Analisis faktor konfirmatori digunakan untuk menguji apakah suatu konstruk mempunyai unidimensionalitas atau apakah indikator-indikator autonom1 sampai autonom4 yang digunakan dapat mengkonfirmasikan sebuah konstruk atau variabel AUTONOMI. Jika masing-masing indikator merupakan indikator pengukur konstruk AUTONOMI maka akan memiliki nilai loading factor yang tinggi.
Misalkan sebagai contoh kita mempunyai dua konstruk yaitu AUTONOMI dan ROUTINE. Di mana AUTONOMI diukur dengan 4 indikator (autonom1 sampai autonom4), sedangkan ROUTINE diukur dengan 4 indikator (routine1 sampai routine4).
Dengan analisis faktor konfirmatori kita ingin menguji apakah indikator (autonom1 sampai autonom4) betul-betul merupakan indikator konstruk AUTONOMI dan indikator (routine1 sampai routine4) betul-betul merupakan indikator konstruk ROUTINE.
Analisis faktor konfirmatori akan mengelompokkan masing-masing indikator ke dalam beberapa faktor. Jika indikator autonom1 sampai autonom4 merupakan indikator konstruk AUTONOMI maka dengan sendirinya akan mengelompok menjadi satu dengan faktor loading yang tinggi begitu juga dengan indikator routine1 sampai routine4 akan mengelompok menjadi satu sebagai indikator konstruk ROUTINE.
Berikut adalah langkah-langkah analisis Confirmatory Factor Analysis dengan menggunakan SPSS.
- Buka file SPSS yang akan dijadikan contoh (.sav) dengan perintah File >> Open >> Data
- Dari menu SPSS, pilih menu Analyze kemudian pilih submenu Dimension Reduction, lalu pilih Factor.
- Tampak dilayar tampilan windows Factor Analysis
Pada kotak Variable, masukkan semua indikator autonom1 sampai autonom4 dan routine1 sampai routine4. Lihat gambar di atas. - Pilih tombol Descriptives dan pilih KMO and Bartlett's test of sphericity, kemudian tekan Continue
- Pilih tombol Rotation dan pilih Varimax dan tekan Continue. Setelah itu tekan OK
- Output SPSS
Asumsi yang mendasari dapat tidaknya digunakan analisis faktor adalah data matrik harus memiliki korelasi yang cukup (sufficient correlation). Uji Bartlett of Sphericity merupakan uji statistik untuk menentukan ada tidaknya korelasi antar variabel. Peneliti harus paham bahwa semakin besar sampel menyebabkan Bartlett test semakin sensitif untuk mendeteksi adanya korelasi antar variabel.
Alat uji lain yang digunakan untuk mengukur tingkat interkorelasi antar variabel dan dapat tidaknya dilakukan analisis faktor adalah Kaiser-Meyer-Olkin Measure of Sampling Adequacy (KMO MSA). Nilai KMO bervariasi dari 0 sampai dengan 1. Nilai yang dikehendaki harus > 0.50 untuk dapat dilakukan analisis faktor.
Hasil tampilan output SPSS menunjukkan bahwa nilai KMO = 0.713 sehingga dapat dilakukan analisis faktor. Begitu juga dengan nilai Bartlett test dengan Chi-squares = 183.867 dan signifikan pada 0.000 maka dapat disimpulkan bahwa uji analisis faktor dapat dilanjutkan.
SPSS akan mengelompokkan ke 8 indikator yaitu 4 indikator AUTONOMI dan 4 indikator ROUTINE menjadi dua faktor berdasarkan pada nilai eigen value > 1, yaitu faktor 1 dengan eigen value 3.240 dan faktor 2 dengan eigen value 1.491. Dari tampilan output SPSS terlihat bahwa faktor 1 mampu menjelaskan variasi sebesar 40.495% dan faktor 2 mampu menjelaskan variasi 18.643% atau kedua faktor mampu menjelaskan variasi 59.138%.
Kita berharap bahwa faktor 1 akan berisi indikator-indikator autonom1 sampai autonom4 sedangkan faktor 2 berisi indikator routine1 sampai routine4. Berikut ini tampilan kedua faktor sebelum dilakukan rotasi.
Tampak bahwa indikator autonom mengelompok pada faktor 1 (loading factor tinggi mengelompok menjadi satu), sedangkan indikator routine mengelompok pada faktor 1 untuk indikator routine 1, 2, dan 3 sedangkan routine 3 mengelompok pada faktor 2. Hal ini menjadi sulit diinterpretasikan oleh sebab itu perlu dilakukan rotasi.
Alat penting untuk interpretasi faktor adalah faktor rotation. Ada dua jenis rotasi yaitu orthogonal rotation dan oblique rotation. Rotasi orthogonal melakukan rotasi dengan sudut 90 derajat. Sedangkan rotasi yang tidak 90 derajat disebut oblique rotation. Rotasi orthogonal dapat berbentuk Quartimax, Varimax, Equimax dan Promax.
Menurut Hair (1998) metode Varimax terbukti sangat berhasil sebagai pendekatan analitik untuk mendapatkan rotasi orthogonal suatu faktor. Hasil rotasi faktor dengan metode Varimax dapat dilihat di bawah ini.
Hasil rotasi menunjukkan bahwa sekarang indikator autonom1 sampai autonom4 mengelompok pada faktor 1 dan indikator routine1 sampai routine4 mengelompok pada faktor 2. Jadi jelas dapat disimpulkan bahwa konstruk AUTONOMI memiliki unidimensionalitas begitu juga dengan konstruk ROUTINE atau dengan kata lain indikator autonom semuanya valid dan indikator routine semuanya juga valid.
