...

Penerapan Analisa Faktor dalam Membentuk Faktor Laten yang

by user

on
Category: Documents
1

views

Report

Comments

Transcript

Penerapan Analisa Faktor dalam Membentuk Faktor Laten yang
Jurnal Penelitian Sains
Volume 12 Nomer 3(A) 12301
Penerapan Analisa Faktor dalam Membentuk Faktor Laten
yang Mempengaruhi Prestasi Mahasiswa di Jurusan Matematika
FMIPA Universitas Sriwijaya
Oki Dwipurwani, Sri Indra Maiyanti, Anita Desiani, dan Shinta Octarina
Jurusan Matematika FMIPA, Universitas Sriwijaya, Sumatera Selatan, Indonesia
Intisari: Studi ini mengenai penggunaan analisis faktor untuk membentuk faktor laten menggunakan metode Maksimum Likelihood untuk menduga parameternya dan pengaruh prestasi mahasiswa di Jurusan Matematika, Fakultas
Matematika dan Ilmu Pengetahuan Alam. Kesimpulan yang diperoleh dari pengaplikasiannya adalah terbentuknya 8
faktor umum, yaitu Kelengkapan Fasilitas Belajar, Latar Belakang Keluarga, Sistem Pembelajaran, Motivasi dan Teman, Minat dalam Belajar Matematika, Persepsi Terhadap Dosen, Kelengkapan Laboratorium Komputer dan Pelayanan
Akademik, dan Kedisiplinan dalam Belajar untuk Mendapatkan Nilai Tinggi. Variansi total yang mampu dijelaskan oleh
delapan faktor tersebut adalah 64%. Hal ini menunjukan kebaikan model sudah terpenuhi.
Kata kunci: analisis faktor eksploratori, faktor laten, dan keberhasilan siswa
Abstract: The study about using factor analysis to form latent factor with maximum likelihood as parameters supposing method and that influence student achievement in Mathematic Major of Mathematic and Natural Science Faculty
of Sriwijaya University. The conclusion of this application is formed 8 common factors. They are Completeness of Study
Facilities, Family Background, Study System, Motivation and Friends, Interesting to Study Mathematic, Perception to
Lecture, Academic Service and Computer Laboratory Completeness, and Discipline of Study to Get Good Marks. Total
variance explained by 8 factors is 64.29%. So that the model fit has reached.
Keywords: exploratory factor analysis, latent factor, and student achievement
September 2009
1
1.1
PENDAHULUAN
Latar Belakang
erguruan tinggi diharapkan dapat melahirkan inP
dividu yang baik, berilmu pengetahuan, berdedikasi tinggi, dan berprestasi. Jurusan Matematika
FMIPA Universitas Sriwijaya (UNSRI) akhir-akhir ini
terus berusaha untuk meningkatkan kualitas lulusannya. Salah satu usaha yang dilakukan adalah dengan
melakukan penelitian mengenai prestasi mahasiswa di
Jurusan Matematika FMIPA UNSRI.
Berbagai faktor yang mempengaruhi prestasi seseorang cukup banyak, sehingga dalam penelitiannya
akan melibatkan banyak peubah yang dapat saling
berkorelasi sesamanya dan perlu diperkecil jumlahnya agar mudah dikelola (manageable). Diyakini pula
bahwa setiap peubah itu memiliki faktor laten yang
melandasinya. Oleh karena itu, dibutuhkan suatu
metode analisis faktor untuk mereduksi data tersebut.
Penelitian ini akan menggunakan maximum likelihood dalam menduga parameter model faktornya,
c 2009 FMIPA Universitas Sriwijaya
karena kesalahan (error ) yang ditimbulkan dalam proses pendugaannya oleh metode ini lebih kecil dibandingkan dengan metode komponen utama yang sering
digunakan[1] .
Penelitian ini bertujuan untuk menerapkan Analisis
Faktor sesuai dengan algoritma analisis faktor dalam
membentuk faktor-faktor laten yang mempengaruhi
prestasi mahasiswa di Jurusan Matematika FMIPA
UNSRI. Sehingga diharapkan dapat memberikan masukan kepada mahasiswa, dosen dan Jurusan Matematika FMIPA UNSRI mengenai faktor-faktor yang
mempengaruhi prestasi.
2
2.1
TINJAUAN PUSTAKA
Faktor Kualitas dan Keberhasilan Studi
Mahasiswa
Menurut Munandar[2] , kualitas mahasiswa banyak
dipengaruhi oleh berbagai faktor, antara lain latar
belakang keluarga; sejauh mana dukungan dan dorongan orang tua, taraf sosial ekonomi orang tua,
12301-1
Oki Dwipurwani dkk.
Jurnal Penelitian Sains 12 3(A) 12301
pretasi terhadap faktor yang terbentuk. Metode
rotasi yang sering digunakan adalah varimax.
lingkungan belajar di rumah; sarana dan prasarana
yang tersedia, Lingkungan kampus beserta dosennya;
kemampuan bersosialisasi serta bermotivasi; minat
untuk berprestasi, keuletan untuk mengatasi kesulitan/rintangan yang mungkin timbul.
2.2
4. Menentukan Reproduced correlation matrix (Rr) dan Residual Correlation Matrix
(Res). “Rr” diperoleh dari perkalian antara matriks loading factor dari hasil rotasi L∗ dengan
transpos-nya, dan “Res” adalah matriks yang
diperoleh dengan mengurangkan matriks ragam
peragam sampel S dengan Rr. Semakin kecil nilai
Res (< 0.05) maka semakin baik hasil factoringnya[5] .
Algoritma Analisis Faktor
Menurut Supranto[3] , analisis faktor adalah prosedur
yang digunakan untuk mereduksi data atau peubah,
yang masih memuat sebagian besar informasi yang
terkandung di dalam peubah asli. Peubah baru yang
dihasilkan disebut dengan faktor laten, yang bersifat unobservable. Algoritma analisis faktor tersebut
adalah sebagai berikut:
5. Menentukan Root Mean Square Residual
(RMSR). Untuk mengukur tingkat kebaikan
faktor yang telah terbentuk, dapat ditentukan
dengan RMSR. Nilai RMSR yang kurang dari
0,05 diambil sebagai model terbaik berdasarkan
kriteria ini
1. Pengujian Peubah. Menilai kelayakan peubah
untuk dimasukkan dalam analisis selanjutnya,
menggunakan Kaiser Meyer Olkin (KMO) dan
measure of sampling adequacy (MSA). Angka
MSA ≤ 0, 5, menunjukan peubah tidak bisa dianalisis lebih lanjut, atau dikeluarkan, demikian
sebaliknya[4] .
6. Interpretasi Hasil Analisis Faktor. Pada
langkah ini dilakukan penamaan terhadap faktor
yang telah terbentuk dan dilakukan interpretasi
kebaikan faktor yang terbentuk berdasarkan nilai
RMSR.
2. Factoring dengan Metode Maximum Likelihood . Langkah-langkah Factoring berdasarkan
skema perhitungan berikut:
• Menentukan matriks ragam peragam sampel
S
• Menentukan p nilai eigen dari matriks S,
dan jumlah m faktor yang dipertahankan
dari sejumlah p peubah, dengan ketentuan
m adalah banyaknya nilai eigen yang lebih
besar dari 1.
3
Tahapan yang dilakukan adalah sebagai berikut:
1. Memperoleh data sekunder hasil koesioner penelitian di Jurusan Matematika FMIPA UNSRI pada
bulan Juni 2006.
• Menentukan S −1 dan penduga awal dari
ragam khusus ψ1 , ψ2 , . . . , ψp , yang berupa
untur matriks diagonal ψ̂ .
• Hitung m nilai eigen yang berbeda dan
vektor eigen dari matriks kovarian S ∗ =
ψ̂ −1/2 Sn ψ̂ −1/2 . Misalkan Ê adalah matriks
vektor eigen dengan ukuran p × m dan Λ̂
adalah matriks diagonal ukuran m × m dari
nilai eigen matriks S ∗ . Kemudian mencari L̂
• Substitusikan L̂ yang diperoleh dari langkah
4 ke fungsi likelihood, kemudian meminimumkan fungsi itu untuk mendapatkan
ψ1 , ψ2 , . . . , ψp yang baru. Lalu menggunakan ψ1 , ψ2 , . . . , ψp yang diperoleh kembali
melakukan langkah 4 untuk mendapatkan L̂
yang baru. Langkah 4 dan 5 diulangi sampai perbedaan nilai antara `ˆij dan ψ̂i dengan
yang sebelumnya dapat diabaikan
3. Rotasi Faktor dengan Metode Varimax.
Rotasi faktor adalah untuk mempermudah inter-
METODOLOGI PENELITIAN
2. Penerapan analisis faktor sesuai dengan algoritma
pada data tersebut.
4
4.1
HASIL DAN PEMBAHASAN
Data dan Peubah yang digunakan
Responden dalam penelitian ini adalah 149 orang mahasiswa jurusan matematika FMIPA UNSRI. Dari
data yang telah diambil, diperoleh 128 butir pertanyaan dala koesioner yang memenuhi syarat. Terdapat 24 peubah indikator yang digunakan untuk membentuk faktor laten yang mempengaruhi prestasi mahasiswa di Jurusan Matematika Unsri (Tabel 1).
4.2
Penerapan Analisis Faktor untuk
Membentuk Faktor Laten
Pada penerapan analisis faktor ini, digunakan bantuan
program SPSS 12.0 dalam perhitungannya. Prosesnya
sesuai dengan algoritma pembentukan faktor laten.
12301-2
Penerapan Analisa Faktor Laten . . .
Jurnal Penelitian Sains 12 3(A) 12301
Tabel 1: Peubah Indikator yang digunakan
Tabel 2: Nilai eigen dan total varians yang dapat dijelaskan dari 21 peubah
Peubah Indikator
Nilai Eigen Inisial
X1 : Pendidikan Terakhir Ayah
Komponen Total % Varians
X2 : Pendidikan Terakhir Ibu
Kumulatif %
X3 : Penghasilan Orang Tua
1
3.225
15.355
15.355
X4 : Waktu Tempuh ke Kampus
2
2.145
10.214
25.569
X5 : Ruang Belajar di Rumah
3
1.863
8.870
34.439
X6 : Belajar Kelompok
4
1.547
7.368
41.808
X7 : Konsentrasi Belajar
5
1.444
6.874
48.682
X8 : Waktu Pengerjaan Tugas
6
1.155
5.500
54.182
X9 : Minat dalam Bidang Matematika
7
1.122
5.345
59.526
X10 : Keaktifan Berorganisasi
8
1.000
4.764
64.290
X11 : Hubungan dengan Teman
X12 : Fasilitas Belajar Jurusan
9
..
.
.849
..
.
4.041
..
.
68.331
..
.
X13 : Fasilitas Perpustakaan
21
.192
.914
100.000
X14 : Fasilitas Komputer Jurusan
X15 : Kesukaan terhadap Dosen
X16 : Sistem Penilaian
X17 : Suasana Belajar
X18 : Penugasan yang Kurang Bermanfaat
X19 : Peran Pembimbing Akademik
X20 : Studi Tepat Waktu
X21 : Keinginan ber-IPK Tinggi
X22 : Keinginan Lanjut S2
X23 : Keinginan Berkompetisi dalam Pelajaran
X24 : Meneladani Orang Sukses
Langkah ke-1: Pengujian awalnya dilakukan terhadap 24 peubah, diperoleh hasil bahwa angka KMO
sudah di atas 0,5 dan angka signifikan pada Bartlett’s
test jauh di bawah 0,05 (0, 000 < 0, 05), dengan
demikian sampel (peubah) dapat dianalisis lebih lanjut. Peubah dengan angka MSA terkecil yaitu X24
harus dikeluarkan. Selanjutnya 23 peubah yang tersisa akan diuji dengan KMO dan Bartlett’s test dan
dilihat nilai MSA-nya kembali. Demikian seterusnya
hingga diperoleh nilai KMO dan MSA memenuhi kelayakan, yaitu pada test yang keempat, dengan angka
KMO sebesar 0,593 mendekati 0,6, dan nilai MSA dari
21 peubah yang diuji sudah di atas 0,5. Jadi yang disertakan pada langkah analisis selanjutnya adalah 21
peubah: X1 , X2 , X3 , X5 , . . . , X9 , X11 , . . . , X23 . Nilai
eigen ke-21 peubah tersebut disusun dalam Tabel 2.
Langkah ke-2: Diperoleh hasil factoring dengan
Metode Maximum Likelihood seperti Tabel 2. Berdasarkan Tabel 2 tersebut, diputuskan mengambil 8
faktor (m = 8) dari 21 faktor yang terbentuk, yaitu
yang memiliki nilai eigen di atas atau sama dengan 1,
dengan total varian yang dijelaskan sebesar 64,29%, di
atas 60%.
Kemudian, hasil output nilai komunalitas untuk 21
peubah dengan 8 jumlah faktor bersama, dapat dilihat
pada Tabel 3. Komunalitas pada untuk peubah X1 ,
adalah 0,599. Hal ini berarti 59,9% varian dari X1
dapat dijelaskan oleh faktor yang terbentuk, demikian
seterusnya untuk ke-21 peubah lainnya terhadap ke8 faktor yang terbentuk, dengan ketentuan bahwa
semakin besar komunalitas sebuah peubah, berarti
semakin kuat hubungannya dengan faktor tersebut.
Setelah diketahui bahwa 8 faktor adalah jumlah yang
paling optimal untuk diambil, maka selanjutnya mencari nilai loading factor setiap peubah dengan faktor
yang terbentuk.
Tabel 4 menunjukkan distribusi 21 peubah tersebut
dalam 8 faktor, sedangkan angka-angka yang ada pada
tabel adalah factor loading, yang menunjukkan besar korelasi antara suatu peubah dengan faktor. Proses penentuan peubah termasuk ke suatu faktor, dilakukan dengan melakukan perbandingan besar korelasi pada setiap baris. Angka pembatas (cut off point)
agar sebuah peubah bisa secara nyata termasuk ke
dalam sebuah faktor, adalah bila loading factor > 0, 3
baik yang bertanda (+) atau (−)[6] .
Dari Tabel 4 dapat diketahui bahwa peubah X12 ,
yaitu ’Fasilitas Belajar’ memiliki angka loading factor yang tinggi dengan faktor 1, begitu juga dengan
X13 . Oleh sebab itu, peubah X12 dan X13 dapat dimasukkan sebagai komponen faktor 1. X17 memiliki
angka loading factor yang tinggi dengan faktor 2, X20
dengan faktor 3, tetapi untuk peubah X1 , X2 ataupun
peubah lainnya, tidak ada angka loading factor yang
berbeda dengan jelas, maka sulit untuk menginterpretasikan peubah-peubah tersebut ke dalam suatu faktor. Oleh karena itu perlu dilakukan proses rotasi.
12301-3
Oki Dwipurwani dkk.
Jurnal Penelitian Sains 12 3(A) 12301
Tabel 4: Loading Factor (`ˆij ) 21 peubah
Tabel 3: Komunalitas (ĥ2i ) 21 peubah
Label Peubah Ekstraksi
Faktor
1
2
3
4
5
6
7
8
X1
.599
X2
.483
X1
.112 -117 -457 .463 .368 .083 -021 -064
X3
.192
X2
.018 -076 -491 .391 .183 .184 -111 .061
X5
.221
X3
-031 -031 -225 .094 .235 .223 -045 .153
X6
.341
X5
.200 -212 -162 .089 .204 -140 .073 .188
X7
.247
X6
.019 .100 .024 .307 .256 -109 .391 -074
X8
.261
X7
.136 .022 .107 -066 .181 .239 -329 .119
X9
.383
X8
.266 .026 -075 .045 .097 .128 .372 -133
X11
.291
X9
.198 .134 .311 .175 -172 .326 .215 .122
X12
.999
X11 .035 .123 .251 .040 .438 .043 -016 1.26
X13
.805
X12 .996 -088 .000 .002 -002 .000 .000 .000
X14
.355
X13 .649 -193 -021 -409 .403 -074 .090 -043
X15
.413
X14 .314 .136 -113 -253 .183 -029 -097 .341
X16
.586
X15 .292 .132 .209 -138 .199 .435 .066 .122
X17
.995
X16 .270 .346 .142 -136 .108 .499 -088 -293
X18
.286
X17 .464 .883 -004 .000 .000 -004 -001 .000
X19
.210
X18 .324 .291 -032 -222 .011 .035 .195 -077
X20
.647
X19 .144 .167 .177 -072 .198 -052 -020 .285
X21
.384
X20 -071 .074 .630 .336 .255 -132 -194 -073
X22
.374
X21 .009 .101 .335 .368 .169 -158 .271 .003
X23
.165
X22 .121 .158 .227 .103 -178 .322 .245 .277
X23 .187 .107 .276 .058 .150 -058 -111 .021
Langkah ke-3: Rotasi faktor dengan Maximum
Likelihood. Hasil rotasi orthogonal prosedur varimax
ditunjukkan pada Tabel 5.
Terlihat pada table 5 bahwa loading factor yang sebelumnya kecil semakin diperkecil, dan loading factor
yang besar semakin diperbesar. Dengan demikian,
ke delapan faktor itu adalah: Faktor 1 terdiri atas
X12 dan X13 , Faktor 2 terdiri atas X1 , X2 , dan X3 ,
Faktor 3 terdiri atas X17 dan X18 , Faktor 4 terdiri
atas X11 , X20 , X21 , dan X23 , Faktor 5 terdiri atas X9
dan X22 , Faktor 6 terdiri atas X15 dan X16 , Faktor 7 terdiri atas X14 dan X19 , Faktor 8 terdiri atas
X6 , X7 , X8 , dan X21 .
Berasarkan hasil factoring di atas, X5 tidak dapat dimasukkan ke dalam faktor manapun, karena X5
memiliki loading factor yang kurang dari 0,3. Terdapat peubah yang termasuk ke dalam lebih dari satu
faktor, yaitu X21 yang dimasukkan ke faktor 4 dan
8. Hal ini dikarenakan peubah memiliki korelasi yang
cukup dengan kedua faktor dan loading factor -nya
hampir sama.
Ke-21 peubah yang diteliti, dengan proses factoring, direduksi menjadi 8 faktor. Faktor-faktor yang
terbentuk adalah
1. Faktor Kelengkapan Fasilitas Belajar Faktor
2. Faktor Latar Belakang Keluarga,
3. Faktor Sistem Pembelajaran,
4. Faktor Motivasi dan Teman,
5. Faktor Minat dalam Belajar Matematika,
6. Faktor Persepsi terhadap Dosen,
7. Faktor Kelengkapan Laboratorium Komputer
dan Pelayanan Akademik,
8. Faktor Kedisiplinan dalam Belajar untuk Mendapatkan Nilai Tinggi
Langkah ke-4: Hasil dari Residual correlation matrix menunjukan hasil yang sangat baik karena nilainilainya dibawah 0.01.
Langkah ke-5 dan ke-6: Diperoleh nilai RMSR
sebesar 0,0233 dengan 8 jumlah faktor bersama. Nilai RMSR yang diperoleh sudah baik karena di bawah
0,05. Total keragaman yang dapat dijelaskan oleh 8
faktor yang terbentuk adalah 64,29%, sudah di atas
60%. Sehingga dapat dikatakan bahwa tingkat kebaikan model yang terbentuk sudah terpenuhi.
12301-4
Penerapan Analisa Faktor Laten . . .
Jurnal Penelitian Sains 12 3(A) 12301
[4]
Tabel 5: Loading factor (`ˆij ) 21 peubah
[5]
Factor
1
2
3
4
5
6
7
8
[6]
X1
.135 .719 -003 .035 -138 -022 -084 .190
X2
-005 682 .013 -093 -035 -052 -072 -004
X3
-046 .380 -075 -067 .023 .094 .160 -021
X5
.277 .223 -111 -006 -055 -194 .175 .101
X6
.004 .140 .045 .154 .043 -042 .008 .540
X7
.069 .128 -011 .184 .050 .233 .189 -32
X8
.252 .076 .067 -112 .140 .173 -036 .351
X9
.046 -065 .072 .117 .578 .126 -038 .078
X11 -016 .072 -031 -029 -195 .256 .347 .082
X12 .929 .067 .273 .083 .205 .052 .024 -066
X13 .754 -061 -031 -029 -195 .256 .347 .082
X14 .249 .055 .182 -072 -004 .008 .476 -154
X15 .174 .025 .031 .077 .335 .435 .271 -026
X16 .085 .002 .285 .085 .166 .674 -042 -080
X17 .086 -039 .925 .115 .170 .201 .206 .078
X18 .225 -144 .333 -136 .062 .211 .124 .143
X19 .065 -047 .099 .185 .094 -006 .387 -009
X20 -129 -105 -068 .781 .032 .020 -017 .058
X21 -038 -025 .011 .408 .166 -117 .001 .418
X22 -032 -051 .062 -002 .592 .060 .098 .057
X23 .119 -064 .095 .346 .040 .059 .111 -020
5
KESIMPULAN
Dari kasus pembentukan faktor laten yang mempengaruhi prestasi mahasiswa di Jurusan Matematika
FMIPA UNSRI, terbentuk 8 faktor bersama, yaitu Kelengkapan Fasilitas Belajar, Latar Belakang Keluarga,
Sistem Pembelajaran, Motivasi dan Teman, Minat
dalam Belajar Matematika, Persepsi Terhadap Dosen,
Kelengkapan Laboratorium Komputer dan Pelayanan
Akademik, dan Kedisiplinan dalam Belajar untuk
Mendapatkan Nilai Tinggi. Total keragaman yang dapat dijelaskan oleh 8 faktor bersama yang terbentuk
adalah sebesar 64,29%, artinya informasi yang terkandung di dalam data dengan 21 peubah dan sampel
128 kasus dapat dijelaskan oleh 8 faktor tersebut, sehingga tingkat kebaikan model yang terbentuk sudah
terpenuhi.
DAFTAR PUSTAKA
[1]
Johnson, R.A. dan D.W. Wichern, 1988, Applied
Multivariate Statistical Analysis, 3rd Edition, Prentice
Hall: Englewood Cliffs, New Jersey
[2]
Munandar, S., 1987, Mengembangkan Bakat dan
Kreatifitas Anak, P.T. Gramedia, Jakarta
[3]
Supranto, J., 2004, Analisis Multivariat, Arti, dan
Interpretasi, Edisi Pertama, Rineka Cipta, Jakarta
12301-5
Santoso, S., 2002, Buku Latihan SPSS Statistik
Mulativariat, P.T. Elex Media Komputindo, Jakarta
Sartono, B. dan F.M. Effendi, 2003, Analisis Peubah
Ganda, Jurusan Matematika FMIPA Institut Pertanian
Bogor, Bogor
Wibowo, A., 2006, Pengantar Analisis Faktor
(Eksploratori) dan Analisis Faktor Konfirmatori, Pelatihan
Structural Equation Modeling (Pemodelan Persamaan
Struktural) Angkatan XI, Lembaga Penelitian dan
Pengabdian kepada Masyarakat Universitas Airlangga,
Surabaya, 29-31 Agustus 2006
Fly UP