dalam faktor 2. Karena distribusi variabel tidak merata pada faktor 1 dan 2, maka dapat dilakukan rotasi faktor.
c. Rotasi Faktor
Hasil rotasi faktor menunjukkan perubahan pada tabel component matrix. Hasilnya dapat dilihat pada tabel di bawah ini.
Tabel 4.8 Component Matrix Hasil Aplikasi Analisis Faktor-faktor yang
Memengaruhi Pemberian Makanan Tambahan Pada Bayi Usia 0-6 bulan dengan
Metode Maximum Likelihood Model Rotasi dengan Metode Varimax.
Varibel Component
1 2
Pengetahuan Pendidikan
Budaya Ekonomi
Pekerjaan Kesehatan Ibu
Kesehatan Bayi Petugas Kesehatan
0.152 0.805
0.669 0.551
0.904 0.327
0.341 0.273
0.460 0.376
0.454 0.511
0.244 0.641
0.857 0.562
Dari hasil analisis faktor yang telah dilakukan, maka hasil akhir adalah terbentuknya dua 2 faktor dari 8 variabel. Pada variabel pengetahuan, nilai tertinggi
terdapat pada faktor 2 maka variabel pengetahuan termasuk pada kelompok faktor 2, begitu steterusnya dengan variabel yang lain. Jadi, faktor yang terbentuk adalah
sebagai berikut: 1. Faktor 1: pendidikan, budaya, ekonomi, dan pekerjaan.
Universitas Sumatera Utara
2. Faktor 2: pengetahuan, kesehatan ibu, kesehatan bayi, dan petugas kesehatan. Sebagai langkah akhir dari penentuan faktor, maka dapat dilihat tabel
component transformation matrix berikut ini.
Tabel 4.9 Component Transformation Matrix Hasil Aplikasi Analisis
Fakt0r-faktor yang Memengaruhi Pemberian Makanan Tambahan Pada Bayi Usia 0-6 bulan dengan Metode
Maximum Likelihood Model Rotasi dengan Metode
Varimax. Component
1 2
1 2
0.790 -0.613
0.613 0.790
Dari tabel di atas, terlihat angka-angka yang ada pada diagonal antara component 1 dengan 1 dan component 2 dengan 2, jauh di atas 0.5 0.790, 0.790. Hal
ini membuktikan bahwa kedua faktor yang terbentuk sudah tepat, karena mempunyai korelasi yang tinggi. Dengan demikian faktor 1 dan faktor 2 dapat dikatakan tepat
untuk merangkum ke-8 variabel independen.
4.4 Perbandingan Kesesuaian Model Hasil Analisis Faktor dengan Metode Principal Component Analysis dan Metode Maximum Likelihood
Hasil analisis faktor dengan menggunakan metode principal component analysis dan maximum likelihood pada dasarnya tidak secara keseluruhan berbeda.
Pada nilai-nilai tertentu terdapat perubahan yaitu pada nilai communalities, extraction sums of squared loadings, hasil rotasi, dan tentunya model faktor yang terbentuk
yang dihasilkan.
Universitas Sumatera Utara
Tabel 4.10 Perbandingan hasil analisis faktor dengan metode principal
component analysis dan maximum likelihood berdasarkan nilai communalities, extraction sums of squared loadings, dan nilai korelasi
hasil rotasi.
Variabel Metode
principal component analysis
Metode maximum likelihood
Communalities Extraction
sums of squared
loadings Korelasi
hasil rotasi
Communalities Extraction
sums of squared
loadings Korelasi
hasil rotasi
Pengetahuan Pendidikan
Budaya Ekonomi
Pekerjaan Kesehatan
Ibu Kesehatan
Bayi Petugas
Kesehatan 0.734
0.816 0.754
0.653 0.793
0.550 0.749
0.576 70.312
0.837 0.235
0.788 0.653
0.564 0.876
0.518 0.851
0.391 60.950
0.790
Dari tabel 4.10 di atas, nilai communalities pada principal component analysis semua variabel berada di atas 50 sedangkan nilai communalities pada maximum
likelihood, ada dua 2 variabel berada di bawah 50 yaitu variabel pengetahuan dan petugas kesehatan.
Pada tabel 4.10 dapat dilihat bahwa pada principal component analysis, faktor yang mungkin terbentuk mampu menjelaskan variabel sebesar 70.312 sedangkan
pada maximum likelihood, faktor yang terbentuk mampu menjelaskan variabel sebesar 60.950. Hal ini menunjukkan bahwa penjelasan dengan metode principal
component analysis lebih banyak dari pada penjelasan yang diberikan oleh metode maximum likelihood.
Universitas Sumatera Utara
Pada tabel 4.10 dapat dilihat nilai korelasi hasil rotasi pada principal component analysis sebesar 0.837 lebih kuat merangkum ke-8 variabel,
dibandingakan nilai korelasi hasil rotasi maximum likelihood sebesar 0.790. Selain nilai pada tabel di atas, terdapat perbedaan pada faktor yang terbentuk
hasil analisis faktor dengan metode principal component analysis dan maximum likelihood, dapat dilihat pada tabel berikut.
Tabel 4.11 Faktor yang terbentuk hasil analisis faktor berdasarkan metode
principal component analysis dan maximum likelihood. Faktor
Metode principal component analysis Metode maximum likelihood
1
2 Pendidikan
Budaya Ekonomi
Pekerjaan Kesehatan ibu
Pengetahuan Kesehatan bayi
Petugas kesehatan Pendidikan
Budaya Ekonomi
Pekerjaan Pengetahuan
Kesehatan bayi Kesehatan ibu
Petugas kesehatan
4.4 Uji Kesesuaian Model Dengan Metode Principal Component Analysis dan
Kategori