III PENGUKURAN VARIABEL LATEN Model CFA dan PCA

A. Pengukuran Variabel Laten Salah satu ciri dari pendekatan kuantitatif (mainstream) adalah data harus bersifat kuantitatif yang diperoleh melalui pengukuran. Penelitian di bidang ekonomi, manajemen, social, dan lain sebagainya sering melibatkan variabel yang tidak dapat diukur secara langsung, disebut variabel konstruks, laten, atau unobservable; misalnya kepuasan, motivasi dan lain sebagainya. Sehingga pengukuran variabel merupakan bagian yang sangat penting. Sebelum dilakukan pengukuran variabel, tentunya hal esensial yang harus dilakukan adalah menetapkan variabel-variabel apa saja yang akan diukur. Penentuannya didasarkan pada permasalahan dan hipotesis penelitian serta lingkungan dimana penelitian akan dilakukan. Hal demikian diharapkan dapat mempermudah identifikasi jenis-jenis variabel, yaitu variabel dependen, independen, confounding, dan lain sebagainya. Langkah penting dan paling awal dari proses pengukuran adalah membuat definisi operasional variabel (DOV). Definisi ini didasarkan pada tujuan penelitian dan teori-teori yang relevan. Landasan teori ini sangat penting, terutama untuk menjamin validitas isi (content validity) dari instrumen yang akan dikembangkan. Pengukuran variabel penelitian di bidang ekonomi manajemen, social, dan lain sebagainya umumnya dilakukan terhadap responden. Dengan demikian harus dapat diketahui secara pasti siapa respondennya, apa unit sampel (analisis)-nya, dan apa obyek penelitiannya. Misal penelitian dilakukan untuk mengetahui faktor-faktor apa yang mempengaruhi kinerja eksport industri kecil. Di dalam penelitian tersebut, obyeknya adalah industri kecil, unit analisis (sampel)-nya juga industri kecil, akan tetapi respondennya terdiri dari: (1) pemilik (pengukuran terhadap visi dan misi), (2) manajer (pengukuran terhadap operasional dan kinerja perusahaan) dan (3) karyawan (pengukuran terhadap tingkat kepuasan dan motivasi). 1. Konsep, Variabel dan Dimensi Hipotesis penelitian (mohon dibedakan dengan hipotesis statistik: H0 dan HA) berisikan hubungan atau keterkaitan antar konsep atau antar variabel. Bilamana hipotesis tersebut memuat aras hubungan atar konsep disebut hipotesis mayor, sedangkan jika memuat aras hubungan antar variabel disebut hipotesis minor. Konsep yang tertuang di dalam hipotesis bersifat unobservable atau berbentuk konstruks, sehingga di dalam pembuktian hipotesis memerlukan instrumen penelitian. Di sisi lain, juga terdapat beberapa variabel penelitian yang bersifat unobservable atau berbentuk konstruks, sehingga juga memerlukan instrumen penelitian, umumya berupa kuisioner. Komponen-komponen penyusun konsep secara struktur dapat dijelaskan sebagai berikut: (1) Konsep: tersusun atas partikular-partikular, dimana partikular ini disebut dengan variabel (2) Variabel: tersusun atas partikular-partikular, dimana partikular ini disebut dengan dimensi (3) Dimensi: tersusun atas partikular-partikular, dimana partikular ini disebut dengan indikator (4) Indikator: tersusun atas partikular-partikular, dimana partikular ini disebut dengan item.

Solimun Laboratorium Statistika FMIPA UB

21

KONSEP VARIABEL DIMENSI INDIKATOR ITEM

Gambar 1 KOMPONEN PENYUSUN KONSEP

Tentunya, di dalam realita penelitian, tidak sama persis dengan struktur tersebut. Kadang-kadang suatu penelitian hanya ingin membuktikan hipotesis minor, sehingga tidak ditemukan konsep. Di sisi lain, sering partikular yang terkandung di dalam variabel hanya berupa indikator, sehingga tidak ditemukan dimensi dan item. Instrumen penelitian, baik berupa kuisioner ataupun daftar isian, pada dasarnya adalah kumpulan kalimat yang mengandung makna sebagai stimuli terhadap responden, agar responden mampu memberikan respon terhadap item yang diukur. Namun demikian, jika partikular yang terkandung di dalam variabel hanya berupa indikator, maka kalimat stimuli pada instrumen penelitian adalah komponen indikator bersangkutan. 2. Pengukuran Variabel Banyak ahli yang menyatakan pengertian tentang pengukuran variabel, diantaranya adalah Davis dan Consenza (1993): A measurement scale can be defined as a device that is used to assign numbers to aspects of objects and events dan Malhotra (1996): Scaling is the process of placing the respondents on continum with respect to their attitude toward objects or events. Inti definisi dari para ahli tersebut, bahwa pengukuran adalah suatu proses kuantifikasi atribut (kualitatif) dari suatu materi atau obyek sehingga diperoleh angka (bilangan) menggunakan aturan tertentu. Dengan demikian bilamana aturannya diubah maka akan menghasilkan data yang berbeda, misal aturan skor 5 dan skor 11 akan menghasilkan data yang berbeda. Instrumen penelitian pada dasarnya adalah berupa perlengkapan untuk mendapatkan angka (kuantitatif) berdasarkan sikap, perlilaku, dan lain sebagainya dari responden terhadap obyek atau kejadian. Di dalam perancangan instrumen, terdapat suatu kegiatan yang cukup penting, yaitu menentukan skala yang akan digunakan. Teknik Pembuatan Skala yang banyak digunakan antara lain adalah Model Skala Likert dan Thurstone. Likert Scale: Respondent

Solimun Laboratorium Statistika FMIPA UB

22

indicates degree of agreement or disagreement with statement about attitude, object, person or event. Proses pengukuran variabel secara sederhana dapat dilihat pada uraian berikut. (1) Buat Definisi Operasional Variabel (DOV) Ada yang menyebut konseptualisasi, yaitu pemberian arti operasional terhadap variabel (ada yang dimulai dari konsep terlebih dahulu) yang tercantum di dalam hipotesis penelitian. Definisi ini didasarkan pada teori-teori yang sesuai, agar pengukuran bersifat valid secara isi (content validity). (2) Identifikasi Dimensi dari variabel sesuai DOV (optional), kemudian rumuskan definisi operasional masng-masing dimensi (3) Identifikasi Indikator (particular) dari setiap dimensi atau variabel, selanjutnya buat definisi operasional dari setiap indikator. (4) Identifikasi Item dari masing-masing indikator, kemudian buat definisi operasional setiap item. (5) Tetapkan sistem respon yang ingin diukur : affective domain (perasaan / sikap terhadap sesuatu), conative domain ( tendensi untuk bertingkah laku) atau cognitive domain (tahu atau tidak tahu). (6) Pilih model skala pengukuran yang akan digunakan: skala semantik diferensial, Likert atau skala kontinyu. (7) Susun item (pertanyaan) boleh negatif (unfavorable) atau positif (favorable), tidak direkomendasikan ada item netral (8) Tetapkan banyaknya respon pada setiap item : 3, 5, 7, 9 atau 11, yang banyak digunakan adalah 5 (9) Tetapkan skor pada setiap respon : 1 = sangat tidak setuju, 2 = setuju, 3 = tidak punya pilihan, 4 = setuju , 5 = sangat setuju (10) Asumsi : harus ada contimum (11) Banyaknya respon jawaban setiap item diusahakan sama (12) Skor yang telah diperoleh diubah menjadi skala (MSI dari Thurston atau Likert Scale) (13) Uji coba instrumen: uji validitas dan reliabilitas CONTOH : Pengukuran Variabel Perilaku Manajemen Definisi Operasional Variabel: Variabel perilaku manajemen merupakan proses spanning yang menunjukkan intensi manajemen untuk mencapai kesuksesan strategi, yang mencakup; orientasi tugas dan orientasi kompetisi, kemampuan penyelenggaraan internasionalisasi, upaya pengelola perguruan tinggi untuk mempertahankan keberlangsungan institusi, serta upaya meningkatkan kesejahteraan institusi dan anggotanya. Variabel perilaku manajemen diukur berdasarkan persepsi pengelola institusi pendidikan tinggi yang menjalin kerjasama dengan universitas asing terhadap perilaku manajemen pengelolaan pendidikan tinggi. Model skala pengukuran yang digunakan adalah Likert Scale, dengan rentang skor 1 (sangat tidak setuju) sampai dengan 5 (sangat setuju). Variabel perilaku manajemen ini diukur berdasarkan indikator: 1. Pelaksanaan tugas yang sudah direncanakan untuk diimplementasikan (Javalgi, et al., 2003; Winsted dan Patterson, 1998) 2. Kemampuan institusi untuk menyelenggarakan berbagai program yang berkaitan dengan kerjasama antar institusi (Javalgi, et al., 2003)

Solimun Laboratorium Statistika FMIPA UB

23

3. Orientasi dan motivasi untuk berkompetisi dengan institusi pendidikan tinggi di lingkungan lokal maupun di lingkungan internasional (Winsted dan Patterson, 1998) 4. Motivasi untuk mempertahankan keberlangsungan dan meningkatkan pertumbuhan institusi dalam jangka panjang (Winsted dan Patterson, 1998) 5. Motivasi untuk meningkatkan kesejahteraan institusi dan anggotanya (Winsted dan Patterson, 1998) Bentuk Instrumen : Pernyataan-pernyataan berikut ini berkaitan dengan keputusan Bapak/Ibu sebagai pengelola institusi terhadap kerjasama internasional yang diimplementasikan. Bapak/Ibu dimohon untuk mengungkapkan sejauh mana tingkat kesetujuan atau ketidaksetujuan Bapak/Ibu terhadap masing-masing pernyataan berikut dengan memberi tanda silang (X) pada pilihan jawaban yang tersedia, dengan ketentuan sebagai berikut: 1 2 3 4 5 No 1 = = = = = sangat tidak setuju tidak setuju ragu-ragu setuju sangat setuju Pernyataan STS TS RR Program kerjasama internasional sudah merupakan salah satu tugas Bapak/Ibu sebagai pengelola 1 2 3 institusi yang harus diimplementasikan Bapak/Ibu sebagai pengelola institusi secara rasioanal sudah melakukan perhitungan atas 1 2 3 kemampuan untuk mneyelenggarakan program kerjasama internasional Bapak/Ibu sebagai pengelola institusi mengimplementasikan program kerjasama 1 2 3 internasional dengan orientasi pengembangan kemampuan institusi untuk berkompetisi di lingkungan lokal dan internasional Bapak/Ibu sebagai pengelola institusi mengimplementasikan program kerjasama 1 2 3 internasional sebagai upaya institusi untuk mempertahankan keberlangsungan institusi dalam jangka panjang Bapak/Ibu sebagai pengelola institusi mengimplementasikan program kerjasama 1 2 3 internasional sebagai upaya institusi untuk meningkatkan kesejahteraan institusi dan anggotanya S 4 SS 5

Sumber: Semua contoh ini diambil dari Disertasi Benedictus Karno Budiprasetyo, dengan judul Pemasaran jasa Internasional berbasis sumberdaya yang terintegrasi dengan prespektif pengetahuan, Budaya dan institusional; Studi pada Institusi Pendidikan Tinggi Indonesia yang bekerja sama dengan Institusi pendidikan tinggi asing, Program Pascasarjana Universitas Brawijaya tahun 2006.

Solimun Laboratorium Statistika FMIPA UB

24

Uji Validitas dan Reliabilitas Instrumen Pada variabel fisik (kuantitatif), misal berat kering tanaman, lingkar leher sapi, diameter batang, kadar estrogen dan lain sebagainya, umumnya telah tersedia alat ukur standart. Agar alat ukur tersebut bersifat valid dan presisi selayaknya dilakukan kalibrasi sebelum digunakan untuk penelitian. Spesifikasi dan merek alat harus dinyatakan secara eksplisit. Pada variabel kualitatif, instrumen penelitian berupa kuisioner atau daftar isian juga harus valid dan reliabel. Untuk itu, uji coba instrumen merupakan langkah yang penting. Uji coba instrumen seharusnya memperhatikan: (a). Kondisi uji coba harus menjamin diperolehnya data yang benar-benar mencerminkan keadaan sebenarnya. (b). Dilakukan sekurang-kurangnya terhadap 30 responden. 1. Validitas Instrumen Validitas menunjukkan sejauh mana suatu alat ukur mampu mengukur apa yang ingin diukur. Data hasil uji coba instrumen digunakan untuk uji validitas instrrumen. Jenis-jenis validitas instrumen dapat dilihat pada uraian berikut: (a) Validitas isi: kadang-kadang disebut dengan face validity, ditentukan berdasarkan landasan teori dan atau pendapat pakar. (b) Validitas kriteria: diukur dengan cara menghitung korelasi antara skor masing-masing item dengan skor total menggunakan teknik korelasi product moment (metode interkorelasi). Menurut Masrun (1979), bilamana koefisien korelasi positif dan > 0.3 maka indikator bersangkutan dianggap valid. Perhitungan koefisien korelasi dapat dilakukan dengan software SPSS (c) Validitas unidimensionalitas: diukur dengan Goodness of Fit Index (GFI), bilamana GFI > 0.90 maka instrumen bersangkutan dikatakan valid (Hair et. al., 1992). Perhitungan GFI dapat dilakukan dengan software LISREL 8.30 atau AMOS Rel. 4.01. Atau dapat diukur dengan analsis faktor konfirmatori, yaitu jika terdapat F1 (satu) faktor yang bermakna (eigen value >1 atau keragaman komulatif sekitar 75 %). 2. Reliabilitas Instrumen Reliabilitas adalah ukuran yang menunjukkan sejauh mana suatu alat pengukur dapat dipercaya atau dapat diandalkan. Terdapat beberapa jenis ukuran reliabilitas: test re test, alternative-forms dan internal consistency. Salah satu ukuran reliabilitas internal consistency adalah koefisien Alpha Cronbach, dimana jika > 0,6 menunjukkan instrumen tersebut reliabel (Malhotra, 1992). Perhitungan koefisien alpha Cronbach dilakukan dengan software SPSS. Di bawah ini diberikan contoh perhitungan uji validitas dan reliabilitas menggunakan SPSS. Misal untuk mengukur variabel sumber daya manusia dikembangkan instrumen penelitian dengan 3 indikator, yaitu X11, X12, dan X13. Pengukuran dengan menerapkan Model Likert dengan 5 skor, yaitu 1 = sangat tidak setuju, 2 = setuju, 3 = netral, 4 = setuju , 5 = sangat setuju. Responden yang diukur sebanyak 50 orang dan data hasil pengukuran (data simulasi) diberikan pada Tabel 3.1 sebagai berikut.

Solimun Laboratorium Statistika FMIPA UB

25

Tabel 1 DATA SKOR: INDIKATOR DARI VARIABEL MOTIVASI

Responden 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Sumber Daya Manusia X11 X12 X13 2 4 3 1 2 2 4 4 2 3 4 3 2 2 3 4 2 4 4 4 3 1 1 1 2 2 1 3 5 5 3 4 4 2 4 5 5 2 4 2 4 2 4 4 4 1 4 2 1 4 1 2 2 4 1 2 1 1 3 3 4 4 5 2 2 2 2 2 2 2 1 1 5 4 5 Responden 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 X11 4 5 2 3 5 1 2 2 5 2 1 2 1 2 2 2 3 3 2 3 1 1 2 1 5 Motivasi X12 3 5 4 3 5 3 4 2 1 4 4 4 1 3 3 4 3 5 2 4 2 3 4 2 4 X13 5 5 4 5 4 3 3 4 3 3 2 3 3 3 2 5 3 3 3 5 3 3 4 2 3

Hasil analisis uji validitas instrumen diberikan sebagai berikut: (1) Validitas unidimensionalitas

Total Variance Explained Initial Eigenvalues % of Variance Cumulative % 61.371 61.371 23.389 84.760 15.240 100.000 Extraction Sums of Squared Loadings Total % of Variance Cumulative % 1.841 61.371 61.371

Component 1 2 3

Total 1.841 .702 .457

Extraction Method: Principal Component Analysis.

Hasil analisis menunjukkan hanya component 1 yang signifikan (Initial eigenvalues) >1, dengan demikian instrumen penelitian dikatakan valid unidimensionalitas.

Solimun Laboratorium Statistika FMIPA UB

26

(2) Validitas kriteria

Correlations X11 X11 Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N 1 50 .311* .028 50 .523** .000 50 .800** .000 50 X12 .311* .028 50 1 50 .419** .002 50 .717** .000 50 X13 Total_X1 .523** .800** .000 .000 50 50 .419** .717** .002 .000 50 50 1 .828** .000 50 50 .828** 1 .000 50 50

X12

X13

Total_X1

*. Correlation is significant at the 0.05 level (2-tailed). **. Correlation is significant at the 0.01 level (2-tailed).

Koefisien korelasi antara SDM (berupa total dari seluruh indikator) dengan setiap indkator (X11, X12, dan X13) yaitu sebesar 0,800; 0,717; dan 0,828 semuanya di atas 0,3 sehinga dapat dikatakan instrumen penelitian valid kriteria. Hasil analisis uji reliabilitas instrumen diberikan sebagai berikut:
Reliability Statistics Cronbach's Alpha .683 N of Items 3

Hasil analisis = 0,683, mengingat > 0,60 maka dikatakan instrumen penelitian reliabel. Hasil pengukuran variabel bisa berupa data ordinal atau mendekati interval. Bilamana hasil pengukuran berupa data ordinal, maka analisis yang tepat adalah nonparametrik, sedangkan jika interval dapat dilakukan dengan analisis parametrik (regresi, analisis path, SEM, dan lain-lain). Beberapa rujukan yang dapat digunakan, agar pengukuran dapat menghasilkan data interval diberikan sebagai berikut. Menurut Sharma (1996), hasil pengukuran akan menghasilkan skala interval (interval scale), jika the differences between the successive categories are equal Sedangkan Sekaran (1992), secara eksplisit mengemukakan bahwa Skala Likert dapat menghasilkan data interval.

Solimun Laboratorium Statistika FMIPA UB

27

B. DATA Variabel Latent Seperti telah dibicarakan sebelumnya, bahwa penelitian di bidang ekonomi dan sosial sering melibatkan variabel yang tidak dapat diukur secara langsung, disebut variabel latent atau unobservable; misalnya kepuasan, motivasi dan lain sebagainya. Pengukuran variabel laten menggunakan instrumen berupa kuisioner akan menghasilkan data dari setiap indikator atau data dari setiap item. Oleh karena itu, indikator atau item sering disamakan dengan variabel manifest atau variabel observable. Untuk memperoleh data dari variabel latent atau variabel unobservable dapat dilakukan dengan beberapa cara, antara lain: 1. Metode Total Skor 2. Metode Rata-Rata Skor 3. Metode Rescoring 4. Metode Indikator Terkuat 5. Metode Skor Faktor 6. Metode Skor Komponen Utama Metode pertama berarti menjumlahkan skor semua indikator, shingga diperoleh data total skor yang merupakan data variabel laten bersangkutan. Sedangkan metode kedua menggunakan rata-rata skor indikator. Sebagai ilustrasi digunakan data rekaan di bawah ini (menggunakan skala Likert 1 sampai 5). Indikator 1 2 3 1 1 2 3 2 1 2 2 Indikator 2 3 5 2 3 4 4 2 3 1 5 Indikator 3 2 3 1 3 5 4 5 4 1 3 Variabel Laten (Total Skor) 7 11 4 7 11 11 9 8 4 10 Variabel Laten (Rata-rata Skor) 2.33 3.67 1.33 2.33 3.67 3.67 3.00 2.67 1.33 3.33

Metode ketiga adalah rescoring. Metode ini merubah total skor menjadi skala awal (1 sampai 5). Caranya adalah, untuk data di atas, sebagai berikut: Nilai minimal skor total yang mungkin adalah 3 Nilai maksimal skor total yang mungkin adalah 15 Range = 15 3 = 12 Interval kelas (banyaknya skor awal, 1 sampai 5) adalah 5 Lebar interval kelas = 12/5 = 2.4 Rescoring bernilai 1 jika nilai skor total antara 3 sampai (3 + 2.4) = 5.4 Rescoring bernilai 2 jika nilai skor total antara >5.4 sampai (5.4 + 2.4) = 7.8 Rescoring bernilai 3 jika nilai skor total antara >7.8 sampai 10.2 Rescoring bernilai 4 jika nilai skor total antara >10.2 sampai 12.6 Rescoring bernilai 5 jika nilai skor total antara >12.6 sampai 15

Solimun Laboratorium Statistika FMIPA UB

28

Indikator 1 2 3 1 1 2 3 2 1 2 2

Indikator 2 3 5 2 3 4 4 2 3 1 5

Indikator 3 2 3 1 3 5 4 5 4 1 3

Variabel Laten (Total Skor) 7 11 4 7 11 11 9 8 4 10

Variabel Laten (Rescoring) 2 4 1 2 4 4 3 3 1 3

Untuk observasi pertama, nilai skor total adalah 7, di mana 7 berada pada selang rescoring 2, yaitu >5.4 sampai 7.8. Demikian seterusnya. Ketiga metode ini bersifat setiap indikator dipandang memiliki bobot yang sama, dan informasi 100% terpakai atau tercakup dalam variabel latent. Metode keempat adalah menggunakan indikator terkuat. Indikator terkuat diperoleh dari hasil korelasi antar masing-masing indikator dengan total skor. Indikator yang memiliki korelasi terbesar dipandang sebagai indikator terkuat dan digunakan untuk mewakili variabel latent. Nilai korelasi antara setiap indikator dengan total skor:
Correlations INDIKAT1 Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N INDIKAT1 1 . 10 .480 .160 10 .218 .545 10 .625 .053 10 INDIKAT2 INDIKAT3 SKOR_TOT .480 .218 .625 .160 .545 .053 10 10 10 1 .396 .832** . .257 .003 10 10 10 .396 1 .790** .257 . .007 10 10 10 .832** .790** 1 .003 .007 . 10 10 10

INDIKAT2

INDIKAT3

SKOR_TOT

**. Correlation is significant at the 0.01 level (2-tailed).

Dari hasil analisis tersebut diperoleh nilai korelasi antara indikator 1 dengan skor total adalah 0.625, indikator 2 dengan skor total adalah 0.832 dan indikator 3 dengan skor total adalah 0.790. Indikator yang memiliki korelasi tertinggi adalah indikator 2 (0.832), sehingga variabel latent yang digunakan menggunakan skor indikator 2.

Solimun Laboratorium Statistika FMIPA UB

29

Indikator 1 2 3 1 1 2 3 2 1 2 2

Indikator 2 3 5 2 3 4 4 2 3 1 5

Indikator 3 2 3 1 3 5 4 5 4 1 3

Variabel Laten (Indikator 2) 3 5 2 3 4 4 2 3 1 5

Metode kelima dan keenam adalah menggunakan analisis faktor dan analisis komponen utama. Metode ini menghasilkan skor faktor dan skor komponen utama, yang dijadikan sebagai data untuk variabel latent. Kedua metode ini berbeda dengan ketiga metode pertama yaitu bobot masing-masing indikator adalah berbeda, dan tidak 100% informasi terpakai atau tercakup. Kedua metode terakhir ini akan dijelaskan pada sub bab tersendiri pada bab ini. Perbedaan masing-masing metode dapat dilihat dari gambar berikut:

Indikator 1 Indikator 2 Indikator 3 Konstruk dengan Analisis Faktor Laten 1

Indikator 1 Indikator 2 Indikator 3 Konstruk dengan Analisis Komponen Utama Laten 1

Gambar 2 PERBANDINGAN ANTARA KONSTRUK DENGAN ANALISIS FAKTOR DAN ANALISIS KOMPONEN UTAMA Pada kedua gambar tampak terlihat perbedaan terletak bagaimana arah hubungan antara variabel laten dengan indikator. Pada analisis faktor, masing-masing variabel indikator adalah fungsi dari variabel latent, sedangkan pada analisis komponen utama, variabel latent adalah fungsi dari seluruh variabel indikator. Konstruk dengan analisis faktor menganggap bahwa variabel latent adalah refleksi dari sejumlah indikator, sedangkan konstruk dengan analisis komponen utama menganggap bahwa variabel latent dibentuk (formasi) dari sejumlah indikator. Oleh karena itu, pembentukan variabel latent menggunakan analisis faktor dinamakan bentuk reflektif, sedangkan pembentukan variabel latent menggunakan analisis komponen utama dinamakan bentuk formatif.

Solimun Laboratorium Statistika FMIPA UB

30

1. Analisis Faktor Analisis faktor merupakan salah satu teknik analisis statistika yang banyak digunakan dalam penelitian bidang sosial, ekonomi, pendidikan, manajemen dan psikologi. Perkembangan aplikasinya saat ini sudah sampai pada bidang-bidang penelitian eksakta, misalnya pertanian (agrokompleks), biologi, teknik, dan kedokteran. Analisis ini merupakan salah satu dari Analisis Peubah Ganda (Multivariate Analysis). Analisis faktor merupakan salah satu dari analisis ketergantungan (interdependensi) antar variabel. Prinsip dasar analisis faktor adalah mengekstraksi sejumlah faktor bersama (common factors) dari gugusan variabel asal X1, X2, , Xp, sehingga: a. Banyaknya faktor lebih sedikit dibandingkan dengan banyaknya variabel asal X. b. Sebagian besar informasi (ragam) variabel asal X, tersimpan dalam sejumlah faktor. Agar terjadi kesamaan persepsi, untuk selanjutnya faktor digunakan untuk menyebut faktor bersama. Faktor ini merupakan variabel baru, yang bersifat unobservable atau variabel latent atau variabel konstruks. Sedangkan variabel asal (X), merupakan variabel yang dapat diukur atau dapat diamati, sehingga sering disebut sebagai observable variable atau variabel manifest atau indikator. Salah satu tujuan dari analisis faktor adalah mereduksi jumlah variabel dengan cara mirip seperti pengelompokkan variabel. Di dalam analisis faktor, variabel-variabel dikelompokkan berdasarkan korelasinya. Variabel yang berkorelasi tinggi akan berada dalam kelompok tertentu membentuk suatu faktor, sedangkan dengan variabel dalam kelompok (faktor) lain mempunyai korelasi yang relatif kecil. Di dalam berbagai penelitian sosial, ekonomi, psikologi, pendidikan, dan lain sebagainya, kebanyakan variabel yang menjadi perhatian peneliti tidak dapat diamati atau diukur secara langsung. Dengan demikian, dikembangkan beberapa indikator untuk mengukur variabel tersebut. Pengelompokkan indikator-indikator dapat berguna untuk menentukan dimensi-dimensi dari variabel tersebut. Faktor dalam hal ini merupakan hasil pengelompokkan indikator, di dalam penelitian sosial, ekonomi, psikologi, atau pendidikan merupakan dimensi (variabel) yang tidak dapat diamati secara langsung. Kegunaan analisis faktor : 1. Mengekstraks unobservable variable (latent variabel) dari manifest variable atau indikator. Atau mereduksi variabel menjadi variabel baru yang jumlahnya lebih sedikit. 2. Mempermudah interpretasi hasil analisis, sehingga didapatkan informasi yang realistik dan sangat berguna. 3. Pengelempokan dan pemetaan obyek (mapping dan clustering) berdasarkan karakteristik yang terkandung di dalam faktor. 4. Pemeriksaan validitas dan reliabilitas instrumen penelitian (berupa kuisioner). 5. Dengan diperolehnya skor faktor, maka analisis faktor merupakan langkah awal (sebagai data input) dari berbagai metode analisis data yang lain, misal analisis diskriminan, analisis regresi, cluster analisis, ANOVA, MANCOVA, Analisis Path, Model Struktural, MDS, dan lain sebagainya. a. Konsep Dasar Misal terdapat variabel X1, X2, , Xp yang menyebar normal dengan vektor nilai tengah dan var-cov matrix ,
X N p ( , )

Solimun Laboratorium Statistika FMIPA UB

31

maka dapat dibuat model X1 = c11 F1 + c12 F2 + . . . + c1p Fp + 1 X2 = c21 F1 + c22 F2 + . . . + c2p Fp + 2 . . . Xp = cp1 F1 + cp2 F2 + . . . + cpp Fp + p Dalam bentuk catatan matiks dituliskan sebagai berikut : X=cF+ Untuk mendapatkan gambaran yang jelas, dapat dilihat pada ilustrasi berikut. Misal terdapat variabel-variabel X1= nilai pelajaran Matematika, X2 = nilai pelajaran Fisika, X3 = nilai Geografi, X4 = nilai pelajaran PPKN dan X5 = nilai Sejarah. Seandainya terdapat data dari 50 siswa, dan setelah dilakukan analisis diperoleh hasil analisis faktor dengan loading sebagai berikut : X1 = 0.03 F1 + 0.94 F2 + 0.46 F3 + 0.85 F4 + 0.32 F5 + 1 X2 = 0.16 F1 + 0.90 F2 + 0.78 F3 + 0.25 F4 + 0.65 F5 + 2 X3 = 0.76 F1 + 0.24 F2 + 0.03 F3 + 0.29 F4 + 0.73 F5 + 3 X4 = 0.84 F1 + 0.15 F2 + 0.64 F3 + 0.82 F4 + 0.13 F5 + 4 X5 = 0.95 F1 + 0.13 F2 + 0.25 F3 + 0.73 F4 + 0.86 F5 + 5 dalam hal ini : Fj = Faktor bersaman ke j cij = bobot (loading) dari variabel ke i pada faktor ke j, yang menunjukkan pentingnya faktor ke j dalam komposisi dari variabel ke i. j = galat (erorr) atau faktor spesifik Faktor yang eigen value-nya lebih besar dari satu ( > 1) misalkan hanya dua, yaitu F1 dan F2, sehingga diputuskan hanya ada 2 faktor yang bermakna (hal ini akan dibahas pada uraian berikutnya). Untuk dapat melakukan interpretasi terhadap F1 dan F2, perhatikan besar loading dari faktor-faktor tersebut pada masing-masing variabel. Pada F1, loading untuk X1 dan X2 kecil, sedangkan loading X3, X4 dan X5 besar, sehingga F1 dapat kita interpretasikan sebagai faktor kemampuan menghafal. Di sisi lain F2 dapat diinterpretasikan sebagai faktor kemampuan logika, karena loading faktor untuk X1 dan X2 besar, sedangkan loading X3, X4 dan X5 kecil, hal ini mengingat X1 dan X2 adalah nilai Matematika dan Fisika yang sangat membutuhkan logika tinggi. Sementara F3 dan F4 diabaikan, mengingat eigen value-nya dimisalkan lebih kecil dari satu ( < 1). Walaupun kecil, pelajaran Sejarah juga membutuhkan komponen kemampuan logika, sehingga faktor logika ini dimiliki secara bersama-sama oleh seluruh variabel X, oleh karena itu disebut sebagai faktor bersama (common factor). Nilai pelajaran Sejarah, di samping ditentukan oleh komponen menghafal dan logika, juga masih ditentukan oleh faktor lain, misalnya keberuntungan karena soal-soal yang dipelajari keluar dalam ujian, faktor ini disebut dengan faktor spesifik, dan dilambangkan dengan . Metode pendugaan pembobot (loading) dalam analisis faktor, antara lain adalah metode kemungkinan maksimum (MLE = maximum likelihood estimation) dan solusi principle component analysis (PCA). Data input untuk PCA dapat berupa matriks kovarians

Solimun Laboratorium Statistika FMIPA UB

32

(S) atau matriks korelasi (R). Matriks kovarians digunakan bilamana unit satuan dari seluruh variabel yang akan dinanalisis adalah sama, dan bilamana tidak digunakan R. Dari R atau S diperoleh j (eigen value) dan aj (eigen vextor) yang berpadanan, di dalam PCA aj merupakan pembobot atau loading komponen pokok. Pembobot atau loading faktor adalah : cj =
j aj

b. Hal-hal yang Berkaitan dengan Analisis Faktor 1. Ragam Variabel Asal (X) Ragam variabel X di dalam analisis faktor dapat dipilah menjadi dua komponen, yaitu komunalitas ( hi2 ) dan i .
2 2 Var(Xi) = ci2 1 + ci 2 + ... + cip + i

atau
2 Var(Xi) = hi2 + i ; hi2 = cij j

disebut komunalitas (comunality) yang menunjukkan proporsi ragam X yang Komponen dapat dijelaskan oleh p faktor bersama. Komponen i merupakan proporsi ragam dari X yang disebabkan oleh faktor spesifik dan atau galat (error). Besarnya ragam Xi yang dapat dijelaskan oleh Fj, adalah : Var(Xi) yang dijelaskan Fj =
2 cij 2 cij i

hi2

x 100 %

2. Faktor Bermakna Bilamana pendugaan loading faktor (cij) menggunakan solusi PCA, maka indikator dan kriteria yang berlaku pada PCA juga berlaku untuk Analisis Faktor. Faktor yang dipertimbangkan bermakna adalah bilamana eigen value-nya lebih besar satu ( 1 ) dan atau keragaman komulatifnya kira-kira 75 %. 3. Peranan Faktor Banyaknya faktor yang bermakna, selain menggunakan indikator eigen value dan proporsi keragam komulatif, juga dapat diperiksa melalui peranan faktor. Peranan Fj dalam menjelaskan keragam total data, diberikan sebagai berikut : Bilamana input data berupa matiks ragam-peragam, Peranan F j =
tr (S )
cij i

x 100 % ; S = var-cov matrix

Bilamana input data berupa matiks ragam-peragam,

Fj =
cij i

x 100 % ; p = banyaknya variabel yang dianalisis

4. Peragam antara X dengan F Peragam antara Xi dengan Fi diberikan sebagai berikut :

Cov( X i F j ) = cij

Solimun Laboratorium Statistika FMIPA UB

33

Sehingga pembobot (loading) faktor dapat digunakan untuk melakukan interpretasi terhadap setiap faktor yang bermakna. Faktor dengan loading besar berarti merupakan komponen penyusun terbesar dari variabel bersangkutan, sedangkan tanda (positif atau negatif) menunjukkan arah. Dengan demikian faktor sebagai variabel baru atau latent variable dapat diketahui merupakan variabel laten apa atau variabel baru apa? Contoh kongkritnya dapat dilihat pada ilustrasi sebelumnya, yaitu analisis faktor terhadap nilai mata pelajaran Matematika, Fisika, Geografi, PPKN, dan Sejarah. 5. Skor Faktor Sering kali analisis faktor merupakan analisis awal dari suatu permasalahan dalam penelitian, yaitu upaya mendapatkan variabel baru atau variabel laten. Untuk selanjutnya dapat dilakukan analisis dengan berbagai metode, misalnya model struktural, analisis diskriminan, analisis cluster, analisis konjoin, MDS atau MANOVA atau lainnya. Dengan demikian, variabel laten tersebut harus ada datanya, yaitu merupakan skor faktor. Bilamana matriks input data adalah S, maka skor faktor dihitung dengan rumus : S-Fa = cS-1(xj - x ) Bilamana matriks input data adalah R, maka skor faktor dihitung dengan rumus : S-Fa = cR-1Zj . Di dalam analisis faktor terdapat dua pembahasan, yaitu analisis faktor eksploratori dan konfirmatori.

Analisis Faktor Konfirmatori

Misalnya kita ingin mengukur Ability dan Aspiration dari karyawan. Kedua variabel tersebut bersifat unobservable, sehingga perlu dikembangkan indikator sebagai pengukurnya. Untuk mengukur Ability dikembangkan 4 indikator, yaitu X1 s/d X4, dan untuk mengukur Aspiration dibuat dua indikator, yaitu X5 dan X6. Permasalahannya : Apakah benar X1 s/d X4 merupakan pengukur Ability yang valid dan reliabel ? Demikian juga : Apakah benar X5 dan X6 merupakan alat ukur Aspiration yang valid dan reliabel ? Untuk itu, perlu dilakukan konfirmasi lebih lanjut, yaitu memeriksa validitas dan reliabilitasnya. Hal ini dapat dilakukan dengan Analisis Faktor, sehingga dinamakan Analisis Faktor Konfirmatori. Jadi pada prinsipnya kita hanya akan melakukan konfirmasi berdasarkan teori atau konsep yang sudah ada terhadap keakuratan (valid dan reliable) instrumen yang kita buat. Secara visual dapat dilihat pada gambar berikut.

Faktor yang harus terbentuk = 2 Faktor I = Ability Faktor II = Aspiration

Untuk lebih memperjelas aplikasinya, dapt dilihat ilustrasi berikut.

Solimun Laboratorium Statistika FMIPA UB

34

ILUSTRASI
Suatu penelitian dilakukan dengan tujuan untuk mengetahui karakteristik karyawan. Bilamana terdapat beberapa kelompok karaktersitik, maka pada setiap kelompok ingin diketahui faktor apa yang dominan berpengaruh terhadap kinerjanya (perform). Variabel yang diamati adalah pengembangan karir, kepuasan kerja dan kinerja karyawan. Instrumen penelitian untuk mengukur variabel-variable tersebut adalah sebagai berikut.

Instrumen Penelitian
Lingkari salah satu jawaban yang dianggap paling tepat, dengan bobot penilaian sbb :
1. sangat tidak setuju, 2. tidak setuju, 3.Netral, 4. setuju, 5. sangat setuju

Pengembangan Karier ( X1)

Skor Pilihan
1 2 3 4 5

Jabatan/tugas yang bapak/ibu emban memerlukan peningkatan kemampuan /ketrampilan melalui Diklat. Tingkat kemampuan karyawan dapat diukur dengan lamanya masa kerja. Daftar urutan kepangkatan (DUK) adalah metode yang paling tepat untuk syarat promosi jabatan karyawan (naik jabatan). Pimpinan memberi dorongan kepada bapak/ibu untuk studi lanjut, agar bisa menunjang peningkatan karir Pimpinan memberi penghargaan terhadap prestasi bapak/ibu. Kepuasan Kerja Karyawan (Y1)

1 1 1 1 1

2 2 2 2 2

3 3 3 3 3

4 4 4 4 4

5 5 5 5 5

1 2 3 4 5

Tugas/jabatan yang sedang bapak/ibu jalani menyenangkan. Dalam tugas sehari-hari atasan selalu memberikan arahan yang berkaitan dengan tugas bapak/ibu. Prestasi bapak/ibu di tempat kerja sangat memungkinkan untuk mendapat peluang promosi jabatan (kenaikan jabatan). Kondisi kerja bapak/ibu sangat kondusif dan menyenangkan. Rekan sekerja bapak/ibu selalu mendukung pelaksanaan tugas yang sedang bapak/ibu jalani.

1 1 1 1 1

2 2 2 2 2

3 3 3 3 3

4 4 4 4 4

5 5 5 5 5

1 2 3 4 5

Kinerja Karyawan (Y2) Bapak/ibu dapat menyelesaikan tugas dengan tingkat ketelitian yang tinggi. Setiap hari bapak/ibu dapat menyeleseikan tugas pada hari itu juga, tidak menunggu hari esok. Setiap hari bapak/ibu bisa hadir di kantor sesuai dengan waktu yang ditentukan. Bila meninggalkan kantor pada jam dinas untuk kepentingan pribadi, bapak/ibu minta ijin kepada atasan. Setiap mengakhiri pelaksanaan tugas, bapak/ibu membuat laporan tertulis/lisan kepada atasan.

1 1 1 1 1

2 2 2 2 2

3 3 3 3 3

4 4 4 4 4

5 5 5 5 5

Solimun Laboratorium Statistika FMIPA UB

35

Data yang diperoleh seperti tersimpan dalam lember kerja softwrae SPSS. Indikator dari variabel pengembangan karir, dilakukan analisis faktor hasilnya (sebagian output SPSS) disajikan sebagai berikut.
Communalities X1.1 X1.2 X1.3 X1.4 X1.5 Initial 1.000 1.000 1.000 1.000 1.000 Extraction .332 .710 .501 .666 .722

Extraction Method: Principal Component Analysis.

Total Variance Explained Initial Eigenvalues % of Variance Cumulative % 36.407 36.407 22.199 58.606 17.944 76.550 15.201 91.752 8.248 100.000 Extraction Sums of Squared Loadings Total % of Variance Cumulative % 1.820 36.407 36.407 1.110 22.199 58.606

Component 1 2 3 4 5

Total 1.820 1.110 .897 .760 .412

Extraction Method: Principal Component Analysis.

a Component Matrix

X1.1 X1.2 X1.3 X1.4 X1.5

Component 1 2 -.377 .435 .189 .821 .553 .442 .788 -.210 .846 -.083

Extraction Method: Principal Component Analysis. a. 2 components extracted.

Hasil analisis faktor menunjukkan bahwa pada terdapat 2 faktor yang memiliki eigen value > 1, sehingga dapat dikatakan terdapat dua faktor yang signifikan. Hal ini menunjukkan bahwa instrumen untuk mengukur variabel pengembangan karir tidak valid (unidinemsional). Setelah ditelusuri ternyata indikator X1.1 dan X1.2 memiliki loading faktor yang besar pada faktor 2 (di dalam oput komputer disebut componetn 2). Indikator inilah yang menyebabkan instrumen tidak valid. Oleh karena itu, salah satu cara yang dapat dilakukan adalah dengan cara membuang indikator tersebut.

Solimun Laboratorium Statistika FMIPA UB

36

Communalities X1.3 X1.4 X1.5 Initial 1.000 1.000 1.000 Extraction .310 .689 .729

Extraction Method: Principal Component Analysis.

Total Variance Explained Initial Eigenvalues % of Variance Cumulative % 57.612 57.612 28.133 85.745 14.255 100.000 Extraction Sums of Squared Loadings Total % of Variance Cumulative % 1.728 57.612 57.612

Component 1 2 3

Total 1.728 .844 .428

Extraction Method: Principal Component Analysis.

a Component Matrix

X1.3 X1.4 X1.5

Compone nt 1 .557 .830 .854

Extraction Method: Principal Component Analysis. a. 1 components extracted.

Hasil analisis faktor menunjukkan bahwa hanya ada satu faktor yang nilai eigen valuenya > 1. Dengan demikian instrumen dianggap valid (unidimensional), kemudian skor faktor disimapan, dan itulah wujud dari data pengembangan karir sebagai variabel komposit. Dilihat dari besarnya loading faktor, maka indikator X1.5 adalah tertiggi, hal ini menunjukkan bahwa pengembangan karir paling besar (dominan) ditentukan oleh X1.5 (penghargaan dari pimpinan terhadap prestasi karyawan). Data ini selanjutnya dapat digunakan untuk berbagai analisis lanjutan, regresi, cluster, analisis jalur, dll.

Solimun Laboratorium Statistika FMIPA UB

37

2. Analisis Komponen Utama Analisis Komponen Utama atau Principle Component Analysis bermula dari tulisan Karl Pearson pada tahun 1901 untuk variabel non-stokastik. Analisis ini kemudian dirampatkan untuk variabel stokastik oleh Harold Hotelling pada tahun 1933. Analisis ini merupakan analisis tertua dan banyak digunakan dalam analisis multivariat. Perhitungan dalam analisis ini pada waktu tersebut merupakan pekerjaan yang sukar walaupun hanya menggunakan beberapa variabel. Analisis ini baru berkembang penggunaannya setelah tersedianya fasilitas komputasi elektronik. Analisis Komponen Utama biasanya digunakan untuk: (1) Identifikasi variabel baru yang mendasari data multi variabel (2) Mengurangi banyaknya dimensi himpunan variabel yang biasanya terdiri atas variabel yang banyak dan saling berkorelasi menjadi variabel-variabel baru yang tidak berkorelasi dengan mempertahankan sebanyak mungkin keragaman dalam himpunan data tersebut (3) Menghilangkan variabel-variabel asal yang mempuyai sumbangan informasi yang relatif kecil. (1) (2) (3) (4) Variabel baru yang di maksud di atas disebut komponen utama, yang berciri Merupakan kombinasi linier variabel-variabel asal Jumlah kuadrat koefisien dalam kombinasi linier tersebut bernilai 1 Antar variabel tidak berkorelasi (saling bebas atau independen) Antar variabel mempunyai ragam berurut dari yang terbesar ke yang terkecil.

Variabel baru yang disebut komponen utama ini bersifat unobservable variable dan disebut variabel latent, sedangkan variabel asal (X) yang membentuk komponen utama tersebut adalah observable variable disebut variabel manifest (indikator). Berikut dijelaskan konsep-konsep yang berkaitan dengan pembentukan skor komponen utama pada analisis komponen utama. Misal terdapat p variabel X, yaitu X1, X2, ..., Xp, maka dapat dibuat kombinasi linier: K1 = a11X1 + a21X2 + ... + ap1Xp K2 = a12X1 + a22X2 + ... + ap2Xp . . Kp = a1pX1 + a2pX2 + ... + appXp Dalam bentuk catatan matriks ditulis: K = AX Ada 3 metode yang digunakan untuk menentukan banyaknya komponen utama, salah satunya adalah : Proporsi kumulatif dari keragaman total. Kriteria ini paling banyak digunakan dan dapat digunakan untuk matriks kovariansi atau korelasi pada AKU. Kriteria dalam metode ini adalah menspesifikasikan sebelumnya persentase minimum dari keragaman total yang sesuai (kira-kira 90%) dan jumlah komponen utama yang terkecil yang memenuhi spesifikasi tersebut yang dipilih. Jika 1 2 ... p adalah nilai eigen dari matriks

kovariansi (korelasi), maka proporsi kumulatif dari k nilai eigen pertama adalah :

Solimun Laboratorium Statistika FMIPA UB

38

i
i =1 i =1 p i

, k = 1,..., p dan untuk matriks korelasi :

i =1

, k = 1,..., p

. Tabel 2 PERBANDINGAN ANTARA ANALISIS FAKTOR DENGAN ANALISIS KOMPONEN UTAMA

Karakteristik
Model matematika

Analisis Komponen Utama

- Komponen Utama merupakan kombinasi linier dari variabel asal (X1, X2, ... Xp) - Komponen Utama merupakan fungsi dari variabel asal (X1, X2, ... Xp) Tidak memiliki atau memiliki faktor bersama Konsep eigen value dan eigen vector - Indikator: formatif - Variabel laten: berupa variabel komposit yang dibentuk oleh Indikator

Analisis Faktor
- Faktor terkandung dalam variabel asal (X1, X2, ... Xp) - Variabel asal (X1, X2, ... Xp) merupakan fungsi dari faktor Harus memiliki faktor bersama (common factor) - PCA solution - MLE - Indikator: refeksif - Variabel laten: berupa faktor yang direfleksikan oleh Indikator

Variabel asal (X1, X2, ... Xp) Metode Pendugaan loading Model pengukuran