LANDASAN TEOR
2.7 Tahap – Tahap Pelaksanaan Analisis Faktor
1. Merumuskan masalah
Perumusan masalah dalam analisis faktor yaitu mengidentifikasi variabel.Variabel yang digunakan harus disesuaikan berdasarkan penelitian sebelumnya, teori dan keinginan dari peneliti.Tujuan utama faktor harus diidentifikasi.Ukuran variabel yang sesuai adalah interval atau rasio.Untuk menentukan banyaknya sampel berdasarkan analisis faktor sedikitnya 4 atau 5 kali banyaknya variabel.
2. Membentuk matriks korelasi
Proses analisis didasarkan suatu matriks korelasi antar variabel. Agar analisis faktor menjadi tepat, variabel-variabel yang akan dianalisis harus berkorelasi. Jika koefisien korelasi antar variabel terlalu kecil maka hubungan lemah, analisis faktor tidak tepat. Karena prinsip utama analisis faktor adalah korelasi maka asumsi-asumsi terkait akan digunakan salah satunya ialah besar korelasi antar variabel independen harus cukup kuat misalnya 0,5. Banyaknya faktor lebih sedikit daripada banyaknya variabel. Untuk menghitung nilai korelasi antar variabel secara manual digunakan sebagai berikut (Algifari, 2000:51):
(2.7)
keterangan:
N = Jumlah observasi.
Y = Skor total.
3. Ektraksi Faktor
Terdapat dua metode ekstraksi faktor dalam analisis faktor yaitu
principal component analysis (PCA) dan common factor analysis (CFA). Di dalam principal component analysis total varian pada data yang diperhatikan yaitu diagonal matriks korelasi, setiap elemennya sebesar 1 dan full varian
digunakan untuk dasar pembentukan faktor, yaitu variabel-variabel baru sebagai pengganti variabel-variabel lama yang jumlahnya lebih sedikit dan tidak lagi berkorelasi satu sama lain. Di dalam common factor analysis faktor diestimasi hanya berdasarkan pada common variance.Comunalities
dimasukkan di dalam matrikskorelasi.Metode ini dianggap tepat jika tujuan utamanya ialah mengenali/mengidentifikasi dimensi yang mendasari dan
common variance yang menarik perhatian.
4. Penentuan Jumlah Faktor
Penentuan jumlah faktor artinya meringkas informasi yang terdapat dalam variabel asli, sejumlah faktor yang lebih sedikit akan diekstraksi. Beberapa jenis prosedur untuk menentukan banyaknya faktor yang harus diekstraksi antara lain:
a. Penentuan berdasarkan eigenvalue
Dalam pendekatan ini, hanya faktor dengan eigenvalue lebih besar dari 1 yang akan dipertahankan. Suatu eigenvalue adalah jumlah varian yang dijelaskan oleh setiap faktor. Faktor dengan nilai eigenvalue lebih kecil dari 1 tidak lebih baik dari sebuah variabel asli, karena variabel asli telah dibakukan (standardized) yang artinya rata-ratanya 0 dan standar deviasinya adalah 1.
b. Penentuan berdasarkan scree plot
slope tegak faktor dengan eigenvalue yang besar dan makin mengecil pada sisa faktor yang tidak perlu diekstraksi. Pengecilan slope ini disebut scree.
c. Penentuan berdasarkan persentase varian
Pada pendekatan ini, banyaknya faktor yang diekstraksi ditentukan sedemikian rupa sehingga kumulatif persentase varian yang diekstraksi oleh faktor mencapai suatu level tertentu yang memuaskan. Ekstraksi faktor dihentikan apabila kumulatif persentase varian sudah mencapai paling sedikit 60% atau 75% dari seluruh varian variabel asli.
d. Penentuan berdasarkan Split-Half Reliability
Sampel dibagi menjadi dua, analisis faktor dilakukan pada masing-masing bagian sampel tersebut.Hanya faktor dengan faktor loading yang sesuai pada kedua sub-sampel yang dipertahankan, maksudnya faktor-faktor yang dipertahankan memang mempunyai faktor loading yang tinggi pada masing-masing bagian sampel.
e. Penentuan berdasarkan uji signifikansi
Dimungkinkan untuk menentukan signifikansi statistik untuk eigenvalue
yang terpisah dan pertahankan faktor-faktor yang memang berdasarkan uji statistik eigenvaluenya pada signifikansi α = 5% atau 1%.
f. Penentuan berdasarkan apriori
Kadang-kadang karena pengalaman sebelumnya, peneliti sudah tahu berapa banyaknya faktor sebelumnya, dengan menyebutkan suatu angka misalnya 3 atau 4 faktor yang harus disarikan dari variabel atau data asli. Upaya untuk menyarikan (to extract) berhenti setelah banyaknya faktor yang diharapkan sudah didapat, misalnya cukup 4 faktor saja.
5. Rotasi Faktor
Hasil atau output yang penting dari analisis faktor adalah matriks faktor pola (factor pattern matrix) yang memuat koefisien yang digunakan untuk mengekspresikan variabel yang dibakukan (standardized) dinyatakan dalam faktor. Koefisien-koefisien ini disebut muatan faktor (factor loading) yang merupakan korelasi antara faktor dengan variabelnya.Suatu koefisien dengan nilai absolut yang besar menunjukkan bahwa faktor dan variabel berkorelasi sangat kuat.Koefisien tersebut bisa digunakan untuk menginterpretasi faktor. Beberapa literatur menyarankan besarnya nilai untuk batasan factor loadings
adalah 0,3, , .
Dalam melakukan rotasi faktor, diharapkan setiap faktor memiliki factor loadings atau koefisien yang tidak nol atau signifikan hanya untuk beberapa variable. Ada dua metode rotasi faktor yang berbeda yaitu: Orthogonal dan
oblique rotation. Rotasi dikatakan orthogonal rotation jika sumbu dipertahankan tegak lurus sesamanya (bersudut 90 derajat). Metode oblique rotation dapat dibedakan menjadi: quartimax, varimax, dan equimax. Rotasi dikatakan oblique rotation jika sumbu tidak dipertahankan harus tegak lurus sesamanya dan faktor-faktor tidak berkorelasi.Oblique rotation akan digunakan jika faktor-faktor pada populasi diperkirakan berkorelasi kuat. Metode ini dapat dibedakan menjadi oblimin, promax, orthobolique, Metode rotasi yang banyak digunakan adalah varimax procedure.Prosedur ini merupakan metode orthogonal yang berusaha meminimumkan banyaknya variabel dengan muatan tinggi pada suatu faktor. Rotasi orthogonal
menghasilkan faktor-faktor yang saling tidak berkorelasi satu sama lain.
6. Interpretasi Faktor
Interpretasi faktor dipermudah dengan mengenali (mengidentifikasi) variabel yang mempunyai nilai loading yang besar pada faktor yang sama. Faktor tersebut kemudian bisa diinterpretasikan menurut variabel-variabel yang mempunyai nilai loading yang tinggi dengan faktor tersebut.
7. Menentukan Ketepatan Model (Model Fit)
Untuk mengetahui apakah model dapat dinyatakan sudah tepat dan layak digunakan yaitu dengan melihat selisih atau nilai residual antara matriks korelasi sebelum dilakukan analisis faktor dengan matriks korelasi setelah dilakukan analisis faktor. Untuk menentukan sebuah model sesuai atau tidak, maka nilai absolute residual harus kurang dari 0,05 sehingga model tersebut dapat diterima.
BAB 1 PENDAHULUAN