Docstoc

Validitas Konstruk dan Analisis Faktor

Document Sample
Validitas Konstruk dan Analisis Faktor Powered By Docstoc
					                                                           empu.inst@mataram




               VALIDITAS KONSTRUK DAN ANALISIS FAKTOR

A. Validitas Konstruk

      Validitas merupakan salah satu prasyarat sebelum sebuah instrumen
digunakan dalam suatu kegiatan pengukuran. Validitas berarti the extent to which
an instrument measures what it is supposed to measure. Validitas ini juga berarti
ketepatan interpretasi atas hasil dari suatu tes atau pengukuran, dan sesuai dengan
tujuan pemberian tes (Wiersma, 1986: 289-290). Azwar (2003: 5-6)
mendefinisikan validitas sebagai “sejauh mana ketepatan dan kecermatan suatu
alat ukur dalam melakukan fungsi ukurnya”. Suatu tes atau instrumen pengukur
akan dikatakan valid jika hasil pengukurannya sesuai dengan tujuan dilakukannya
pengukuran tersebut. Dalam term psikometrika, Azwar (2003: 7) mengatakan
bahwa alat ukur yang valid adalah yang memiliki varians error yang kecil.
Dengan kecilnya varians error ini, angka yang dihasilkannya dapat dipercaya
sebagai angka yang sebenarnya (true score), atau angka yang mendekati keadaan
sebenarnya.

      Mengenai validitas ini, Azwar (2003: 7) mengingatkan bahwa term validitas
berhubungan erat dengan masalah tujuan pengukuran. Tidak ada validitas yang
berlaku umum untuk semua tujuan pengukuran. Suatu alat ukur biasanya hanya
merupakan ukuran yang valid untuk satu tujuan yang spesifik. Dengan redaksi
berbeda, Isaac dan Michael (1981: 120) mengatakan:
      Validity information indicates the degree to which the test is capable of
      achieving certain aims. Tests are used for several types of judgement, and
      for each type of judgement, a different type of investigation is required to
      establish validity.

      Seperti reliabilitas yang terdapat 2 macam, yaitu reliabilitas (konsistensi)
internal dan eksternal, maka validitas pun terdiri dari beberapa jenis. Setidaknya
ada 3 macam validitas yang disebutkan oleh para ahli, yaitu validitas isi (content),
validitas kriteria (criterion), dan validitas konstruk (construct) (Wiersma, 1986:
291-292, Isaac & Michael, 1981: 119-123, Azwar, 2003: 45-53). Content
validitation    didefinisikan   sebagai   the   process     of   establishing   the
                                                            empu.inst@mataram




representativeness of the items with respect to domain of skills, tasks, knowledge,
and so forth, of whatever is being measured (Wiersma, 1986: 291). Dari definisi
tersebut, maka validitas isi berkaitan dengan ketepatan dalam memetakan isi
instrumen (the adequacy of content sampling). Validasi isi ini dilakukan dengan
logical analysis terhadap butir-butir instrumen, untuk menentukan tingkat
representasi setiap butir tersebut. Validitas isi ini sering dijadikan dasar pada tes
prestasi belajar. Azwar (2003: 45) menyebutkan bahwa validitas isi merupakan
validitas yang diestimasi lewat pengujian terhadap isi tes dengan analisis rasional
atau lewat proffesional judgement. Pertanyaan yang dicari jawabannya dalam
validasi ini adalah sejauh mana butir-butir instrumen mencakup keseluruhan
kawasan isi objek yang hendak diukur, atau sejauh mana isi tes mencerminkan ciri
atribut yang hendak diukur.
      Validasi berdasarkan kriteria mendasarkan konsep validitasnya pada
perbandingan dengan beberapa kriteria di luar dari instrumen (Wiersma, 1986:
291). Misalnya skor dari suatu tes yang akan divalidasi memiliki korelasi yang
tinggi dengan kriteria, maka pengukuran tersebut diasumsikan valid. Jika tidak,
berarti pengukuran tersebut tidak memenuhi kriteria validitas. Azwar (2003: 50-
51) menyebutkan bahwa kriteria pada validitas ini merupakan kriteria eksternal
yang ditentukan untuk menjadi dasar pengujian skor tes. Salah satu kriteria ini
adalah variabel perilaku yang akan diprediksikan oleh skor tes, atau berupa
ukuran lain yang relevan. Untuk melihat nilai validitas berdasarkan kriteria, lanjut
Azwar, dilakukan komputasi korelasi antara skor tes dengan skor kriteria.
Koefisien yang diperoleh merupakan koefisien validitas bagi pengukuran yang
bersangkutan, yaitu rxy, di mana x melambangkan skor tes, dan y merujuk pada
skor kriteria. Validitas berdasarkan kriteria (criterion-related validity) terbagi
menjadi 2, yaitu validitas konkuren dan validitas prediktif. Pengertian kedua
validitas berdasarkan kriteria ini, mengutip Wiersma (1986: 291) adalah:
      Concurent validation is used if the data on the two measures, test and
      criterion, are collected at or about the same time. Predictive validation
      involves the collection of the data on the criterion measure after an
      intervening period – say, 6 months – from the time of data collection for the
      test being validated.
                                                           empu.inst@mataram




       Azwar (2003: 51) memberikan contoh validitas prediktif dengan, antara
lain, tes seleksi mahasiswa baru pada suatu perguruan tinggi dan tes untuk
keperluan penentuan klasifikasi dan penempatan karyawan pada suatu perusahaan.
Kriteria dalam menentukan validitas prediktif ini adalah performansi mahasiswa
yang baru dapat diketahui beberapa waktu setelah si mahasiswa menempuh
perkuliahan, misalnya dengan indeks prestasi atau nilai yang diperolehnya pada
beberapa mata kuliah. Jadi, skor tes yang diperoleh sekarang, baru dapat
ditentukan tingkat validitasnya di waktu yang akan datang, yaitu setelah diperoleh
skor    kriterianya.    Sedangkan   untuk   contoh   validitas   konkuren,   Azwar
menyebutkan bahwa tes intelegensi dapat ditentukan koefisien validitasnya
setelah terlebih dahulu disusun suatu skala intelegensi yang akan dibandingkan
dengan skor tes intelegensi. Jadi pada saat bersamaan, kedua skor tes dapat
digunakan untuk menentukan tingkat validitasnya.
       Jenis validitas yang terakhir adalah validitas konstruk. Validitas konstruk
merujuk pada kemampuan tes atau instrumen dalam mengungkap suatu trait atau
konstruk teoritik yang akan diukurnya (Azwar, 2003: 48; Hamzah B. Uno &
Herminanto Sofyan, et. al., 2001: 140). Term construct, menurut Wiersma (1986:
292) merujuk pada konstruk teoritis atau trait yang hendak diukur, bukan berarti
konstruksi teknis dari suatu tes atau instrumen.
       Dalam pengujiannya, Wiersma (1986: 292) mengatakan bahwa validasi
konstruk melibatkan tidak hanya analisis logis, tapi juga analisis empirik. Untuk
uji empirik, Azwar (2003: 49) mengatakan bahwa pengujian validitas konstruk
biasanya memerlukan teknik analisis statistika yang lebih kompleks dari pada
teknik-teknik yang digunakan pada pengujian validitas empirik lainnya, dan hasil
estimasinya tidak dinyatakan dalam bentuk suatu koefisien validitas (rxy). Analisis
logis, menurut Azwar, dapat diawali dengan melakukan pembatasan atas variabel
yang hendak diukur. Kemudian batasan variabel tersebut dinyatakan sebagai suatu
bentuk konstruk logis berdasarkan kajian teoritis atas variabel tersebut. Analisis
logis dan empirik tadi juga sesuai dengan pendapat Magnusson (Azwar, 2003:
49), yang mengatakan bahwa validasi atas konstruk dapat dilakukan dengan
beberapa cara, yaitu:
                                                          empu.inst@mataram




1. Studi mengenai perbedaan di antara kelompok-kelompok yang menurut teori
  harus berbeda.
2. Studi mengenai pengaruh perubahan yang terjadi dalam diri individu dan
  lingkungannya terhadap hasil tes.
3. Studi mengenai korelasi di antara berbadai variabel yang menurut teori
  mengukur aspek yang sama.
4. Studi mengenai korelasi antar-item atau antar belahan tes.
     Dalam suatu kegiatan pengukuran, validasi yang dapat dilakukan antara lain
adalah validasi atas isi (content) dan konstruk. Validasi isi dilakukan dengan
analisis rasional terhadap butir-butir instrumen dan dengan bantuan expert
judgement. Instrumen pengukuran dan atau penelitian, apa pun bentuknya (seperti
angket, observasi, wawancara, dan dokumentasi), dapat divalidasi content-nya
dengan logic analysis. Validasi berdasarkan kriteria tidak dilakukan, dengan
alasan bahwa instrumen yang digunakan dalam kegiatan pengukuran tidak
mencakup instrumen untuk memperoleh skor kriteria, dan tidak juga ditujukan
untuk keperluan prediktif di masa depan.
     Validasi kedua adalah validasi empirik terhadap konstruk instrumen.
Terdapat 2 alternatif pendekatan yang dapat digunakan untuk validasi empirik ini,
yaitu pendekatan multitrait-multimethod dan pendekatan analisis faktorial (Azwar,
2003: 132). Validasi empirik atas konstruk instrumen akan dilakukan dengan
analisis faktorial, karena pendekatan ini yang biasanya digunakan dalam kegiatan
penelitian atau pengukuran untuk mengukur validitas konstruk instrumen, yang
dalam hal ini adalah angket. Field (2000: 441) mengatakan bahwa “Factor
analysis is frequently used to develop questionnaires; after all if you want to
measure an ability or trait you need to ensure that the questions asked relate to
the construct that you intend to measure”.

B. Analisis Faktor
     Analisis faktor merupakan suatu metode statistik yang sangat sulit,
kompleks, dan hasil analisisnya sulit untuk diinterpretasikan. Suryanto (1988: 234)
menjelaskan bahwa “analisis faktor adalah kajian tentang kesaling-tergantungan
                                                          empu.inst@mataram




antara variabel-variabel, dengan tujuan untuk menemukan himpunan variabel-
variabel baru, yang lebih sedikit jumlahnya dari pada variabel semula”. Kleinbaum
dan Kupper (1978: 376) mendefinisikan analisis faktor sebagai a multivariable
method that has as its aim the explanation of relationships among several
difficult-to-interpret, correlated variables in terms of a few conceptually
meaningful, relatively independent factors. Lebih khusus dalam isu pengukuran,
Wiersma (1986: 412) menyebutkan bahwa analisis faktor merupakan a procedure
for determining the number and nature of constructs that underlie a set of
measure. Menurut Wiersma (1986: 413), analisis faktor memiliki 2 fungsi
analisis, yaitu sebagai explanatory analysis dan confirmatory analysis:
     When exploratory analyses are used, the intent is to reduce the number of
     variables to a manageable number for explanatory purposes, the number of
     factors usually being less than the number of original variables. A set of
     measures may be factor-analyzed to enhance the explanation of what is
     mesured in a more parsimonious manner…
     Confirmatory factor analysis focuses in confirming or refuting the
     hypothesized constructs mesured by a set of variables. It may be used to test
     a theory. Confirmatory factor analysis is used extensively to establish the
     construct validity of psychological tests and other measures in the
     behavioral sciences… (garis bawah dari pengutip)

     Bagian kutipan yang digaribawahi di atas, menyebutkan secara eksplisit
bahwa analisis faktor konfirmatori telah secara luas digunakan untuk menetapkan
validitas konstruk dari suatu tes psikologis atau pengukuran lainnya dalam ilmu-
ilmu sosial. Keterkaitan antara analisis faktor dengan validitas konstruk ini lah
yang menyebabkan beberapa ahli mengistilahkan validitas konstruk dengan term
validitas faktorial (Azwar, 2003: 135; Thompson & Daniel, 1996: 197-198).
Thompson dan Daniel (1996: 198) mengutip suatu artikel dalam jurnal yang
diterbitkan sekitar 55 tahun yang lalu, yang secara langsung menganggap bahwa
validitas faktorial adalah validitas yang sebenarnya dalam suatu pengukuran.
Kutipan tersebut selengkapnya adalah sebagai berikut:
     Validity, in my opinion, is of two kinds… The factorial validity of a test is
     given by its loadings in meaningful, common, reference factors. This is the
     kind of validity that is really meant when the question is asked “Does this
     test measure what it is supposed to measure?”. A more pertinent question
     should be “What does this test measure?”. The answer then should be in
                                                         empu.inst@mataram




     terms of factors and their loadings… I predict a time when any test author
     will be expected to present information regarding the factor composition of
     his (sic) tests. (garis bawah dari pengutip)

     Salah satu pertanyaan yang diajukan pada sebuah artikel di internet adalah
“How is factor analysis related to validity?”. Jawaban yang diberikan untuk
pertanyaan tersebut adalah:
     In confirmatory factor analysis (CFA), a finding that indicators have high
     loadings on the predicted factors indicates covergent validity. In an oblique
     rotation, discriminant validity is demonstrated if the correlation between
     factors is not so high (ex., > ,85) as to lead one to think the two factors
     overlap conceptually. (garis bawah dari pengutip) (artikel pada situs
     http://www2.chass.ncsu.edu/garson/pa765 Factor Analysis.htm, diambil
     pada tanggal 05 September 2010)

     Dalam kaitannya dengan penentuan validitas konstruk, maka analisis faktor
yang akan dilakukan adalah confirmatory factor analysis. Tujuan dari model ini
adalah untuk menentukan apakah faktor-faktor (komponen) dan muatan variabel
yang diukur (the loadings of measured variables) berdasarkan faktor-faktor tadi
telah sesuai (conform) dengan basis teori yang dibangun. Terdapat beberapa
metode dalam melakukan ekstraksi faktor, yaitu antara lain Principal Component
Analysis (PCA), Principal Axis Factoring (PAF atau PFA), Maximum Likelihood,
Alpha Factoring, dan Image Factoring. Dari beberapa metode ekstraksi tersebut,
metode yang akan digunakan untuk validasi konstruk angket dalam kegiatan
pengukuran adalah PCA, yang merupakan the most common form dalam analisis
faktor. Cara kerja PCA ini adalah:
     …seeks a linear combination of variables such that the maximum variance
     is extracted from the variables. It then removes this variance and seeks a
     second linear combination which explains the maximum proportion of the
     remaining variance, and so on... PCA analyzes total (common and unique)
     variance. (artikel pada situs http://www2.chass.ncsu.edu/garson/pa765
     Factor Analysis.htm, diambil pada tanggal 05 September 2010)

     Field (2000: 433-434) mengatakan bahwa “Principal component analysis is
concerned only with establishing which linear components exist within the data
and how a particular variable might contribute to the component”. Field juga
mengatakan bahwa secara konseptual, prosedur PCA relatif tidak terlalu
                                                           empu.inst@mataram




kompleks, jika dibandingkan dengan prosedur yang lain. Dalam glossary tentang
faktor analisis (Pohlmann, 2004), disebutkan bahwa PCA merupakan:
     …(1) a method of factoring a correlation matrix directly, without estimating
     communalities. Linear combinations of variables are estimated which
     explain the maximum amount of variance in the variables. The first
     component accounts for the most variance in the variables. Then the second
     component accounts for the most variance in the variables residualized for
     the first component, and so on. (2) transforms a collection of measured
     variables into a set of orthogonal maximum variance linear combinations.

     Analisis faktor melibatkan perhitungan matematis yang kompleks, sehingga
akan menyulitkan jika dilakukan oleh seseorang dengan latar belakang pendidikan
non-eksakta. Perhitungannya akan lebih mudah dilakukan dengan menggunakan
bantuan komputer seperti program Statistical Product and Service Solutions
(SPSS). Dengan tanpa direpotkan oleh beragam rumus yang membingungkan,
maka seseorang yang melakukan analisis faktor dengan SPSS cukup memahami
hasil (output) yang diperoleh.
     Output analisis faktor dengan metode ekstraksi PCA (Principal Component
Analysis) yang diperoleh dari output analisis SPSS, terdiri dari beberapa bagian,
dan tidak seluruh bagian tersebut akan diuraikan (diinterpretasikan). Beberapa
bagian tersebut adalah sebagai berikut:
1. Correlation Matrix
  Bagian ini berupa tabel yang menampilkan koefisien korelasi (Pearson-Product
  Moment) antara variabel (butir) yang dianalisa. Korelasi yang dimaksud
  merupakan korelasi linear antar butir. Asumsi dasar dalam analisis faktor
  adalah bahwa terdapat korelasi linear antar variabel, namun korelasi tersebut
  bukan merupakan korelasi yang sempurna (dengan nilai koefisien korelasi 1).
  Field (2000: 453) mengindikasikan bahwa variabel-variabel yang koefisien
  korelasinya terlalu tinggi, yaitu jika lebih besar (>) dari 0.8, sebaiknya di-drop
  dari tahapan analisis. Demikian juga dengan variabel-variabel yang tidak
  berkorelasi sama sekali, harus dibuang dari tahapan analisis.
2. Determinant
  Bagian determinant ini terletak tepat di bawah tabel correlation matrix.
  Fungsinya adalah untuk mengecek apakah terdapat multikolinearitas antar
                                                         empu.inst@mataram




  variabel-variabel yang dianalisis, atau tidak. Jika nilai determinant ini lebih
  besar (>) dari 0.00001, maka dapat diasumsikan bahwa multikolinearitas tidak
  terjadi (Field, 2000: 453).
3. KMO and Bartlett‟s Test
  Tabel KMO & Bartlett‟s Test memberikan informasi tentang kelayakan data
  yang dimiliki untuk dianalisa dengan menggunakan analisis faktor. Uji Kaiser-
  Meyer-Olkin (KMO) of Sampling Adequacy merupakan statistik yang
  mengindikasikan atau memastikan bahwa proporsi keragaman pada seluruh
  variabel (yang dalam hal ini adalah butir angket) merupakan common variance,
  atau keragaman yang disebabkan oleh faktor tertentu (underlying factors).
  Nilai KMO yang ditampilkan dalam tabel KMO and Bartlett‟s Test merupakan
  tingkat kelayakan untuk seluruh variabel. Nilai KMO bervariasi dari 0 sampai
  dengan 1. Nilai KMO yang mendekati 1 berarti bahwa analisis faktor akan
  dapat memberikan hasil analisis yang interpretable terhadap variabel yang
  dianalisis, sedangkan jika nilai KMO lebih rendah dari 0.5 maka hasil analisis
  faktor tidak cukup informatif untuk menjelaskan karakteristik variabel yang
  dimiliki. Nilai KMO 0 menunjukkan bahwa jumlah korelasi parsial antar
  variabel adalah terlalu besar jika dibandingkan dengan jumlah korelasi antar
  variabel. Jika ini yang terjadi, maka analisis faktor bukan merupakan teknik
  yang tepat untuk melakukan peringkasan (summarization) variabel. Jika nilai
  KMO-nya mendekati 1, berarti pola korelasi antar variabel relatif kompak, dan
  analisis faktor menjadi pilihan yang tepat untuk melakukan peringkasan
  variabel. Selain itu, nilai KMO yang lebih besar dari 0.5 juga berarti bahwa
  jumlah responden (sampel) yang digunakan adalah telah sesuai atau layak
  (sampling adequacy). Rekomendasi Kaiser untuk standar minimal nilai KMO
  adalah lebih besar dari (>) 0,5. Jika nilai KMO lebih kecil dari 0,5 maka harus
  dipertimbangkan untuk menambah jumlah responden, atau memikirkan
  kembali variabel-variabel mana saja yang akan dilibatkan dalam tahapan
  analisis selanjutnya (Field, 2000: 445-446, 455).
  Bartlett‟s test bertujuan untuk menguji hipotesis tentang apakah matriks
  korelasi original yang diperoleh merupakan sebuah identity matrix atau bukan.
                                                           empu.inst@mataram




  Jika sebuah matirk menyerupai atau merupakan identity matrix berarti setiap
  variabel dalam matrik tersebut dapat diasumsikan tidak berkorelasi ssama
  sekali dengan setiap variabel lainnya dalam matrik tersebut. Teknik analisis
  faktor baru dapat diterapkan jika di antara variabel-variabel yang dilibatkan
  terdapat korelasi, dengan syarat bahwa korelasi tersebut tidak terlalu sempurna.
  Jika tidak terdapat korelasi, maka matrik yang diperoleh pada bagian
  sebelumnya merupakan identity matrix. Jika hasil uji Bartlett ini signifikan
  (taraf signifikansinya lebih kecil dari (<) 0,05), berarti bahwa matrik korelasi
  yang diperoleh bukan merupakan identity matrix, dan dengan demikian dapat
  diasumsikan bahwa terdapat korelasi antar variabel serta penggunaan analisis
  faktor memiliki dasar yang benar (Field, 2000: 446, 457).
4. Anti-image Matrices
  Tabel anti-image matrices ini menampilkan nilai KMO untuk suatu variabel
  (butir) tertentu. Nilai KMO pada tabel KMO and Bartlett‟s test di atas
  merupakan nilai KMO untuk keseluruhan variabel (multiple variables),
  sedangkan pada matrik anti-image ini, nilai KMO-nya adalah untuk suatu
  variabel tertentu saja (individual variable). Dari matriks anti-image, nilai KMO
  suatu variabel ditunjukkan pada diagonal tabel yang diberi tanda „a‟ (measure
  of sampling adequacy – MSA). Pengecekan yang harus dilakukan adalah
  memeriksa apakah terdapat nilai yang lebih kecil dari 0.5, atau tidak. Butir atau
  variabel yang memiliki nilai MSA lebih kecil dari 0.5 berarti bahwa butir
  tersebut tidak sesuai dengan struktur variabel-variabel yang lain, sehingga
  harus didrop dari analisis. Jika nilai KMO untuk semua variabel lebih besar (>)
  dari 0.5 maka analisis dapat diteruskan, dan analisis faktor tetap merupakan
  pilihan teknik yang tepat. Jika terdapat variabel dengan nilai lebih rendah dari
  0.5 maka variabel tersebut harus dikeluarkan dari analisis. Jika ini yang terjadi,
  maka analisis harus dilakukan ulang dari awal, setelah terlebih dahulu
  dilakukan pengurangan jumlah variabel (Field, 2000: 456). Di bawah bidang
  diagonal, nilai yang ditunjukkan sebaiknya adalah nilai kecil yang mendekati 0.
  Nilai yang kecil ini mengindikasikan bahwa variabel yang dianalisa relatif
  terbebas dari korelasi yang tidak dapat dijelaskan (unexplained correlation).
                                                          empu.inst@mataram




5. Communalities
  Pohlmann (2004) mendefinisikan komunalitas dengan “the proportion of a
  variable‟s variance explained by a factor structure”. Manual SPSS
  menjelaskan secara lebih rinci perihal komunalitas ini, yaitu sebagai berikut:

     …The communality measures the percent of variance in a given variable
     explained by all the factors jointly and may be interpreted as the reliability
     of the indicator.

     When an indicator variable has a low communality, the factor model is not
     working well for that indicator and possibly it should be removed from the
     model. However, communalities must be interpreted in relation to the
     interpretability of the factors. A communality of .75 seems high but is
     meaningless unless the factor on which the variable is loaded is
     interpretable, though it usually will be. A communality of .25 seems low but
     may be meaningful if the item is contributing to a well-defined factor. That
     is, what is critical is not the communality coefficient per se, but rather the
     extent to which the item plays a role in the interpretation of the factor,
     though often this role is greater when communality is high.
     If the communality exceeds 1.0, there is a spurious solution, which may
     reflect too small a sample or the researcher has too many or too few factors.
     Communality for a variable is computed as the sum of squared factor
     loadings for that variable (row). Recall r-squared is the percent of variance
     explained, and since factors are uncorrelated, the squared loadings may be
     added to get the total percent explained, which is what communality is. For
     full orthogonal PCA, the communality will be 1.0 for all variables and all of
     the variance in the variables will be explained by all of the factors, which
     will be as many as there are variables. In the communalities chart, SPSS
     labels this column the "initial" communalities. The "extracted" communality
     is the percent of variance in a given variable explained by the factors which
     are extracted, which will usually be fewer than all the possible factors,
     resulting in coefficients less than 1.0… (garis bawah dari pengutip) (sumber
     dari http://www2.chass.ncsu.edu/garson/pa765 Factor Analysis.htm, diambil
     pada tanggal 05 September 2010).

  Field (2000: 432 & 458) menyebutkan bahwa komunalitas adalah proportion of
  common varince present in a variable. Nilai komunalitas 1 berarti bahwa
  variabel yang bersangkutan tidak memiliki keragaman yang spesifik, dan nilai
  komunalitas 0 berarti variabel tersebut tidak berbagi keragaman dengan
  variabel yang lain. Sebelum proses ekstraksi (initial communalities),
  komunalitas setiap variabel adalah sama dengan 1. Setelah ekstraksi, nilai ini
                                                         empu.inst@mataram




  akan berkurang. Misalnya berkurang menjadi 0.435, yang nilai ini berarti
  bahwa 43.5% dari keragaman butir atau variabel tersebut merupakan shared
  variance.
6. Total Variance Explained
  Bagian ini merupakan sebuah tabel yang terdiri dari 3 bagian, yaitu Initial
  Eigenvalues, Extraction Sums of Squared Loadings, dan Rotation Sums of
  Squared Loadings. Ketiga bagian tersebut, pada dasarnya memuat 1 hal yang
  sama, yaitu eigenvalues. Pohlmann (2004) menyebutkan bahwa eigenvalue
  merujuk pada keragaman (variance) dalam sekolompok variabel yang
  dijelaskan oleh sebuah faktor atau komponen. Field (2000: 457) mengatakan
  bahwa eigenvalue diasosiasikan dengan representasi suatu faktor atas
  keragaman yang ditunjukkan dengan hubungan linear antar faktor yang ter-
  extract dari seluruh variabel atau butir yang dilibatkan. Initial eigenvalues
  berarti nilai eigenvalue awal yang merujuk pada proporsi keragaman yang
  disebabkan oleh variabel-variabel yang termasuk dalam suatu faktor tertentu
  sebelem diekstrak. Extraction Sums of Squared Loadings adalah nilai
  eigenvalue setelah diekstrak, sehingga hanya memuat komponen dengan nilai
  eigenvalue lebih besar (>) dari 1 (default setting SPSS berdasarkan
  rekomendasi Kaiser (Field: 2000: 449). Metode rotasi yang dipilih adalah
  principal component. Terakhir, Rotation Sums of Squared Loadings merujuk
  pada nilai eigenvalue setelah dilakukan rotasi. Terdapat beberapa opsi metode
  rotasi yang dapat dipilih, antara lain Varimax, Quartimax, Equamax (ketiganya
  merupakan rotasi orthogonal), Direct Oblimin, dan Promax (rotasi oblique).
  Metode rotasi Varimax akan mendistribusikan nilai muatan faktor tiap-tiap
  variabel secara merata pada semua faktor yang terekstrak. Metode Quartimax
  akan mengkonsentrasikan nilai muatan faktor pada satu faktor tertentu saja,
  biasanya pada faktor pertama. Equamax adalah alternatif yang mengambil jalan
  tengah antara Varimax dan Quartimax. Metode Direct Oblimin dan Promax
  relatif lebih kompleks dalam mendistribusikan nilai muatan faktor (Field, 2000:
  449). Metode rotasi yang digunakan dalam analisis faktor di sini adalah metode
                                                          empu.inst@mataram




  Quartimax, sehingga faktor pertama akan lebih optimal dalam memperoleh
  nilai muatan faktor untuk masing-masing butir yang dianalisa.
  Yang perlu diperhatikan adalah bahwa komponen pertama cenderung akan
  memiliki nilai eigenvalue yang paling besar, dan nilai eigenvalue untuk
  komponen-komponen setelahnya menjadi lebih kecil. Jumlah faktor yang
  terbentuk berdasarkan nilai eigenvalue ini masih perlu dikonfirmasikan dengan
  tampilan garis plot pada bagian scree plot.
7. Scree Plot
  Bagian ini menampilkan plot faktor berdasarkan nilai eigenvalue-nya. Dalam
  prosedur analisis faktor, scree plot ini dapat digunakan untuk menentukan
  berapa jumlah faktor yang terbentuk dari keseluruhan variabel atau butir.
  Biasanya yang dijadikan patokan dalam menentukan jumlah faktor adalah jika
  nilai eigenvalue dari suatu faktor lebih besar dari 1 yang merupakan
  rekomendasi Kaiser. Jolliffe merekomendasikan nilai minimal yang lebih kecil
  untuk eigenvalue adalah 0.7 (Field, 2000: 449). Penentuan jumlah faktor yang
  terbentuk berdasarkan scree plot, akan lebih banyak melibatkan pertimbangan
  subyektif pengukur, yang antara satu pengukur dengan pengukur yang lain
  mungkin akan memberikan jumlah faktor yang berbeda.
8. Component Matrix
  Matriks komponen ini ditampilkan dalam bentuk tabel, yang memuat muatan
  (loadings) setiap variabel pada setiap faktor atau komponen, sebelum
  dilakukan rotasi. Nilai muatan faktor sebelum dirotasi akan cenderung lebih
  tinggi jika dibandingkan dengan setelah dirotasi.
9. Rotated Component Matrix
  Matriks ini merupakan kelanjutan dari component matrix di atas, setelah
  melalui proses rotasi. Teknik rotasi yang dilakukan adalah varimax, yang
  kemudian dalam tabel rotated component matirix hanya menampilkan faktor
  yang telah diekstraksi saja. Nilai muatan faktor setelah dirotasi ini akan
  berkurang dari nilai muatan awal sebelum dirotasi. Pada bagian ini, penentuan
  butir mana yang akan dibuang dapat dilakukan. Kriterianya adalah jika muatan
  faktornya (loading factor) lebih kecil dari 0,4 (Field, 2000: 462-463).
                                                        empu.inst@mataram




Berbeda dengan reliabilitas yang nilainya ditunjukkan oleh suatu koefisien
reliabilitas, maka dalam hal validitas konstruk, nilainya tidak ditunjukkan oleh
suatu koefisien tertentu, melainkan oleh kemampuan dari suatu faktor, yang
berisikan sekumpulan item instrumen atau variabel, dalam menjelaskan
keragaman yang mungkin muncul pada jawaban atau respon yang diberikan. Dari
pembahasan terhadap output analisis SPSS seperti di atas, kemudian akan dapat
ditentukan, berapa kah faktor atau komponen yang dapat terbentuk dari
keseluruhan butir angket, dan butir mana saja kah yang kemudian dianggap dapat
dianggap valid secara konstruk.
                                                                 empu.inst@mataram




                                      REFERENSI

Azwar, S. (2003). Reliabilitas dan validitas. Cetakan IV. Yogyakarta: Pustaka Pelajar.

Field, A. (2000). Discovering statistics using SPSS for Windows: an advanced techniques
           for the beginner. London: SAGE Publications Ltd.

Hamzah B. Uno, Herminanto Sofyan, & I Made Candiasa (2001). Pengembangan
       instrumen untuk penelitian. Jakarta: Delima Press.

Isaac, S. dan Michael, B. W. (1981). Handbook in research and evaluation: for education
           and the behavioral sciences, 2nd ed. San Diego: EdITS Publishers.

Kleinbaum, D. G., & Kupper, L. L. (1978). Applied regression analysis and other
        multivariable methods. Boston: PWS Publishers.

Pohlmann, J. T. (2004). Factor analysis glossary. Artikel pada situs
       http://www2.chass.ncsu.edu/garson/Factor_Analysis_Glossary.htm, diambil
       pada tanggal 05 September 2010.

Thompson, B. & Daniel, L. G. (1996). Factor analytic evidence for the construct validity of
       scores: a historical overview and some guideliness. Dalam Jurnal Educational
       and psychological measurement (pp. 197-208), Vol 56 No. 2, April 1996.
       Ditampilkan di internet, diambil pada tanggal 05 September 2010, dari situs
       http://www.coe.tamu.edu/~bthompson/article1.

Wiersma, W. (1986). Research methods in education: an introduction. 4th ed. Boston:
        Allyn and Bacon, Inc.

				
DOCUMENT INFO
Shared By:
Categories:
Tags:
Stats:
views:5019
posted:12/29/2010
language:Indonesian
pages:14