ANALISIS FAKTOR DAN KEBOLEHPERCAYAAN INSTRUMEN

PENGENALAN
Bab ini akan membincangkan dua analisis penting iaitu analisis kebolehpercayaan instrumen dan
analisis faktor. Analisis kebolehpercayaan merupakan suatu analisis terhadap instrumen supaya
ia dapat mengukur suatu konstruk dengan tepat dan konsisten. Analisis faktor adalah teknik
untuk mengurangkan bilangan instrumen-instrumen yang banyak untuk mengukur
pembolehubah-pembolehubah supaya menjadi beberapa set instrumen untuk mengukur sesuatu
pembolehubah tertentu yang akan ditetapkan.


ANALISIS KEBOLEHPERCAYAAN INSTRUMEN
Analisis kebolehpercayaan instrumen merupakan suatu analisis terhadap instrumen yang akan
digunakan dalam kajian bagi menentukan supaya instrumen yang digunakan untuk mengukur
suatu konstruk tersebut benar-benar tepat, konsisten dan boleh dipercayai. Dengan lain perkataan
alat ukur atau instrumen tersebut perlu diuji supaya mempunyai kebolehpercayaan yang tinggi.
Prosedur reliability analysis boleh digunakan untuk menganggar ketekalan dalaman
sesuatu instrumen yang digunakan. Ia dikaitkan dengan keupayaan hubungan konsisten antara
item-item yang membentuk suatu konstruk dalam suatu instrumen yang dibina. Dalam analisis
ini kita menggunakan nilai Alpha Cronbach yang dapat mengukur konsistensi dalaman antara
item-item yang membentuk konstruk.


PROSEDUR SPSS BAGI ANALISIS KEBOLEHPERCAYAAN INSTRUMEN

Terdapat 10 item bagi Skala Kawalan Emosi iaitu item1, item2, item3, item4, item5, item6,
item7, item8, item9, item10. Tiap-tiap item diberi skala respons antara 0 (sangat tidak setuju)
hingga skala respons 4 (sangat setuju). Item3, 4, 6, 8 dan 9 berbentuk negatif (reverse-scaled).
Bagaimana skala sebenar bagi item-item ini dalam Data Bab 11_kebolehpercayaan telah sedia
diubahsuai.


Langkah:

Arahan: Buka Data _kebolehpercayaan
1. Klik Analyze >Scale > Reliability Analysis

Lihat paparan di bawah
1




Klik item1 hingga item10. Masukkan dalam kotak Items.
2. Klik Statistics
Satu paparan Reliability Analysis: Statistics akan terbentuk
3. Tandakan pada Item, Scale, Scale if item deleted dan Correlations
Lihat paparan di bawah


5. Klik Continue. Pastikan Alpha telah dipilih dalam kotak berlabel Model.
6. Klik OK

Lihat paparan output di bawah

2

Reli abi li ty Stati sti cs
.868 .868 10
Cronbach's
Alpha
Cronbach's
Alpha Based
on
Standardized
Items N of Items


Item Stati sti cs
1.90 1.282 50
2.16 1.201 50
2.20 .990 50
1.98 1.301 50
1.98 1.116 50
2.20 1.278 50
2.34 1.118 50
2.10 1.249 50
2.34 1.118 50
2.06 1.300 50
item1
item2
item3
item4
item5
item6
item7
item8
item9
item10
Mean Std. Deviation N


Inter-Item Correlation Matrix

item1 item2 item3 item4 item5 item6 item7 item8 item9 item10
item1 1.000 .448 .450 .390 .427 .361 .437 .516 .352 .420
item2 .448 1.000 .419 .446 .505 .378 .460 .560 .308 .412
item3 .450 .419 1.000 .463 .281 .436 .472 .446 .417 .228
item4 .390 .446 .463 1.000 .436 .481 .426 .365 .285 .447
item5 .427 .505 .281 .436 1.000 .418 .169 .499 .202 .395
item6 .361 .378 .436 .481 .418 1.000 .409 .537 .209 .312
item7 .437 .460 .472 .426 .169 .409 1.000 .487 .445 .309
item8 .516 .560 .446 .365 .499 .537 .487 1.000 .267 .436
item9 .352 .308 .417 .285 .202 .209 .445 .267 1.000 .323
item10 .420 .412 .228 .447 .395 .312 .309 .436 .323 1.000

3

Item-Total Stati st ics
19.36 52.521 .621 .413 .852
19.10 52.949 .647 .466 .850
19.06 56.017 .588 .430 .856
19.28 52.491 .611 .451 .853
19.28 55.349 .549 .447 .858
19.06 53.323 .576 .415 .856
18.92 54.728 .588 .472 .855
19.16 51.892 .681 .549 .847
18.92 56.973 .444 .300 .866
19.20 53.796 .536 .359 .859
item1
item2
item3
item4
item5
item6
item7
item8
item9
item10
Scale Mean if
Item Deleted
Scale
Variance if
Item Deleted
Corrected
Item-Total
Correlation
Squared
Multiple
Correlation
Cronbach's
Alpha if Item
Deleted

Scal e Stat isti cs
21.26 65.707 8.106 10
Mean Variance Std. Deviation N of Items


Huraian

Rujuk kepada J adual Reliability Statistics. Pekali Cronbachs Alpha ialah 0.868 mencadangkan
bahawa skor skala tersebut munasabah untuk dipercayai untuk setiap responden dalam kajian
ini. Nilai pekali alpha yang baik harus melebihi 0.8.

J adual Item Statistics menunjukkan deskriptif statistik untuk individul item, ciri-ciri keseluruhan
skala dan hubungan antara individul item dengan kesemua skala. Mean skor dalam jadual ini
merujuk kepada item yang sama dijawab oleh 50 orang responden. Misalnya, purata min skor
ialah dalam selang 1.98 untuk item4 dan item5.

J adual Scale Statistics menunjukkan skala keseluruhan di mana jumlah min skor untuk skala
ialah 21.26 dan sisihan piawai 8.106

Kolum pertama bagi J adual Item-Total Statistics ini menunjukkan berapakah min skor untuk
skala sekiranya satu-satu item dikeluarkan daripada analisis. Misalnya min skor keseluruhan
skala ialah 21.26 (rujuk J adual Scale Statistics), jika item 1 dikeluarkan daripada skala maka
min skor keseluruhan menjadi 19.36.

Kolum kedua iaitu Scale Variance if item Deleted menunjukkan jumlah varians skala iaitu
65.707 akan menjadi 52.521 jika item 1 dikeluarkan daripada skala.

Kolum yang ketiga iaitu Corrected Item-Total Correlation adalah Pearson correlation
coefficient antara skor individul item dengan jumlah skor baki item. Misalnya korelasi antara
skor item 10 dengan kesemua item 1 hingga item 9 ialah 0.536. Ini bermakna korelasi tem 10
dengan kesemua tem lain adalah sederhana kuat dan mempunyai korelasi positif.
4



Kolum kelima Alpha if Item Deleted menunjukkan nilai Cronbach Alpha akan berubah
sekiranya mana-mana item atau pembolehubah dikeluarkan daripada skala. Misalnya nilai Alpha
Cronbach sekarang ialah 0.868 akan menjadi 0.852 sekiranya item 1 dikeluarkan daripada skala.
Keadaan yang sama juga berlaku sekiranya item-item lain dikeluarkan daripada skala.


ANALISIS FAKTOR
Analisis faktor adalah satu teknik statistik multivariat digunakan untuk mengurangkan faktor-
faktor yang mempengaruhi sesuatu pembolehubah supaya menjadi beberapa set pembolehubah
yang lebih kecil. Ia adalah teknik yang kompleks digunakan untuk meneroka set data yang besar
bagi membantu kita untuk memahami persamaan-persamaan asas untuk menghasilkan satu set
pembolehubah yang dikenali sebagai faktor.

Beberapa andaian perlu dipatuhi sebelum analisis faktor dilakukan. Antaranya;

Saiz sampel minimum lima item diperlukan bagi mengukur setiap pembolehubah. Saiz
sampel sebanyak 100 boleh diterima untuk analisis, tetapi saiz sampel melebihi 200
adalah lebih baik.

Kenormalan Analisis faktor kuat berpegang kepada andaian kenormalan.
Bagaimanapun, jika pembolehubah dianggarkan bertaburan normal, maka analisis faktor
boleh dilakukan.

Kelinearan disebabkan analisis faktor adalah berasaskan korelasi, kelinearan amat
penting dan mesti dipatuhi.

Outliers atau data terpencil Analisis faktor amat sensitif kepada kes outlier. Kes ini
perlu dikenal pasti dan item yang ada kes outlier perlu dikeluarkan terlebih dahulu.


PROSEDUR SPSS BAGI ANALISIS FAKTOR

Soalan:

Set data mengandungi keputusan daripada pengumpulan data menggunakan soal-selidik ke atas
85 orang isteri yang ditanya tentang sejauh mana mereka menggunakan 10 pendekatan berbeza
yang diambil terhadap masalah pergolakan rumah tangga yang dialami.

Setiap item mengandungi respon skala 4-mata, dengan 1 =Tidak pernah mencuba kaedah ini,
2= kadang-kadang mengguna kaedah ini, 3= agak kerap menggunakan kaedah ini, 4 =sangat
kerap menggunakan kaedah ini. 10 item dalam soal-selidik adalah seperti berikut;


Item_a : Saya berbincang kekecewaan dan perasaan saya dengan kawan terdekat

5

Item_b : Saya cuba mencari cara terbaik untuk menyelesaikan masalah rumahtangga
Item_c : Saya meluahkan masalah rumahtangga dan emosi saya kepada keluarga terdekat.
Item_d : Saya sentiasa membaca buku-buku berkaitan bagi mencari kaedah terbaik
menyelesaikan masalah.

Item_e : Saya cuba menjadi isteri yang baik dan setia terhadap suami.

Item_f : Saya mendapatkan nasihat pakar untuk menyelesaikan emosi dan masalah ini

Item_g : Saya tidak merasa gembira dalam melakukan kerja kerana masalah ini.

Item_h : Saya mengambil tindakan bersemuka dengan suami menyelesaikan masalah ini

Item_i : Saya patut bersikap jujur terhadap perasaan saya tentang masalah ini

Item_j : Saya ketepikan aktiviti lain bersama rakan semata-mata kerana masalah ini.


Langkah:

Arahan: Buka Data _Analisis Faktor


1. Klik Analyze > Data reduction > Factor

Lihat paparan di bawah




2. Klik Extraction

Tandakan padaScree plot. Pastikan Correlation matrix dan Eigenvalues over : 1 telahpun
ditandakan.

Lihat paparan di bawah

6




3. Klik Continue

4. Klik OK

Lihat output SPSS di bawah



Total Variance Explained
Component Initial Eigenvalues Extraction Sums of Squared Loadings
Total % of Variance Cumulative % Total % of Variance Cumulative %
1 3.076 30.761 30.761 3.076 30.761 30.761
2 1.846 18.462 49.222 1.846 18.462 49.222
3 1.021 10.210 59.432 1.021 10.210 59.432
4 .915 9.153 68.585
5 .818 8.178 76.764

6 .711 7.113 83.876

7 .565 5.650 89.527
8 .415 4.152 93.679

9 .341 3.406 97.085

10 .292 2.915 100.000
Extraction Method: Principal Component Analysis.



J adual Total Variance Explained menunjukkan nilai-nilai eigen (eigenvalues) telah
menyenaraikan komponen-komponen 1 hingga 10. J umlah amaun varians bagi pembolehubah-
pembolehubah dalam analisis adalah sama dengan bilangan pembolehubah (dalam contoh ini,
10). Faktor-faktor yang diekstrak (diambil) (atau komponen sebab kita menggunakan principal
7

component sebagai kaedah untuk ekstrak) dikira bagi varians antara pembolehubah-
pembolehubah. Nilai eigen bagi faktor perlu lebih besar daripada atau sama dengan sifar tetapi
tidak boleh melebihi jumlah varians (dalam contoh ini, 10). Peratus varians pembolehubah dikira
bagi faktor adalah sama dengan nilai eigen dibahagikan dengan varians pembolehubah dan
didarabkan 100. Contoh, nilai eigen dengan faktor pertama =3.076 boleh dikira menggunakan
formula 761 . 30 100 ) 10 / 076 . 3 ( = .
Eigenvalues amat membantu untuk menentukan berapa banyak faktor harus digunakan
dalam analisis. Banyak kriteria telah dicadangkan dalam sorotan literatur untuk menentukan
berapa banyak faktor patut diekstrak berasaskan magnitud bagi nilai eigen. Satu kriteria yang
kekal digunakan ialah semua faktor harus mempunyai nilai eigen melebihi 1. Kriteria ini
merupakan pilihan yang ditetapkan oleh SPSS. Bagaimanapun ia tidak selalu memberi keputusan
yang tepat. Kriteria lain boleh ditentukan oleh plot bagi eigenvalue, iaitu dikenali sebagai scree
test. Bilangan faktor ditentukan oleh nilai eigen dalam bahagian plot yang menurun tajam
sebelum nilai eigen mula mendatar. Kriteria ini menghasilkan keputusan yang lebih tepat
berbanding kriteria nilai eigen lebih besar daripada 1. Berasaskan scree plot di bawah, kita dapat
merumuskan bahawa hanya dua faktor harus dikira (rotated).





Langkah:

1. Klik Analyze > Data reduction > Factor
2. Klik Extraction
Tandakan padaScree plot dan Number of factors : 2 (seperti yang kita tetapkan
berdasarkan output scree plot di atas). Pastikan Correlation matrix telahpun ditandakan.
Lihat paparan di bawah

8



3. Klik Continue
4. Klik Descriptives
Tandakan padaInitial solution dan KMO and Bartletts test of sphericity.

Lihat paparan di bawah




5. Klik Continue
6. Klik Rotation
Tandakan padaVarimax dan Rotated solution.

Lihat paparan di bawah
9




7. Klik Continue
8. Klik OK

Lihat output SPSS di bawah

KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .720
Bartlett's Test of Sphericity
Approx. Chi-Square 210.141
df 45
Sig. .000
J adual menunjukkan ujian Bartletts of Sphericity adalah signifikan (p =0.000) dan ujian Kaiser-
Meyer-Olkin bagi kecukupan pensampelan adalah 0.720 iaitu lebih besar daripada nilai 0.6. Ini
bermaksud jumlah sampel yang digunakan dalam kajian ini adalah mencukupi.

Communalities
Initial Extraction
item_a 1.000 .700
item_b 1.000 .538
item_c 1.000 .460
item_d 1.000 .295
item_e 1.000 .392
item_f 1.000 .652
item_g 1.000 .386
item_h 1.000 .398
item_i 1.000 .711
item_j 1.000 .391
Extraction Method: Principal
Component Analysis.

J adual di atas memaparkan komunaliti (communality) bagi item-item dan didapati nilai item
kebanyakannya adalah tinggi. Nilai item terendah ialah item_e, item_j tetapi nilai ini
menghampiri 0.4. Bagaimanapun nilai bagi item_d ialah 0.295 yang jauh lebih rendah daripada
0.4. Oleh itu item_d patut dikeluarkan daripada senarai item-item. Item_d iaitu Saya sentiasa
membaca buku-buku berkaitan bagi mencari kaedah terbaik menyelesaikan masalah didapati
bukan cara yang langsung terhadap masalah ini.

10

Rotated Component Matrix
a

Component
1 2
item_a .829 .111
item_b .215 .701
item_c .677 .032
item_d .144 .523
item_e .152 .608
item_f .807 .011
item_g .396 .479
item_h -.215 .593
item_i .839 .087
item_j -.111 .615
Extraction Method: Principal
Component Analysis.
Rotation Method: Varimax with
Kaiser Normalization.
a. Rotation converged in 3
iterations.
Rotated factor matrix menunjukkan beban faktor (factor loading), yang menjelaskan korelasi
bagi setiap pembolehubah dan faktor-faktor bagi putaran varimax. Faktor-faktor diterjemahkan
dengan menamakannya berasaskan kepada saiz putaran (loading). Dalam contoh ini, item_a,
item_c, item_f, item_i adalah lebih dikaitkan dengan faktor pertama (nilai tertinggi untuk faktor
pertama berbanding faktor kedua), manakala item_b, item_e, item_h dan item_j lebih dikaitkan
dengan faktor kedua (nilai tertinggi untuk faktor kedua berbanding faktor pertama). Secara
umumnya, apabila melihat kandungan bagi dua set item ini, kita boleh namakan dua faktor iaitu
faktor emosi diri dan faktor luaran yang berkaitan.

Total Variance Explained
Component
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %
1 3.076 30.761 30.761 3.076 30.761 30.761 2.807 28.073 28.073
2 1.846 18.462 49.222 1.846 18.462 49.222 2.115 21.149 49.222
3 1.021 10.210 59.432
4 .915 9.153 68.585
5 .818 8.178 76.764
6 .711 7.113 83.876
7 .565 5.650 89.527
8 .415 4.152 93.679
9 .341 3.406 97.085
10 .292 2.915 100.000
Extraction Method: Principal Component Analysis.

J adual Total Variance Explained melaporkan kadar varians dikira bagi setiap faktor diputarkan
(rotated). Faktor pertama dan kedua dikira menunjukkan 28.07 % dan 21.15% masing-masing
daripada kesemua 10 pembolehubah yang dikira. Secara total, jika kedua-dua faktor diambil,
maka sebanyak 49.1% daripada varians dapat dijelaskan.

11