BAB I
PENDAHULUAN
1.1Latar Belakang
3.Apa syarat-syarat yang harus dipenuhi suatu data agar dapat diselesaikan menggunakan
analisisfaktor?
1.3Tujuan
3.Untuk mengetahui syarat-syarat yang harus dipenuhi suatu data agar dapat
diselesaikanmenggunakan analisis faktor.
BAB IIPEMBAHASAN
A.
Pengertian
faktor
B.
1.
Data Summarization
,
–
Data Reduction
,
yakni setelah melakukan uji korelasi, dilakukan proses membuat sebuahkumpulan variabel baru yang
dinamakan faktor untuk menggantikan sejumlah variabelsebelumnya.
C.
Jumlah sampel yang dianjurkan 50-100 sampel.denga ratio 1:10 yaitu 1 variabel untuk 10sampel.D.
Besar Korelasi Parsial.(korelasi antar dua variabel dengan menganggap tetap variabelyang lain)justru
harus kecil. Pada SPSS, deteksi terhadap korelasi parsial diberikan lewat pilihan ANTI-IMAGE
CORRELATION.
Pengujian seluruh matrik korelasi (korelasi antar variabel), yang diukur dengan besaranBARTLETT
TEST OF SPHERICITY atau MEASURE SAMPLING ADEQUACY
(MSA). Uji barlet digunakan untuk menguji hipotesis H
yang menyatakan
bahwasemua variabel tidak berhubungan satu sama lainnya.dan MSAdigunakan untukmengetahui
variabel-variabel yang tidak memenuhi syarat kecukupan analisis faktor.Pengujian ini mengharuskan
adanya korelasi yang signifikan di antara paling sedikit beberapa variabel.
Pada beberapa kasus, asumsi NORMALITAS dari variabel-variabel atau faktor yangterjadi sebaiknya
dipenuhi. Karena sebagian besar uji statistik dihitung dengan asumsidata normalE.
:1.
Menentukan variabel apa saja yang akan dianalisis.Jika nilai-nilai dalam masing-masing variabel
sangat bervariasi dalam satuan, dalamartian ada variabel (data) dengan satuan Ratusan Ribu (misal
Gaji), sampai satuan Jumlahdi bawah 10 (misal Jumlah anak). Perbedaan yang sangat mencolok akan
menyebabkan bias(penyimpangan) dalam Analisis Faktor sehingga data asli harus ditransformasi
(
standardisasi) sebelum bisa dianalisis. Pda SPSS proses standardisasi data bisa dilakukandengan
mentransformasi data ke bentuk z-Score. SPSS :
> Descriptives…
z.
2.
Menguji variabel tersebut agar menjadi variabel yang layak dimasukkan dalam analisisfakt or. Pada
tahap ini dilakukan penyaringan terhadap sejumlah variabel hingga di dapatvariabel-variabel yang
memenuhi syarat untuk dianalisis.3.
Setelah sejumlah variabel yang memenuhi syarat diperoleh , maka dilakukan proses
factoring,
atau ekstraksi yaitu proses menyederhanaan dari banyak variabel menjadifaktor . Beberapa metode
pencarian faktor yang populer adalah Principal Componen danMaximum Likelihood4.
Faktor yang terbentuk, pada banyak kasus, kurang menggambarkan perbedaan diantarafaktor
–
faktor yang ada. Untuk itu, jika isi faktor masih diragukan, dapat dilakukan
Factor Rotation
untuk memperjelas apakah faktor yang terbentuk sudah secara signifikan berbeda dengan faktor
lain. Beberapa metode Rotasi :
–
1) dan tetunya memiliki korelasi yang lemah dengan factor yang lainnya(korelasinya mendekati nol)),
–
faktor yang dihasilkansaling berkorelasi. Beberapa rotasi yang termasuk oblique adalah rotasi
Promax,Procustes, dan Harris-Kaiser.Dengan demikian urutan dalam proses factoring adalah:a)
proses factoring dengan menggunakan metode Principal Componen danMaximum b)
jika ada keraguan atas hasil yang ada , maka dilakukan proses Rotasi5.
Validasi faktor dimaksudkan untuk mengetahui apakah hasil analisis factor tersebut
bisadigeneralisasikan ke populasi.Misalnya pada kasus faktor
–
faktor yang mempengaruhi motivasi kerja karyawan, dari100 sampel yang ada kemudian didapat 2
faktor. Uji validasi akan menentukan apakah jika demikian, faktor
–
faktor yang mempengaruhi motivasi kerja karyawan dari semuaorang (tentu jauh lebih besar dari
100 sampel) tersebut juga bisa direduksi menjadi duafaktor seperti pada sampel. Validasi bisa
dilakukan dengan berbagai cara, seperti:
Membagi sampel awal menjadi dua bagian, kemudian membandingkan hasilfaktor sampel satu
dengan sampel dua. Jika hasil tidak banyak perbedaan, bisadikatakan faktor yang terbentuk telah
valid
Dengan melakukan metode Confirmatory Factor Analysis (CFA) dengan caraStructural Equation
Modelling. Proses ini bisa dibantu dengan software khususseperti LISREL.Dari dua cara di atas yang
paling praktis digunakan adalah dengan menguji kestabilanfactor yang telah terbentuk. Untuk
mengetahui kestabilan tersebut, sampel yang ada akandipecah (split) menjadi dua bagian, dan
kemudian setiap bagian akan diuji dengananalisis faktor. Kemudian masing
–
masing hasil diperbandingkan, dengan ketentuan, jikasebuah factor stabil, maka hasil
–
hasil yang ada relatif tidak jauh berbeda, baik jumlahfactor atau angka
–
angkanya.7.
Pembuatan
factor scores
yang akan berguna jika akan dilakukan analisis lanjutan, sepertianalisis regresi, analisis diskriminan
atau lainnya.Proses tersebut dapat di gambarkan pada flowcart berikut
Varimax
Validasi FaktorSplit kasus menjadi 2 bagianAnalisis faktor untuk tiap kasusMembuat Faktor ScoresZ-
scoreKMO & barlet MSAProses FactoringMetode
PrincipalComponent
Proses Rotasi
F.
Contoh Kasus
Berikut contoh kasus, berkenaan dengan Pemerintah Kota Bandung yang bermaksudmendirikan
terminal terpadu di daerah Kota Bandung. Pihak Pemkot bermaksud untukmengidentifikasi faktor-
faktor yang harus dipertimbangkan dalam merencanakan danmembangun terminal terpadu dengan
menggunakan metode Analisis Faktor. Untuk itudikumpulkan data 10 variabel dari 17 kecamatan di
Kota Bandung. Variabel-variabelyang dimaksud adalah :Var. 1 : jumlah preman/calo angkutan umum
(orang)Var. 2 : hirarki kecamatan dalam lingkup daerah (skor)Var. 3 : skala pelayanan kecamatan
(skor)Var. 4 : jumlah warga kecamatan (KK)Var. 5 : jumlah tenaga kerja yang tersedia (orang)Var. 6 :
luas lahan milik pemerintah yang di peruntukan terminal (Ha)Var. 7 : luas tanah milik perorangan
(Ha)Var. 8 : jumlah keuangan kecamatan (Rp)Var. 9 : panjang ruas jalan (Km)Var. 10 : kinerja
prasarana (skor)
Pada jendela awal SPSS input data seperti pada tabelUntuk dapat melakukan penilaian terhadap
kelayakan variabel di atas, yang perludiperhatikan bahwa satuan yang dimiliki oleh data (variabel)
ternyata sangat bervariasi(Ha, skor, Km, Rp, dll). Oleh karena itu, proses penilaian variabel untuk
kasus dengandata yang bervariasi dalam besaran, dilakukan dengan dua tahapan yaitu :
dan
penilaian variabel.
analyze
Descriptive Statistics
lalu
Descriptives
hinggamuncul tampilan :
2.
Masukkan
semua variabel
ke dalam kotak
Variable(s)
OK
data view
). Perhatikan padakolom lanjutan telah muncul nilai masing-masing variabel yang telahdistandarkan,
yaitu dengan muncul nilai Z-score masing-masing variabel seperti :4.
analyze
data reduction
lalu
factor:
5.
Variables.
Descriptives
Pada bagian
Correlation Matrix
berisi berbagai alat pengujian dengan dasarkorelasi antar variabel. Untuk itu, pada bagian ini pilih
dengan cara mengaktifkankotak pada
dan
Antiimage.
7.
Continue
OK
Coba Scribd GRATIS selama 30 hari untuk mengakses lebih dari 125 juta judul tanpa iklan atau
gangguan!
Sebelum melakukan pengujian, langkah yang harus dilakukan adalah menentukanhipotesa terlebih
dahulu. Adapun hipotesa untuk signifikansi adalah :
Ho : sampel (variabel) belum memadai untuk dianalisis lebih lanjutH1 : sampel (variabel) sudah
memadai untuk dianalisis lebih lanjut
Sedangkan kriteria dalam melihat signifikansi adalah :
maka
maka
Ho ditolak
MSA = 1; variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel lain
MSA > 0,5; variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut
MSA < 0,5; variabel tidak dapat diprediksi dan tidak dapat dianalisis lebihlanjut, atau harus
dikeluarkan dari variabel lainnya
MSA
ditunjukkan dalam
tepatnya pada
Output yang ditampilkan dari beberapa langkah aplikasi program SPSS yang dilakukandi atas :
2,292 x 10 ,
(Determinant
≈ 0).
Dengan demikian
matriks korelasi
yang terbentuk
ah 0,618 dengan signifikansi 0,00. Oleh karena nilaitersebut sudah di atas 0,6 dan signifikansi jauh di
bawah 0,05, maka variabel dansampel yang ada sebenarnya
cukup
Namun demikian, masih perlu diperhatikan nilai MSA yaitu dari tampilan outputtabel Anti Image.
Perhatikan bagian
Anti-Image Correlation,
khususnya pada nilai korelasi yang bertanda a (arah diagonal dari kiri atas ke kanan bawah); nilai
MSA variabel jumlah preman/calo angkutan umum = 0,736; variabel hirarki kecamatan dalam
lingkupregional = 0,755; dan seterusnya untuk variabel yang lain.Dengan kriteria nilai MSA tersebut,
terlihat MSA variabel luas lahan milik pemerintah(6,772E ), jumlah keuangan kecamatan (0,382) dan
kinerja prasarana (0,360) tidakmemenuhi batas 0,5. maka variabel tersebut dikeluarkan dan perlu
dilakukan proses pengujian ulang.
Namun apabila terdapat lebih dari 1 variabel yang memiliki MSAdi bawah 0,5, maka yang
dikeluarkan adalah variabel dengan MSA terkecil;
Dengan demikian variabel yangharus dikeluarkan adalah luas lahan milik pemerintah.
Yang perlu diperhatikan bahwa dalam proses penilaian ulang tersebut, langkah-langkahyang
dilakukan sama dengan langkah penilaian sebelumnya. Hanya saja tidak lagimemasukkan variabel
yang telah dinyatakan harus dikeluarkan.
Proses inti dari analisis faktor adalah melakukan ekstraksi terhadap sekumpulanvariable yang ada,
sehingga terbentuk satu atau lebih faktor.
PrincipalComponent Analysis,
Setelah satu atau lebih faktor terbenruk, dengan sebuah faktor berisi sejumlah variabel,mungkin saja
sebuah variabel
mana.
Atau jika yang terbentuk dari proses factoring hanya satu faktor, bisa saja sebuahvariabel diragukan
apakah layak dimasukkan dalam faktor yang terbentuk atau tidak.Untuk mengatasi hal tersebut, bisa
dilakukan proses rotasi pada faktor yang terbentuksehingga memperjelas posisi sebuah variabel,
akankah dimasukkan pada faktor yangmana.Masih dengan menggunakan data terdahulu, namun
data yang belum distandarkansebagai contoh kasus; akan coba dilakukan analisis faktor untuk
mengetahui apakahvaraiebl-variabel tersebut dapat direduksi menjadi satu atau lebih faktor.Dengan
demikian dilakukan :1. Dari tampilan data yang telah di entry, klik menu
analyze
datareduction
lalu
factor.
2. Masukkan semua variabel
ke dalam kotak
Variables.
extraction
Extraction
berisikan berbagai tools untuk melakukan proses ekstraksivariabel (factoring). Pada bagian
Method
PrincipalComponents
Analyze
tetap pada pilihan
Correlation Matrix;
aktifkan
dan
Screeplot
pada bagian
Display;
sedangkan
eigenvalues over
dan
Maximum iteration,
25.
Rotation
Method
Varimax.
Sedangkansehubungan dengan proses rotasi, untuk dapat menampilkan output, maka pilih
RotatedSolution
dan
Loading plot(s)
pada
Display.
Biarkan
25.
Continue
hingga muncul :Pada bagian ini yang diharapkan yaitu agar tampilan output dengan sendirinya
telahmengurutkan nilai dari yang terbesar untuk keseluruhan variabel. Untuk itu klik
Sortedby size
pada
Continue
OK
Communalities merupakan nilai yang menunjukkan kontribusi variabel tersebutterhadap faktor yang
terbentuk
. Dapat juga didefinisikan sebagai besaran nilai varians(dalam persentase) suatu variabel yang dapat
dijelaskan oleh faktor yang terbentuk.
Nilai communalities ini sama pengertiannya dengan nilai koefisien determinasi(pada model regresi).
Pada tabel di atas misalnya, nilai communalities variabel jumlah preman/calo angkutanumum = 94%;
ini berarti sebesar 94% varians dari variabel jumlah preman/caloangkutan umum dapat dijelaskan
oleh faktor yang terbentuk.Untuk variabel hirarki kecamatan dalam lingkup daerah, nilai
communalities = 84,2%.Hal ini berarti sekitar 84,2% varians dari variabel hirarki kecamatan dalam
lingkupdaerah dapat dijelaskan oleh faktor yang terbentuk. Demikian seterusnya denganvariabel
lainnya.
Semakin besar communalities sebuah variabel, berarti semakin erat hubungannyadengan faktor
yang terbentuk.
Nilai eigenvalues; yang menunjukkan jumlah variabel yang menjadi anggota suatufaktor.
Besaran variansi yang dapat dijelaskan oleh faktor dengan sejumlah variabel pembentuknya.
Jumlah faktor yang dapat terbentuk oleh sejumlah variabel yang dimiliki.Setelah dilakukan ekstraksi,
tampak dalam tabel di atas bahwa faktor yang terbentuksebanyak 2 faktor, dengan masing-masing
mempunyai nilai eigenvalues 4,956 dan2,434. sesuai dengan definisi eigenvalues, berarti kita dapat
mengatakan bahwa faktor-1 beranggotakan 4,956 variabel dan faktor-2 beranggotakan 2,434
variabel
(faktor yangmempunyai nilai eigenvalues < 1, berarti tidak mempunyai anggota variabelpembentuk
faktor).
Tabel di atas menunjukkan adanya 9 component (variabel) yang dimasukkan dalamanalisis faktor
dengan masing-masing variabel memiliki variansi 1, maka total variansiadalah 9x1 = 9.Sesuai dengan
jumlah faktor yang terbentuk dan jumlah variansi masing-masingvariabel yang diketahui, selanjutnya
dapat dijelaskan oleh masing-masing faktormaupun oleh keseluruhan faktor yang terbentuk (baik
sebelum dirotasi dan setelahdirotasi).- Variansi faktor-1 : (4,956/9) x 100% = 44,066%- Variansi
faktor-2 : (2,434/9) x 100% = 27,046%Artinya bahwa sebesar 44,066% variasni dari variabilitas
pembentuk faktor-1 dapatdijelaskan faktor tersebut, dan sebesar 27,046% variansi dari variabilitas
pembentukfaktor-2 dapat dijelaskan oleh faktor tersebut.Sedangkan total kedua faktor tersebut
akan mampu menjelaskan 82,122% (atau44,066% + 27,046%) dari variabilitas kesembilan variabel
asli tersebut.Selain dari tabel Total Varians, yang menjelaskan dasar perhitungan dalam
menentukan jumlah faktor, untuk melihat berapa jumlah faktor yang tebentuk dapat pula dilihat
padagrafik :
Nilai batas eigenvalues pembentuk faktor adalah 1; apabila kurang dari 1 berarti tidakterdapat
variabel pembentuk faktor. Dengan demikian, dari grafik tersebut tampak bahwa ada 2 faktor yang
terbentuk. Hal ini berarti sama dengan hasil pendefinisiansebelumnya.
Tabel Component Matrix di atas menunjukkan nilai loading factor masing-masingvariabel terhadap
faktor.
Loading Factor
adalah
Apabila suatu variabel mempunyai nilailoading factor terbesar pada faktor tertentu (dibanding faktor
lainnya), maka variabeltersebut akan menjadi anggota atau pembentuk faktor tersebut.
Nilai loading factoryang disarankan sebagai penentu komponen faktor yaitu setidaknya bernilai
0,7(korelasi
≥ 0,7).
≤r<
0,9) dikatakan bahwa adanya hubungan yang kuat antar variabel yang diteliti.
Dari tabel
Component Matrixs
di atas dapat pula diketahui distribusi variabel terhadap2 faktor yang terbentuk.Cara yang dilakukan
untuk melihat distribusi variabel tersebut yaitu dengan membandingkannilai loading factor suatu
variabel pada faktor-faktor yang ada, misal :- korelasi variabel jumlah preman/calo angkutan umum
dengan faktor-1 adalah+0,946, berarti menunjukkan hubungan yang sangat kuat. Sedangkan dengan
faktor-2 mempunyai korelasi
–
0,211, yang berarti tidak adanya hubungan antara variabel jumlah preman/calo angkutan umum
dengan faktor-2. dengan demikian,
Hal ini berlaku pula untuk variabel lainnya.Apabila dalam ekstraksi yang dilakukan ini masih dirasa
belum dapat diyakini,misalnya masih adanya suatu variabel yang belum jelas akan menjadi
komponen faktormana, maka langkah rotasi harus dilakukan. Sebagai contoh dalam kasus ini
yaituvariabel luas tanah milik perorangan yang mempunyai nilai loading factor pada faktor-1= +0,579
dan pada faktor-2 = -0,505. hal ini masih belum dapat diyakini variabeltersebut akan masuk dalam
komponen faktor-1 atau faktor-2. setelah dilakukan prosesrotasi dengan metode varimax,
hasilnya :Setelah dilakukan rotasi dapat disimpulkan :
Faktor-1 mempunyai komponen variabel-variabel :1. Jumlah preman/calo angkutan umum2. Hirarki
kecamatan dalam kingkup daerah3. Skala pelayanan kecamatan4. Panjang ruas jalan5. Jumlah
tenaga kerja yang tersedia6. Jumlah warga kecamatan7. Luas tanah milik perorangan
Variabel luas lahan milik pemerintah tidak menjadi komponen baik faktor-1 maupunfaktor-2. Hal ini
dikarenakan variabel tersebut dianggap kurang mempunyai hubungan(korelasi < 0,7) terhadap
kedua faktor yang tebentuk.
Contoh Kasus
Berikut contoh kasus, berkenaan dengan Pemerintah Kota Bandung yang bermaksudmendirikan
terminal terpadu di daerah Kota Bandung. Pihak Pemkot bermaksud untukmengidentifikasi faktor-
faktor yang harus dipertimbangkan dalam merencanakan danmembangun terminal terpadu dengan
menggunakan metode Analisis Faktor. Untuk itudikumpulkan data 10 variabel dari 17 kecamatan di
Kota Bandung. Variabel-variabelyang dimaksud adalah :Var. 1 : jumlah preman/calo angkutan umum
(orang)Var. 2 : hirarki kecamatan dalam lingkup daerah (skor)Var. 3 : skala pelayanan kecamatan
(skor)Var. 4 : jumlah warga kecamatan (KK)Var. 5 : jumlah tenaga kerja yang tersedia (orang)Var. 6 :
luas lahan milik pemerintah yang di peruntukan terminal (Ha)Var. 7 : luas tanah milik perorangan
(Ha)Var. 8 : jumlah keuangan kecamatan (Rp)Var. 9 : panjang ruas jalan (Km)Var. 10 : kinerja
prasarana (skor)Data tersaji sebagai berikut :
Nilai akan membantu kami untuk menyarankan dokumen terkait yang lebih baik kepada semua
pembaca kami!
100% menganggap dokumen ini bermanfaat, Tandai dokumen ini sebagai bermanfaatBermanfaat
0% menganggap dokumen ini tidak bermanfaat, Tandai dokumen ini sebagai tidak bermanfaatTidak
bermanfaat
Untuk dapat melakukan penilaian terhadap kelayakan variabel di atas, yang perludiperhatikan
bahwa satuan yang dimiliki oleh data (variabel) ternyata sangat bervariasi(Ha, skor, Km, Rp, dll). Oleh
karena itu, proses penilaian variabel untuk kasus dengandata yang bervariasi dalam besaran,
dilakukan dengan dua tahapan yaitu :
dan
penilaian variabel.
analyze
Descriptive Statistics
lalu
Descriptives
hinggamuncul tampilan :
9.
Masukkan
semua variabel
ke dalam kotak
Variable(s)
OK
data view
). Perhatikan padakolom lanjutan telah muncul nilai masing-masing variabel yang telahdistandarkan,
yaitu dengan muncul nilai Z-score masing-masing variabel seperti :11.
analyze
data reduction
lalu
factor:
12.
Variables.
Descriptives
Pada bagian
Correlation Matrix
berisi berbagai alat pengujian dengan dasarkorelasi antar variabel. Untuk itu, pada bagian ini pilih
dengan cara mengaktifkankotak pada
dan
Antiimage.
14.
Continue
OK
Sebelum melakukan pengujian, langkah yang harus dilakukan adalah menentukanhipotesa terlebih
dahulu. Adapun hipotesa untuk signifikansi adalah :
Ho : sampel (variabel) belum memadai untuk dianalisis lebih lanjutH1 : sampel (variabel) sudah
memadai untuk dianalisis lebih lanjut
maka
maka
Ho ditolak
MSA > 0,5; variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut
MSA < 0,5; variabel tidak dapat diprediksi dan tidak dapat dianalisis lebihlanjut, atau harus
dikeluarkan dari variabel lainnya
MSA
ditunjukkan dalam
tepatnya pada
Output yang ditampilkan dari beberapa langkah aplikasi program SPSS yang dilakukandi atas :
2,292 x 10 ,
(Determinant
≈ 0).
Dengan demikian
matriks korelasi
yang terbentuk
Nilai KMO an
ah 0,618 dengan signifikansi 0,00. Oleh karena nilaitersebut sudah di atas 0,6 dan signifikansi jauh di
bawah 0,05, maka variabel dansampel yang ada sebenarnya
cukup
Namun demikian, masih perlu diperhatikan nilai MSA yaitu dari tampilan outputtabel Anti Image.
Perhatikan bagian
Anti-Image Correlation,
khususnya pada nilai korelasi yang bertanda a (arah diagonal dari kiri atas ke kanan bawah); nilai
MSA variabel jumlah preman/calo angkutan umum = 0,736; variabel hirarki kecamatan dalam
lingkupregional = 0,755; dan seterusnya untuk variabel yang lain.Dengan kriteria nilai MSA tersebut,
terlihat MSA variabel luas lahan milik pemerintah(6,772E ), jumlah keuangan kecamatan (0,382) dan
kinerja prasarana (0,360) tidakmemenuhi batas 0,5. maka variabel tersebut dikeluarkan dan perlu
dilakukan proses pengujian ulang.
Namun apabila terdapat lebih dari 1 variabel yang memiliki MSAdi bawah 0,5, maka yang
dikeluarkan adalah variabel dengan MSA terkecil;
Dengan demikian variabel yangharus dikeluarkan adalah luas lahan milik pemerintah.
Yang perlu diperhatikan bahwa dalam proses penilaian ulang tersebut, langkah-langkahyang
dilakukan sama dengan langkah penilaian sebelumnya. Hanya saja tidak lagimemasukkan variabel
yang telah dinyatakan harus dikeluarkan.
Proses inti dari analisis faktor adalah melakukan ekstraksi terhadap sekumpulanvariable yang ada,
sehingga terbentuk satu atau lebih faktor.
PrincipalComponent Analysis,
Setelah satu atau lebih faktor terbenruk, dengan sebuah faktor berisi sejumlah variabel,mungkin saja
sebuah variabel
mana.
Atau jika yang terbentuk dari proses factoring hanya satu faktor, bisa saja sebuahvariabel diragukan
apakah layak dimasukkan dalam faktor yang terbentuk atau tidak.Untuk mengatasi hal tersebut, bisa
dilakukan proses rotasi pada faktor yang terbentuksehingga memperjelas posisi sebuah variabel,
akankah dimasukkan pada faktor yangmana.Masih dengan menggunakan data terdahulu, namun
data yang belum distandarkansebagai contoh kasus; akan coba dilakukan analisis faktor untuk
mengetahui apakahvaraiebl-variabel tersebut dapat direduksi menjadi satu atau lebih faktor.Dengan
demikian dilakukan :1. Dari tampilan data yang telah di entry, klik menu
analyze
datareduction
lalu
factor.
kedalam kotak
Variables.
extraction
Extraction
berisikan berbagai tools untuk melakukan proses ekstraksivariabel (factoring). Pada bagian
Method
PrincipalComponents
Analyze
tetap pada pilihan
Correlation Matrix;
aktifkan
dan
Screeplot
pada bagian
Display;
sedangkan
eigenvalues over
dan
Maximum iteration,
Continue
Rotation
Method
Varimax.
Sedangkansehubungan dengan proses rotasi, untuk dapat menampilkan output, maka pilih
RotatedSolution
dan
Loading plot(s)
pada
Display.
Biarkan
25.
Continue
Options
hingga muncul :Pada bagian ini yang diharapkan yaitu agar tampilan output dengan sendirinya
telahmengurutkan nilai dari yang terbesar untuk keseluruhan variabel. Untuk itu klik
Sortedby size
pada
tombol
Continue
OK
Communalities merupakan nilai yang menunjukkan kontribusi variabel tersebutterhadap faktor yang
terbentuk
. Dapat juga didefinisikan sebagai besaran nilai varians(dalam persentase) suatu variabel yang dapat
dijelaskan oleh faktor yang terbentuk.
Nilai communalities ini sama pengertiannya dengan nilai koefisien determinasi(pada model regresi).
Pada tabel di atas misalnya, nilai communalities variabel jumlah preman/calo angkutanumum = 94%;
ini berarti sebesar 94% varians dari variabel jumlah preman/caloangkutan umum dapat dijelaskan
oleh faktor yang terbentuk.Untuk variabel hirarki kecamatan dalam lingkup daerah, nilai
communalities = 84,2%.Hal ini berarti sekitar 84,2% varians dari variabel hirarki kecamatan dalam
lingkupdaerah dapat dijelaskan oleh faktor yang terbentuk. Demikian seterusnya denganvariabel
lainnya.
Semakin besar communalities sebuah variabel, berarti semakin erat hubungannyadengan faktor
yang terbentuk.
Nilai eigenvalues; yang menunjukkan jumlah variabel yang menjadi anggota suatu
faktor.
Besaran variansi yang dapat dijelaskan oleh faktor dengan sejumlah variabel pembentuknya.
Jumlah faktor yang dapat terbentuk oleh sejumlah variabel yang dimiliki.Setelah dilakukan ekstraksi,
tampak dalam tabel di atas bahwa faktor yang terbentuksebanyak 2 faktor, dengan masing-masing
mempunyai nilai eigenvalues 4,956 dan2,434. sesuai dengan definisi eigenvalues, berarti kita dapat
mengatakan bahwa faktor-1 beranggotakan 4,956 variabel dan faktor-2 beranggotakan 2,434
variabel
(faktor yangmempunyai nilai eigenvalues < 1, berarti tidak mempunyai anggota variabelpembentuk
faktor).
Tabel di atas menunjukkan adanya 9 component (variabel) yang dimasukkan dalamanalisis faktor
dengan masing-masing variabel memiliki variansi 1, maka total variansiadalah 9x1 = 9.Sesuai dengan
jumlah faktor yang terbentuk dan jumlah variansi masing-masingvariabel yang diketahui, selanjutnya
dapat dijelaskan oleh masing-masing faktormaupun oleh keseluruhan faktor yang terbentuk (baik
sebelum dirotasi dan setelahdirotasi).- Variansi faktor-1 : (4,956/9) x 100% = 44,066%- Variansi
faktor-2 : (2,434/9) x 100% = 27,046%Artinya bahwa sebesar 44,066% variasni dari variabilitas
pembentuk faktor-1 dapatdijelaskan faktor tersebut, dan sebesar 27,046% variansi dari variabilitas
pembentukfaktor-2 dapat dijelaskan oleh faktor tersebut.Sedangkan total kedua faktor tersebut
akan mampu menjelaskan 82,122% (atau44,066% + 27,046%) dari variabilitas kesembilan variabel
asli tersebut.Selain dari tabel Total Varians, yang menjelaskan dasar perhitungan dalam
menentukan jumlah faktor, untuk melihat berapa jumlah faktor yang tebentuk dapat pula dilihat
padagrafik :
Nilai batas eigenvalues pembentuk faktor adalah 1; apabila kurang dari 1 berarti tidakterdapat
variabel pembentuk faktor. Dengan demikian, dari grafik tersebut tampak bahwa ada 2 faktor yang
terbentuk. Hal ini berarti sama dengan hasil pendefinisiansebelumnya.
Coba Scribd GRATIS selama 30 hari untuk mengakses lebih dari 125 juta judul tanpa iklan atau
gangguan!
Tabel Component Matrix di atas menunjukkan nilai loading factor masing-masingvariabel terhadap
faktor.
Loading Factor
adalah
Nilai loading factoryang disarankan sebagai penentu komponen faktor yaitu setidaknya bernilai
0,7(korelasi
≥ 0,7).
≤r<
0,9) dikatakan bahwa adanya hubungan yang kuat antar variabel yang diteliti.
Dari tabel
Component Matrixs
di atas dapat pula diketahui distribusi variabel terhadap2 faktor yang terbentuk.Cara yang dilakukan
untuk melihat distribusi variabel tersebut yaitu dengan membandingkannilai loading factor suatu
variabel pada faktor-faktor yang ada, misal :- korelasi variabel jumlah preman/calo angkutan umum
dengan faktor-1 adalah+0,946, berarti menunjukkan hubungan yang sangat kuat. Sedangkan dengan
faktor-2 mempunyai korelasi
–
0,211, yang berarti tidak adanya hubungan antara variabel jumlah preman/calo angkutan umum
dengan faktor-2. dengan demikian,
Hal ini berlaku pula untuk variabel lainnya.Apabila dalam ekstraksi yang dilakukan ini masih dirasa
belum dapat diyakini,misalnya masih adanya suatu variabel yang belum jelas akan menjadi
komponen faktormana, maka langkah rotasi harus dilakukan. Sebagai contoh dalam kasus ini
yaituvariabel luas tanah milik perorangan yang mempunyai nilai loading factor pada faktor-1= +0,579
dan pada faktor-2 = -0,505. hal ini masih belum dapat diyakini variabeltersebut akan masuk dalam
komponen faktor-1 atau faktor-2. setelah dilakukan prosesrotasi dengan metode varimax,
hasilnya :Setelah dilakukan rotasi dapat disimpulkan :
Faktor-1 mempunyai komponen variabel-variabel :1. Jumlah preman/calo angkutan umum2. Hirarki
kecamatan dalam kingkup daerah3. Skala pelayanan kecamatan4. Panjang ruas jalan5. Jumlah
tenaga kerja yang tersedia6. Jumlah warga kecamatan7. Luas tanah milik perorangan
Variabel luas lahan milik pemerintah tidak menjadi komponen baik faktor-1 maupunfaktor-2. Hal ini
dikarenakan variabel tersebut dianggap kurang mempunyai hubungan(korelasi < 0,7) terhadap
kedua faktor yang tebentuk.
BAB IIIKESIMPULAN
factor scores
yang akan berguna jika akan dilakukan analisis lanjutan, seperti analisis regresi,analisis diskriminan
atau lainnya.