Menurut Suliyanto (2005), langkah-langkah dalam analisis faktor adalah
sebagai berikut:
a. Merumuskan masalah
b. Membuat matriks korelasi
Proses analisis faktor didasarkan pada matriks korelasi antara variabel yang satu dengan variabel-variabel lain, untuk memperoleh analisis faktor yang semua variabel-variabelnya harus berkorelasi. Untuk menguji ketepatan dalam model faktor, uji statistik yang digunakan adalah barletts test sphericity dan Kiser-Mayer-Olkin (KMO) untuk mengetahui kecukupan sampelnya.
1. Nilai KMO sebesar 0,9 adalah baik sekali
2. Nilai KMO sebesar 0,8 adalah baik
3. Nilai KMO sebesar 0,7 adalah sedang/agak baik
4. Nilai KMO sebesar 0,6 adalah cukup
5. Nilai KMO sebesar 0,5 adalah kurang
6. Nilai KMO sebesar < 0,5 adalah ditolak
c. Penentuan jumlah faktor.
Penentuan jumlah faktor yang ditentukan untuk mewakili variabel-variabel yang akan dianalisis didasarkan pada besarnya eigenvalue serta persentase total variannya. Hanya faktor yang memiliki eigenvalue sama atau lebih besar dari satu yang dipertahankan dalm model analisis faktor, sedangkan yang lainnya dikeluarkan dari model.
d. Rotasi faktor.
Hasil dari ekstraksi faktor dalam matriks faktor mengidentifikasikan hubungan
antar faktor dan variabel individual, namun dalam faktor-faktor tersebut banyak variabel yang berkorelasi sehingga sulit diinterpretasikan. Melalui rotasi faktor matriks, faktor matriks ditransformasikan ke dalam matriks yng lebih sederhana sehingga mudah diinterpretasikan. Rotasi faktor menggunakan prosedur varimax.
e. Interpretasi faktor.
Interpretasi faktor dilakukan dengan mengklasifikasikan variabel yang
mempunyai factor loading minimum 0,4 sedangkan variabel dengan faktor loading kurang dari 0,4 dikeluarkan dari model.
f. Penyeleksian surrogate variable.
Mencari salah satu variabel dalam setiap faktor sebagai wakil dari masing-
masing faktor. Pemilihan ini didasarkan pada nilai factor loading tertinggi.
g. Model Fit (ketepatan model)
Tahap akhir dari ananlisis faktor adalah mengetahui ketepatan dalam memilih
teknik analisis faktor antara principal component analysis dan maximum likelihood dengan melihat jumlah residual (perbedaan) antara korelasi yang diamati dengan korelasi yang diproduksi. Semakin kecil persentase nilai residual (dalam hal ini adalah nilai root mean square error = RMSE), maka semakin tepat penentuan teknik tersebut.
Tidak ada komentar:
Posting Komentar