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 Bartletts 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 Bartletts 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(

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 Bartletts 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 (

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.