KMO

Bilson, Simamora. 2005. Analisis Multivariat Pemasaran. Jakarta: Gramedia Pustaka

Utama.
Langkah yang dilakukan setelah setiap variabel awal yang akan dimasukkan dalam analisis
diperoleh, yaitu pengujian kecukupan sampel melalui indeks Kaiser-Meyer-Olkin (KMO)
Measure of Sampling Adequacy. Iindeks ini digunakan untuk meneliti ketetapan penggunaan
analisis faktoy. Apabila nilai KMO antara 0,5 sampai 1 maka dapat disimpulkan analisis faktor
tepat digunakan (Bilson, 2005:123)

Santoso, Singgih. Seri Solusi Bisnis Berbasis TI: Menggunakan SPSS untuk Statistik
Multivariat. Jakarta: Elex Media Komputindo, 2006.

Pada bagian Metode Penelitian telah disebutkan bahwa analisis faktor membutuhkan terpenuhinya
serangkaian asumsi. Peneliti akan menguji asumsi analisis faktor satu per satu terlebih dahulu
sebelum uji analisis faktor dilakukan.

Korelasi antarvariabel independen, dalam analisis faktor, harus > 0,5 dengan signifikansi < 0,05.
Korelasi antarvariabel independen sangat mudah jika dilakukan dengan SPSS. Caranya adalah klik
Analyze > Data Reduction > Factor > Masukkan seluruh variabel independen > Klik tombol
Descriptives… > Pada kotak dialog Factor Analysis: Descriptives, khususnya pada Correlation
Matrix ceklis KMO and Bartlett’s test of sphericity dan Anti-image > Klik Continue > Klik OK.

Hasil uji korelasi antarvariabel independen ada pada output KMO and Bartlett’s Test, sebagai
berikut:

Nilai KMO and Bartlett’s 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 Bartlett’s 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. MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel yang lain.
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.

Liskayanti, Gusti Ayu Putu. 2014. Analisis Faktor yang Mempengaruhi Rekruitmen Tenaga Kerja
pada Hotel Angsoka Singaraja. Vol: 4 No: 1 Tahun: 2014

Statistik lain yang berguna adalah pengukuran kelayakan sampel Kaiser Meyer Olkin (KMO).
Analisis faktor dianggap layak jika besaran KMO nilainya minimal 0,5. Besaran ini digunakan
untuk mengukur derajat korelasi antar variable dengan kriteria MSA 0,5, (3) menentukan
jumlah faktor Variabel disusun kembali berdasarkan pada korelasi hasil langkah pada butir dua
untuk menentukan faktor yang diperlukan untuk mewakili data. Untuk menentukan berapa faktor
yang dapat diterima secara empirik dapat dilakukan berdasarkan besarnya eigenvalue setiap faktor
yang muncul. Semakin besar eigenvalue setiap faktor, semakin representatif faktor tersebut untuk
mewakili sekelompok variabel. Faktor-faktor inti yang dipilih adalah faktor yang mempunyai
eigenvalue 1. (4) rotasi faktor Hasil penyederhanaan faktor dalam matrik faktor memperlihatkan
hubungan antara faktor dengan variabel individu, tetapi dalam faktor-faktor tersebut terdapat
banyak variabel yang berkolerasi sehingga sulit diinterpretasikan. Dengan menggunakan rotasi
faktor matrik, matrik faktor ditransformasikan ke dalam matrik yang lebih sederhana sehingga
mudah untuk diinterpretasikan. Dalam perilaku ini digunakan rotasi varimax. (5) interprestasi
faktor Interpretasi faktor dilakukan dengan mengelompokkan variabel yang mempunyai faktor
loading tinggi ke dalam faktor tersebut. Untuk menginterpretasikan hasil penelitian ini, faktor
loading minimal 0,5. Variabel yang mempunyai faktor loading kurang dari 0,5 dikeluarkan dari
model. (6) menentukan ketepatan model Tahap terakhir dari analisis faktor adalah mengetahui
apakah model mampu menjelaskan dengan baik. Fenomena yang ada perlu diuji dengan
teknikPrincipal Component Analisis (PCA) yaitu dengan melihat jumlah resudial antara korelasi
yang diamati dengan korelasi yang direproduksi. Dalam penelitian ini, untuk mempermudah
proses perhitungan dan untuk mendapatkan hasil perhitungan yang akurat dalam analisis data,
maka peneliti menggunakan bantuan alat hitung berupa program SPSS 16.0 for Windows”.

Hipotesis konseptual akan dianalisis dengan menggunakan analisis faktor dengan langkah-
langkah, (1) Menguji matrik korelasi dengan menggunakan Barllet’s Sphericity dengan koefesien
KMO yang telah tersedia dalam SPSS 16.0 for windows. Jika hasil pengujian statistik Barllet’s
Sphericity signifikan dengan hasil perhitungan koefesien KMO > 0,50 maka persyaratan pengujian
analisis faktor untuk menentukan faktor yang menjelaskan rekrutmen bisa dilakukan. (2) Untuk
menentukan banyaknya faktor yang menjelaskan rekrutmen dapat dilakukan dengan memilih
faktor atau komponen utama yang memiliki parameter akar karakteristik terkecil (eigenvalue) > 1.
(3) Untuk menentukan dimensi atau faktor rekrutmen yang paling mendominasi pada faktor
atau komponen utama maka akan digunakan parameter koefesien varimax rotation dari dimensi
atau faktor yang mempengaruhi rekrutmen yang paling mendekati + 1 atau mendekati – 1.
Young, A.G., & Pearce, S. 2013. A Beginner's Guide to Factor Analysis: Focusing on
Exploratory Factor Analysis. Tutorials in Quantitative Methods for Psychology, 9(2), pp.79-
94

Proses analisis faktor ini juga harus memenuhi persyaratan yakni nilai Keiser-Meyer-Olkin (KMO)
lebih dari 0,5, anti-image covariance lebih dari 0,5 dan signifikasi Bartlett kurang dari 0,05 (Young
& Pearce, 2013).
 KRITERIA EIGEN

Suryadi, Andri. 2015. Sistem Pengambilan Keputusan Untuk Pemilihan Teknisi Lab Dengan
Multi Kriteria Menggunakan Metode Ahp (Analytic Hierarchy Process). Jurnal Pendidikan
Matematika Volume 5, Nomor 1, April 2015

Langkah pertama untuk menghitung nilai eigen setiap kriteria adalah dengan mengubah matriks
kriteria pada tabel menjadi bilangan desimal. Berikut tabel matriks kriteria setelah diubah
menjadi bilangan desimal. Selanjutnya menjumlahkan setiap kolom pada masing-masing kriteria.

Setelah mendapatkan jumlah pada masing-masing kolom kriteria maka langkah selanjutnya
adalah dengan membagi nilai masing-masing kriteria dengan hasil jumlah kolom kriteria.
Selanjutnya adalah menghitung jumlah baris pada masing-masing kriteria. Langkah terakhir
adalah menghitung nilai eigen pada masing-masing kriteria. nilai eigen didapat dengan cara
pembagian jumlah baris dengan banyaknya. Hasil dari eigen tersebut merupakan data yang akan
dijadikan nilai pembanding pada masing-masing kriteria.

3.6 Menguji konsistensi

Setelah didapatkan nilai eigen maka selanjutnya adalah menguji konsistensi pembobotan pada
masing-masing kriteria. pengujian ini berfungsi sebagai validitas data pembobotan yang
diberikan untuk setiap kriteria. uji validitas ini berdasarkan tabel indeks Random konsistensi
(RI).

3.6.1 Menentukan nilai eigen maksimum (λmaks)

λmaks diperoleh dengan cara menjumlahkan hasil jumlah kolom ke bentuk desimal dengan nilai
eigen pada masing-masing kriteria.

3.6.2 Menghitung indeks konsistensi (CI)

Rumus untuk mencari CI adalah:

3.7 Menghitung nilai eigen setiap hirarki

Menghitung nilai eigen pada setiap hirarki disini adalah menghitung nilai dari masing-masing
kriteria. Nilai hirarki yang telah ditetapkan adalah Sangat Baik, Baik dan Cukup. Berikut
pembobotan untuk setiap hirarki.

Sama seperti menghitung nilai eigen kriteri langkah selanjutnya adalah dengan menjumlahkan
kolom pada masing-masing hirarki.

Langkah selanjutnya adalah dengan membagi masing-masing nilai hirarki dengan hasil dari
penjumlahan. Berikut hasil yang didapat:

Kemudian dijumlahkan setiap barisnya.

Selanjutnya adalah menghitung nilai eigen. Nilai eigen didapat dengan cara membagi hasil
jumlah baris dengan banyaknya kriteria