iiipengukuranvariabel
TRANSCRIPT
-
8/13/2019 IIIPengukuranVariabel
1/19
III
PENGUKURAN VARIABEL LATEN
Model CFA dan PCA
A. Pengukuran Variabel LatenSalah 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 dengandimensi
(3)Dimensi: tersusun atas partikular-partikular, dimana partikular ini disebut denganindikator
(4) Indikator: tersusun atas partikular-partikular, dimana partikular ini disebut denganitem.
-
8/13/2019 IIIPengukuranVariabel
2/19
Solimun Laboratorium Statistika FMIPA UB 21
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 indikatorbersangkutan.
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 eventsdan 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
KONSEP
VARIABEL
DIMENSI
INDIKATOR
ITEM
-
8/13/2019 IIIPengukuranVariabel
3/19
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 atauLikert 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 dengankerjasama antar institusi (Javalgi, et al., 2003)
-
8/13/2019 IIIPengukuranVariabel
4/19
Solimun Laboratorium Statistika FMIPA UB 23
3. Orientasi dan motivasi untuk berkompetisi dengan institusi pendidikan tinggi dilingkungan lokal maupun di lingkungan internasional (Winsted dan Patterson, 1998)
4. Motivasi untuk mempertahankan keberlangsungan dan meningkatkan pertumbuhaninstitusi 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 = sangat tidak setuju
2 = tidak setuju
3 = ragu-ragu4 = setuju
5 = sangat setuju
No Pernyataan STS TS RR S SS
1
Program kerjasama internasional sudah merupakan
salah satu tugas Bapak/Ibu sebagai pengelola
institusi yang harus diimplementasikan
1 2 3 4 5
2
Bapak/Ibu sebagai pengelola institusi secara
rasioanal sudah melakukan perhitungan atas
kemampuan untuk mneyelenggarakan program
kerjasama internasional
1 2 3 4 5
3
Bapak/Ibu sebagai pengelola institusi
mengimplementasikan program kerjasama
internasional dengan orientasi pengembangan
kemampuan institusi untuk berkompetisi di
lingkungan lokal dan internasional
1 2 3 4 5
4
Bapak/Ibu sebagai pengelola institusi
mengimplementasikan program kerjasama
internasional sebagai upaya institusi untuk
mempertahankan keberlangsungan institusi dalam
jangka panjang
1 2 3 4 5
5
Bapak/Ibu sebagai pengelola institusi
mengimplementasikan program kerjasamainternasional sebagai upaya institusi untuk
meningkatkan kesejahteraan institusi dan anggotanya
1 2 3 4 5
Sumber: Semua contoh ini diambil dari Disertasi Benedictus Karno Budiprasetyo, dengan judul Pemasaran jasaInternasional 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.
-
8/13/2019 IIIPengukuranVariabel
5/19
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 secaraeksplisit.
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 mencerminkankeadaan 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-masingitem 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 reliabilitasinternal consistency
adalah koefisien Alpha Cronbach, dimana jika > 0,6 menunjukkan instrumen tersebutreliabel (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 menerapkanModel 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.
-
8/13/2019 IIIPengukuranVariabel
6/19
Solimun Laboratorium Statistika FMIPA UB 25
Tabel 1
DATA SKOR: INDIKATOR DARI VARIABEL MOTIVASI
Sumber Daya Manusia MotivasiResponden
X11 X12 X13Responden
X11 X12 X13
1
2 4 3 26
4 3 5
2 1 2 2 27 5 5 53 4 4 2 28 2 4 44 3 4 3 29 3 3 55 2 2 3 30 5 5 46 4 2 4 31 1 3 37 4 4 3 32 2 4 38 1 1 1 33 2 2 49 2 2 1 34 5 1 310 3 5 5 35 2 4 311 3 4 4 36 1 4 212 2 4 5 37 2 4 313 5 2 4 38 1 1 314 2 4 2 39 2 3 315 4 4 4 40 2 3 216 1 4 2 41 2 4 517 1 4 1 42 3 3 318 2 2 4 43 3 5 319 1 2 1 44 2 2 320 1 3 3 45 3 4 521 4 4 5 46 1 2 322 2 2 2 47 1 3 323 2 2 2 48 2 4 424 2 1 1 49 1 2 225 5 4 5 50 5 4 3
Hasil analisis uji validitas instrumen diberikan sebagai berikut:
(1) Validitas unidimensionalitas
Total Variance Explained
1.841 61.371 61.371 1.841 61.371 61.371
.702 23.389 84.760
.457 15.240 100.000
Component
1
2
3
Total % of Variance Cumulative % Total % of Variance Cumulative %
Initial Eigenvalues Extraction Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
Hasil analisis menunjukkan hanya component 1 yang signifikan (Initial eigenvalues) >1,
dengan demikian instrumen penelitian dikatakan valid unidimensionalitas.
-
8/13/2019 IIIPengukuranVariabel
7/19
Solimun Laboratorium Statistika FMIPA UB 26
(2) Validitas kriteria
Correlations
1 .311* .523** .800**
.028 .000 .000
50 50 50 50
.311* 1 .419** .717**
.028 .002 .000
50 50 50 50
.523** .419** 1 .828**
.000 .002 .000
50 50 50 50
.800** .717** .828** 1
.000 .000 .000
50 50 50 50
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
X11
X12
X13
Total_X1
X11 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
.683 3
Cronbach's
Alpha N of Items
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 datainterval 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.
-
8/13/2019 IIIPengukuranVariabel
8/19
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 denganvariabel manifest atau variabel observable.
Untuk memperoleh data dari variabel latent atau variabel unobservable dapat
dilakukan dengan beberapa cara, antara lain:
1. Metode Total Skor2. Metode Rata-Rata Skor3. Metode Rescoring4. Metode Indikator Terkuat5. Metode Skor Faktor6. Metode Skor Komponen Utama
Metode pertama berarti menjumlahkan skor semua indikator, shingga diperoleh data
total skor yang merupakan data variabel laten bersangkutan. Sedangkan metode keduamenggunakan rata-rata skor indikator. Sebagai ilustrasi digunakan data rekaan di bawah ini
(menggunakan skala Likert 1 sampai 5).
Indikator 1 Indikator 2 Indikator 3Variabel Laten
(Total Skor)
Variabel Laten
(Rata-rata Skor)
2 3 2 7 2.33
3 5 3 11 3.67
1 2 1 4 1.33
1 3 3 7 2.33
2 4 5 11 3.67
3 4 4 11 3.67
2 2 5 9 3.00
1 3 4 8 2.67
2 1 1 4 1.33
2 5 3 10 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
- Rescoringbernilai 1 jika nilai skor total antara 3 sampai (3 + 2.4) = 5.4
Rescoringbernilai 2 jika nilai skor total antara >5.4 sampai (5.4 + 2.4) = 7.8
Rescoringbernilai 3 jika nilai skor total antara >7.8 sampai 10.2
Rescoringbernilai 4 jika nilai skor total antara >10.2 sampai 12.6
Rescoringbernilai 5 jika nilai skor total antara >12.6 sampai 15
-
8/13/2019 IIIPengukuranVariabel
9/19
Solimun Laboratorium Statistika FMIPA UB 28
Indikator 1 Indikator 2 Indikator 3Variabel Laten
(Total Skor)
Variabel Laten
(Rescoring)
2 3 2 7 2
3 5 3 11 4
1 2 1 4 11 3 3 7 2
2 4 5 11 4
3 4 4 11 4
2 2 5 9 3
1 3 4 8 3
2 1 1 4 1
2 5 3 10 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
1 .480 .218 .625
. .160 .545 .053
10 10 10 10
.480 1 .396 .832**
.160 . .257 .003
10 10 10 10
.218 .396 1 .790**
.545 .257 . .007
10 10 10 10
.625 .832** .790** 1
.053 .003 .007 .
10 10 10 10
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
INDIKAT2
INDIKAT3
SKOR_TOT
INDIKAT1 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 variabellatent yang digunakan menggunakan skor indikator 2.
-
8/13/2019 IIIPengukuranVariabel
10/19
Solimun Laboratorium Statistika FMIPA UB 29
Indikator 1 Indikator 2 Indikator 3Variabel Laten
(Indikator 2)
2 3 2 3
3 5 3 5
1 2 1 21 3 3 3
2 4 5 4
3 4 4 4
2 2 5 2
1 3 4 3
2 1 1 1
2 5 3 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% informasiterpakai 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
Laten 1
Indikator 1
Indikator 2
Indikator 3
Laten 1
Konstruk dengan Analisis Faktor Konstruk dengan Analisis Komponen Utama
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 faktormenganggap
bahwa variabel latent adalah refleksi dari sejumlah indikator, sedangkan konstruk dengananalisis 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.
-
8/13/2019 IIIPengukuranVariabel
11/19
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 atauindikator. Atau mereduksi variabel menjadi variabel baru yang jumlahnya lebih sedikit.
2. Mempermudah interpretasi hasil analisis, sehingga didapatkan informasi yang realistikdan sangat berguna.
3. Pengelempokan dan pemetaan obyek (mappingdan clustering) berdasarkan karakteristikyang 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 DasarMisal terdapat variabel X1, X2, , Xp yang menyebar normal dengan vektor nilai
tengah dan var-cov matrix ,
( ) ,NX p
-
8/13/2019 IIIPengukuranVariabel
12/19
Solimun Laboratorium Statistika FMIPA UB 31
maka dapat dibuat model
X1= c11F1+ c12 F2 + . . . + c1p Fp+ 1
X2= c21F1+ c22 F2 + . . . + c2p Fp+ 2.
.
.
Xp= cp1F1+ cp2 F2 + . . . + cpp Fp+ p
Dalam bentuk catatan matiks dituliskan sebagai berikut :
X = c F +
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+ 0.94F2 + 0.46 F3+ 0.85F4+ 0.32 F5+ 1
X2= 0.16 F1+ 0.90F2 + 0.78 F3+ 0.25F4+ 0.65 F5+ 2
X3= 0.76 F1+ 0.24F2 + 0.03 F3+ 0.29F4+ 0.73 F5+ 3
X4= 0.84 F1+ 0.15F2 + 0.64 F3+ 0.82F4+ 0.13 F5+ 4
X5= 0.95 F1+ 0.13F2 + 0.25 F3+ 0.73F4+ 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 F1dan F2, sehingga diputuskan hanya ada 2 faktor yang bermakna (hal ini akan dibahas pada
uraian berikutnya). Untuk dapat melakukan interpretasi terhadap F1dan F2, perhatikan besar
loading dari faktor-faktor tersebut pada masing-masing variabel. Pada F1, loading untuk X1dan X2kecil, sedangkan loading X3, X4dan X5besar, sehingga F1 dapat kita interpretasikan
sebagai faktor kemampuan menghafal. Di sisi lain F2dapat diinterpretasikan sebagai faktor
kemampuan logika, karena loading faktor untuk X1 dan X2besar, sedangkan loading X3, X4
dan X5kecil, 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
-
8/13/2019 IIIPengukuranVariabel
13/19
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 ajmerupakanpembobot atau loading komponen pokok. Pembobot atau loading faktor adalah :
cj= jj a
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 ( 2ih ) dan i .
Var(Xi) = i2ip
22i
21i c...cc ++++
atau
Var(Xi) = =+ j
2
ij
2
ii
2
i ch;h
Komponen 2ih disebut komunalitas (comunality) yang menunjukkan proporsi ragam X yang
dapat dijelaskan oleh p faktor bersama. Komponen i merupakan proporsi ragam dari X yang
disebabkan oleh faktor spesifik dan atau galat (error).
Besarnya ragam Xiyang dapat dijelaskan oleh Fj, adalah :
Var(Xi) yang dijelaskan Fj= %100xc
c
i
2ij
2ij
2. Faktor BermaknaBilamana pendugaan loading faktor (cij) menggunakan solusi PCA, maka indikator
dan kriteria yang berlaku pada PCA juga berlaku untuk Analisis Faktor. Faktor yangdipertimbangkan bermakna adalah bilamana eigen value-nya lebih besar satu (1 ) dan ataukeragaman komulatifnya kira-kira 75 %.
3. Peranan FaktorBanyaknya faktor yang bermakna, selain menggunakan indikator eigen value dan
proporsi keragam komulatif, juga dapat diperiksa melalui peranan faktor. Peranan Fjdalam
menjelaskan keragam total data, diberikan sebagai berikut :
Bilamana input data berupa matiks ragam-peragam,
Peranan( )
%100xStr
c
F iij
j
= ; S = var-cov matrix
Bilamana input data berupa matiks ragam-peragam,
%100xp
c
F iij
j
= ; p = banyaknya variabel yang dianalisis
4. Peragam antara X dengan FPeragam antara Xidengan Fidiberikan sebagai berikut :
ijji c)FX(Cov =
-
8/13/2019 IIIPengukuranVariabel
14/19
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 pelajaranMatematika, Fisika, Geografi, PPKN, dan Sejarah.
5. Skor FaktorSering 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-1
Zj.
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 X5dan X6. Permasalahannya : Apakah benar X1s/d X4merupakan pengukur Ability yang valid dan reliabel ? Demikian juga : Apakah benar X5dan
X6merupakan 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.
Untuk lebih memperjelas aplikasinya, dapt dilihat ilustrasi berikut.
Faktor yang harus
terbentuk = 2
Faktor I = Ability
Faktor II = Aspiration
-
8/13/2019 IIIPengukuranVariabel
15/19
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. Instrumenpenelitian 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
Pilihan1 Jabatan/tugas yang bapak/ibu emban memerlukan peningkatan
kemampuan /ketrampilan melalui Diklat.
1 2 3 4 5
2 Tingkat kemampuan karyawan dapat diukur dengan lamanya masa
kerja.
1 2 3 4 5
3 Daftar urutan kepangkatan (DUK) adalah metode yang paling tepat
untuk syarat promosi jabatan karyawan (naik jabatan).
1 2 3 4 5
4 Pimpinan memberi dorongan kepada bapak/ibu untuk studi lanjut,
agar bisa menunjang peningkatan karir
1 2 3 4 5
5 Pimpinan memberi penghargaan terhadap prestasi bapak/ibu. 1 2 3 4 5
Kepuasan Kerja Karyawan (Y1)1 Tugas/jabatan yang sedang bapak/ibu jalani menyenangkan. 1 2 3 4 5
2 Dalam tugas sehari-hari atasan selalu memberikan arahan yang berkaitan
dengan tugas bapak/ibu.
1 2 3 4 5
3 Prestasi bapak/ibu di tempat kerja sangat memungkinkan untuk mendapat
peluang promosi jabatan (kenaikan jabatan).
1 2 3 4 5
4 Kondisi kerja bapak/ibu sangat kondusif dan menyenangkan. 1 2 3 4 5
5 Rekan sekerja bapak/ibu selalu mendukung pelaksanaan tugas yang sedang
bapak/ibu jalani.
1 2 3 4 5
Kinerja Karyawan (Y2)
1 Bapak/ibu dapat menyelesaikan tugas dengan tingkat ketelitian yangtinggi.
1 2 3 4 5
2 Setiap hari bapak/ibu dapat menyeleseikan tugas pada hari itu juga,
tidak menunggu hari esok.
1 2 3 4 5
3 Setiap hari bapak/ibu bisa hadir di kantor sesuai dengan waktu yang
ditentukan.
1 2 3 4 5
4 Bila meninggalkan kantor pada jam dinas untuk kepentingan pribadi,
bapak/ibu minta ijin kepada atasan.
1 2 3 4 5
5 Setiap mengakhiri pelaksanaan tugas, bapak/ibu membuat laporan
tertulis/lisan kepada atasan.
1 2 3 4 5
-
8/13/2019 IIIPengukuranVariabel
16/19
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
1.000 .332
1.000 .710
1.000 .501
1.000 .666
1.000 .722
X1.1
X1.2
X1.3
X1.4
X1.5
Initial Extraction
Extraction Method: Principal Component Analysis.
Total Variance Explained
1.820 36.407 36.407 1.820 36.407 36.407
1.110 22.199 58.606 1.110 22.199 58.606
.897 17.944 76.550
.760 15.201 91.752
.412 8.248 100.000
Component
1
2
3
4
5
Total % of Variance Cumulative % Total % of Variance Cumulative %
Initial Eigenvalues Extraction Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
Component Matrixa
-.377 .435
.189 .821
.553 .442
.788 -.210
.846 -.083
X1.1
X1.2
X1.3
X1.4
X1.5
1 2
Component
Extraction Method: Principal Component Analysis.
2 components extracted.a.
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.
-
8/13/2019 IIIPengukuranVariabel
17/19
Solimun Laboratorium Statistika FMIPA UB 36
Communalities
1.000 .310
1.000 .689
1.000 .729
X1.3
X1.4
X1.5
Initial Extraction
Extraction Method: Principal Component Analysis.
Total Variance Explained
1.728 57.612 57.612 1.728 57.612 57.612
.844 28.133 85.745
.428 14.255 100.000
Component
1
2
3
Total % of Variance Cumulative % Total % of Variance Cumulative %
Initial Eigenvalues Extraction Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
Component Matrixa
.557
.830
.854
X1.3
X1.4
X1.5
1
Compone
nt
Extraction Method: Principal Component Analysis.
1 components extracted.a.
Hasil analisis faktor menunjukkan bahwa hanya ada satu faktor yang nilai eigen value-
nya > 1. Dengan demikian instrumen dianggap valid (unidimensional), kemudian skor faktor
disimapan, dan itulah wujud dari data pengembangan karir sebagai variabel komposit. Dilihatdari 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.
-
8/13/2019 IIIPengukuranVariabel
18/19
Solimun Laboratorium Statistika FMIPA UB 37
2. Analisis Komponen Utama
Analisis Komponen Utama atau Principle Component Analysisbermula 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 hanyamenggunakan 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.
Variabel baru yang di maksud di atas disebut komponen utama, yang berciri
(1) Merupakan kombinasi linier variabel-variabel asal(2) Jumlah kuadrat koefisien dalam kombinasi linier tersebut bernilai 1
(3) Antar variabel tidak berkorelasi (saling bebas atau independen)
(4) 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 variabledisebut 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 banyakdigunakan 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. Jikap
...21 adalah nilai eigen dari matriks
kovariansi (korelasi), maka proporsi kumulatif dari k nilai eigen pertama adalah :
-
8/13/2019 IIIPengukuranVariabel
19/19
Solimun Laboratorium Statistika FMIPA UB 38
pkp
i
i
k
i
i
,...,1,
1
1 =
=
=
dan untuk matriks korelasi : pkp
k
i
i
,...,1,1 ==
.
Tabel 2
PERBANDINGAN ANTARA ANALISIS FAKTOR
DENGAN ANALISIS KOMPONEN UTAMA
Karakteristik Analisis Komponen Utama Analisis FaktorModel matematika -Komponen Utama merupakan
kombinasi linier dari variabel asal(X1, X2,... Xp)
-Komponen Utama merupakan fungsidari variabel asal (X1, X2,... Xp)
-Faktor terkandung dalam variabelasal (X1, X2,... Xp)
-Variabel asal (X1, X2,... Xp)merupakan fungsi dari faktor
Variabel asal (X1, X2,... Xp) Tidak memiliki atau memiliki faktorbersama Harus memiliki faktor bersama(common factor)
Metode Pendugaan loading Konsepeigen valuedaneigen vector - PCAsolution- MLE
Model pengukuran -Indikator: formatif-Variabel laten: berupa variabel
komposit yang dibentuk olehIndikator
- Indikator: refeksif- Variabel laten: berupa faktor yang
direfleksikan oleh Indikator