1.
2.
3.
4.
Nilai KMO and Bartletts Test untuk korelasi antarvariabel yang diinginkan
adalah > 0,5. Signifikansi penelitian adalah 0,05. Dari hasil di atas
diperoleh nilai KMO sebesar 0,771 yang artinya lebih besar dari 0,5.
Sementara itu, signifikansi yang dihasilkan dari Bartletts Test of Sphericity
sebesar 0,000. (Santoso, 2006: 22)
Dengan hasil di atas, maka dapat dikatakan bahwa variabel dan sampel
yang digunakan memungkinkan untuk dilakukan analisis lebih lanjut.
Selanjutnya, untuk melihat korelasi antarvariabel independen dapat
diperhatikan tabel Anti-Image Matrices. Nilai yang diperhatikan adalah
MSA (Measure of Sampling Adequacy). Nilai MSA berkisar antara 0 hingga
1, dengan ketentuan sebagai berikut: (Santoso, 2006: 20)
1.
2.
MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih
lanjut.
3.
MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis
lebih lanjut, atau dikeluarkan dari variabel lainnya.
Hasil pengujian dengan SPSS sebagai berikut:
2.
3.
4.
5.
6.
7.
lampiran penelitian ini. Hasil uji normalitas yang dikehendaki adalah data
masing-masing berdistribusi normal yang mengikuti garis Z. Rata-rata
data di tiap variabel cenderung mengikuti garis Z sehingga dapat
dikatakan normal.
Pengelompokan Faktor
Maksud dari penjelasan variabel oleh faktor adalah seberapa besar faktor
yang nantinya terbentuk mampu menjelaskan variabel. Untuk itu harus
dilihat tabel Communalities sebagai berikut: (Santoso, 2006: 41)
2.
3.
4.
5.
6.
7.
0,561
Agar lebih jelas variabel mana masuk ke faktor mana, bisa dilihat tabel
Rotated Component Matrix sebagai berikut:
2.
3.
Agen Pemerintah
Faktor 2:
1.
Agen Keluarga
2.
Agen Teman
3.
Agen Media
4.
Agen Agama
Sebagai langkah akhir dari penentuan faktor, maka dapat dilihat tabel
Component Transformation Matrix berikut:
2.
3.
1.
2.
3.
4.
menggambarkan kualitas layanan bank, antara lain faktor fitur layanan, fasilitas gedung,
keramahan karyawan, serta jaminan keamanan.
dibuktikan.
LANGKAH-LANGKAH
FAKTOR
MELAKUKAN
ANALISIS
1. Melakukan uji korelasi antar variabel asal dengan tujuan agar penyusutan variabel
analisis faktor menjadi lebih sederhana dan bermanfaat, tanpa kehilangan banyak
informasi
sebelumnya.
2. Uji kelayakan data (menggunakan basis faktor) apakah cocok dilakukan analisis
faktor.
3.
4.
Mencari
Mengurutkan
akar
akar
ciri
ciiri
yang
dan
matriks
terbentuk
dari
terbesar
atau
sampai
R.
terkecil.
5. Mencari proporsi keragaman atau berguna untuk mengetahui berapa faktor yang
akan
terbentuk.
6. Mengalokasikan setiap variabel asal kedalam faktor sesuai dengan nilai loading.
7. Apabila terdapat nilai loading yang identik atau hampir sama maka lakukan rotasi baik
dengan
cara
orthogonal
ataupun
non
orthogonal.
8. Setelah yakin dengan faktor yang terbentuk , maka berikan penamaan pada faktor
tersebut dengan cara melihat variabel-variabel apa saja yang menyusun faktor tersebut.
1. Principal component
Jumlah varian dalam data dipertimbangkan. Diagonal matrik korelasi terdiri dari angka
satu dan full variance dibawa dalam matriks faktor. Principal component
direkomendasikan jika hal yang pokok adalah menentukan bahwa banyaknya faktor
harus minimum dengan memperhitungkan varians maksimum dalam data untuk
dipergunakan di dalam analysis multivariate lebih lanjut.
1. Penentuan Apriori
Kadang karena peneliti sebelumnya sudah mengetahui berapa faktor yang digunakan
maka kita akan menentukan dulu berapa faktor yang akan digunakan.
Total
Variance
koefisien
skor
2. Karena data memiliki variasi yang besar (karena satuan dan rentang data yang
berbeda-beda),
maka
distandardisasi
terlebih
dahulu
dengan
3. Pada kolom Variable(s) masukkan semua variabel, lalu centang pilihan Save
standardized values as variables. Kemudian Pilih Menu Options maka akan
muncul tampilan berikut.
4. Beri
tanda
cek
pada Mean,
Deviation dan Variance, serta beri tanda cek pada Variable List pada Display
Order. kemudian Klik Continue. Maka akan muncul variabel baru seperti berikut.
2. Pilih
semua
variabel
sebagai
variabel
pada
3. Kemudian klik pada Extraction dan pastikan pilihan Analyze pada correlation
matrix dan pada bagian Display beri tanda cek pada kedua pilihan. Sebagai
kriteria
ekstaksi
(Extraction)
kita
akan
menggunakan
eigenvalue,
4. Klik Rotation lalu pilih Varimax dan pada Display pilih Rotated Solution. Klik
Continue
5. Klik Scores,
lalu
beri
tanda
cek Save
as
Regression dan Display factor score coefficient matrix, agar kita bisa melihat
nilai variabel/faktor baru yang terbentuk. Klik Continue.
6. Setelah itu klik OK, akan muncul kumpulan output yang siap diinterpretasi.
Intrepretasi
Deskripsi
Deskripsi Data
Correlation Matrix
Tabel Correlation Matrix merupakan tabel matriks korelasi yang berisi nilai-nilai korelasi
antara variabel-variabel yang akan dianalisis. Pada bagian Correlation dapat dilihat
besarnya korelasi antarvariabel. Sebagai contoh, korelasi antara variabel ibu tinggal di
desa dengan ibu yang bekerja sebesar -0,573 yang menunjukkan terdapat hubungan
yang cukup kuat dan negative. Artinya, semakin banyak persentase ibu yang tinggal di
desa, maka makin sedikit persentase ibu yang bekerja.
Kemudian pada baris sig.(1-tailed) menunjukkan signifikansi korelasi antara variabelvariabel tersebut. Korelasi antara variabel ibu tinggal di desa dengan ibu yang bekerja
signifikan, terlihat dari nilai p-value sebesar 0,001(<0.05) yang berarti terdapat memang
terdapat hubungan antara variabel ibu tinggal di desa dengan variabel ibu yang bekerja.
distandarisasi
menggunakan
matriks
korelasi
untuk
menghilangkan bias.
Analisis Inferensia
KMO dan Bartletts Test
Berdasarkan Bartletts Tes of Sphericity dengan Chi-Square 94,304 (df 45) dan nilai
sig = 0,000 < 0,05 menunjukkan bahwa matriks korelasi bukan merupakan matriks
identitas sehingga dapat dilakukan analisis komponen utama. Di samping itu,
Nilai KMO yang dihasilkan adalah sebesar 0.574 serta p-value sebesar 0,000 (<0,05) ,
nilai tersebut jatuh dalam kategori lebih dari cukup layak untuk kepentingan analisis
faktor. Oleh karena itu, variabel variabel dapat dianalisis lebih lanjut (AA
Afifi,1990:Dillon dan Goldstein,1984).
Selain pengecekan terhadap KMO and Bartlett test, dilakukan juga pengecekan Anti
Image matrices untuk mengetahui apakah variabel variabel secara parsial layak untuk
dianalisis dan tidak dikeluarkan dalam pengujian. Berdasarkan tabel di atas, terlihat
bahwa dari sepuluh variabel yang akan dianalisis, terdapat dua variabel yang memiliki
nilai MSA (dapat dilihat pada output yang bertanda a pada kolom Anti-Image Correlation)
< 0,5 yaitu variabel ibu tidak bekerja dan variabel bapak yang tidak bekerja. Karena ada
variabel yang nilai MSA nya < 0,5 , maka variabel tersebut tidak dapat dianalisis lebih
lanjut. Meskipun ada dua variabel yang nilai MSA nya < 0,5, namun kita tidak harus
membuang dua variabel sekaligu. Pilih salah satu variabel yang memiliki MSA terkecil,
yaitu bapak tidak bekerja sebesar 0,360 sehingga variabel tersebut dikeluarkan
dan dilakukan pengujian ulang terhadap kesembilan variabel lainnya seperti pada
cara di atas.
Setelah variabel bapak tidak bekerja dikeluarkan, maka nilai KMO meningkat menjadi
0,652 dan tingkat signifikansi 0,000.Pengurangan variabel yang tidak layak
meningkatkan nilai KMO sehingga cukup beralasan untuk melakukan pengurangan
tersebut Hal ini dapat menunjukkan bahwa kesembilan variabel tersebut lebih dari
cukup layak untuk dilakukan analisis faktor.
Communalities
Dari keseluruhan nilai dalam table communalities, diperoleh bahwa kesembilan variabel
awal mempunyai nilai communalities yang besar ( > 0.5). Hal ini dapat diartikan bahwa
keseluruhan variabel yang digunakan memiliki hubungan yang kuat dengan faktor yang
terbentuk. Dengan kata lain, semakin besar nilai dari communalities maka semakin baik
analisis faktor, karena semakin besar karakteristik variabel asal yang dapat diwakili oleh
faktor yang terbentuk.
1. Keeratan hubungan variabel ibu bekerja terhadap faktor yang terbentuk sebesar
0,811 artinya hubungan variabel ibu bekerja terhadap faktor yang terbentuk erat.
Atau dapat juga dikatakan kontribusi variabel ibu bekerja terhadap faktor yang
terbentuk sebesar 81,1 %.
2. Kemudian, keeratan hubungan variabel bapak yang pendidikannya SD ke bawah
sebesar 0,849 artinya hubungan variabel bapak yang pendidikannya SD ke
bawah terhadap faktor yang terbentuk erat. Atau dapat juga dikatakan kontribusi
variabel variabel bapak yang pendidikannya SD ke bawah terhadap faktor yang
terbentuk sebesar 84,9 %.
Proporsi keragaman data yang dijelaskan tiap komponen setelah dilakukan rotasi terlihat
lebih merata daripada sebelum dilakukan rotasi. Faktor pertama menerangkan
keragaman data dengan proporsi terbesar, yaitu 33,233 persen menurut metode
ekstraksi dengan analisis faktor (sebelum rotasi) dan dengan analisis faktor (setelah
rotasi) keragaman data awal dapat dijelaskan sebesar 26,841 persen. Kemudian untuk
faktor kedua menerangkan keragaman data awal dengan proporsi 23,554 persen
menurut metode ekstraksi dengan analisis faktor (sebelum rotasi) dan dengan analisis
faktor (setelah rotasi) keragaman data awal dapat dijelaskan sebesar 26,315 persen.
Sedangkan untuk faktor ketiga menerangkan keragaman sebesar 14,698 persen
sebelum dilakukan rotasi dan naik menjadi 18,328 persen setelah dirotasi.
Proporsi keragaman data yang lebih merata setelah dilakukan rotasi menunjukkan
keseragaman data awal yang dijelaskan oleh masing-masing faktor menjadi maksimum.
Scree Plot
Scree Plot adalah salah satu alternatif yang dapat digunakan untuk membantu peneliti
menentukan berapa banyak faktor terbentuk yang dapat mewakili keragaman peubah
peubah asal. Bila kurva masih curam, akan nada petunjuk untuh menambahkan
komponen. Bila kurva sudah landai, akan ada petunjuk untuk menghentikan
penambahan komponen, walaupun penilaian curam/landai bersifat subjektif peneliti. Dari
scree plot di atas, terlihat pada saat satu komponen terbentuk, kurva masih
menunjukkan kecuraman, begitu juga pada saat di titik ke-2, garis kurva masih tajam, di
titik ke-3 garis kurva masih tajam namun sedikit berbeda dari pola kedua garis
sebelumnya. Setelah melewati titik ke-3, garis kurva sudah mulai landai, semakin ke
kanan akan semakin landai. Dari penjelasan di atas, dapat kita tarik kesimpulan bahwa
terdapat tiga komponen atau faktor yang terbentuk.
Table component matrix menunjukkan besarnya korelasi tiap variabel dalam faktor yang
terbentuk. Nilai nilai koefisien korelasi antara variabel dengan faktor - faktor yang
terbentuk (loading factor) dapat dilihat pada table Component Matrix. Ketiga faktor
tersebut menghasilkan matrik loading faktor yang nilai-nilainya merupakan koefisien
korelasi antara variabel dengan faktor-faktor tersebut. Bila dilihat variabel variabel yang
berkorelasi terhadap setiap faktornya, ternyata loading faktor yang dihasilkan belum
mampu memberikan arti sebagaimana yang diharapkan. Hal ini terlihat dari variabel ibu
yang tidak punya KMS dimana korelasi variabel ini dengan faktor 1 sebesar 0,609,
sedangkan dengan faktor 2 sebesar -0,508 (tanda negative hanya menunjukkan arah
korelasi), sehingga kita sulit untuk memutuskan apakah variabel ibu tidak punya KMS
dimasukkan ke faktor 1 atau faktor 2. Tiap faktor belum dapat diinterpretasikan dengan
jelas sehingga perlu dilakukan rotasi dengan metode varimax. Rotasi varimax adalah
rotasi orthogonal yang membuat jumlah varian faktor loading dalam masing-masing
faktor akan menjadi maksimum, dimana nantinya peubah asal hanya akan mempunyai
korelasi yang tinggi dan kuat dengan faktor tertentu saja (korelasinya mendekati 1) dan
tentunya memiliki korelasi yang lemah dengan faktor yang lainnya (korelasinya
mendekati 0). Hal yang demikian belum tercapai pada table component matrix diatas.
Setelah dilakukan rotasi faktor dengan metode varimax, diperoleh table seperti yang
tertera di atas yaitu Rotated Component Matrix. Terdapat perbedaan nilai korelasi
variabel dengan setiap faktor sebelum dan sesudah dilakukan rotasi varimax. Terlihat
bahwa loading faktor yang dirotasi telah memberikan arti sebagaimana yang diharapkan
dan setiap faktor sudah dapat diinterpretasikan dengan jelas. Terlihat pula bahwa setiap
variabel hanya berkorelasi kuat dengan salah satu faktor saja (tidak ada variabel yang
korelasinya < 0,5 di ketiga faktor). Dengan demikian, lebih tepat digunakan loading
faktor yang telah dirotasi sebab setiap faktor sudah dapat menjelaskan keragaman
variabel awal dengan tepat dan hasilnya adalah sebagai berikut
1. Faktor 1 , beberapa variabel yang memiliki korelasi yang kuat dengan faktor 1 ,
yaitu variabel ibu yang tinggal di desa, ibu yang mengakses koran, ibu yang
bekerja dan urutan anak.
2. Faktor 2, terdapat beberapa variabel yang memiliki korelasi yang kuat dengan
faktor 2 , yaitu variabel ibu yang mengakses radio, ibu yang mengakses TV, ibu
yang tidak punya KMS, dan bapak yang pendidikannya SD ke bawah.
3. Faktor 3, dalam faktor ini tiga variabel yang memiliki korelasi yang kuat dengan
faktor 3, yaitu variabel ibu yang pendidikannya SD ke bawah.
lengkapnya
bisa
didownload
disini
beserta
intrepretasi
Untuk
sedikit
materi
analisis faktor
analisis
faktor
bisa
dilihat
disini
gan.
teori