Post on 23-Oct-2015
Permasalahan:
Berdasarkan SDKI 2002-2003 cakupan imunisasi lengkap anak usia 12-23 bulan di
Indonesia berdasarkan informasi dari KMS (Kartu Menuju Sehat) atau laporan ibu sebesar
52 persen. Angka ini masih keci bila dibandingkan dengan 80 persen angka cakupan
imunisasi lengkap yang ditargetkan oleh UCI ( Universal Chilhood Imunization). Bila
dilihat pada cakupan imunisasi lengkap pada tingkat propinsi hanya ada dua propinsi yang
telah memenuhi target UCI yaitu Yogyakarta (84 persen) dan Bali (80 persen). Oleh karena
itu, ingin diketahui faktor dominan apakah yang mempengaruhi ketidaklengkapan
imunisasi anak usia 12-23 bulan di Indonesia. Faktor dominan yang ingin diketahui
pengaruhnya dibatasi pada karakteristik ibu dan ayah.
Tabel 1.
Faktor – Faktor yang Mempengaruhi Ketidaklengkapan Imunisasi Anak Usia 12 – 23 Bulan di
Indonesia Tahun 2003
Sumber : Survei Demografi dan Kesehetan Indonesia, 2002-2003
Melakukan Analisis Faktor Menggunakan SPSS
Langkah-langkahnya :
1. Buka data yang sudah dimasukkan
Provinsi Ibu tinggal di desa
(%)
Ibu SD ke
bawah (%)
Ibu Akses Koran
(%)
Ibu Akses Radio
(%)
Ibu Akses
TV (%)
Ibu Bekerja
(%)
Ibu tdkPya
KMS (%)
Bapak SD ke
bawah (%)
Bapak tidak
bekerja (%)
Urutan anak
(%)
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
Sumatera Utara 64.7 37.9 52.6 7.8 14.7 53.4 44.8 41.4 6 3.36
Sumatera Barat 79.6 49 53.1 12.2 30.6 55.1 30.6 44.9 0 2.51
Riau 53.2 48.9 25.5 8.5 27.7 68.1 40.4 53.2 4.3 2.53
Jambi 87.9 72.7 36.4 9.1 30.3 72.7 36.4 51.5 0 2.48
Sumatera Selatan
74.4 56.4 53.8 15.4 38.5 69.2 28.2 46.2 0 2.9
Bengkulu 84.6 57.7 61.5 19.2 50 61.5 23.1 46.2 0 2.73
Lampung 75 54.5 36.4 15.9 61.4 88.6 31.8 45.5 0 2.64
Bangka Belitung 52.6 63.2 36.8 5.3 31.6 78.9 47.4 73.7 5.3 2.68
DKI Jakarta 0 44.6 25 19.6 23.2 89.3 16.1 28.6 1.8 1.98
Jawa Barat 51.8 69.4 21.2 7.1 35.3 78.8 27.1 67.1 1.2 2.69
Jawa Tengah 35.9 61.5 43.6 12.8 41 74.4 28.2 46.2 2.6 2.36
DI Yogyakarta 57.1 57.1 64.3 35.7 71.4 71.4 0 21.4 0 2.64
Jawa Timur 59.4 46.9 25 12.5 12.5 81.3 15.6 56.3 0 2.47
Banten 51.6 63.7 26.4 22 46.2 72.5 54.9 51.6 1.1 2.38
Bali 57.9 52.6 42 10.5 68.4 68.4 15.8 42.1 0 2.32
NTB 68.5 59.3 63 3.7 38.9 50 27.8 46.3 3.7 2.52
NTT 91.9 67.6 75.7 5.4 27 18.9 21.6 48.6 0 3.16
Kalimantan Barat
65.6 59 44.3 18 31.1 63.9 21.3 47.5 3.3 2.39
Kalimantan Tengah
67.4 63 21.7 10.9 52.2 63 41.3 63 2.2 2.61
Kalimantan Selatan
66.7 61.9 26.2 9.5 42.9 88.1 33.3 64.3 0 1.93
Kalimantan Timur
44 64 16 20 32 68 28 32 4 3.16
Sulawesi Utara 58.6 37.9 13.8 10.3 34.5 69 27.6 34.5 0 2.55
Sulawesi Tengah 75.6 68.9 51.1 6.7 31.1 62.2 35.6 48.9 2.2 2.82
Sulawesi Selatan 69.4 61.2 20.4 14.3 44.9 69.4 26.5 61.2 2 2.73
Sulawesi Tenggara
74.5 47.1 39.2 5.9 54.9 66.7 23.5 39.2 0 2.51
Gorontalo 89.5 68.4 23.7 5.3 26.3 36.8 44.7 81.6 0 2.92
Karena data memiliki variasi yang besar (karena satuan dan rentang data yang berbeda-beda),
maka distandardisasi terlebih dahulu dengan mentransformasikan ke dalam bentuk Z-score,
yaitu dengan klik Descriptive Statistics Descriptives
2. Setelah itu,pada kolom Variable(s) masukkan keenam variabel, lalu centang pilihan ‘Save
standardized values as variables’ Pilih Menu Options
3. Beri tanda cek pada Mean, dengan Dispersion Standard Deviation dan Variance, serta beri
tanda cek pada Variable List pada Display Order Klik Continue
4. Lalu Klik OK
5. Kemudian, dari menu pilih Analyze→ Data Reduction → Factor
6. Maka akan muncul jendela Factor Analysis
7. Pilih kesepuluh variabel sebagai variabel analisis.
a. Klik Descriptive, pada bagian Correlation Matrix beri tanda cek pada Coefficient,significan
levels, determinant, invers dan KMO and Bartlett’s test of sphericity. Klik Continue.
b. Kemudian klik pada Extraction dan pastikan pilihan Analyze pada correlation matrix dan
pada bagian Display beri tanda cek pada kedua pilihan. Sebagai kriteria ekstaksi
(Extraction) kita akan menggunakan eigenvalue, yaitu Eigenvalues over: 1. Klik Continue.
c. Klik Rotation lalu pilih Varimax dan pada Display pilih Rotated Solution. Klik Continue
d. Klik Scores, lalu beri tanda cek Save as Variables dengan Method: Regression dan Display
factor score coefficient matrix, agar kita bisa melihat nilai variabel/faktor baru yang
terbentuk. Klik Continue.
e. Setelah itu klik OK, akan muncul kumpulan output yang siap diinterpretasi pada file
Output.spv
INTERPRETASI OUTPUT SPSS
Output yang akan diinterpretasi meliputi :
1. KMO and Bartlett’s Test
2. Tabel Anti Image Matrices
3. Tabel Communalities
4. Tabel Total Variance Explained
5. Scree Plot
6. Tabel Component Matrix
7. Tabel Rotated Matrix
8. Tabel Component Transformation Matrix
A. Deskriptif Variabel
Factor Analysis
Descriptives
[DataSet1] C:\Users\USER\Documents\Analisis Faktor.sav
Tabel Descriptive Statistics merupakan table yang berisi deskripsi variabel berupa rata-
rata(mean) , standar deviasi serta jumlah observasi dalam tiap variabel. Pada table tersebut,
data telah distandarisasi dengan terlebih dahulu mentransformasikan data ke dalam bentuk Z-
score. Hal ini dilakukan untuk menghilangkan bias yang disebabkan satuan dan rentang data
yang berbeda-beda (variasi besar).
Tabel Correlation Matrix merupakan tabel matriks korelasi yang berisi nilai-nilai
korelasi antara variabel-variabel yang akan dianalisis. Pada bagian Correlation dapat dilihat
besarnya korelasi antarvariabel. Sebagai contoh, korelasi antara variabel ibu tinggal di desa
dengan ibu yang mengakses TV sebesar -0,573 yang menunjukkan terdapat hubungan yang
cukup kuat dan negative. Artinya, semakin banyak persentase ibu yang tinggal di desa, maka
makin sedikit persentase ibu yang mengakses TV.
Kemudian pada baris sig.(1-tailed) menunjukkan signifikansi korelasi antara variabel-
variabel tersebut. Korelasi antara variabel ibu tinggal di desa dengan ibu yang mengakses TV
signifikan, terlihat dari nilai p-value sebesar 0,001(<0.05) yang berarti terdapat memang
terdapat hubungan antara variabel ibu tinggal di desa dengan variabel ibu yang mengakses TV.
Sedangkan table Inverse of Correlation Matrix menyatakan nilai-nilai pada matriks
korelasi setelah matriks tersebut diinverskan.
Catatan : Dalam kasus ini, digunakan matriks korelasi untuk keperluan analisis faktor sebab
data yang digunakan memiliki satuan yang berbeda-beda,sehingga distandarisasi
menggunakan matriks korelasi untuk menghilangkan bias.
B. Interpretasi Tabel
1. KMO and Bartlett's Test
Berdasarkan Bartlett’s Tes of Sphericity denagn Chi-Square 94,550 (df 45) dan nilai sig
= 0,000 < 0,05 menunjukkan bahwa matriks korelasi bukan merupakan matriks identitas
sehingga dapat dilakukan analisis komponen utama. Di samping itu, Nilai KMO yang
dihasilkan adalah sebesar 0.574 serta p-value sebesar 0,000 (<0,05) , nilai tersebut jatuh dalam
kategori “lebih dari cukup” layak untuk kepentingan analisis faktor. Oleh karena itu, variabel
– variabel dapat dianalisis lebih lanjut (AA Afifi,1990:Dillon dan Goldstein,1984).
Oleh karena itu, variabel – variabel dapat dianalisis lebih lanjut (AA Afifi,1990:Dillon
dan Goldstein,1984).
2. Tabel Anti-Image Matrices
Selain pengecekan terhadap KMO and Bartlett test, dilakukan juga pengecekan Anti
Image matrices untuk mengetahui apakah variabel – variabel secara parsial layak untuk
dianalisis dan tidak dikeluarkan dalam pengujian. Berdasarkan tabel di atas, terlihat bahwa
dari sepuluh variabel yang akan dianalisis, terdapat dua variabel yang memiliki nilai MSA
(dapat dilihat pada output yang bertanda a pada kolom Anti-Image Correlation) < 0,5 yaitu
variabel ibu tidak bekerja dan variabel bapak yang tidak bekerja. Karena ada variabel yang
nilai MSA nya < 0,5 , maka variabel tersebut tidak dapat dianalisis lebih lanjut. Meskipun ada
dua variabel yang nilai MSA nya < 0,5, namun kita tidak harus membuang dua variabel
sekaligu. Pilih salah satu variabel yang memiliki MSA terkecil, yaitu bapak tidak bekerja
sebesar 0,356 sehingga variabel tersebut dikeluarkan dan dilakukan pengujian ulang terhadap
kesembilan variabel lainnya.
Setelah variabel bapak tidak bekerja dikeluarkan, maka nilai KMO meningkat menjadi
0,654 dan tingkat signifikansi 0,000.Pengurangan variabel yang “tidak layak” meningkatkan
nilai KMO sehingga cukup beralasan untuk melakukan pengurangan tersebut Hal ini dapat
menunjukkan bahwa kesembilan variabel tersebut’ lebih dari cukup’ layak untuk dilakukan
analisis faktor .
3. Communalities
Dari keseluruhan nilai dalam table communalities, diperoleh bahwa kesembilan
variabel awal mempunyai nilai communalities yang besar ( > 0.5). Hal ini dapat diartikan
bahwa keseluruhan variabel yang digunakan memiliki hubungan yang kuat dengan faktor yang
terbentuk. Dengan kata lain, semakin besar nilai dari communalities maka semakin baik
analisis faktor, karena semakin besar karakteristik variabel asal yang dapat diwakili oleh faktor
yang terbentuk.
1. Keeratan hubungan variabel ibu bekerja terhadap faktor yang terbentuk sebesar
0,811 artinya hubungan variabel ibu bekerja terhadap faktor yang terbentuk erat.
Atau dapat juga dikatakan kontribusi variabel ibu bekerja terhadap faktor yang
terbentuk sebesar 81,1 %.
2. Kemudian, keeratan hubungan variabel bapak yang pendidikannya SD ke bawah
sebesar 0,859 artinya hubungan variabel bapak yang pendidikannya SD ke bawah
terhadap faktor yang terbentuk erat. Atau dapat juga dikatakan kontribusi variabel
variabel bapak yang pendidikannya SD ke bawah terhadap faktor yang terbentuk
sebesar 85,9 %.
4. Tabel Total Variance Explained
Table Total Variance Explained menunjukkan besarnya persentase keragaman total yang
mampu diterangkan oleh keragaman faktor - faktor yang terbentuk. Dalam tabel tersebut juga
terdapat nilai eigenvalue dari tiap-tiap faktor yang terbentuk. Faktor 1 memiliki eigenvalue
sebesar 2,966, Faktor 2 sebesar 2,143, dan Faktor 3 sebesar 1,326. Untuk menentukan berapa
komponen/faktor yang dipakai agar dapat menjelaskan keragaman total maka dilihat dari besar
nilai eigenvaluenya, komponen dengan eigenvalue >1 adalah komponen yang dipakai. Kolom
‘cumulative %’ menunjukkan persentase kumulatif varians yang dapat dijelaskan oleh faktor.
Besarnya keragaman yang mampu diterangkan oleh Faktor 1 sebesar 32,959 persen, sedangkan
keragaman yang mampu dijelaskan oleh Faktor 1 dan 2 sebesar 56,764 persen. Ketiga faktor
mampu menjelaskan keragaman total sebesar 71,495 persen. Berdasarkan alasan nilai eigen
value ketiga faktor yang lebih dari 1 dan besarnya persentase kumulatif ketiga faktor sebesar
71,495 persen, dapat disimpulkan bahwa ketiga faktor sudah cukup mewakili keragaman
variabel – variabel asal.
Proporsi keragaman data yang dijelaskan tiap komponen setelah dilakukan rotasi terlihat
lebih merata daripada sebelum dilakukan rotasi. Faktor pertama menerangkan keragaman data
dengan proporsi terbesar, yaitu 32,959 persen menurut metode ekstraksi dengan analisis faktor
(sebelum rotasi) dan dengan analisis faktor (setelah rotasi) keragaman data awal dapat
dijelaskan sebesar 27,423 persen. Kemudian untuk faktor kedua menerangkan keragaman data
awal dengan proporsi 23,806 persen menurut metode ekstraksi dengan analisis faktor (sebelum
rotasi) dan dengan analisis faktor (setelah rotasi) keragaman data awal dapat dijelaskan sebesar
27,047 persen. Sedangkan untuk faktor ketiga menerangkan keragaman sebesar 14,731 persen
sebelum dilakukan rotasi dan naik menjadi 17,025 persen setelah dirotasi.
Proporsi keragaman data yang lebih merata setelah dilakukan rotasi menunjukkan
keseragaman data awal yang dijelaskan oleh masing-masing faktor menjadi maksimum.
5. Scree Plot
Scree Plot adalah salah satu alternatif yang dapat digunakan untuk membantu peneliti
menentukan berapa banyak faktor terbentuk yang dapat mewakili keragaman peubah – peubah
asal. Bila kurva masih curam, akan nada petunjuk untuh menambahkan komponen. Bila kurva
sudah landai, akan ada petunjuk untuk menghentikan penambahan komponen, walaupun
penilaian curam/landai bersifat subjektif peneliti. Dari scree plot di atas, terlihat pada saat satu
komponen terbentuk, kurva masih menunjukkan kecuraman, begitu juga pada saat di titik ke-
2, garis kurva masih tajam, di titik ke-3 garis kurva masih tajam namun sedikit berbeda dari
pola kedua garis sebelumnya. Setelah melewati titik ke-3, garis kurva sudah mulai landai,
semakin ke kanan akan semakin landai. Dari penjelasan di atas, dapat kita tarik kesimpulan
bahwa terdapat tiga komponen atau faktor yang terbentuk.
6. Tabel Component Matrix
Table component matrix menunjukkan besarnya korelasi tiap variabel dalam faktor
yang terbentuk. Nilai – nilai koefisien korelasi antara variabel dengan faktor - faktor yang
terbentuk (loading factor) dapat dilihat pada table Component Matrix. Ketiga faktor tersebut
menghasilkan matrik loading faktor yang nilai-nilainya merupakan koefisien korelasi antara
variabel dengan faktor-faktor tersebut. Bila dilihat variabel –variabel yang berkorelasi terhadap
setiap faktornya, ternyata loading faktor yang dihasilkan belum mampu memberikan arti
sebagaimana yang diharapkan. Hal ini terlihat dari variabel ibu yang tidak punya KMS dimana
korelasi variabel ini dengan faktor 1 sebesar 0,594, sedangkan dengan faktor 2 sebesar -0,532
(tanda negative hanya menunjukkan arah korelasi), sehingga kita sulit untuk memutuskan
apakah variabel ibu tidak punya KMS dimasukkan ke faktor 1 atau faktor 2. Tiap faktor belum
dapat diinterpretasikan dengan jelas sehingga perlu dilakukan rotasi dengan metode varimax.
Rotasi varimax adalah rotasi orthogonal yang membuat jumlah varian faktor loading
dalam masing-masing faktor akan menjadi maksimum, dimana nantinya peubah asal
hanya akan mempunyai korelasi yang tinggi dan kuat dengan faktor tertentu saja
(korelasinya mendekati 1) dan tentunya memiliki korelasi yang lemah dengan faktor
yang lainnya (korelasinya mendekati 0). Hal yang demikian belum tercapai pada table
component matrix diatas.
7. Rotated Component Matrix
Setelah dilakukan rotasi faktor dengan metode varimax, diperoleh table seperti yang tertera di
atas yaitu Rotated Component Matrix. Terdapat perbedaan nilai korelasi variabel dengan
setiap faktor sebelum dan sesudah dilakukan rotasi varimax. Terlihat bahwa loading faktor
yang dirotasi telah memberikan arti sebagaimana yang diharapkan dan setiap faktor sudah
dapat diinterpretasikan dengan jelas. Terlihat pula bahwa setiap variabel hanya berkorelasi kuat
dengan salah satu faktor saja (tidak ada variabel yang korelasinya < 0,5 di ketiga faktor).
Dengan demikian, lebih tepat digunakan loading faktor yang telah dirotasi sebab setiap faktor
sudah dapat menjelaskan keragaman variabel awal dengan tepat dan hasilnya adalah sebagai
berikut
1. Faktor 1 , beberapa variabel yang memiliki korelasi yang kuat dengan faktor 1
, yaitu variabel ibu yang mengakses radio, ibu yang mengakses TV, ibu yang
tidak punya KMS, dan bapak yang pendidikannya SD ke bawah.
2. Faktor 2, terdapat beberapa variabel yang memiliki korelasi yang kuat dengan
faktor 2 , yaitu variabel ibu yang tinggal di desa, ibu yang mengakses koran, ibu
yang bekerja dan urutan anak.
3. Faktor 3, dalam faktor ini tiga variabel yang memiliki korelasi yang kuat dengan
faktor 3, yaitu variabel ibu yang pendidikannya SD ke bawah.
8. Component Transformation Matrix
Tabel Component Transformation Matrix berfungsi untuk menunjukkan apakah faktor –
faktor yang terbentuk sudah tidak memiliki korelasi lagi satu sama lain atau orthogonal. Bila
dilihat dari table Component Transformation Matrix, nilai – nilai korelasi yang terdapat
pada diagonal utama berada di atas 0,5 yaitu -0,697;0,757;0,934. Hal ini menunjukkan bahwa
ketiga faktor yang terbentuk sudah tepat karena memiliki korelasi yang tinggi pada diagonal –
diagonal utamanya.
KESIMPULAN
Berdasarkan hasil analisis faktor terbentuk tiga faktor/peubah dominan yang mempengaruhi
ketidaklengkapan imunisasi anak usia 12-23 bulan.
Faktor dominan 1 adalah faktor yang berhubungan dengan pengetahuan ibu yang
berasal dari media massa yang murah dan mudah dijangkau, dan pendidikan ayah yang
rendah
Faktor dominan 2 adalah faktor yang berhubungan dengan pengetahuan ibu yang
berasala dari televisi, aktivitas atau kesibukan ibu, tempat tinggal ibu dan jumlah anak.
Faktor dominan 3 adalah pendidikan ibu yang rendah.