Analisis Faktor-Faktor yang Mempengaruhi Dimensi Kepuasan Hidup Indeks Kebahagiaan Indonesia Tahun 2021
Excellent Elsa Ayu Nugraha
06/11/2023
1 PENDAHULUAN
1.1 Latar Belakang
Kepuasan hidup adalah suatu proses dalam menerima segala kondisi kehidupan terhadap tujuan yang diinginkan dan tujuan yang telah dicapai secara dengan didasarkan pada kriteria-kriteria yang telah ditetapkan oleh dirinya sendiri (Wahyuni & Maulida, 2019). Kepuasan hidup menjadi salah satu aspek kehidupan yang penting dipenuhi sebab menjadi gambaran atas kualitas hidup dan kesejahteraan individu. Rendahnya kepuasan hidup dan tingginya emosi negatif menunjukkan kesejahteraan subjektif yang rendah (Kristina, 2020). Tingkat kesejahteraan masyarakat dapat diukur dengan menggunakan standar yang dengan indikator subyektif. Salah satu indikator kesejahteraan tersebut adalah indeks kebahagiaan (AL, 2017).
Indeks kebahagiaan adalah tingkat kebahagiaan atau kepuasan hidup penduduk Indonesia yang diukur dalam skala 0 hingga 100. Semakin tinggi indeks menunjukkan tingkat kebahagiaan yang semakin baik. Namun, berdasarkan World Happiness Report (WHR), Indonesia berada pada peringkat 30 negara terbawah dari 109 negara dalam daftar negara paling bahagia. Hal tersebut menunjukkan bahwa perlu adanya tindakan dalam meningkatkan indeks kebahagiaan Indonesia. Menurut BPS (2017), Indeks Kebahagiaan Indonesia merupakan indeks komposit yang disusun oleh tiga dimensi, yaitu Kepuasan Hidup (Life Satisfaction), Perasaan (Affect), dan Makna Hidup (Eudaimonia). Dimensi kepuasan hidup menjadi dimensi yang memberi kontribusi paling besar dalam meningkatkan indeks kebahagiaan yakni sebesar 34.80 persen. Maka dari itu, diperlukan pemahaman mendalam terkait faktor-faktor yang mempengaruhi dimensi kepuasan hidup dalam meningkatkan indeks kebahagiaan Indonesia.
1.2 Tinjauan Pustaka Metode
Analisis faktor merupakan suatu metode reduksi data untuk menemukan variabel baru yang disebut faktor yang bisa memuat sebanyak mungkin informasi yang terkandung di dalam variabel asli (Puspitasari et al., 2011). Model analisis faktor dinyatakan dengan formula sebagai berikut : \[ Xi=Aij+Ai2F2+Ai3F3....+AimFm+ViUi \] dimana,
Xi = Variable standar yang ke-i
Aij = Koefisien multiple regresi standar dari variabel ke-i pada common faktor j
F = Common Factor
Vi = Koefisien regresi berganda standar dari variabel-i pada faktor unik-i
Ui = Faktor unik variabel-i
m = Banyaknya common factor
Menurut Kaharuddin (2020), tujuan analisis faktor adalah untuk mereduksi sejumlah variabel asal yang jumlahnya banyak menjadi sejumlah variabel baru yang jumlahnya lebih sedikit yang disebut faktor. Selain itu, analisis faktor digunakan untuk mengidentifikasi struktur hubungan antarvariabel penyusun faktor dengan menggunakan pengujian koefisien korelasi antar faktor dengan komponen pembentuknya. Dalam penelitian ini digunakan jenis analisis faktor eksploratori atau analisis komponen utama yaitu suatu teknik analisis faktor saat jumlah faktor yang akan terbentuk belum diketahui dan belum dapat ditentukan sebelum analisis dilakukan sehingga tidak ada hipotesis tentang struktur hubungan factor. Menurut Norrusis (dalam Purwanto, 2004), secara keseluruhan langkah-langkah analisis faktor adalah:
- Menguji kelayakan analisis
Pengujian ini dilakukan sebagai syarat agar analisis faktor bisa dilakukan. Kriteria harus dipenuhi melalui uji KMO dan Bartelett sphericity test.Uji KMO digunakan untuk mengetahui kecukupan sampel sedang uji Bartlett untuk melihat normalitas data yang akan dianalisis. Ketika kedua uji tersebut terpenuhi, maka proses analisis factor bisa dilanjutkan.
- Menyajikan matriks korelasi
Matriks korelasi digunakan untuk mengetahui interkorelasi antar variable. Melalui matrik korelasi, tinggi rendahnya korelasi antar variable bisa diketahui.
- Melakukan ekstraksi
Ekstrasi didapatkan melalui eigenvalues factor sehingga bisa membuat factor yang lebih sedikit dari jumlah variable asli dan mengetahui kontribusi factor terhadap variable asli (total variance explained). Melalui ekstrasi bisa ditentukan jumlah factor yang bisa meringkas keseluruhan variable asli.
- Melakukan rotasi
Rotasi digunakan untuk menentukan variable-variabel asli agar masuk ke dalam factor-faktor terdekat. Proses rotasi ini menjadi lanjutan dari ekstrasi, karena setelah ditentukan jumlah faktornya akan dikelompokkan tiap-tiap variable ke dalam faktornya.
1.3 Data
Data yang digunakan berasal dari bps.go.id dengan judul “Dimensi Kepuasan Hidup Indeks Kebahagiaan Indonesia 2021”. Data yang digunakan terdiri atas 34 provinsi di seluruh Indonesia dengan variabel berjumlah 10. Seluruh pengamatan untuk tiap-tiap variabel diambil pada tahun 2021. Variabel-variabel yang tersedia merupakan variabel prediktor terhadap kepuasan hidup. Berikut ini adalah keterangan dari variabel-variabel yang digunakan:
\(X1\) = Pendidikan
\(X2\) = Pekerjaan
\(X3\) = Pendapatan Rumah Tangga
\(X4\) = Kesehatan
\(X5\) = Kondisi Rumah dan Aset
\(X6\) = Hubungan Sosial
\(X7\) = Keadaan Lingkungan
\(X8\) = Kondisi Keamanan
\(X9\) = Keharmonisan Keluarga
\(X10\) = Ketersediaan Waktu Luang
| X1 | X2 | X3 | X4 | X5 | X6 | X7 | X8 | X9 | X10 |
|---|---|---|---|---|---|---|---|---|---|
| 62.99 | 72.89 | 67.40 | 75.45 | 71.60 | 80.93 | 81.32 | 81.60 | 84.29 | 76.81 |
| 61.57 | 70.81 | 64.75 | 76.00 | 72.95 | 79.20 | 80.94 | 78.90 | 82.62 | 75.33 |
| 62.56 | 71.29 | 66.06 | 75.82 | 73.11 | 77.86 | 81.52 | 80.54 | 82.64 | 74.13 |
| 61.00 | 72.80 | 67.02 | 76.57 | 74.06 | 79.84 | 81.77 | 81.09 | 84.64 | 77.41 |
| 64.29 | 74.55 | 69.85 | 77.02 | 74.47 | 80.17 | 82.63 | 81.46 | 85.11 | 77.66 |
| 62.06 | 72.03 | 65.65 | 77.19 | 73.68 | 80.39 | 81.50 | 79.87 | 85.14 | 76.38 |
| 58.07 | 69.06 | 64.69 | 73.88 | 70.99 | 77.59 | 79.69 | 80.61 | 81.80 | 72.26 |
| 62.44 | 71.50 | 66.10 | 76.74 | 72.74 | 79.18 | 82.69 | 78.98 | 83.20 | 76.93 |
| 62.07 | 73.41 | 68.04 | 76.35 | 76.66 | 79.97 | 83.36 | 84.04 | 84.13 | 76.66 |
| 68.54 | 75.34 | 67.63 | 78.36 | 79.25 | 80.81 | 81.99 | 80.99 | 87.06 | 78.18 |
| 68.67 | 74.38 | 67.48 | 76.41 | 75.61 | 75.74 | 78.67 | 78.12 | 81.69 | 76.81 |
| 61.88 | 71.44 | 65.49 | 75.34 | 72.53 | 77.78 | 81.09 | 79.70 | 81.56 | 75.52 |
| 62.53 | 71.31 | 65.57 | 76.06 | 72.61 | 79.46 | 81.78 | 82.76 | 81.69 | 74.84 |
| 64.78 | 70.08 | 63.68 | 76.35 | 73.40 | 79.47 | 81.42 | 82.47 | 82.12 | 72.52 |
| 62.51 | 72.88 | 69.06 | 77.14 | 75.69 | 79.91 | 82.91 | 82.81 | 81.75 | 76.20 |
| 61.38 | 71.09 | 65.56 | 73.38 | 71.01 | 74.59 | 78.67 | 77.57 | 79.04 | 74.25 |
| 65.44 | 72.08 | 62.97 | 76.01 | 73.71 | 78.24 | 81.98 | 82.62 | 82.01 | 75.13 |
| 57.44 | 70.55 | 63.45 | 76.15 | 70.70 | 80.70 | 81.58 | 81.76 | 84.16 | 73.31 |
| 61.55 | 71.78 | 63.57 | 74.29 | 69.59 | 81.70 | 82.39 | 83.37 | 83.18 | 75.18 |
| 60.92 | 72.27 | 67.26 | 76.33 | 74.79 | 80.90 | 80.94 | 82.81 | 84.07 | 75.98 |
| 64.03 | 73.89 | 69.24 | 77.77 | 75.13 | 80.28 | 79.57 | 82.05 | 84.30 | 76.87 |
| 63.74 | 74.58 | 70.30 | 77.22 | 75.61 | 78.41 | 80.45 | 81.72 | 84.16 | 76.09 |
| 68.12 | 76.11 | 71.44 | 78.90 | 78.35 | 78.30 | 78.39 | 80.07 | 84.79 | 78.02 |
| 68.89 | 79.32 | 73.21 | 80.99 | 80.05 | 82.21 | 82.71 | 84.14 | 86.62 | 79.71 |
| 70.86 | 78.26 | 72.34 | 79.58 | 79.03 | 82.97 | 84.97 | 84.99 | 85.34 | 80.35 |
| 67.74 | 77.38 | 71.10 | 79.12 | 75.52 | 82.49 | 83.37 | 83.57 | 86.73 | 78.98 |
| 61.95 | 74.31 | 68.99 | 76.82 | 74.10 | 80.52 | 83.04 | 83.47 | 84.24 | 76.91 |
| 61.52 | 75.45 | 67.92 | 77.36 | 74.01 | 83.34 | 83.07 | 85.72 | 86.52 | 79.26 |
| 67.77 | 78.32 | 68.06 | 77.64 | 73.95 | 84.98 | 83.20 | 85.59 | 88.39 | 78.75 |
| 56.81 | 73.19 | 67.80 | 76.53 | 73.22 | 85.03 | 84.32 | 86.29 | 86.91 | 77.96 |
| 71.25 | 78.33 | 72.70 | 80.72 | 78.42 | 82.60 | 85.71 | 85.71 | 88.82 | 80.93 |
| 69.12 | 78.90 | 74.14 | 80.94 | 77.86 | 85.22 | 85.28 | 86.39 | 89.02 | 82.16 |
| 68.04 | 76.67 | 69.58 | 80.27 | 76.73 | 81.98 | 83.35 | 81.43 | 87.19 | 78.17 |
| 61.89 | 71.28 | 66.14 | 76.17 | 69.98 | 76.00 | 79.32 | 76.89 | 79.66 | 75.64 |
| 62.79 | 72.37 | 66.76 | 76.28 | 73.64 | 79.10 | 81.56 | 81.20 | 82.56 | 75.87 |
1.4 Tujuan Penelitian
Adapun tujuan yang terbentuk, yaitu:
Mengetahui faktor-faktor yang mempengaruhi dimensi kepuasan hidup indeks kebahagiaan indonesia tahun 2021
Mengetahui faktor yang paling berpengaruh terhadap dimensi kepuasan hidup indeks kebahagiaan indonesia tahun 2021
2 SOURCE CODE
2.1 Library yang Dibutuhkan
> library("knitr") #Digunakan untuk membuat laporan dinamis di R
> library("rmarkdown") #Digunakan untuk membuat dokumen berformat R Markdown
> library("prettydoc") #Menyediakan tema-tema khusus untuk laporan HTML yang dibuat dengan R Markdown
> library("psych") #Menyediakan berbagai fungsi untuk analisis psikometrik dan psikologi statistik
> library("corrplot") #Digunakan untuk membuat matriks plot korelasi
> library("readxl") #Untuk membaca data dari file Excel ke dalam R.
> library("REdaS") #Untuk melakukan analisis faktor paralel2.2 Input Data
> datafaktor = read_excel("C:/Users/Lenovo/Downloads/Dimensi Kepuasan Hidup Indeks Kebahagiaan.xlsx")
> knitr::kable(datafaktor,caption="Data Dimensi Kepuasan Hidup Indeks Kebahagiaan Indonesia Tahun 2021")Digunakan untuk memanggil data yang tersimpan pada komputer ke Rstudio. Fungsi ‘knitr::kable’ digunakan untuk membuat tabel rapi dari objek data di R.
2.3 Statistika Deskriptif
> summary(datafaktor)Digunakan untuk memberikan ringkasan statistik dari objek data yang telah didefinisikan sebelumnya yaitu ‘datafaktor’.
2.4 Matriks Korelasi
> korelasi <- cor(datafaktor)
> print(korelasi)Digunakan untuk menghitung korelasi antara variabel-variabel dalam sebuah dataset. Hasil korelasi disimpan dalam variabel baru yang disebut korelasi.
2.5 Uji Kaiser-Meyer Olkin (KMO)
> kmo_result <- KMOS(datafaktor)
> print(kmo_result)Untuk menghitung nilai KMO dari dataset yang disimpan dalam variabel datafaktor. Nilai KMO berkisar antara 0 dan 1, dan nilai yang lebih tinggi menunjukkan bahwa data lebih sesuai untuk analisis faktor. Hasil KMO disimpan dalam variabel baru yang disebut ‘kmo_result’.
2.6 Uji Bartlett
> bart_spher(x = datafaktor)Untuk menghitung nilai hasil Bartlett dari dataset yang disimpan dalam variabel datafaktor menggunakan fungsi ‘bart_spher()’.
2.7 Analisis Faktor
> fa_datafaktor=fa(r=korelasi)
Error in eval(expr, envir, enclos): object 'korelasi' not found
> fa_datafaktor
Error in eval(expr, envir, enclos): object 'fa_datafaktor' not foundFungsi fa digunakan untuk melakukan analisis faktor dengan menggunakan matriks korelasi (korelasi) sebagai input untuk analisis faktor.
2.7.1 Ekstraksi faktor
> eigen = eigen(korelasi)
> eigen$valuesDigunakan untuk menghitung nilai eigen dan vektor eigen dari matriks. Dalam hal ini, matriks yang diambil adalah matriks korelasi yang sebelumnya dihitung. Hasil nilai eigen dan vektor eigen disimpan dalam variabel baru yang disebut eigen_result.
2.7.2 Scree Plot
> nfactors=fa.parallel(datafaktor[,1:10],fa="fa")Argumen fa menentukan metode analisis faktor yang akan digunakan dalam analisis paralel. Variabel nfactors akan berisi hasil dari analisis faktor paralel. Subset dari dataset datafaktor menggunakan kolom 1 hingga 10 dari dataset untuk melakukan analisis faktor paralel.
2.7.3 Rotasi Faktor
> rotasi_faktor<- psych:: principal(datafaktor,nfactor=2,rotate="varimax", scores=T)
> rotasi_faktorSyntax ‘nfactor = 2’ artinya dalam argumen ini digunakan 2 faktor untuk analisis faktor. rotate = “varimax” digunakan untuk menentukan metode rotasi yang akan digunakan yaitu metode rotasi varimax. Metode tersebut bertujuan untuk memudahkan interpretasi faktor. Penggunaan scores sebagai TRUE digunakan untuk menghitung dan mengembalikan skor faktor (nilai faktor) untuk tiap-tiap pengamatan.
2.7.4 Diagram Faktor
> fa.diagram(rotasi_faktor)Digunakan untuk membuat diagram faktor. Fungsi ini membantu dalam visualisasi struktur faktor hasil analisis faktor. Diagram dibuat dari hasil rotasi faktor yang telah disimpan dalam ’rotasi_faktor”
3 HASIL DAN PEMBAHASAN
3.1 Input Data
| X1 | X2 | X3 | X4 | X5 | X6 | X7 | X8 | X9 | X10 |
|---|---|---|---|---|---|---|---|---|---|
| 62.99 | 72.89 | 67.40 | 75.45 | 71.60 | 80.93 | 81.32 | 81.60 | 84.29 | 76.81 |
| 61.57 | 70.81 | 64.75 | 76.00 | 72.95 | 79.20 | 80.94 | 78.90 | 82.62 | 75.33 |
| 62.56 | 71.29 | 66.06 | 75.82 | 73.11 | 77.86 | 81.52 | 80.54 | 82.64 | 74.13 |
| 61.00 | 72.80 | 67.02 | 76.57 | 74.06 | 79.84 | 81.77 | 81.09 | 84.64 | 77.41 |
| 64.29 | 74.55 | 69.85 | 77.02 | 74.47 | 80.17 | 82.63 | 81.46 | 85.11 | 77.66 |
| 62.06 | 72.03 | 65.65 | 77.19 | 73.68 | 80.39 | 81.50 | 79.87 | 85.14 | 76.38 |
| 58.07 | 69.06 | 64.69 | 73.88 | 70.99 | 77.59 | 79.69 | 80.61 | 81.80 | 72.26 |
| 62.44 | 71.50 | 66.10 | 76.74 | 72.74 | 79.18 | 82.69 | 78.98 | 83.20 | 76.93 |
| 62.07 | 73.41 | 68.04 | 76.35 | 76.66 | 79.97 | 83.36 | 84.04 | 84.13 | 76.66 |
| 68.54 | 75.34 | 67.63 | 78.36 | 79.25 | 80.81 | 81.99 | 80.99 | 87.06 | 78.18 |
| 68.67 | 74.38 | 67.48 | 76.41 | 75.61 | 75.74 | 78.67 | 78.12 | 81.69 | 76.81 |
| 61.88 | 71.44 | 65.49 | 75.34 | 72.53 | 77.78 | 81.09 | 79.70 | 81.56 | 75.52 |
| 62.53 | 71.31 | 65.57 | 76.06 | 72.61 | 79.46 | 81.78 | 82.76 | 81.69 | 74.84 |
| 64.78 | 70.08 | 63.68 | 76.35 | 73.40 | 79.47 | 81.42 | 82.47 | 82.12 | 72.52 |
| 62.51 | 72.88 | 69.06 | 77.14 | 75.69 | 79.91 | 82.91 | 82.81 | 81.75 | 76.20 |
| 61.38 | 71.09 | 65.56 | 73.38 | 71.01 | 74.59 | 78.67 | 77.57 | 79.04 | 74.25 |
| 65.44 | 72.08 | 62.97 | 76.01 | 73.71 | 78.24 | 81.98 | 82.62 | 82.01 | 75.13 |
| 57.44 | 70.55 | 63.45 | 76.15 | 70.70 | 80.70 | 81.58 | 81.76 | 84.16 | 73.31 |
| 61.55 | 71.78 | 63.57 | 74.29 | 69.59 | 81.70 | 82.39 | 83.37 | 83.18 | 75.18 |
| 60.92 | 72.27 | 67.26 | 76.33 | 74.79 | 80.90 | 80.94 | 82.81 | 84.07 | 75.98 |
| 64.03 | 73.89 | 69.24 | 77.77 | 75.13 | 80.28 | 79.57 | 82.05 | 84.30 | 76.87 |
| 63.74 | 74.58 | 70.30 | 77.22 | 75.61 | 78.41 | 80.45 | 81.72 | 84.16 | 76.09 |
| 68.12 | 76.11 | 71.44 | 78.90 | 78.35 | 78.30 | 78.39 | 80.07 | 84.79 | 78.02 |
| 68.89 | 79.32 | 73.21 | 80.99 | 80.05 | 82.21 | 82.71 | 84.14 | 86.62 | 79.71 |
| 70.86 | 78.26 | 72.34 | 79.58 | 79.03 | 82.97 | 84.97 | 84.99 | 85.34 | 80.35 |
| 67.74 | 77.38 | 71.10 | 79.12 | 75.52 | 82.49 | 83.37 | 83.57 | 86.73 | 78.98 |
| 61.95 | 74.31 | 68.99 | 76.82 | 74.10 | 80.52 | 83.04 | 83.47 | 84.24 | 76.91 |
| 61.52 | 75.45 | 67.92 | 77.36 | 74.01 | 83.34 | 83.07 | 85.72 | 86.52 | 79.26 |
| 67.77 | 78.32 | 68.06 | 77.64 | 73.95 | 84.98 | 83.20 | 85.59 | 88.39 | 78.75 |
| 56.81 | 73.19 | 67.80 | 76.53 | 73.22 | 85.03 | 84.32 | 86.29 | 86.91 | 77.96 |
| 71.25 | 78.33 | 72.70 | 80.72 | 78.42 | 82.60 | 85.71 | 85.71 | 88.82 | 80.93 |
| 69.12 | 78.90 | 74.14 | 80.94 | 77.86 | 85.22 | 85.28 | 86.39 | 89.02 | 82.16 |
| 68.04 | 76.67 | 69.58 | 80.27 | 76.73 | 81.98 | 83.35 | 81.43 | 87.19 | 78.17 |
| 61.89 | 71.28 | 66.14 | 76.17 | 69.98 | 76.00 | 79.32 | 76.89 | 79.66 | 75.64 |
| 62.79 | 72.37 | 66.76 | 76.28 | 73.64 | 79.10 | 81.56 | 81.20 | 82.56 | 75.87 |
3.2 Statistika Deskriptif
X1 X2 X3 X4
Min. :56.81 Min. :69.06 Min. :62.97 Min. :73.38
1st Qu.:61.73 1st Qu.:71.47 1st Qu.:65.61 1st Qu.:76.11
Median :62.56 Median :72.89 Median :67.48 Median :76.57
Mean :63.92 Mean :73.71 Mean :67.74 Mean :77.06
3rd Qu.:67.75 3rd Qu.:75.39 3rd Qu.:69.41 3rd Qu.:77.70
Max. :71.25 Max. :79.32 Max. :74.14 Max. :80.99
X5 X6 X7 X8
Min. :69.59 Min. :74.59 Min. :78.39 Min. :76.89
1st Qu.:72.84 1st Qu.:78.75 1st Qu.:81.02 1st Qu.:80.58
Median :74.01 Median :80.17 Median :81.78 Median :81.76
Mean :74.42 Mean :80.22 Mean :81.92 Mean :82.04
3rd Qu.:75.65 3rd Qu.:81.84 3rd Qu.:83.06 3rd Qu.:83.52
Max. :80.05 Max. :85.22 Max. :85.71 Max. :86.39
X9 X10
Min. :79.04 Min. :72.26
1st Qu.:82.34 1st Qu.:75.42
Median :84.16 Median :76.81
Mean :84.20 Mean :76.78
3rd Qu.:85.93 3rd Qu.:78.09
Max. :89.02 Max. :82.16 Berdasarkan output diatas, didapatkan beberapa informasi berupa minimum, nilai maksimum, rata-rata, median, kuartil pertama, dan kuartil ketiga untuk masing-masing variabel. Nilai minimum paling kecil sebesar 56.81 dimiliki oleh X1, nilai minimum paling besar sebesar 79.04 dimiliki oleh X9. Nilai max terkecil adalah 71.25 pada X1 dan terbesar pada X9. Rata-rata paling kecil dimiliki oleh X1 sebesar 63.92 dan nilai terbesar pada X9 sebesar 84.20. Median paling kecil dimiliki oleh X1 sebesar 62,56 dan nilai paling besar adalah 84.16 pada X9. Kuartil pertama dengan nilai terkecil adalah 61.73 dimiliki oleh X1 dan terbesar adalah 81.02 pada X7. Sedangkan nilai kuartil ketiga paling kecil dimiliki oleh X1 sebesar 67.75 dan nilai terbesar pada X8 sebesar 83.93
3.3 Matriks Korelasi
Matriks korelasi bisa digunakan untuk mengetahui tinggi rendahnya korelasi antar variabel. Didapatkan sejumlah 100 korelasi yang terbentuk antar 10 variabel. Korelasi dapat memiliki nilai dalam rentang -1 hingga 1. Semakin mendekati angka 1 maka korelasi semakin kuat dengan arah positif sedangkan semakin mendekati angka -1 korelasi semakin kuat dengan arah korelasi negatif. Berikkut adalah hasil matriks korelasi dari data,
X1 X2 X3 X4 X5 X6 X7
X1 1.0000000 0.7989422 0.6648837 0.7650754 0.7704911 0.2532333 0.2960516
X2 0.7989422 1.0000000 0.8841974 0.8757953 0.7974165 0.6288239 0.5400941
X3 0.6648837 0.8841974 1.0000000 0.8380168 0.8032633 0.4768952 0.4386879
X4 0.7650754 0.8757953 0.8380168 1.0000000 0.8475128 0.5935698 0.5535248
X5 0.7704911 0.7974165 0.8032633 0.8475128 1.0000000 0.3792088 0.3882950
X6 0.2532333 0.6288239 0.4768952 0.5935698 0.3792088 1.0000000 0.8111212
X7 0.2960516 0.5400941 0.4386879 0.5535248 0.3882950 0.8111212 1.0000000
X8 0.2356325 0.5769655 0.4652309 0.4871907 0.4028193 0.8704682 0.7956225
X9 0.4841944 0.7963669 0.6559603 0.7746783 0.6175873 0.8707449 0.6916914
X10 0.6686269 0.9169121 0.8517913 0.8306132 0.7227716 0.6705356 0.6219627
X8 X9 X10
X1 0.2356325 0.4841944 0.6686269
X2 0.5769655 0.7963669 0.9169121
X3 0.4652309 0.6559603 0.8517913
X4 0.4871907 0.7746783 0.8306132
X5 0.4028193 0.6175873 0.7227716
X6 0.8704682 0.8707449 0.6705356
X7 0.7956225 0.6916914 0.6219627
X8 1.0000000 0.7133083 0.5544324
X9 0.7133083 1.0000000 0.7978300
X10 0.5544324 0.7978300 1.0000000Berdasarkan hasil output matriks korelasi diatas, didapatkan bahwa seluruh variabel berkolerasi positif.
3.4 Uji Kaiser-Meyer Olkin (KMO)
Kaiser-Meyer-Olkin Statistics
Call: KMOS(x = datafaktor)
Measures of Sampling Adequacy (MSA):
X1 X2 X3 X4 X5 X6 X7 X8
0.7640855 0.8107901 0.8432835 0.8655488 0.8440122 0.7550385 0.8378158 0.7007774
X9 X10
0.8716385 0.8600011
KMO-Criterion: 0.8181534Berdasarkan output diatas, didapatkan bahwa nilai KMO (overall MSA) sebesar 0.82 dimana lebih besar dari 0.5 sehingga data yang digunakan telah memenuhi kriteria pengujian KMO.Sedangkan dari output MSA untuk masing-masing variabel didapatkan bahwa seluruh variabel memiliki nilai MSA lebih besar dari 0.5. Artinya seluruh variabel dalam data bisa diikutsertakan dalam analisis faktor. Karena uji KMO dan MSA telah terpenuhi, maka dapat disimpulkan bahwa data “Dimensi Kepuasan Hidup Indeks Kebahagiaan” bisa dianalisis dengan analisis faktor.
3.5 Uji Bartlett
Hipotesis:
\(H0\) : Tidak terdapat korelasi yang signifikan antar variabel vs
\(H1\) : Terdapat korelasi yang signifikan antar variabel
Bartlett's Test of Sphericity
Call: bart_spher(x = datafaktor)
X2 = 430.789
df = 45
p-value < 2.22e-16Berdasarkan output diatas, didapatkan bahwa nilai-p adalah 0.00000000000000222 (< 0.05), sehingga tolak H0. Maka dapat disimpulkan bahwa terdapat korelasi yang signifikan antar variabel. Karena pengujian bartlett telah terpenuhi maka analisis faktor bisa diterapkan pada data.
3.6 Analisis Faktor
> fa_datafaktor=fa(r=korelasi)
> fa_datafaktor
Factor Analysis using method = minres
Call: fa(r = korelasi)
Standardized loadings (pattern matrix) based upon correlation matrix
MR1 h2 u2 com
X1 0.68 0.47 0.535 1
X2 0.96 0.91 0.086 1
X3 0.85 0.72 0.284 1
X4 0.92 0.84 0.162 1
X5 0.79 0.62 0.375 1
X6 0.74 0.55 0.446 1
X7 0.68 0.46 0.535 1
X8 0.68 0.46 0.542 1
X9 0.88 0.77 0.226 1
X10 0.93 0.86 0.141 1
MR1
SS loadings 6.67
Proportion Var 0.67
Mean item complexity = 1
Test of the hypothesis that 1 factor is sufficient.
df null model = 45 with the objective function = 14.44
df of the model are 35 and the objective function was 5.26
The root mean square of the residuals (RMSR) is 0.14
The df corrected root mean square of the residuals is 0.16
Fit based upon off diagonal values = 0.96
Measures of factor score adequacy
MR1
Correlation of (regression) scores with factors 1.00
Multiple R square of scores with factors 1.00
Minimum correlation of possible factor scores 0.99Berdasarkan output diatas secara default terbentuk 1 faktor yang memiliki kemungkinan belum optimal, maka perlu dibuktikan dengan mencari jumlah faktor yang optimal dengan ekstraksi faktor
3.6.1 Ekstraksi faktor
Untuk mencari faktor optimal dapat diketahui dengan nilai eigen yang dihasilkan sebagai berikut,
[1] 6.96380140 1.66516761 0.35566578 0.28917010 0.26043802 0.22318639
[7] 0.11125299 0.06576266 0.03705728 0.02849777Berdasarkan output diatas didapatkan bahwa ada eigen values yang bernilai lebih besar dari 1 atau \((>1)\). Maka dapat disimpulkan bahwa terdapat 2 faktor yang bisa menjelaskan keseluruhan variabel pada data.
3.6.2 Scree Plot
> nfactors=fa.parallel(datafaktor[,2:10],fa="fa")
Parallel analysis suggests that the number of factors = 2 and the number of components = NA Berdasarkan output scree Plot di atas, bisa diketahui jumlah faktor yang terbentuk sebelum sudut siku plot menjadi datar. Terdapat 2 titik Component sebelum scree plot berbelok tajam membentuk siku dan kemudian mendatar. Maka dapat diartikan bahwa ada 2 faktor yang dapat dibentuk untuk menjelaskan seluruh variabel dalam data. Hal ini selaras dengan hasil ekstraksi faktor yang menunjukkan terbentuknya 2 faktor pula.
3.6.3 Rotasi Faktor
Principal Components Analysis
Call: psych::principal(r = datafaktor, nfactors = 2, rotate = "varimax",
scores = T)
Standardized loadings (pattern matrix) based upon correlation matrix
RC1 RC2 h2 u2 com
X1 0.90 0.04 0.81 0.192 1.0
X2 0.86 0.44 0.94 0.064 1.5
X3 0.86 0.31 0.83 0.167 1.3
X4 0.86 0.40 0.90 0.105 1.4
X5 0.89 0.20 0.83 0.167 1.1
X6 0.24 0.94 0.94 0.056 1.1
X7 0.23 0.87 0.81 0.192 1.1
X8 0.19 0.91 0.86 0.144 1.1
X9 0.54 0.75 0.85 0.148 1.8
X10 0.77 0.51 0.86 0.136 1.7
RC1 RC2
SS loadings 4.85 3.78
Proportion Var 0.48 0.38
Cumulative Var 0.48 0.86
Proportion Explained 0.56 0.44
Cumulative Proportion 0.56 1.00
Mean item complexity = 1.3
Test of the hypothesis that 2 components are sufficient.
The root mean square of the residuals (RMSR) is 0.04
with the empirical chi square 4.82 with prob < 1
Fit based upon off diagonal values = 1Berdasarkan hasil ekstraksi faktor sebelumnya telah ditentukan faktor optimal sejumlah 2. Lalu dengan rotasi faktor, didapatkan terdapat 2 faktor dengan hasil RC1 dan Rc2 yang merupakan faktor loading untuk menunjukkan kekuatan hubungan dari masing-masing variabel terhadap faktor 1 dan faktor 2. Hasil tersebut bisa membentuk persamaan berikut yang menunjukkan variabel-variabel pada data “Dimensi Kepuasan Hidup Indeks Kebahagiaan Indonesia” dominan pada faktor mana. Penulisan faktor pertama adalah F1 dan faktor kedua adalah F2. Sesuai dengan rumus analisis faktor terbentuk persamaan berikut,
\(X1=0.90F1+0.04F2\)
\(X2=0.86F1+0.44F2\)
\(X3=0.86F1+0.31F2\)
\(X4=0.86F1+0.40F2\)
\(X5=0.89F1+0.20F2\)
\(X6=0.24F1+0.94F2\)
\(X7=0.23F1+0.87F2\)
\(X8=0.19F1+0.91F2\)
\(X9=0.54F1+0.75F2\)
\(X10=0.77F1+0.51F2\)
Dari persamaan diatas, masing-masing variabel bisa dikelompokkan berdasarkan dominansi terhadap faktor mana. Caranya dengan membandingkan nilai koefisien F1 dan F2 Untuk masing masing variabel. Variabel akan masuk ke faktor dengan nilai koefisien yang terbesar. Melalui persamaan tersebut didapatkan bahwa variabel X1, X2, X3, X4, X5, X10 akan membentuk satu faktor pertama. Lalu, variabel X6, X7, X8, X9 akan membentuk faktor kedua.
Berdasarkan output Proportion Var diketahui bahwa banyak varians yang diperhitungkan faktor 1 (F1) dari semua variabel sebesar 0.48 sedangkan banyak varians yang diperhitungkan faktor 2 (F2) dari semua variabel sebesar 0.38. Dengan menggunakan faktor 1, maka informasi keseluruhan yang dapat diperhitungkan terhadap semua variabel sebanyak 0,48 atau 48%. Sedangkan dengan menggunakan faktor 2, maka informasi keseluruhan yang diperhitungkan terhadap semua variabel sebanyak 0,38 atau 38%.
Berdasarkan output cumulative var dapat diketahui bahwa nilai akumulasi proporsi varians untuk faktor seluruhnya sebesar 0.86. Dengan menggunakan 2 faktor, maka informasi keseluruhan yang diperhitungkan faktor dari semua variabel sebanyak 0.86 atau 86%.
Berdasarkan output proportion explained diketahui bahwa jumlah variansi relatif yang terjelaskan oleh faktor 1 (F1) sebesar 0.56 dan untuk faktor 2 (F2) sebesar 0.44.
Berdasarkan output cumulative proportion diketahui bahwa jumlah akumulasi proportion explained pada seluruh faktor sebesar 1.00.
Output h2 menunjukkan jumlah varians dalam masing masing variabel yang dijelaskan oleh faktor.
Output u2 menunjukkan nilai 1-h2 yang merupakan residual atas varians masing-masing variabel yang dijelaskan oleh faktor.
Output com menunjukkan nilai masing-masing variabel complexity
3.6.4 Diagram Faktor
Berdasarkan output component analysis plot diatas, dapat disimpulkan bahwa terbentuk 2 faktor dimana hasi tersebut sama dengan output dari rotasi faktor. Dari terbentuknya 2 faktor tersebut, perlu dilakukan labelling atau penamaan terhadap faktor yang harus mewakili variabel-variabel didalamnya sebagai berikut,
Faktor Kepuasan Pribadi Faktor ini terdiri atas variabel pembentuk, yaitu Pendidikan (X1), Pekerjaan (X2), Pendapatan Rumah Tangga (X3), Kesehatan (X4), Kondisi Rumah dan Aset (X5), dan Ketersediaan Waktu Luang (X10). Seluruh variabel dalam faktor ini berpengaruh positif dalam dimensi kepuasan hidup. Semakin tinggi kepuasan terhadap tiap-tiap variabel akan semakin meningkatkan kepuasan hidup masyarakat Indonesia. Hal ini karena dengan pendidikan yang tinggi seseorang bisa mendapatkan pekerjaan dan pendapatan yang sesuai dengan keinginan sehingga kepuasan terhadap hidup juga meningkat. Dengan kesehatan yang baik sesorang bisa menikmati aktivitasnya. Dengan kepemilikan aset dan rumah maka seseorang bisa hidup dengan tenang dan nyaman. Dengan ketersediaan waktu luang maka seseorang bisa menikmati hidup dengan melakukan aktivitas yang disenangi. Hal tersebut bisa meningkatkan ketenangan dalam diri sehingga tervapai kepuasan hidup.
Faktor Kepuasan Relasional Faktor ini terdiri atas variabel pembentuk, yaitu Hubungan Sosial (X6), Keadaan Lingkungan (X7), Kondisi Keamanan (X8), Keharmonisan Keluarga (X9). Keempat faktor tersebut menunjukkan hubungan yang positif terhadap dimensi kepuasan hidup. Ketika hubungan dengan sosial terjalin dengan baik maka seseorang bisa menikmati kondisi eksternal sehingga bisa meningkatkan kepuasan hidupnya.
4 PENUTUP
Kesimpulan
Berdasarkan hasil analisis faktor pada Dimensi Kepuasan Hidup Indeks Kebahagiaan Indonesia diperoleh kesimpulan bahwa terdapat 2 faktor yang mempengaruhi dimensi kepuasan hidup indeks kebahagiaan Indonesia yaitu faktor kepuasan pribadi dan faktor kepuasan relasional. Pemberian label tersebut didasarkan pada kesamaan ciri khas variabel. Melalui faktor-faktor tersebut bisa diketahui hal-hal yang mempengaruhi dimensi kepuasan hidup indeks kebahagiaan pada tahun 2021 dengan lebih mudah karena variabel-variabel telah dikelompokkan ke dalam faktor-faktor terdekat. Dengan menggunakan 2 faktor, maka informasi keseluruhan yang diperhitungkan faktor dari semua variabel sebanyak 0.86 atau 86%.
Saran
Penelitian selanjutnya dapat fokus pada dimensi-dimensi lain yang memengaruhi dimensi kebahagiaan di Indonesia, seperti dimensi afeksi dan dimensi makna hidup. Riset lanjutan tersebut dapat memberikan wawasan lebih mendalam dan lebih luas terkait indeks kebahagiaan Indonesia.
DAFTAR PUSTAKA
AL, Angela. (2017). Analisis Indeks Kebahagiaan di Indonesia. Universitas Tanjungpura, 1–14.
Badan Pusat Statistik. (2017). Indeks Kebahagiaan Indonesia Tahun 2017 Sebesar 70,69 pada Skala 0-100. Retrieved November 6, 2023, from https://www.bps.go.id/pressrelease/2017/08/15/1312/indeks-kebahagiaan-indonesia-tahun-2017-sebesar-70-69-pada-skala-0-100.html
Kaharuddin. (2020). Analisis Faktor yang Mempengaruhi Kinerja Karyawan pada Yayasan Sahabat Bunda Kota Makassar. Jurnal Ilmiah Ilmu Manajemen, 2(1), 60-75.
Kristina, L. A. (2020). Hubungan Keberfungsian Keluarga Dengan Kesejahteraan Subjektif Remaja. 1-124.
Purwanto. (2004). Analisis Faktor: Konsep, Prosedur Uji dan Interpretasi. Jurnal TEKNODIK, 15(8), 153-169.
Puspitasari, N. B., Suliantoro, H., & Erlianna, V. (2011). Analisis Faktor yang Mempengaruhi Konsumen dalam Pemakaian Produk Layanan Seluler dengan Mempertimbangkan Aspek 7p’s of Marketing. 6(2), 95-104.
Wahyuni, E., & Maulida, I. (2019). Hubungan Antara Kepuasan Hidup dan Kesejahteraan Psikologis Pada Siswa SMA Negeri Se-Jakarta Pusat. : Jurnal Bimbingan dan Konseling, 8(2), 173-180.
World Happiness Report (2022). Retrieved November 6, 2023, from https://worldhappiness.report/ed/2022/