rata-rata lebih besar dari |0.3| ). Dalam hal ini, determinan matriks yang mendekati nol menunjukkan nilai korelasi tinggi.
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 Barlett Test of Spherecity.
Kemudian perlu ditentukan niali koefisien korelasi parsial, yaitu estimasi antar faktor unik yang nilainya harus mendekati nol untuk memenuhi asumsi analisis faktor.
Untuk menguji kesesuaian pemakaian analisis faktor, digunakan metode
Kaiser-Meyer-Olkin (KMO). KMO adalah indek pembanding besarnya koefisien
korelasi observasi dengan besarnya koefisien korelasi parsial. Jika nilai kuadrat koefisien korelasi parsial dari semua pasangan variabel lebih kecil dari pada jumlah kuadrat korelasi parsial, maka harga KMO akan mendekati satu, yang menunjukkan kesesuain penggunaan analisis faktor. Menurut Kaiser (1974) dalam Wibowo (2006):
a. Harga KMO sebesar 0,9 adalah sangat memuaskan. b. Harga KMO sebesar 0,8 adalah memuaskan. c. Harga KMO sebesar 0,7 adalah harga menengah. d. Harga KMO sebesar 0,6 adalah cukup.
e. Harga KMO sebesar 0,5adalah kurang memuaskan. f. Harga KMO sebesar 0,4 tidak dapat diterima.
Untuk menentukan apakah proses pengambilan sampel telah memadai atau tidak, digunakan pengukuran Measure of Sampling Adequacy (MSA). Nilai MSA yang rendah merupakan pertimbangan untuk membuang variabel tersebut pada tahap analisis selanjutnya. Sering kali karena jumlah data yang banyak perhitungan KMO dan MSA hanya dimungkinkan dengan bantuan komputer (Wibisono, 2003)
2.5.4.3 Menentukan Metode Analisis Faktor
1. Setelah ditetapkan bahwa analisis faktor merupakan teknik yang tepat untuk menganalisis data yang sudah dikumpulkan, kemudian ditentukan atau dipilih metode yang tepat untuk analisis faktor. Ada dua cara atau metode yang bisa dipergunakan dalam analisis faktor , khususnya untuk menghitung koefisien skor faktor, yaitu analisis komponen utama (Principal Component Analysis) dan analisis faktor umum (Common Factor Analysis).
2. Principal Component Analysis merupakan teknik reduksi data yang bertujuan
untuk membentuk suatu kombinasi linier dari variabel awal dengan memperhitungkan sebanyak mungkin jumlah variabel awal tersebut.
3. Common Factor Analysis merupakan medel faktor yang digunakan untuk
mengidentifikasikan sejumlah dimensi dalam faktor yang tidak mudah untuk dikenali. Tujuan utamanya adalah mengidentifikasikan dimensi laten yang direpresentasikan dalam himpunan variabel asal (Wibisono, 2003).
2.5.4.4 Rotasi Faktor-faktor
1. Suatu hasil atau output yang penting dari analisis faktor ialah apa yang disebut matriks faktor pola. Matriks faktor berisi koefisien yang dipergunakan untuk
mengekspresikan variabel yang dibakukan dinyatakan dalam faktor. Koefisien-koefisien ini yang disebut muatan faktor, mewakili korelasi antar-faktor dan variabel. Suatu koefisien dengan nilai absolut/mutlak yang besar menunjukkan bahwa faktor dan variabel berkorelasi sangat kuat. Koefisien dari matriks faktor bisa dipergunakan untuk menginterpretasikan faktor .
2. Meskipun matriks faktor awal yang belum dirotasi menunjukkan hubungan antar faktor masing-masing variabel, jarang menghasilkan faktor yang bisa diinterpretasikan (diambil kesimpulannya), oleh karena faktor-faktor tersebut berkorelasi atau terkait dengan banyak variabel (lebih dari satu).
3. Didalam melakukan rotasi faktor, kita menginginkan agar setiap faktor mempunyai muatan atau koefisien yang tidak nol atau yang signifikan untuk beberapa variabel saja. Demikian halnya kita juga menginginkan agar setiap variabel mempunyai muatan yang tidak nol atau signifikan dengan beberapa faktor saja, kalau mungkin dengan satu faktor saja. Kalau terjadi bahwa beberapa faktor mempunyai muatan tinggi dengan variabel yang sama, sangat sulit untuk membuat interpretasi tentang faktor tersebut. Akan tetapi persentase varian sebagai sumbangan setiap faktor terhadap seluruh varian mengalami perubahan.
2.5.4.5 Interpretasi Faktor
1. Interpretasi dipermudah dengan mengindentifikasi variabel yang muatannya besar pada faktor yang sama. Faktor tersebut kemudian bisa diinterpretasikan, dinyatakan dalam variabel yang mempunyai muatan tinggi padanya. Manfaat lainnya di dalam membantu untuk membuat interpretasi ialah menge-plot
variabel, dengan menggunakan factor loading sebagai sumbu koordinat (sumbu F1 dan F2
2. Variabel pada ujung atau akhir suatu sumbu ialah variabel yang mempunyai high loading hanya pada faktor tertentu (faktor F
).
1 atau F2) oleh karena itu bisa menyimpulkan bahwa faktor tersebut terdiri dari variabel-variabel tersebut. Sedangkan variabel yang dekat dengan titik asal (perpotongan sumbu F1 dan F2
3. Variabel yang tidak dekat dengan sumbu salah satu faktor berarti berkorelasi dengan kedua faktor tersebut. Kalau suatu faktor tidak bisa diberi label sebagai faktor tidak terdefenisikan atau faktor umum. Variabe-variabel yang berkorelasi kuat (nilai factor loading yang besar) dengan faktor tertentu akan memberikan inspirasi nama faktor yang bersangkutan.
) mempunyai muatan rendah (low loading) pada kedua faktor.
2.5.4.6 Menghitung Skor atau Nilai Faktor
Nilai faktor adalah ukuran yang mengatakan representasi suatu variabel oleh masing-masing faktor. Nilai faktor menunjukkan bahwa suatu data memiliki karakteristik khusus yang direpresentasikan oleh faktor. Nilai faktor ini selanjutnya digunakan untuk analisis lanjutan.
Nilai faktor menunjukkan kedekatan hubungan antara variabel dan faktornya. Faktor dengan nilai faktor tinggi untuk suatu variabel menunjukkan tingginya hubungan faktor itu dengan variabelnya.
Sebenarnya analisis faktor tidak harus dilanjutkan dengan menghitung skor atau nilai faktor, sebab tanpa menghitung pun hasil analisis faktor sudah bermanfaat
yaitu mereduksi variabel yang banyak menjadi variabel baru yang lebih sedikit dari variabel aslinya.
Namun kalau tujuan analisis faktor untuk mencari variabel baru yang bebas satu sama lain, yang disebut faktor untuk dipergunakan dalam analisis multivariat lainnya seperti analisis regresi linier berganda, maka perlu dihitung skor/nilai faktor bagi setiap responden.
2.5.4.7 Memilih Surrogate Variables
Surrogate variable adalah suatu bagian dari variabel asli yang dipilih untuk digunakan di dalam analisis selanjutnya. Pemilihan surrogate variables meliputi sebagian dari beberapa variabel asli untuk dipergunakan di dalam analisis selanjutnya. Hal ini memungkinkan peneliti untuk melakukan analisis lanjutan dan menginterpretasikan hasilnya dinyatakan dalam variabel asli bukan dalam skor faktor. Dengan meneliti matriks faktor..
Variabel tersebut kemudian bisa dipergunakan sebagai variabel pengganti atau
surrogate variable untuk faktor yang bersangkutan. Proses untuk mencari variabel pengganti akan berjalan lancar kalau muatan faktor (factor loading) untuk suatu variabel jelas-jelas lebih tinggi daripada muatan faktor lainnya. Akan tetapi pilihan menjadi susah, kalau ada dua variabel atau lebih mempunyai muatan yang sama tingginya. Di dalam hal seperti ini, pemilihan antara variabel-variabel ini harus didasarkan pada pertimbangan teori dan pengukuran sebagai contoh, mungkin teori menyarankan bahwa suatu variabel dengan muatan sedikit lebih kecil mungkin lebih penting daripada dengan sedikit lebih tinggi.
Demikian juga halnya, kalau suatu variabel mempunyai muatan sedikit lebih rendah akan tetapi telah diukur lebih teliti/akurat, seharusnya dipilih sebagai
surrogate variabel.