Sunday, January 8, 2012

CONTOH KASUS DAN APLIKASI ANALISIS FAKTOR DALAM UJI VALIDITAS KONSTRAK DI PROGRAM SPSS


CONTOH KASUS DAN APLIKASI ANALISIS FAKTOR DALAM UJI VALIDITAS KONSTRAK DI PROGRAM SPSS

Diduga ada 5 variabel bebas  yang mempengaruhi variabel bebas nilai ujian mateatika siswa kelas VI sebuah  SD. Sample siswa yang diambil adalah 17 orang dari 75 orang siswa.
Variabel tak bebasnya adalah:
Y: Nilai UAS matematika siswa kelas VI SD X
Kelima variabel bebasnya adalah:
X1: Rata-rata lama belajar dalam sehari (jam)
X2: Jumlah konsumsi susu dalam seminggu (liter)
X3: Rata-rata lama tidur dalam sehari (jam)
X4: Rata-rata jumlah buku yang dibaca dalam sehari (buah)
X5:Jarak rumah ke sekolah (kilometer)
Berikut ini adalah tabel yang menyediakan data dari 17 sample siswa: 
Lama belajar
Konsumsi susu
Lama tidur
Rata-rata buku dibaca
Jarak rumah sekolah
7
1
6
4
1
6
5
6
3
2
6
2
7
4
1
6
5
7
2
3
1
5
2
4
6
3
4
3
4
2
3
3
2
5
2
3
3
6
4
6
4
3
2
6
3
4
3
3
4
5
3
4
2
6
5
5
4
7
6
3
6
2
3
4
2
6
6
7
2
2
7
1
6
4
2
6
6
7
3
3
2
5
1
4
4
4
7
2
3
2
4
4
4
6
3
4
3
4
3
6
3
4
4
5
2
3
3
4
3
6
3
4
5
6
2
6
2
6
7
4
2
5
1
2
6
2
4
1
6
7
2
5
1
3
6
3
3
1
6
4
5
2
4
4
1
4
2
4
2
7


Prosedur dalam SPSS:
Menjalankan Prosedur Analisis Faktor
Untuk penghitungan analisis faktor ini tahapannya sebagai berikut:
1.      Pilih menu Analyze, lalu pilih Data reduction dan pilih Factor
2.      Pilih variabel X1 s/d X24 dan pindahkan ke kotak variabel
3.      Pilih Descriptives kemudian pada kelompok Statistics pilih option Initial solution, pada kelompok Correlation MatrixpilihCoefficiensSignificance levelsKMOand Bartlett…dan Determinant, kemudian klik Continue.
4.      Pilih Extraction, pilih  Principle components pada Method, pada Analyze pilih Correlation matrix, pada Extract pilih Eigenvalue over 1, pada Display pilih Scree Plot, kemudian klik Continue.
5.      Pilih Rotation kemudian pilih Varimax pada pilihan Method, kemudian klik Continue.
6.      Klik Scores kemudian pilih Save as variables dengan Method sebagai Bartlett. Klik Display factor score coefficient matrix. Kemudian klik Continue.
7.      Pilih Options kemudian klik Sorted by size. Kemudian klik Continue.
8.      Klik OK.


Tampilan pada Program SPSS
·                     

·                                 Proses analisis factor



 ·                                 Output di SPSS dan Interpretasinya
Factor Analysis
                                                                Correlation Matrix


Lama_belajar
konsumsi_susu
Lama_tidur
Rata_jumlah_buku
Jarak_rumah_sekolah
Correlation
Lama_belajar
1.000
-.001
.830
-.086
-.858
konsumsi_susu
-.001
1.000
.012
.548
-.044
Lama_tidur
.830
.012
1.000
-.251
-.713
Rata_jumlah_buku
-.086
.548
-.251
1.000
-.007
Jarak_rumah_sekolah
-.858
-.044
-.713
-.007
1.000


Semakin besar nilai korelasi matriknya maka hubungan antar variable terkait akan semakin besar. Dari table “Corelation Matrix” maka dapat dilihat bahwa korelasi kuat terjadi antara variable Lama_belajar dan Lama_tidur sebesar 0,830 kemudian diikuti oleh variabel Rata_jumlah_buku dan Konsumsi_susu sebesar 0,548 ke duanya mempunyai hubungan positif.

                                     KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
.620
Bartlett's Test of Sphericity
Approx. Chi-Square
81.294
df
10
Sig.
.000


KMO merupakan suatu nilai yang merupakan ukuran untuk kelayakan data. Nilai KMOyang kecil mengindikasikan bahwa penggunaan analisis factor harus dipertimbangkan kembali, karena korelasi antar peubah asal tidak dapat diterangkan oleh peubah lain. Menurut Kaiser dan Rice (1974) menetapkan criteria pengukuran bahwa nilai KMO sebesar 0,9 adalah sangat bagus; 0,8 adalah bagus; 0,7 adalah cukup; 0,6 adalah kurang;0,5 adalah jelek dan di bawah 0,5 tidak dapat diterima (Sharma,1996).
Menurut J. Supranto, jika besar KMO lebih dari 0,5 maka penggunaan analisis factor sudah cocok untuk data tersebut.
Dari table KMO and Bartlett’s Test didapat nilai KMO sebesar 0,620. Ini berarti bahwa analisis Faktor cukup tepat untuk menganalisis untuk menganalisis matrix data yang bersangkutan.


                                     Communalities


Initial
Extraction
Lama_belajar
1.000
.925
konsumsi_susu
1.000
.764
Lama_tidur
1.000
.844
Rata_jumlah_buku
1.000
.794
Jarak_rumah_sekolah
1.000
.851
Extraction Method: Principal Component Analysis.


Komunalitas merupakan proporsi keragaman peubah asal ke-I yang dapat dijelaskan oleh factor umum,dan sisanya yang tidak dapat dijelaskan oleh factor umum dijelaskan oleh factor khusus yang melalui ragam khusus (specific variance).
Menurut J.Supranto Komunalitas adalah jumlah varian yang disumbangkan oleh suatu variabel dengan seluruh variabel lainnya dalam analisis. Bisa juga disebut proporsi atau bagian darivarian yang dijelaskan oleh common factor atau besarnya sumbangan suatu faktorterhadap varian seluruh variabel.

Dari table “communalities” diatas maka pada kolom Extraction bias dijelaskan, bahwa proporsi varian lama_bljr terhadap jumlah seluruh varians adalah sebesar 0,925. Demikina halnya dengan variabel lainnya.

                                                                                Total Variance Explained

Component
Initial Eigenvalues
Extraction Sums of Squared Loadings
Total
% of Variance
Cumulative %
Total
% of Variance
Cumulative %
1
2.625
52.493
52.493
2.625
52.493
52.493
2
1.553
31.052
83.545
1.553
31.052
83.545
3
.502
10.047
93.592



4
.214
4.288
97.880



5
.106
2.120
100.000



Extraction Method: Principal Component Analysis.





Sree Plot merupakan plot dari eigen value sebagai sumbu vertical dan banyaknya faktor sebagai sumbu horizontal, untuk menentukan banyaknya factor yangbisa ditarik (factor extraction).
Hasil percobaan diatas menunjukkan bahwa titik pada tempat di mana The Scree mulai terjadi, menunjukkan banyaknya factor yang benar. Tepatnya pada saatthe scree mulai merata/mendatar (keterangan lengkap pada buku J.Supranto hal 129)

                               Component Matrix(a)


Component
1
2
Lama_belajar
.958
.083
konsumsi_susu
-.037
.873
Lama_tidur
.918
-.030
Rata_jumlah_buku
-.201
.868
Jarak_rumah_sekolah
-.907
-.171
Extraction Method: Principal Component Analysis.
a  2 components extracted.



Matrik komponen merupakan matrik hubungan antara variabel dan Faktor yang merupakan pengkategori dari variabel-variabel ybs. Dari matrik komponen di atas dapat disimpulkan bahwa dari sebanyak 5 variabel diperoleh sebanyak 2 faktor.



2 Komponen (factor) yang terbentuk adalah:
1.      Komponen 1 meliputi variabel Lama_belajar, Lama_tidur dan Jarak_rumah_sekolah.
2.      Komponen 2 meliputi variabel Rata_jumlah_buku dan Konsumsi_susu.
(Keteranga lebih lanjut baca Buku Analisi Multivariat J. Supranto hal 133)


Wallahu a’lam bishowwab

No comments:

Post a Comment