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 t ingkat 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 – Faktor Faktor yang Mempengaruhi Ketidaklengkapan Imunisasi Anak Usia 12 – 12 – 23 23 Bulan di Indonesia Tahun 2003
Provinsi
Ibu tinggal di desa (%)
Ibu SD ke bawah (%)
Ibu Akses Koran (%)
Ibu Akses Radio (%)
Ibu Akses TV (%)
Bapak SD ke bawah (%)
Bapak tidak bekerja (%)
Urutan anak
(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 Bengkulu
74.4
56.4
53.8
15.4
38.5
69.2
28.2
46.2
0
2.9
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
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 Kalimantan Tengah Kalimantan Selatan Kalimantan Timur Sulawesi Utara
65.6
59
44.3
18
31.1
63.9
21.3
47.5
3.3
2.39
67.4
63
21.7
10.9
52.2
63
41.3
63
2.2
2.61
66.7
61.9
26.2
9.5
42.9
88.1
33.3
64.3
0
1.93
44
64
16
20
32
68
28
32
4
3 .16
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 Gorontalo
74.5
47.1
39.2
5.9
54.9
66.7
23.5
39.2
0
2.51
89.5
68.4
23.7
5.3
26.3
36.8
44.7
81.6
0
2.92
(1)
Bangka Belitung
Ibu Ibu Bekerja tdkPya KMS (%) (%)
Sumber : Survei Demografi dan Kesehetan Indonesia, 2002-2003
Melakukan Analisis Faktor Menggunakan SPSS
Langkah-langkahnya : 1. Buka data yang sudah dimasukkan
(%)
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 ta nda 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 ratarata(mean) , standar deviasi serta jumlah observasi dalam tiap variabel. Pada table tersebut, data telah distandarisasi dengan terlebih dahulu mentransformasikan data ke dalam bentuk Zscore. 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 variabelvariabel 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, var iabel – 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 besa r 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 ke2, 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 f aktor 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.
