Professional Documents
Culture Documents
ANALISIS FAKTOR
Zaenal Fanani, SE., Ak. M.SA
Dimana:
Fif = factor scores individu i dalam faktor f
bfv = koefisien faktor dalam variable v
Xiv = nilai individu I dalam variable v
Faktor-faktor khusus tersebut tidak saling berhubungan satu sama lain, juga tidak ada
korelasinya dengan faktor-faktor umum. Faktor-faktor umum itu sendiri dapat dinyatakan
sebagai kombinasi linear dari variabel yang dapat diamati dengan rumus:
2. Uji Interdependensi
∑ rij2 + ∑ aij2
j =1 j =1
Dimana:
r = koefisien korelasi
a = koefisien korelasi parsial
Langkah-langkah yang dilakukan adalah :
1. Pilih menu analyze | Data reduction | factor
2. Masukkan X1 sampai dengan x24 ke kotak variabel
3. Pada menu descriptive bagian correlation matrix pilih anti image
Klik oke
3
p(p − 1)
koifisien korelasi =
2
24(24 − 1)
=
2
= 276
∑∑ rij2 + ∑∑ aij2
j ≠1 j ≠1
Dimana:
r = koefisien korelasi
a = koefisien korelasi parsial
Jika jumlah kuadrat dari koefisien korelasi parsial antara semua variabel adalah kecil
ketika dibandingkan dengan jumlah kuadrat koefisien korelasi, nilai KMO mendekati
1. Nilai kecil dari KMO menunjukkan bahwa faktor analisis dari variabel-variabel
tidaklah baik, meskipun korelasi antara sepasang variabel tidak dapat dijelaskan oleh
5
variabel lain. Diharapkan bahwa keselurhan nilai KMO lebih besar dari 0.,8 tetapi
ukuran KMO di atas 0,6 masih bisa ditolelir.
Menurut Subhash Sharma (1996) yang dikutip oleh Risa Azhar dalam skripsinya,
tabel KMO ditunjukkan sebagai berikut :
Tabel 3.4.
Kaiser-Meyer-Olkin
Ukuran KMO Rekomendasi
≥ 0.90 Baik sekali
≥ 0.80 Baik
Sedang
≥ 0.70
Cukup
≥ 0.60 Kurang
≥ 0.50 Ditolak
Dibawah 0.50
Sumber : Risa Azhar, 1999, Skripsi, Dikutip dari : Subhash Sharma,
1996, Applied Multivariate Technique, First Edition, John Wiley and
Sons,Inc, Toronto, hal 10.
3. Ekstraksi faktor
Tujuan ekstraksi faktor adalah memperoleh seperangkat faktor yang berasal
dari variabel-variabel yang tersusun dalam pola korelasi. Untuk mengekstraksi faktor
dikenal dua metode rotasi (Dermawan Wibisono, 2000), yaitu :
1. Orthogonal factors : ekstraksi faktor dengan merotasikan sumbu faktor yang
kedudukannya saling tegak lurus satu dengan yang lain, sehingga setiap
faktor akan independen terhadap faktor lain. Orthogonal faktor digunakan
bila analisis bertujuan untuk mereduksi jumlah variabel tanpa
mempertimbangkan seberapa berartinya faktor yang diekstraksi.
2. Oblique factors : ekstraksi faktor dilakukan dengan merotasikan sumbu
faktor yang kedudukannya saling membentuk sudut dengan besar sudut
tertentu. Dengan rotasi ini, maka korelasi antar setiap faktor masih
dipertimbangkan. Oblique factors digunakan untuk memperoleh jumlah
faktor yang secara teoritis cukup berarti.
Terdapat sejumlah metode untuk melakukan ekstraksi dalam analisis faktor.
Dalam penelitian ini metode yang digunakan adalah principal component analysis
(PC). Dengan metode ini diharapkan dapat diperoleh hasil yang dapat
memaksimumkan presentase varian yang mampu dijelaskan oleh model.
Hasil ekstraksi adalah faktor-faktor dengan jumlah variabel-variabel yang
diekstraksi. Pada tahap ini akan diketahui sejumlah faktor yang dapat diterima atau
layak mewakili seperangkat variabel dengan alternatif sebagai berikut:
- Faktor dengan eigen value > 1
- Faktor dengan persentase varian > 5%
- Faktor dengan persentase kumulatif 60%
Dalam penelitian ini, meskipun pada mulanya variabel-variabel yang dianalisis telah
dikelompokkan secara teroritis ke dalam sejumlah faktor tertentu, namun untuk
penentuan jumlah faktor yang dianalisis dan diinterpretasi selanjutnya akan
didasarkan pada hasil analisis dengan teknik PC pada tahap ini.
matrik korelasi awal. Maka perlu dilakukan perhitungan atas perubahan yang terjadi,
yaitu dengan menghitung selisih nilai koefisisen korelasi dari matrik korelasi asal
dengan koefisien korelasi dari matrik korelasi baru. Jika nilai mutlak dari selisish
tersebut melebihi nilai 0,05 dimasukkan dalam kategori bahwa koefisien korelasi
tersebut tidak sama (berbeda). Kemudian dihitung jumlah koefisien yang berbeda
dan yang tergolong sama. Jumlah relatif dari koefisien yang tergolong sama dijadikan
indikasi fit model (ketepatan model).
5. Rotasi faktor
Rotasi faktor dilakukan karena model awal yang diperoleh dari matriks
faktor sebelum dilakuakan rotasi, belum menerangkan struktur data yang sederhana
sehingga sulit untuk dapat diinterpretasikan.
Rotasi faktor dilakukan dengan metode varimax. Metode ini terbukti cukup
berhasil untuk membentuk model faktor yang dapat diinterpretasikan. Hal ini karena
metode varimax bekerja dengan menyederhanakan kolom-kolom matriks faktor.
Sebuah variabel dikatakan tidak dapat diinterpretasikan atau tidak mewakili
satu faktorpun karena tidak memiliki factor loading > 0,5 pada satu faktorpun.
kh 2
α=
1 + (k − 1) h 2
dimana :
α = Alpha Crombach (koifisienan Reliabilitas)
k = Jumlah variabel
Ph2 = rata-rata komunalitas
P
Jika koefisien reliabilitas (α) lebih besar dari koefisien pembanding, maka dapat dikatakan
kelompok variabel yang mendukung sebuah faktor relatif konsisten bila pengukuran akan
diulang dua kali atau lebih.