BAB 2 LANDASAN TEORI. 2.1 Faktor - Faktor yang Mempengaruhi Hasil Produksi Kentang

BAB 2

LANDASAN TEORI

2.1 Faktor - Faktor yang Mempengaruhi Hasil Produksi Kentang

a) Pupuk kandang adalah pada awal penanaman pupuk kandang digunakan untuk mempersiapkan lahan supaya tanahnya subur dan gembur (Hartus,2001). Dalam hal ini tidak semua petani kentang memperhatikan takaran sesuai luas lahan yang akan ditanam untuk menghasilkan hasil produksi. b) Luas lahan adalah pada dasarnya bahwa luas lahan akan mempengaruhi hasil produksi, tetapi peneliti mengambil landasan tersebut karena tidak semua daerah dalam lokasi penelitian setiap periode penelitian menanam dengan luas yang sama. Lokasi penelitian tidak hanya tanaman kentang saja, tetapi juga hasil dari pertanian, jadi setiap periode akan berbeda beda luas lahan yang akan di tanami. c) Pestisida adalah pada penanaman kentang penyemprotan pestisida sangat menjamin

hasil

produksi

yang

dilakukan

tergantung

rutinnya

penyemprotan sehingga mempengaruhi hasil produksi. d) Kesuburan lahan adalah tanaman kentang dapat tumbuh baik pada tanah yang mempunyai struktur cukup halus atau gembur (Idawati,2013). Keadaan tanah tergantung terhadap tanaman apa sebelumnya di tanam di lahan tersebut sehingga dapat ditanggulangi dengan cara penyiraman atau penambahan pupuk pada lahan. e) Tenaga Kerja adalah menggunakan tenaga kerja dalam mengerjakan penanaman kentang, karena melihat pertumbuhan kentang yang begitu

Universitas Sumatera Utara

cepat memerlukan tenaga kerja yang banyak, semakin banyak tenaga kerja akan mempengaruhi hasil produksi. f) Jarak antar tanam kentang adalah Jika bibitnya seukuran telur bebek jarak tanamannnya 35 cm. Jika bibitnya seukuran telur ayam jaraknya 25 cm (Idawati, 2013). Dalam pelaksanaannya penanaman kentang tidak mempehatikan ukuran tesebut karena setiap daerah penanaman kentang berbeda – beda. g) Bibit adalah umbi kentang itu sendiri yang sudah disimpan dalam waktu tertentu (tergantung jenis kentangnya) dan sudah melewati masa dormansi (dorman periode) dan mulai mengeluarkan tunas tanaman baru. Bila bibit dibeliusahakan harus bersertifikat karena bibit ini sangat menentukan hasil yang akan di peroleh dalam hasil panen. Pada dasarnya bibit yang bagus adalah bibit yang diperoleh atau anggap saja generasi pertama (F1), bibit generasi (F2) dan bibit generasi (F3) (Soelarso,1997). Pada kenyataannya di lapangan, bibit yang di gunakan rata – rata hasil tanamnya sendiri, untuk itu peneliti ingin mengetahui berapa besar peranannya dalam meningkatkan hasil produksi. h) Modal adalah biaya permulaan dasar dalam memulai melakukan usaha. Tapi dalam hal penanaman kentang yang dimaksud bahwa tidak selama penanaman kentang dengan modal yang tinggi menghasilkan hasil produksi yang tinggi. Peneliti ingin mengetahui seberapa besar modal berpengaruh terhadap hasil produksi yang akan di peroleh. i) Pemupukan adalah Pemupukan dalam penanaman kentang antara satu daerah dengan daerah yang lain tidak sama. Salah satu yang perlu diperhatikan dalam pemberian pupuk adalah cara interval pemupukan. Dalam hal ini penggunaan pupuk dan takarannya tergantung pada usia kentang (Setiadi, 2007).


2.2Populasi dan Sampel Penelitiaan

Populasi adalah (population atau universal) adalah keseluruhan elemen, atau unit penelitian, atau unit analisis yang memiliki ciri atau karakteristik tertentu yang dijadikan sebagai objek penelitiaan

atau menjadi perhatiaan dalam suatu

penelitiaan (Maman Abdurahman, 2011). Dengan demikian populasi tidak terbatas pada sekelompok orang, tetapi apa aja yang menjadi perhatiaan dalam suatu permasalahaan. Populasi adalah kumpulan lengkap dari elemen - elemen yang sejenis akan tetapi dapat dibedakaan karena karaktristiknya. Misalnya seluruh penduduk Indonesia, seluruh penduduk propinsi, seluruh karyawan suatu depatemen atau perusahaan, seluruh mahasiswa perguruan tinggi, seluruh turis, seluruh langganan, seluruh petani, seluruh desa, seluruh ternak, seluruh kendaraan, seluruh perkebunan, seluruh pasien, seluruh calon haji, seluruh pasar (Supranto, 2004). Sampel adalah sebagian anggota populasi

yang dipilih dengan

menggunakan prosedur tertentu sehingga diharapkan dapat mewakili populasinya.

2.3 Teknik Pengumpulan Data 2.3.1 Data Data merupakan kumpulan fakta atau angka atau segala sesuatu yang dapat dipercaya kebenaranya sehingga dapat digunakan sebagai dasar

menarikan

kesimpulan. Data dapat digolongkan berdasarkan aspek sifat, dimensi waktu, cara memperoleh dan pengukuranya (Muhidin, 2009).

2.3.2 Data Ditinjau Menurut Sifatnya Dalam hal ini, data dibagi menjadi dua bagian, yaitu : 1.

Data Kualitatif adalah data yang berbentuk kategori atau atribut


Contoh :

a. Harga dolar hari ini mengalami kenaikan. b. Sebagian dari produksi barang “ X “ pada perusahaan “Y” rusak.

2. Data Kuantitatif adalah data yang berbentuk bilangan Contoh :

a. Luas bangunan hotel itu adalah 6000 m2. b. Tinggi badan Dody mencapai 180 cm. c. Banyak perguruan tinggi di kota “A” ada 6 buah.

2.3.3 Data Menurut Jenisnya 1.

Data Diskrit adalah data yang diperoleh dengan cara menghitung atau membilang. a. Banyak kursi yang ada di ruangan ini ada 50 buah. b. Jumlah mahasiswa yang mengikuti mata kuliah ini mencapai 60 orang. c. Banyak anak pada keluarga Patris ada 4 orang

2.

Data Kontinu adalah data yang diperoleh dengan cara mengukur. a.

Jarak antara kota Medan dengan kota Siantar adalah 128 km

b.

Berat bayi yang baru lahir adalah 3,2 kg.

2.3.4 Data Menurut Cara Memperolehnya Dalam hal ini data dibagi menjadi dua bagian, yaitu : 1.

Data Primer adalah data yang dikumpulkan dan diolah sendiri oleh suatu organisasi serta diperoleh langsung dari objeknya. Contoh : Pemerintah melalui Biro Pusat Statistik (BPS) ingin mengetahui jumlah penduduk Indonesia, maka BPS mengirimkan petugasnya untuk mendatangi secara langsung rumah tangga- rumah tangga yang ada di Indonesia. Perusahaan


susu “ Segar Jaya “ ingin mengetahui jumlah konsumsi susu yang diminum oleh masyarakat di Kelurahan Medan Baru, maka petugas dari perusahaan tersebut secara langsung mendatangi rumah tangga- rumah tangga yang ada di Kelurahan Medan Baru. 2.

Data Sekunder adalah data yang diperoleh dalam bentuk sudah jadi, sudah dikumpulkan dan diolah oleh pihak lain, biasanya data itu dicatat dalam bentuk publikasi- publikasi Contoh : Misalkan seorang peneliti memerlukan data mengenai jumlah pendududk di sebuah kota dari tahun 1980 sampai 1990, maka data itu dapat diperolehnya di BPS.

2.4 Metode Pengambilan Sampel

Pada dasarnya ada dua macam metode pengambilan sampel yaitu pengambilan sampel secara acak (probability Sampling) dan secara tidak acak (non probability Sampling) 1.

Probability sampling, meliputi: a. Simple random sampling (populasi homogen) yaitu pengambilan sampel dilakukan secara acak tanpa memperhatikan strata yang ada. Teknik ini hanya digunakan jika populasinya homogen. b. Proportionale stratifiled random sampling (populasi tidak homogen) yaitu pengambilan sampel dilakukan secara acak dengan memperhatikan strata yang ada. Artinya setiap strata terwakili sesuai proporsinya. c. Disproportionate stratifiled random sampling yaitu teknik ini digunakan untuk menentukan jumlah sampel dengan populasi berstrata tetapi kurang proporsional, artinya ada beberapa kelompok strata yang ukurannya kecil sekali. d. Cluster sampling (sampling daerah) yaitu teknik ini digunakan untuk menentukan jumlah sampel jika sumber data sangat luas. Pengambilan sampel didasarkan daerah populasi yang telah ditetapkan.


2. Non probability sampling, meliputi: sampling sistematis, sampling kuota, sampling incidental, purposive sampling, sampling jenuh, dan snowball sampling.

Pada penelitian ini digunakan Proportionate Stratified Random sampling yaitu responden yang terpilih secara kebetulan dengan peneliti dan dianggap cocok sebagai sumbur data. Beberapa alasan menggunakan Proportionate Stratified Random sampling adalah (Supranto J,1992): 1. Setiap strata homogen atau relatif homogen,sehingga sampel acak yang diambil dari setiap strata akan memberikan pikiran yang dapat mewakili strata yang bersangkutan. Perkiraan gambaran yang diperoleh berdasarkan perkiraan dari setiap strata akan memberikan perkiraan menyeluruh yang mewakili populasi. 2. Biaya untuk pelaksanaan Proportionate Stratified Random sampling lebih murah dari simple Random Sampling. 3. Perkiraan bias dibuat untuk setiap strata yang dapat dianggap sebagai populasi yang berdiri sendiri dan mungkin bias dilakukan oleh peneliti seorang diri saja. Alokasi proporsi dalam Proportionate Stratified Random sampling. Ditentukan dengan menggunakan rumus:

( ∑

)

Keterangan: = Banyaknya elemen sampel dari strata ke- i = Banyaknya elemen Strata ke- i k = Banyaknya strata n = Jumlah sampel penelitian


2.5 Teknik Pengukuran dan Sampel

Pada dasarnya proses pengukuran adalah merupakan rangkaian dari empat aktivitas pokok (Singarimbun dan Effendi, 1985). Rangkaian empat aktivitas pokok tersebut antara lain : 1. Menentukan dimensi variabel penelitian. 2. Merumuskan ukuran untuk masing-masing dimensi. 3. Menentukan tingkat ukuran yang akan digunakan dalam pengukuran. 4. Menguji validitas dan reliabilitas alat ukur.

Pada teknik penskalaan, banyak sekali jenis skala pengukuran yang telah dikembangkan, terutama dalam ilmu-ilmu sosial. Namun dalam penelitian ini skala pengukuran yang digunakan adalah skala Likert. Skala ini dikembangkan oleh Rensis Likert (1932) untuk mengukur sikap masyarakat dan skalanya terkenal dengan nama technique of summated rating atau skala Likert. Banyak faktor yang menyebabkan skala Likert banyak digunakan sebagai berikut : 1. Skala ini relatif mudah dibuat. 2. Adanya kebebasan dalam memasukkan item- item pernyataan asal masih relevan dengan masalah. 3. Jawaban atas item dapat berupa beberapa alternaitf, sehigga dapat memberikan informasi yang lebih jelas dan nyata terhadap item tersebut. 4. Dengan jumlah item yang cukup besar, tingkat reliabilitas yang tinggi dapat dicapai. 5. Mudah untuk diterapkan pada berbagai situasi.

2.6 Uji Dalam Pengolahan Data 2.6.1 Uji Validitas

Validitas menunjukkan sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Suatu test atau instrumen pengukur dapat


dikatakan mempunyai validitas yang tinggi apabila alat ukur tersebut menjalankan fungsi ukurnya, atau memberikan hasil ukur yang sesuai dengan maksud dilakukannya pengukuran tersebut. Metode yang yang digunakan untuk menguji validitas adalah dengan korelasi product moment yang rumusnya sebagai berikut : (∑ √{ ∑

)

(∑

∑ )

(∑ ) }{ ∑

(∑ ) }

Keterangan : rxy

= koefisien korelasi

X

= skor pertanyaan

Y

= skor total

n

= jumlah sampel

Untuk menentukan valid tidaknya variabel

adalah dengan cara

mengkonsultasikan hasil perhitungan koefisien korelasi dengan tabel nilai koefisien (r) pada taraf kepercayaan 95 %.(Ade Fatma, 2007). Apabila rxy ≥ rtabel → valid Apabila rxy < rtabel → tidak valid

2.6.2 Uji Realibilitas

Realibilitas menunjukkan sejauh mana hasil pengukuran dapat dipercaya. Pengukuran yang memiliki realibilitas tinggi disebut sebagai pengukuran yang realibilitas. Metode yang digunakan untuk menguji realibilitas adalah metode Alpha Cronbach. Variabel dikatakan realibel jika memberikan nilai Alpha Cronbach > 0,60. (Ade Fatma, 2007). Nilai Alpha Cronbach diperoleh dengan menggunakan rumus sebagai berikut :

(

)(

∑

)


Keterangan: = nilai (koefisien) Alpha Cronbach = banyaknya variabel penelitian ∑

= jumlah varians variabel penelitian = varians total

2.7 Analisis Faktor 2.7.1 Definisi Analisis faktor

Analisis faktor merupakan salah satu prosedur reduksi data serta salah satu alat untuk menguji alat ukur dalam metode statistic multivariate (Dillon and Goldstein, 1984). Analisis faktor diartikan sebuah analisis yang mensyaratkan adanya

keterkaitan

antar

variabel.

Pada

prinsipnya

analisis

faktor

menyederhanakan hubungan yang beragam dan kompleks pada variabel yang diamati dengan menyatukan faktor atau dimensi yang saling berhubungan atau mempunyai korelasi pada suatu struktur data yang baru yang mempunyai set faktor lebih kecil. Data-data yang dimasukkan pada umumnya data metrik dan terdiri dari variabel-variabel dengan jumlah yang besar. Analisis faktor dapat digunakan di dalam situasi sebagai berikut : 1.

Mengenali atau mengidentifikasi dimensi yang mendasari (underlying dimensions) atau faktor, yang menjelaskan korelasi antara suatu set variabel.

2.

Mengenali atau mengidentifikasi suatu set variabel baru yang tidak berkorelasi

(independent)

yang

lebih

sedikit

jumlahnya

untuk

menggantikan suatu set variabel asli yang saling berkorelasi di dalam analisis multivariat selanjutnya, misalnya analisis regresi berganda dan analisis diskriminan.


3.

Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu set variabel yang lebih banyak jumlahnya untuk dipergunakan di dalam analisis multivariat selanjutnya.

Ada tiga fungsi utama analisis faktor, yaitu : 1. Mereduksi banyaknya variabel penelitian dengan tetap mempertahankan sebanyak mungkin informasi data awal. Banyaknya variabel awal dapat dikurangi menjadi beberapa variabel yang jumlahnya lebih sedikit dengan tetap mempertahankan sebagian besar variasi data. 2. Mencari perbedaan kualitatif dan kuantitatif dalam data, dalam situasi dimana terdapat jumlah data yang sangat besar. 3. Data digunakan pula untuk menguji hipotesis tentang perbedaan kualitatif dan kuantitatif dalam data penelitian.

Asumsi dasar dalam menggunakan analisis faktor adalah : 1. Tingginya korelasi antar variabel Korelasi antar variabel yang kuat dapat diindikasikan oleh nilai determinan matriks korelasi yang mendekati nol. Nilai determinan dari matriks korelasi yang elemen-elemennya menyerupai matriks identitas akan memiliki nilai determinan sama dengan satu. Hal ini dapat diuji dengan Bartlett’s test of sphericity. 2. Indeks perbandingan antara koefisien korelasi dengan korelasi parsial secara keseluruhan adalah kecil.Jika jumlah kuadrat koefisien korelasi parsial untuk seluruh pasangan variabel tidak banyak berbeda, maka ini menunjukkan perbandingan antara koefisien korelasi dengan korelasi parsialnya secara keseluruhan adalah kecil. Perbandingan ini dapat diidentifikasi berdasarkan nilai Kaiser-Meyer-Olkin.

3. Indeks perbandingan antara koefisien korelasi dengan korelasi parsial untuk setiap variabel adalah kecil. Analisis faktor dapat dilanjutkan, jika


nilai measure of sampling adequacy (MSA) berkisar antara 0,5 – 1,0. Apabila ada beberapa variabel memiliki nilai MSA kurang dari 0,5 maka variabel tersebut harus dikeluarkan satu persatu secara bertahap.

2.7.2 Model Analisis Faktor

Secara matematis, analisis faktor agak mirip dengan analisis regresi, yaitu dalam hal bentuk fungsi linier. Jumlah varians yang dikontribusi dari sebuah variabel dengan seluruh variabel lainnya lebih dikelompokkan sebagai komunalitas. Kovarians diantara variabel dijelaskan terbatas dalam sejumlah kecil komponen ditambah sebuah faktor unik untuk setiap variabel. Faktor-faktor tersebut tidak secara eksplisit diamati. Jika variabel distandarisasi, maka model analisis faktor dapat ditulis sebagai berikut :

dimana : Xi Bij

= Variabel ke i yang dibakukan. = Koefisien regresi yang dibakukan untuk variabel i pada komponen faktor j.

Fj

= Komponen fator ke j.

Vi

= Koefisien regresi yang dibakukan untuk variabel ke i pada faktor yang unik ke i.

µi

= Faktor unik variabel ke i.

m

= Banyaknya komponen faktor.

Faktor yang unik tidak berkorelasi dengan sesama faktor yang unik dan juga tidak berkorelasi dengan komponen faktor. Komponen faktor sendiri bisa dinyatakan sebagai kombinasi linier dari variabel-variabel yang terlihat/ terobservasi hasil penelitian lapangan.


Dimana : Fi =

Perkiraan faktor ke i (didasarkan pada nilai variabel X dengan koefisiennya Wi ).

Wi = Koefisien nilai faktor ke i. k = banyaknya variabel

2.7.3 Statistik yang Berkaitan dengan Analisis Faktor

Statistik yang berkaitan dengan analisis faktor adalah : a.

Barlett’s test of sphericity

Barlett’s test of sphericity adalah uji statistik yang digunakan untuk menguji hipotesis yang menyatakan bahwa variabel-variabel tersebut tidak berkorelasi dalam populasinya. Dengan kata lain, matriks korelasi populasi adalah sebuah matriks identitas, dimana setiap variabel berkorelasi dengan variabel itu sendiri (r = 1), tetapi tidak berkorelasi dengan variabel lainnya (r = 0). Statistik uji bartlett adalah sebagai berikut :

[(

)

(

dengan derajat kebebasan(degree of freedom) df

)

] (

| | )

Keterangan :

| |

=

jumlah observasi

=

jumlah variabel

=

determinan matriks korelasi

b. Correlation matrix (Matriks Korelasi) Matriks korelasi adalah matriks yang menunjukkan korelasi sederhana (r) antara seluruh kemungkinan pasangan variabel yang dilibatkan dalam analisis. Nilai atau angka pada diagonal utama semuanya sama yaitu 1. Jadi kalau ada 3 atau 4 variabel, bentuk matriks korelasi menjadi :


n=3→ [

]

n=4→ [

c.

]

Communality (Komunalitas)

Komunalitas adalah jumlah varian yang dikontribusi dari sebuah variabel dengan seluruh variabel lainnya dalam analisis. Ini juga merupakan proporsi dari varians yang diterangkan oleh komponen faktor.

dengan = communality variabel ke-i = nilai factor loading

d. Eigen value (Nilai Eigen) Nilai eigen merupakan jumlah varians yang dijelaskan oleh setiap faktor-faktor yang mempunyai nilai eigen value > 1, maka faktor tersebut akan dimasukkan ke dalam model.

e.

Factor loadings (Faktor Muatan)

Faktor muatan adalah korelasi sederhana antara variabel dengan faktor.

f.

Factor loading plot (Plot Faktor Muatan)

Plot faktor muatan adalah suatu plot dari variabel asli dengan menggunakan factor loading sebagai koordinat.


g.

Factor matrix (Faktor Matriks)

Matriks faktor mengandung factor loading dari seluruh variabel dalam seluruh faktor yang dikembangkan.

h. Kaiser - Meyer - Olkin (KMO) measure of sampling adequency Kaiser – Meyer – Olkin (KMO) merupakan suatu indeks yang digunakan untuk menguji ketepatan analisis faktor. Nilai yang tinggi (antara 0,5 – 1,0) mengidentifikasi analisis faktor tepat. Apabila dibawah 0,5 menunjukkan bahwa analisis faktor tidak tepat untuk diaplikasikan. ∑ ∑ ∑ ∑

∑ ∑

Keterangan : =

koefisien korelasi sederhana antara variabel ke- dan ke-

=

koefisien korelasi parsial antara variabel ke- dan ke-

Measure of Sampling Adequacy (MSA) yaitu suatu indeks perbandingan antara koefisien korelasi parsial untuk setiap variabel. MSA digunakan untuk mengukur kecukupan sampel. ∑ ∑

i.

∑

Percentage of variance (Persentase Varians)

Persentase varians adalah persentase total varians yang disumbangkan oleh setiap faktor.

j.

Residuals

Residuals adalah selisih antara korelasi yang terobservasi berdasarkan input correlation matrix dan korelasi hasil reproduksi yang diestimasi dari matriks faktor.


k. Scree plot Scree plot adalah sebuah plot dari eigenvalue untuk menentukan banyaknya faktor.

2.8.4 Langkah-Langkah Analisis Faktor

Langkah-langkah dalam analisis faktor adalah sebagai berikut : 1.

Merumuskan masalah

2.

Membentuk matriks korelasi

3.

Menentukan metode analisis faktor

4.

Menentukan banyaknya faktor

5.

Melakukan rotasi terhadap faktor

6.

Membuat intrepretasi hasil rotasi terhadap faktor

7.

Menentukan ketepatan model (model fit)

Secara skematis langkah-langkah dalam analisis faktor dapat digambarkan sebagai berikut :

Merumuskan masalah

Membentuk matriks korelasi

Menghitung nilai karakteristik (eigen value)

Menghitung vektor karakteristik (eigen vector)

Menentukan banyaknya faktor

Menghitung matriks factor loading

Melakukan rotasi faktor


Interpretasi faktor

Menentukan ketepatan model (model fit) Gambar 2.1 Langkah-langkah dalam analisis faktor

1.

Merumuskan Masalah Merumuskan masalah meliputi beberapa kegiatan. Pertama, tujuan analisis faktor harus diidentifikasi. Variabel yang akan digunakan dalam analisis faktor harus dispesifikasi berdasarkan penelitian sebelumnya, teori dan pertimbangan subjektif dari peneliti. Pengukuran variabel berdasarkan skala interval dan rasio. Besarnya sampel harus tepat, sebagai petunjuk umum besarnya sampel paling sedikit empat atau lima kali banyaknya variabel.

2.

Membentuk Matriks Korelasi Proses analisis didasarkan pada suatu matriks korelasi antar variabel. Agar analisis faktor menjadi tepat, variabel-variabel yang dikumpulkan harus berkorelasi. Dilakukan perhitungan matriks korelasi

. Matriks korelasi

digunakan sebagai input analisis faktor.

Korelasi antar Variabel


3.

Menghitung nilai karakteristik (eigen value)

Perhitungan nilai karakteristik (eigen value) , dimana perhitungan ini berdasarkan persamaan karakteristik : (

)

dengan = matriks korelasi = matriks identitas = eigen value Eigen value adalah jumlah varian yang dijelaskan oleh setiap faktor.

4.

Menghitung vektor karakteristik (eigen vector) Penentuan vektor karakteristik (eigen vector) yang bersesuaian dengan nilai karakteristik (eigen value), yaitu dengan persamaan :

dengan = eigen vector 5.

Menentukan Banyaknya Faktor Ada beberapa prosedur yang dapat dipergunakan dalam menentukan banyaknya faktor yaitu, penentuan secara a priori, penentuan berdasarkan pada eigen value, penentuan berdasarkan Screen plot, penentuan berdasarkan persentase varians, penentuan berdasarkan Split-Half Reliability, dan penentuan berdasarkan uji signifikan.

a.

Penentuan Secara A priori Kadang-kadang karena adanya dasar teori atau pengalaman sebelumnya, peneliti sudah dapat menentukan banyaknya faktor yang akan diekstraksi. Hampir sebagaian besar program komputer memungkinkan peneliti untuk menentukan banyaknya faktor yang diinginkan dengan pendekatan ini.

b. Penentuan Berdasarkan Eigen value Pada pendekatan ini, hanya faktor dengan eigenvalue lebih besar dari satu yang dipertahankan. Eigen value merepresentasikan besarnya sumbangan dari faktor terhadap varians seluruh variabel aslinya. Hanya faktor dengan


varians lebih besar dari satu yang dimasukkan dalam model. Faktor dengan varians lebih kecil dari satu tidak lebih dari variabel asli, sebab variabel yang dibakukan (distandarisasi) yang berarti rata-ratanya nol dan variansinya satu. c.

Penentuan Berdasarkan Screen Plot Screen Plot merupakan plot dari nilai eigen value terhadap banyaknya faktor dalam ekstraksinya. Bentuk plot yang dihasilkan, digunakan untuk menentukan banyaknya faktor. Biasanya plot akan berbeda antara slope tegak faktor, dengan eigen value yang besar dan makin kecil pada sisa faktor yang tidak perlu diekstraksi.

d. Penentuan Berdasarkan Persentase Varians Dalam pendekatan ini, banyaknya faktor yang diekstraksi ditentukan berdasarkan persentasi kumulatif varians mencapai tingkat yang memuaskan peneliti. Tingkat persentase kumulatif yang memuaskan peneliti tergantung kepada permasalahannya. Sebagai petunjuk umum bahwa ekstraksi faktor dihentikan kalau kumulatif persentase varians sudah mencapai paling sedikit 60% atau 75% dari seluruh varians variabel asli.

e.

Penentuan Split-Half Reliability Sampel dibagi menjadi dua, dan analissi faktor diaplikasikan kepada masingmasing bagian. Hanya faktor yang memiliki faktor loading tinggi antar dua bagian itu yang akan dipertahankan.

f.

Penentuan Berdasarkan Uji Signifikan Dimungkinkan untuk menentukan signifikansi statistik untuk eigen valuenya terpisah dan mempertahankan faktor-faktor yang berdasarkan uji statistik eigen valuenya signifikan pada α = 5% atau α = 1%. Penentuan banyaknya faktor dengan cara ini memiliki kelemahan, khususnya pada ukuran sampel yang besar misalnya diatas 100 responden, banyak faktor yang menunjukkan uji signifikan, walaupun dari pandangan praktis banyak faktor yang mempunyai sumbangan terhadap seluruh varians hanya kecil.


6.

Menghitung matriks faktor loading Matriks loading factor ( ) diperoleh dengan mengalikan matriks eigen vector ( ) dengan akar dari matriks eigen value (L). Atau dalam persamaan matematis ditulis

7.

√ .

Melakukan Rotasi Faktor Sebuah output penting dari analisis faktor adalah matriks faktor atau disebut juga sebagai matriks faktor pola. Matriks faktor mengandung koefisien yang digunakan untuk mengekspresikan variabel yang dibakukan (distandarisasi) dinyatakan dalam faktor. Koefisien-koefisien tersebut, atau faktor loadings, merupakan korelasi antara faktor dengan variabelnya. Sebuah koefisien dengan nilai absolut yang besar mengindikasikan bahwa faktor dan variabel berkorelasi kuat. Koefisien tersebut bisa digunakan untuk menginterpretasi faktor. Walaupun matriks faktor awal atau unrotated factor matrix mengindikasikan hubungan antara faktor dengan variabel individu tertentu, akan tetapi masih sulit diambil kesimpulannya tentang banyaknya faktor yang bisa diekstraksi, hal ini disebabkan karena faktor berkorelasi dengan banyaknya variabel atau sebaliknya variabel tertentu masih banyak berkorelasi dengan banyak faktor. Dalam merotasi faktor, diharapkan setiap faktor memiliki loading faktor atau koefisien yang tidak nol, atau signifikan hanya untuk beberapa variabel. Atau, diharapkan setiap variabel memiliki faktor loadings signifikan hanya dengan sedikit faktor, atau kalau mungkin dengan sebuah faktor. Rotasi tidak berpengaruh terhadap komunalitas dan persentase total varians yang dijelaskan. Namun demikian, rotasi berpengaruh terhadap persentase varians dari setiap faktor. Beberapa metode rotasi yang bisa digunakan adalah orthogonal rotation, varimax rotation, dan oblique rotation. Orthogonal rotation adalah kalau sumbu dipertahankan tegak lurus sesamanya (bersudut 90 derajat). Yang paling banyak digunakan adalah varimax rotation, yaitu rotasi ortogonal dengan meminimumkan banyaknya variabel yang memiliki loadings tinggi pada sebuah faktor, sehingga lebih mudah menginterpretasi faktor. Rotasi ortogonal menghasilkan faktor-faktor


yang tidak berkorelasi. Oblique rotation adalah jika sumbu-sumbu tidak dipertahankan harus tegak lurus sesamanya (bersudut 90 derajat) dan faktorfaktor berkorelasi. Kadang-kadang, mentoleransi korelasi antar faktor-faktor bisa menyederhanakan matriks pola faktor. Oblique rotation harus dipergunakan kalau faktor dalam populasi berkorelasi sangat kuat.

8.

Interpretasi Faktor Interpretasi dipermudah dengan mengidentifikasi variabel yang loading-nya besar

pada

faktor

yang

sama.

Faktor

tersebut

kemudian

dapat

diinterpretasikan menurut variabel-variabel yang memiliki loading tinggi dengan faktor tersebut. Cara lain yang bisa digunakan adalah melalui pivot variabel dengan faktor loading sebagai koordinat. Variabel yang berada pada akhir sebuah sumbu adalah variabel yang memiliki loadings tinggi hanya pada

faktor

yang

bersangkutan,

sehingga

bisa

digunakan

untuk

menginterpretasi faktor. Variabel yang berada di dekat titik origin memiliki loading yang rendah terhadap kedua faktor. Variabel yang tidak berada di dekat sumbu mengindikasi bahwa variabel tersebut berkorelasi dengan kedua faktor. Jika sebuah faktor tidak bisa secara jelas didefinisikan dalam batas variabel awalnya, maka disebut faktor umum.

9.

Menentukan Ketepatan Model (model fit) Langkah terakhir dalam analisis faktor adalah menetukan ketepatan model (model fit). Asumsi dasar yang digunakan dalam analisis faktor adalah korelasi terobservasi dapat menjadi atribut dari faktor atau komponen. Untuk itu, korelasi terobservasi dapat direproduksi melalui estimasi korelasi antara variabel terhadap faktor. Selisih antara korelasi dari data observasi dengan korelasi reproduksi dapat digunakan dengan mengukur ketepatan model. Selisih tersebut disebut sebagai residuals. Jika banyak residual yang besar (residual > 0,05), berarti model faktor yang dihasilkan tidak tepat sehingga model perlu dipertimbangkan kembali.


BAB 2 LANDASAN TEORI. 2.1 Faktor - Faktor yang Mempengaruhi Hasil Produksi Kentang

Recommend Documents