BAB II TINJAUAN PUSTAKA
2.10 Analisis Faktor
2.10.3 Melakukan Analisis Faktor
Langkah-langkah yang diperlukan di dalam analisis faktor bisa dilihat pada gambar dibawah ini :
Merumuskan Masalah
Bentuk Matriks Korelasi
Tentukan Metode Analisis Faktor
Lakukan Rotasi
Interpretasikan Faktor
Hitung Skor Faktor Pilih Variabel Surrogate
1. Merumuskan Masalah
Merumuskan masalah meliputi beberapa hal : a. Tujuan analisis faktor harus diidentifikasi.
b. Variabel yang akan dipergunakan di dalam analisis faktor harus dispesifikasi berdasarkan berdasarkan penelitian sebelumnya, teori dan pertimbangan dari peneliti.
c. Pengukuran variabel berdasarkan skala interval atau rasio
d. Banyaknya elemen sample (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 sebagai sampel acak. (Supranto J, 2004).
2. Bentuk Matriks Korelasi
Proses analisis didasarkan pada suatu matriks korelasi agar variabel pendalaman yang berguna bisa diperoleh dari penelitian matriks ini. Agar analisis faktor bisa tepat dipergunakan, variabel-variabel yang akan dianalisis harus berkorelasi. Apabila koefisien korelasi antar variabel terlalu kecil, hubungannya lemah, analisis faktor menjadi tidak tepat.
Prinsip utama Analisis Faktor adalah korelasi maka asumsi-asumsi terkait dengan korelasi yaitu :
1. Besar korelasi atau korelasi antar independen variabel harus cukup kuat, misalnya di atas 0,5 atau bila dilihat tingkat signifikansinya adalah kurang dari 0,05.
2. Besar korelasi parsial, korelasi antar dua variabel dengan menganggap variabel lain adalah tetap (konstan) harus kecil. Pada SPSS deteksi korelasi parsial
diberikan pada Anti Image Correlation.
Statistik formal tersedia untuk menguji ketepatan model faktor yaitu Bartlett’s
Test of Sphericity bisa digunakan untuk menguji hipotesis bahwa variabel tak
berkorelasi di dalam populasi. Nilai yang besar untuk uji statistik, berarti hipotesis nol harus ditolak (berarti adanya korelasi yang signifikan diantara beberapa variabel). Kalau hipotesis nol diterima, ketepatan analisis faktor harus dipertanyakan.
Statistik lainnya yang berguna adalah KMO (Kaiser-Meyer-Olkin) mengukur
kecukupan sampling (sampling adequacy). Indeks ini membandingkan besarnya
koefisien korelasi terobservasi dengan besarnya koefisien korelasi parsial. Nilai KMO yang kecil menunjukkan korelasi antar pasangan variabel tidak bisa diterangkan oleh variabel lain dan analisis faktor mungkin tidak tepat.
Measure of Sampling Adequacy (MSA) ukuran dihitung untuk seluruh matriks
korelasi dan setiap variabel yang layak untuk diaplikasikan pada analisis faktor. (Wibowo A,2006). Nilai MSA yang rendah merupakan pertimbangan untuk membuang variabel tersebut pada tahap analisis selanjutnya. (Wibisono, 2003). Angka MSA berkisar 0-1 menunjukkan apakah sampel bisa dianalisis lebih lanjut.
• MSA = 1, variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel
lain.
• MSA < 0,5 variabel tidak dapat diprediksi dan tidak dapat dianalisis lebih lanjut. (Wibowo A, 2006 ).
3. Menentukan Metode Analisis Faktor
Ada dua cara atau metode yang bisa dipergunakan dalam analisis faktor,
khususnya untuk menghitung timbangan atau koefisien skor faktor, yaitu principal
components analysis dan common factor analysis.
Di dalam principal components analysis, jumlah varian dalam data
dipertimbangkan. Principal components analysis direkomendasikan kalau hal yang
pokok ialah menentukan bahwa banyaknya faktor harus minimum dengan memperhitungkan varian maksimum dalam data untuk dipergunakan di dalam
analisis multivariat lebih lanjut. Faktor-faktor tersebut dinamakan principal
components.
Di dalam common factor analysis, faktor diestimasi hanya didasarkan pada
common variance, communalities dimasukkan di dalam matriks korelasi. Metode ini
dianggap tidak tepat kalau tujuan utamanya ialah mengenali/mengidentifikasi
dimensi yang mendasari dan common variance yang menarik perhatian. Metode ini
juga dikenal sebagai principal axis factoring. (Supranto J, 2004).
Communalities ialah jumlah varian yang disumbangkan oleh suatu variabel
dengan seluruh variabel lainnya dalam analisis. Bisa juga disebut proporsi atau
bagian varian yang dijelaskan common factors, atau besarnya sumbangan suatu faktor
terhadap varian seluruh variabel. Semakin besar Communalities sebuah variabel,
Eigenvalue merupakan jumlah varian yang dijelaskan oleh setiap faktor.
Eigenvalue akan menunjukkan kepentingan relatif masing-masing faktor dalam
menghitung varian yang dianalisis. Susunan eigenvalues selalu diurutkan dari yang
terbesar sampai yang terkecil dengan kriteria bahwa angka eigenvalue di bawah 1
tidak digunakan dalam menghitung jumlah faktor yang terbentuk. (Eigenvalue yang
ditentukan di atas 1 adalah alasan peneliti). (Wibowo A, 2006).
4. Rotasi Faktor-Faktor
Suatu hasil atau output yang penting dari analisis faktor ialah apa yang
disebut matriks faktor pola (faktor pattern matrix). Matriks faktor berisi koefien yang
dipergunakan untuk mengekspresikan variabel yang dibakukan dinyatakan dalam
faktor. Koefien-koefisien ini yang disebut muatan faktor atau the faktor loading,
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.
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).
Di dalam 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 hanya 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 (dari seluruh variabel asli) mengalami perubahan.
5. Interpretasi Faktor
Interpretasi dipermudah dengan mengidentifikasi 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 faktor loading sebagai sumbu koordinat (sumbu F dan F2).
Variabel pada ujung atau akhir suatu sumbu ialah variabel yang mempunyai
high loading hanya pada faktor tertentu (faktor F atau F2) oleh karena itu bisa
menyimpulkan bahwa faktor tersebut terdiri dari variabel-variabel tersebut.
Sedangkan variabel yang dekat dengan titik asal (perpotongan sumbu F dan F2)
mempunyai muatan rendah (low loading) pada kedua faktor.
Variabel yang tidak dekat dengan sumbu salah satu faktor berarti berkorelasi dengan kedua faktor tersebut. Kalau suatu faktor tidak bisa dengan jelas didefinisikan dinyatakan dalam variabel aslinya, seharusnya diberi label sebagai faktor tidak
terdefinisikan atau faktor umum. Variabel-variabel yang berkorelasi kuat (nilai faktor
loading yang besar) dengan faktor tertentu akan memberikan inspirasi nama faktor
6. Menghitung Skor atau Nilai Faktor
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.
7. Memilih Surrogate Variables
Surrogate Variables 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, kita bisa memilih untuk setiap faktor variabel dengan muatan tinggi pada faktor yang bersangkutan.
Variabel tersebut kemudian bisa dipergunakan sebagai variabel pengganti
atau surrogate variables untuk faktor yang bersangkutan. Proses untuk mencari
variabel pengganti akan berjalan lancar kalau muatan faktor (faktor 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 itu, 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 variable.