Pengertian Surrogete Variabels

Surrogete Variabels

            Surrogete Variabels adalah suatu bagian dari variabel asli yang dipilih untuk digunakan di dalam analisis selanjutnya. Pemilihan Surrogete Variabels meliputi sebagian dari beberapa variabel asli untuk dipergunakan di dalam analisis lanjutan dan menginterpretasikan hasilnya dinyatakan dalam variabel asli bukan dalam skor faktor.

Dengan meneliti matriks faktor, kita bisa memilih untuk setiap faktor variabel dengan muatan tinggi pada faktor yang bersangkutan. Variabel tersebut kemudian bisa dipergunakan sebagai variabel pengganti atau surrogate variable untuk faktor yang bersangkutan. Proses untuk mencari variabel pengganti akan berjalan lancar kalau muatan faktor (factor loading) untuk suatu variabel jelas jelas lebih tinggi daripada muatan faktor lainnya. Akan tetapi pilihan menjadi susah, kalau ada dua variabel atau lebih mempunyai muatan yang sama tingginya. Di dalam hall seperti ini, pemilihan antara variabel-variabel ini harus didasarkan pada pertimbangan teori dan pengukuran sebagai contoh, mungkin teori menyarankan bahwa suatu variabel dengan muatan sedikit lebih kecil mungkin lebih penting daripada dengan sedikit lebih tinggi.

Demikian juga halnya, kalau suatu variabel mempunyai muatan sedikit lebih rendah akan tetapi telah diukur lebih teliti/akurat, seharusnya dipilih sebagai surrogate variabel.

Definisi

Analisis berarti kategori, penataan dan peringkasan data untuk memperoleh jawaban bagi pertanyaan peneltiian. Kegunaan ialah mereduksi data menjadi jawaban bagi pertanyaan penelitian. Kagunaan analisis ialah mereduksi data menjadi perwujudan yang dapat dipahami dan ditafsir dengan cara tertentu hingga relasi masalah penelitian dapat ditelaah serta diuji (Vincent, 1991).

Analisis factor nama umum yang menunjukkan suatu prosedur, utamanya dieprgunakan untuk mereduksi data atau meringkas dari variable yang banyak diubah menjadi sedikit variabel, misalnya dari 15 variabel yang lama diubah menjadi 4 atau 5 variabel baru yang disebut faktor dan masih memuat sebagian besar informasi yang terkandung dalam variabel asli (Supranto, 2004).

Tujuan yang penting dari analisis faktor adalah menyederhanakan hubungan yang beragam dan kompleks pada beberapa variabel yang diamati dengan menyatukan faktor atau dimensi yang saling berhubungan pada suatu struktur data yang baru yang mempunyai beberapa faktor yang lebih kecil.

Penggunaan metode analisis faktor dapat diklasifikasikan menjadi :

1. Penyelidikan untuk penemuan (Exploratory).

Analisis faktor digunakan untuk menyelidiki dan mendeteksi suatu pola dari variabel- variabel yang ada, dengan tujuan untuk menemukan suatu konsep baru dan kemungkinan pengurangan data dari data dasar.

2. Penegasan suatu hipotesa (Confirmatory uses).

Analisis faktor digunakan untuk mengadakan pengujian suatu hipotesisi mengenai struktur dan variabel-variabel baru yang berkaitan dengan jumlah faktor yang signifikan dan faktor loading yang diharapkan.

3. Alat pengukur (Measuring devices).

Analisis faktor digunakan untuk membentuk variabel-variabel untuk digunakan sebagi variabel baru pada analisis berikutnya (Wibisono, 2003).

Model Analisis Faktor dan Statistik yang Relevan

Secara matematis, analisis faktor agak mirip dengan regresi linier berganda yaitu bahwa setiap variabel dinyatakan sebagai suatu kombinasi linier dari faktor yang mendasari. Dimana analisis regresi linier berganda dapat mengetahui besarnya pengaruh dari setiap variabel bebas terhadap variabel tak bebas serta meramalkan nilai variabel yang tak bebas tersebut.

Jumlah varian yang disumbangkan oleh suatu variabel dengan variabel lainnya yang tercakup dalam analisis disebut communality. Hubungan antara variabel yang diuraikan dinyatakan dalam suatu common factors yang sedikit jumlahnya ditambah dengan faktor yang unik untuk setiap variabel. Faktor yang unik tidak berkcrelasi dengan sesama faktor yang unik dan juga tidak berkorelasi dengan common factor. Common factor sendiri bisa dinyatakan sebagai kombinasi linier dari variabel-variabel yang terlihat/terobservasi hasil penelitian lapangan.

Model Matematik dalam Analisis Faktor

Didalam model analisis faktor, kompenen hipotesis diturunkan dari hubungan antara variabel teramati. Model analisis faktor mensyaratkan bahwa hubungan antara variabel teramati harus linier dan nilai koefisien korelasi tak boleh nol, artinya benar­benar harus ada hubungan. Komponen hipotesis yang diturunkan harus memiliki sifat sebagai berikut :

1.   Komponen hipotesis tersebut diberi nama faktor.

Tidak ada faktor yang menjadi kombinasi linier dari faktor lain sebab faktor­faktor tersebut dibuat sedemikian rupa sehingga bebas satu sama lain.

2.  Variabel komponen hipotesis yang disebut faktor bisa dikelompokkan menjadi dua yaitu : common factors and unique factors. Common factor mempunyai lebih dari satu variabel dengan timbangan yang bukan nol nilainya. Suatu faktor unik hanya mempunyai satu variabel dengan timbangan yang tidak nol terkait dengan faktor. Jadi hanya satu variabel yang tergantung pada satu faktor unik.

3. Common factor selalu dianggap tidak berkorelasi dengan faktor unik.                  Faktor unik biasanya juga dianggap saling tidak berkorelasi, akan tetapi common faktor mungkin atau tidak mungkin berkorelasi satu sama lainnya.

4. Umumnya dianggap bahwa jumlah common factor lebih sedikit dari jumlah variabel asli. Akan tetapi banyaknya faktor unik biasanya dianggap sama dengan banyaknya variabel asli (Supranto, 2004).

Mekanisme Analisis Faktor

            Langkah-langkah yang diperlukan didalam analisis faktor bisa dilihat pada gambar di bawah ini :

1. Merumuskan Masalah

Merumuskan masalah meliputi beberapa hal

a.       Tujuan analisis factor harus diidentifikasi

b.      Variabel yang akan dipergunakan didalam analisis factor dispesifikasi berdasarkan penelitian sebelumnya, teori dan pertimbangan dari peneliti

c.       Pengakuran variable berdasarkan skala interval dan rasio

d.      Banyaknya elemen sampel (n) harus cukup/memadai, sebagai petunjuk kasar, kalau k banyaknya jenis variabel maka n = 4 atau 5 kali k. Artinya kalau variabel 5, banyaknya responden minimal 20 atau 25 orang sampel acak (Supranto, 2004).

2. Bentuk Matriks Korelasi

Matriks korelasi merupakan matriks yang memuat koefisien korelasi dari semua pasangan variabel dalam penelitian. Jadi, matriks ini digunakan untuk mendapatkan nilai kedekatan hubungan antar variabel. Nilai kedekatan ini dapat digunakan untuk melakukan beberapa pengujian untuk melihat kesesuain dengan nilai korelasi yang diperoleh dari analisis faktor.

Analisis faktor yang baik memiliki nilai korelasi tinggi (rata-rata lebih besar dari 1 0.3 1 ). Dalam hal ini, determinan matriks yang mendekati nol menunjukkan nilai korelasi tinggi. Selanjutnya perlu diuji apakah matriks korelasi ini merupakan matriks identitas atau bukan karena matriks identitas tidak dapat digunakan untuk analisis berikut. metode yang biasa dilakukan adalah metode Barlett Test of Spherecity. Kemudian perlu ditentukan niali koefisien korelasi parsial, yaitu estimasi antar faktor unik yang nilainya harus mendekati nol untuk memenuhi asumsi analisis faktor. Untuk menguji kesesuaian pemakaian analisis faktor, digunakan metode. Kaiser-Meyer-Olkin (KMO). KMO adalah indek pembanding besarnya koefisien korelasi observasi dengan besarnya koefisien korelasi parsial. Jika nilai kuadrat koefisien korelasi parsial dari semua pasangan variabel lebih kecil dari pada jumlah kuadrat korelasi parsial, maka harga KMO akan mendekati satu, yang menunjukkan kesesuain penggunaan analisis faktor. Menurut Kaiser (1974):

a.       Harga KMO sebesar 0,9 adalah sangat memuaskan.

b.      Harga KMO sebesar 0,8 adalah memuaskan.

c.       Harga KMO sebesar 0,7 adalah harga menengah.

d.      Harga KMO sebesar 0,6 adalah cukup.

e.       Harga KMO sebesar O,Sadalah kurang memuaskan.

f.       Harga KMO sebesar 0,4 tidak dapat diterima.

Untuk menentukan apakah proses pengambilan sampel telah memadai atau tidak, digunakan pengukuran Measure of Sampling Adequacy (MSA). Nilai MSA yang rendah merupakan pertimbangan untuk membuang variabel tersebut pada tahap analisis selanjutnya. Sering kali karena jumlah data yang banyak perhitungan KMO dan MSA hanya dimungkinkan dengan bantuan komputer (Wibisono, 2003). ­

Angka MSA berkisar 0-1 menunjukkan apakah sampel bisa dianalisis lebih lanjut (Wibowo, 2006):

• MSA = l, variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel lain.
• MSA > 0,5 variabel masih dapat diprediksi dan dapat dianaiisis tebih Ianjut.
• MSA < 0,5 variahel tidak dapat diprediksi dan tidak dapat dianalisis lebih lanjut.

3. Menentukan Metode Analisis Faktor

Setelah ditetapkan bahwa analisis faktor merupakan teknik yang tepat untuk menganalisis data yang sudalz dikumpulkan, kemudian ditentukan atau dipilih metode yang tepat untuk analisis faktor. Ada dua cara atau metode yang bisa dipergunakan dalazn analisis faktor, khususnya untuk menghitung koefisien skor faktor, yaitu analisis komponen ularna (Principal Component Analysis) dan analisis faktor umum (Common F'aclor Analysis).

Principal Component Analysis merupakan teknik reduksi data yang bertujuan untuk membentuk suatu kombinasi linier dari variabel awal dengan memperhitungkan sebanyak mungkin jumlah variabel awal tersebut.

Common Factor Analysis merupakan medel faktor yang digunakan untuk mengidentifikasikan sejumlah dimensi dalam faktor yang tidak mudah untuk dikenali. Tujuan utamanya adalah mengidentifikasikan dimensi laten yang direpresentasikan dalam himpunan variabel asal (Wibisono, 2003).

4. Rotasi Faktor-faktor

Suatu hasil atau output yang penting dari analisis faktor ialah apa yang disebut matriks faktor pola. Matriks faktor berisi kcefisien yang dipergunakan untuk mengekspresikan variabel yang dibakukan dinyatakan dalam faktor. Koefisien­koefisien ini yang disebut muatan faktor, mewakili korelasi antar-faktor dan variabel. Suatu koefisien dengan nilai absolut/mutlak yang besar menunjukkan bahwa faktor dan variabel berkorelasi sangat kuat. Koefisien dari matriks faktor bisa dipergunakan untuk menginterpretasikan faktor.

Meskipun matriks faktor awal yang belum dirotasi menunjukkan hubungan antar faktor masing-masing variabel, jarang menghasilkan faktor yang bisa diinterpretasikan (diambil kesimpulannya), oleh karena faktor-faktor tersebut berkorelasi atau terkait dengan banyak variabel (lebih dari satu).

Didalam melakukan rotasi faktor, kita menginginkan agar setiap faktor efmpunyai muatan atau koefisien yang tidak nol atau yang signifikan untuk beberapa variabel saja. Demikian halnya kita juga menginginkan agar setiap variabel mempunyai muatan yang tidak nol atau signifikan dengan beberapa faktor saja, kalau mungkin dengan satu faktor saja. Kalau terjadi bahwa beberapa faktor mempunyai muatan tinggi dengan variabel yang sama, sangat sulit untuk membuat interpretasi tentang faktor tersebut. Akan tetapi persentase varian sebagai sumbangan setiap faktor terhadap seluruh varian mengalami perubahan.

5. Interpretasi Faktor

Interpretasi dipermudah dengan mengindentifikasi variabel yang muatannya besar pada faktor yang sama. Faktor tersebut kemudian bisa diinterpretasikan, dinyatakan dalam variabel yang mempunyai muatan tinggi padanya. Manfaat lainnya di dalam membantu untuk membuat interpretasi ialah menge-plot variabel, dengan menggunakan factor loading sebagai sumbu koordinat (sumbu F₁ dan F²).

Variabel pada ujung atau akhir suatu sumbu ialah variabel yang mempunyai high loading hanya pada faktor tertentu (faktor F₁ atau F₂) oleh karena itu bisa menyimpulkan bahwa faktor tersebut terdiri dari variabel-variabel tersebut. Sedangkan variabel yang dekat dengan titik asal (perpotongan sumbu F₁ dan F₂) mempunyai muatan rendah (low loading) pada kedua faktor.

Variabel yang tidak dekat dengan sumbu salah satu faktor berarti berkorelasi dengan kedua faktor tersebut. Kalau suatu faktor tidak bisa diberi label sebagai faktor tidak terdefenisikan atau faktor umum. Variabe-variabel yang berkorelasi kuat (nilai factor loading yang besar) dengan faktor tertentu akan memberikan inspirasi nama faktor yang bersangkutan.

6. Menghitung Skor atau Nilai Faktor

Nilai faktor adalah ukuran yang mengatakan representasi suatu variabel oleh masing-masing faktor. Nilai faktor menunjukkan bahwa suatu data memiliki karakteristik khusus yang direpresentasikan oleh faktor. Nilai faktor ini selanjutnya digunakan untuk analisis lanjutan.

Nilai faktor menunjukkan kedekatan hubungan antara variabel dan faktornya. Faktor dengan nilai faktor tinggi untuk suatu variabel menunjukkan tingginya hubungan faktor itu dengan variabelnya.

Sebenarnya analisis faktor tidak harus dilanjutkan dengan menghitung skor atau nilai faktor, sebab tanpa menghitung pun hasii analisis faktor sudah bermanfaat yaitu mereduksi variabel yang banyak menjadi variabel baru yang lebih sedikit dari variabel aslinya.

Masing-masing faktor dapat dieksprsikan dengan persamaan sebagai berikut :

F₁ = W₁₁X₁+W₁₂X₂+W₁₃X₃+ …… + W_ikX_k

Dimana :

            F₁ adalah faktor

            W_i adalah bobot variabel terhadap faktor

            k adalah jumlah variabel

            X adalah variabel

            Semakin besar bobot (W_i) suatu variabel terhadap faktor, maka pengaruh variabel terhadap faktor tersebut semakin erat, yang berarti perubahan variabel memberikan kontribusi yang semakin besar pada nilai faktor. Hal ini berlaku untuk keadaan sebaliknya (Rangkuti, 2002).

Proses Analisis Faktor

            Secara garis besar tahapan pada analisis faktor adalah sebagai berikut :

1. Memilih variable yang layak dimasukkan dalam analisis faktor.oleh karena analisis faktor berupaya mengelompokkan sejumlah variable, maka seharunsya ada korelasi yang cukup kuat diantara variable, sehingga akan terjadi pengelompokan. Jika seuah variable atau lebih berkorelasi lemah dengan variable lainnya, maka variable tersebut akan dikeluarkan dari analisis faktor. Alat seperti MSA atau Bratlett’s Test dapat digunakan untuk keperluan ini.
2. Setelah sejumlah variable terpilih, maka dilakukan “ekstraksi” variable tersebut hingga menjadi satu atau beberapa faktor.
3. Faktor yang terbentuk, pada banyak kasus kurang menggambarkan perbedaan diantara faktor-faktor yang ada. Hal tersebut akan mengganggu analisis, karena justru sebuah faktor harus berbeda secara nyata dengan faktor lain.
4. Jika isi faktor diragukan dapat dilakukan proses rotasi untuk memperjelas apakah faktor yang terbentuk sudah secara signifikan  berbeda dengan faktor lain.
5. Setelah faktor benar-benar sudah terbentuk, maka proses dilanjutkan dengan menamakan faktor yang ada. Kemudian mengartikan hasil penemuan (artinya faktor-faktor tersebut mewakili variable yang mana saja).