Makalah Analisis Output Studi Kasus Variabel Konstrak
Makalah Analisis Output Studi Kasus Variabel Konstrak
Dalam analisis factor, ada dua alternatif yang dapat kita pilih, yaitu : kita
menentukan sendiri berapa faktor di dalam data kita (analisis faktor konfirmatori)
atau memilih menanyakan berapa faktor dari data kita sebenarnya (analisis faktor
eksploratori). Berikut ini akan diperjelas masing-masing jenis analisis faktor
tersebut.
1. Analisis Faktor Eksploratori (Exploratory Factor Analysis)
Seorang peneliti membuat seperangkat item yang mengukur kualitas
pelayanan akademik. Item tersebut merupakan operasionalisasi dari teori dan
indikator mengenai kualitas layanan akademik. Peneliti hendak mengidentifikasi
berapa faktor yang ada di dalam seperangkat item tersebut. Dari analisis faktor
kemudian didapatkan ada 4 faktor yang menggambarkan kualitas layanan
akademik, antara lain faktor fitur layanan, fasilitas gedung perkuliahan, keramahan
karyawan, serta jaminan keamanan.
2. Analisis Faktor Konfirmatori (Confirmatory Factor Analysis).
Analisis factor konfirmatory (CFA) ditujukan untuk menguji validitas dan reliabilitas. Atau lebih
tepatnya adalah untuk menguji konsep teori, atau konstruk, atau laten variabel, yang tidak dapat
diobservasi langsung. Seorang peneliti merancang sebuah alat ukur mengenai dukungan
sosial. Alat ukur tersebut berisi seperangkat item yang diturunkan dari lima dimensi
dukungan sosial. Peneliti berusaha memastikan apakah alat ukur yang dibuatnya
benar-benar menjelaskan kelima dimensi tersebut. Ia kemudian melakukan analisis
faktor konfirmatori. Hasil dari analisis faktor menunjukkan bahwa pembagian kelima
faktor akhirnya dibuktikan. Analisis faktor memiliki fungsi penting dalam
pengembangan alat ukur. Beberapa fungsi tersebut antara lain adalah sebagai
berikut .
1. Pengujian Dimensionalitas Pengukuran
Dimensionalitas pengukuran adalah banyaknya atribut yang diukur oleh
sebuah alat ukur. Alat ukur yang unidimensi mengukur satu atribut psikologis saja
sedangkan alat ukur yang multidimensi mengukur lebih dari satu atribut ukur.
Pengukuran dalam bidang psikologi didominasi oleh pengukuran unidimensi karena
alat ukur yang dikembangkan peneliti psikologi biasanya mengukur satu target ukur
saja. Misalnya Skala Kecemasan, skala ini diharapkan mengukur atribut kecemasan
saja dan tidak mengukur atribut yang lain. Untuk mengetahui apakah alat ukur yang
dikembangkan oleh peneliti mengukur satu atribut atau banyak atribut diperlukan
analisis faktor.
2. Pengujian Komponen Dalam Alat Ukur
Penyusunan alat ukur psikologi biasanya diawali dari penurunan konsep
menjadi komponen-komponen konsep sebelum diturunkan menjadi item berupa
pernyataan skala. Untuk mengidentifikasi apakah item-item yang diturunkan dari
komponen alat ukur mewakili komponen tersebut maka diperlukan analisis faktor.
Sesuai dengan itu, maka permasalahan penelitian dalam kerangka CFA paling tidak
akan membahas antara lain :
1. Apakah indicator-indikator yang dikonsepsikan secara unidimensional, tepat,
dan konsistenn dapat menjelaskan konstruk yang diteliti
2. Indikator-indikator apa yang dominan membentuk konstruk yang diteliti
[2]
14
16
9
13
16
10
14
14
13
16
9
16
9
13
17
16
15
13
12
12
15
13
11
14
15
16
16
17
16
15
14
[3]
13
16
18
12
16
16
13
14
16
13
13
16
12
13
15
13
15
14
12
13
14
15
16
13
15
16
16
16
16
14
18
14
13
16
12
16
15
16
14
16
16
16
15
14
10
14
13
17
13
14
12
13
16
13
13
16
17
16
16
15
13
10
[4]
15
15
16
14
16
15
16
10
14
12
10
13
13
16
16
11
14
16
11
16
13
14
14
12
16
15
12
16
14
14
16
[5]
13
9
16
12
16
11
12
13
16
10
13
16
14
11
15
14
13
12
16
12
12
12
11
16
12
12
10
12
15
8
12
15
16
14
14
16
15
13
13
10
16
12
16
13
12
12
11
15
14
17
15
9
17
15
15
12
13
14
16
10
13
16
10
14
15
13
16
14
16
11
14
16
12
15
13
13
14
15
16
9
14
14
16
15
14
16
15
18
15
11
17
15
15
13
13
12
13
15
13
14
14
9
16
14
15
14
12
13
16
17
12
16
16
16
16
12
15
16
16
12
14
16
13
18
14
16
14
13
16
10
16
14
16
15
15
16
16
12
14
11
16
13
13
15
16
8
13
14
11
16
15
11
16
12
14
14
14
14
15
6
14
15
11
16
14
14
14
16
14
13
10
15
10
17
15
14
12
11
16
10
15
14
15
15
14
16
12
14
16
9
15
15
13
15
15
10
14
14
15
17
13
9
16
15
16
15
11
15
17
12
14
16
14
16
16
12
15
16
16
12
12
16
12
18
14
15
12
12
16
8
17
12
13
16
16
16
16
12
14
10
16
13
14
14
13
10
14
16
14
14
13
12
16
15
13
15
15
15
13
13
11
12
14
13
13
12
14
15
14
15
17
16
14
12
16
12
14
16
13
9
14
10
13
14
14
9
14
14
16
15
18
18
16
15
16
12
16
15
11
14
12
13
9
12
10
13
15
14
15
16
16
17
16
16
15
16
13
12
8
13
15
14
14
12
12
13
15
15
15
16
14
15
16
16
16
16
12
14
10
12
16
16
12
8
12
16
16
12
13
16
Berikut ini adalah output analisis SPSS untuk variabel kepemimpinan yang terdiri
dari 5 indikator item), yaitu:
[1]
[2]
[3]
[4]
[5]
N
Mean
Std. Error of Mean
Std. Deviation
Variance
Skewness
Std. Error of Skewness
Range
Minimum
Maximum
Valid
Missing
CHARISMA
101
0
13.2277
.20724
2.08270
4.338
-.283
.240
9.00
8.00
17.00
N= jumlah responden
Mean = rerata skor responden
Std. Deviation = simpangan baku
IDEALIZED
101
0
13.8614
.21481
2.15884
4.661
-.724
.240
9.00
9.00
18.00
INSPIRAT
IONAL
101
0
14.2871
.20554
2.06561
4.267
-.617
.240
10.00
8.00
18.00
INTELEC
TUAL
101
0
13.9802
.20919
2.10229
4.420
-1.146
.240
11.00
6.00
17.00
INDIVIDUAL
IZED
101
0
14.0000
.21341
2.14476
4.600
-.726
.240
10.00
8.00
18.00
I
N
S
P
I
R
A
T
I
O
N
A
L
4
0
C
H
A
R
IS
M
A30
2
5
2
0
2
0
1
5
1
0
1
0
0
8
.
0
1
0
.
1
2
.
0
1
4
.
0
1
6
.
0
1
8
.
0
2
0
.
5
I
N
S
P
I
R
A
T
I
O
N
A
L
07
I
N
T
E
L
C
T
U
A
L
.5
01
0
.C
.ID
1
2
5
0
1
5
.
0
1
7
.
5
0
H
A
R
I
S
M
A
2
5
E
A
L
I
Z
E
D
2
0
2
5
1
5
2
0
1
0
1
5
5
1
0
0
5
6
.
0
8
.
0
1
0
.
1
2
.
0
1
4
.
0
1
6
.
0
1
8
.
0
I
N
T
E
L
C
T
U
A
L
08
.01
0
.1
2
.0ID
1
4
.0
1
6
.01
8
.02
0
.
E
A
L
IZ
E
D
F
re
q
u
n
c
y F
re
q
u
n
c
y
F
re
q
u
n
c
y F
re
q
u
n
c
y
F
re
q
u
n
c
y
I
N
D
V
I
U
A
L
I
Z
E
D
4
0
3
0
2
0
1
0
08
.01
0
.1
2
.0
4
.A
0
1
6
.01
8
.02
0
.
IN
D
V
I1U
L
IZ
E
D
Keterangan:
Tabel dan gambar kurva diatas dimaksudkan untuk mengetahui diskripsi data terkait dengan
nilai rata-rata, simpangan baku, skor maximum, skor minimum, dan distribusi data untuk
masing-masing variable/aitem pembentuk factor laten yang akan dicari. Selanjutnya sebaran
data masing-masing aitem dilukiskan dalam sebaran distribusi normal sebagaimana dilukiskan
pada gambar di atas.
Correlation Matrix(a)
Correlation
Sig. (1-tailed)
CHARISMA
1.000
.574
IDEALIZED
.574
1.000
INSPIRATI
ONAL
.375
.384
INTELECT
UAL
.444
.372
INDIVIDUA
LIZED
.396
.317
INSPIRATIONAL
.375
.384
1.000
.416
.594
INTELECTUAL
.444
.372
.416
1.000
.464
INDIVIDUALIZED
.396
.317
.594
.464
1.000
.000
.000
.000
.000
.000
.000
.001
.000
.000
CHARISMA
IDEALIZED
CHARISMA
IDEALIZED
.000
INSPIRATIONAL
.000
.000
INTELECTUAL
.000
.000
.000
INDIVIDUALIZED
.000
.001
.000
.000
.000
a Determinant = .229
Keterangan:
Output SPSS 1 menunjukkan sebuah versi singkat dari-R matriks. Bagian atas tabel
ini berisi koefisien korelasi Pearson antara semua pasangan pertanyaan sedangkan
bagian bawah mengandung makna satu-sisi (sig.(1-tailed) dari koefisien. Kita dapat
menggunakan matriks korelasi untuk memeriksa pola hubungan. Pertama,
memindai makna dan mencari nilai-nilai untuk setiap variabel yang mayoritas nilai
lebih besar dari 0,05. Kemudian scan koefisien korelasi sendiri dan mencari yang
lebih besar dari 0,9. Jika ada ditemukan maka Anda harus menyadari bahwa
masalah bisa muncul karena singularitas dalam data: memeriksa penentu korelasi
matriks dan, jika perlu, menghilangkan salah satu dari dua variabel menyebabkan
masalah
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
Bartlett's Test of
Sphericity
.764
Approx. Chi-Square
df
143.757
10
Sig.
.000
Anti-image Covariance
Anti-image Correlation
CHARISMA
.588
-.278
IDEALIZED
-.278
.631
INSPIRATI
ONAL
-.024
-.105
INTELECT
UAL
-.135
-.067
INDIVIDUA
LIZED
-.081
.012
INSPIRATIONAL
-.024
-.105
.593
-.080
-.272
INTELECTUAL
-.135
-.067
-.080
.682
-.149
INDIVIDUALIZED
-.081
.012
-.272
-.149
.578
CHARISMA
.750(a)
-.456
-.040
-.214
-.139
IDEALIZED
-.456
.742(a)
-.172
-.101
.020
INSPIRATIONAL
-.040
-.172
.756(a)
-.126
-.464
INTELECTUAL
-.214
-.101
-.126
.849(a)
-.238
INDIVIDUALIZED
-.139
.020
-.464
-.238
.739(a)
CHARISMA
IDEALIZED
Keterangan:
Menurut Santoso (2002) angka MSA berkisar antara 0 sampai dengan 1, dengan
kriteria yang digunakan untuk intepretasi adalah sebagai berikut:
Jika MSA = 1, maka variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel
yang lainnya. Jika MSA lebih besar dari setengah 0,5 maka variabel tersebut masih
dapat diprediksi dan bisa dianalisis lebih lanjut. Jika MSA lebih kecil dari setengah
0,5 dan atau mendekati nol (0), maka variabel tersebut tidak dapat di analisis lebih
lanjut, atau dikeluarkan dari variabel lainnya. Berdasarkan tabel Anti-image
Matrices diketahui bahwa nilai MSA lebih besar dari 0.5 untuk kelima aitem/variabel
sehingga kelima aitem tersebut masih bisa diprediksi dan dianalisis lebih lanjut.
Communalities
CHARISMA
IDEALIZED
Initial
1.000
1.000
Extraction
.571
.504
INSPIRATIONAL
1.000
.565
INTELECTUAL
1.000
.528
INDIVIDUALIZED
1.000
.568
Extraction Method: Principal Component Analysis.
Keterangan :
Communalities menunjukkan sumbangan efektif tiap aitem terhadap faktor yang terbentuk.
Misalnya aitem [1] CHARISMA , aitem tersebut memberikan sumbangan sebesar 57,1% terhadap
faktor yang terbentuk. Dapat dikatakan aitem ini cukup baik karena mampu menjelaskan sebagian
besar varian didalam faktor 1 yang terbentuk.
Total
2.736
.853
% of Variance
54.711
17.052
Cumulative %
54.711
71.763
.600
11.993
83.756
.441
8.827
92.584
.371
7.416
Extraction Method: Principal Component Analysis.
Total
2.736
% of Variance
54.711
Cumulative %
54.711
100.000
Keterangan :
Total Variance Explained adalah persentase varian konstrak ukur yang dapat dijelaskan oleh pembagian
faktor. Dari kolom initial eigenvalues pada sub kolom cumulative, terlihat bahwa pemecahan atau
pereduksian 5 aitem menjadi 1 faktor dapat menjelaskan 54,711% varian. Eigen value menunjukkan
kepentingan relative masing-masing factor dalam menghitung variansi ke lima variable awal yang dianalisis. Jumlah
angka eigenvalues untuk kelima variable adalah sama dengan total variansi kelima variable, atau
2.736+0.853+0.600+0.441+0.371=5. Susunan eigen value yang lebih besar dari 1 ada 1 sehingga factor yang
terbentuk adalah satu factor (unidemensional).
Component Matrix(a)
Componen
t
1
CHARISMA
IDEALIZED
.755
.710
INSPIRATIONAL
.752
INTELECTUAL
.727
INDIVIDUALIZED
.754
Extraction Method: Principal Component Analysis.
a 1 components extracted.
Keterangan :
Componen matrik menunjukkan distribusi kelima variable awal pada 1 faktor yang terbentuk.
Angka-angka pada table adalah bobot factor (factor loading), yang menunjukan besarnya korelasi antara
variabel awal dengan faktor yang terbentuk . Contoh: Korelasi antara Kepemimpinan Charisma dengan
faktor 1 adalah 0,755 (kuat karena di atas 0,5). Korelasi antara Kepemimpinan intelektual dengan faktor 1
adalah 0.727 (kuat karena di atas 0,5)
Rotated component matrix
Proses inti dari analisis faktor adalah melakukan ekstraksi terhadap sejumlah variabel sehingga
terbentuk satu faktor atau lebih (metode : principal component analysis ). Ada kemungkinan suatu variabel
sulit untuk ditentukan akan masuk kedalam faktor yang mana. Rotasi faktor akan memperjelas posisi sebuah
variabel, akankah dimasukan pada faktor yang satu atau pada faktor yang lain (metode : varimax)..Rotatade
component matrix memperlihatkan distribusi variabel yang lebih jelas dan nyata dengan cara menghilangkan
nilai korelasi yang cukup meragukan karena bernilai pada sekitar 0,5.
Tabel di atas (komponen matrik) menunjukkan jumah faktor yang muncul serta korelasi antara aitem
dengan faktor. Kita tahu bahwa jumlah faktor yang muncul ada 1 komponen (unidimensi). Pada baris
aitem_1 terlihat bahwa aitem 1 memiliki korelasi yang besar dalam membentuk faktor 1. Melihat
korelasi yang lain, kita mendapatkan informasi bahwa komponen atau faktor 1 terdiri dari
aitem_1:Charisma
(0.755),
aitem_2:Idealized
(0.710),
aitem_3:Inspirational
(0.752),
aitem_4:Intelektual (0.727), dan aitem_5:Individualized (0.754)). Berdasarkan hasil rotasi ini terlihat
bahwa aitem-aitem penyusun factor mempunyai koefisien korelasi di atas 0.5, sehingga semua aitem
dapat digunakan untuk menjaring informasi terkait dengan Kepemimpinan transformasional.
Keterangan:
S
c
reP
lo
t
Kurva di bawah dapat memperjelas tentang berapa jumlah factor yang terbentuk
melalui jumlah gradient yang terbentuk dari scree plot. Dari kelima aitem yang
disajikan untuk menggali kepemimpinan transformasional terdapat I gradient yang
dominan pada scree plot, ini menegaskan bahwa pada kasus ini instrument yang
digunakan mempunyai sifat mengukut keadaan yang unidemensional.
E
ig
e
n
v
a
lu
e
.2
3
0
.2
5
.1
0
.1
5
.0
0
.0
5
. 12C
3
o
m
p
o
n
e
tN
u
m
b
e
r45
Pembentuk Factor
Kesimpulan:
Aitem yang dipakai untuk mengukur sifat kepemimpinan transformasional bersifat
unidemensional sehungga memenuhi criteria validitas konstruk