68 Gambar 4. Scree Plot
Dari kombinasi dari ketiga kriteria tersebut dapat disimpulkan bahwa ekstraksi faktor yang paling tepat adalah 4 faktor.
d. Komunalitas
Komunalitas pada dasarnya adalah jumlah varian dari suatu variabel yang bisa dijelaskan oleh faktor yang ada. Lebih lengkapnya dapat dilihat dalam tabel 25
Tabel 25. Communalities
Communalities
Initial Extractio
n X4
1,000 ,839
X6 1,000
,764 X10
1,000 ,740
X13 1,000
,911 X14
1,000 ,817
X17 1,000
,574 X21
1,000 ,824
X22 1,000
,845 X23
1,000 ,912
X24 1,000
,860 X25
1,000 ,712
X27 1,000
,685 X28
1,000 ,735
69 X29
1,000 ,809
X30 1,000
,872
Pada tabel diatas dapat dilihat bahwa semua nilai menunjukan angka lebih dari 0,5 sehingga semua variabel dapat menjelaskan faktor.
e. Component matrix
Setelah diketahui bahwa 5faktor adalah jumlah yang paling optimal, maka tabel component matriks menunjukan distribusi ke 15 variabel tersebut pada lima
faktor yang terbentuk sedangkan angka-angka yang ada pada tabel tersebut adalah factor loadings, yang menunjukan besar korelasi antara suatu variabel dengan
faktor 1, 2,3,4,dan 5. Proses penentuan varibel mana akan dimasukan ke faktor yang mana, dilakukan dengan melakukan perbandingan besar korelasi setiap baris. Lebih
lengkpanya dapat dilihat dalam tabel 26. Berikut ini.
Tabel 26 . Component Matrix
Component Matrix
a
Component 1
2 3
4 5
X13 ,835
-,226 ,382
-,010 ,132
X24 ,834
-,328 ,200
-,125 -,022
X4 ,778
,122 ,434
-,109 -,136
X27 ,715
,152 ,103
-,020 -,374
X14 ,686
,137 ,335
,067 ,460
X25 ,679
-,376 -,165
,284 -,045
X21 ,653
-,012 ,024
,622 -,100
X30 ,590
-,213 -,419
,549 ,020
X10 ,577
,570 ,135
-,199 -,153
X17 ,522
,437 -,317
,038 -,096
X22 ,507
-,429 -,016
-,468 -,429
X23 ,430
-,634 -,381
-,273 ,326
X6 ,501
,583 -,413
,057 ,002
X29 -,484
-,084 ,623
,422 ,039
X28 ,506
,306 -,027
-,259 ,563
70 Tabel diatas menunjukan seberapa besar sebuah variabel berkolerasi dengan
faktor yang akan dibentuk. Pada X13 berkolerasi sebesar 0,835, dengan faktor 1, - 0,226 dengan faktor 2, 0,382 dengan faktor 3, -0,010 dengan faktor 4, dan 0,132
dengan faktor 5. Hal ini berlaku untuk variabel yang lain.
f. Rotasi
Proses perotasian pada penelitian ini bertujuan untuk mendapatkan faktor faktor dengan faktor loading yang cukup jelas untuk interpretasi. Komponen
matriks rotasi adalah matirk yang lebih jelas dan nyata dibandingkan component matrik. Lebih jelasnya pada tabel di bawah ini.
Tabel 27 Rotated Component Matrix
Rotated Component Matrix
a
Component 1
2 3
4 5
X4 ,781
,159 ,209
,391 -,085
X22 ,720
,003 ,027
-,201 ,534
X24 ,705
,350 ,013
,340 ,352
X13 ,670
,370 -,046
,543 ,167
X27 ,667
,268 ,405
,054 -,030
X30 ,007
,873 ,231
,039 ,235
X21 ,282
,811 ,181
,156 -,171
X25 ,324
,696 ,060
,096 ,332
X6 ,000
,205 ,832
,169 -,011
X17 ,138
,223 ,703
,106 ,015
X29 -,115
-,002 -,640
,011 -,621
X10 ,481
-,074 ,623
,280 -,190
X14 ,314
,259 ,121
,798 -,027
X28 ,041
-,062 ,384
,732 ,212
X23 ,071
,242 -,103
,205 ,892
Hasil yang diperoleh menunjukan bahwa nilai-nilai faktor loading antara suatu variabel dengan beberapa faktor telah cukup dibedakan dan siap dilakukan
interpretasi. Seluruh variabel telah mempunyai faktor loading yang tingi pada salah
71 satu faktor dan mempunyai faktor loading yang cukup kecil untuk faktor-faktor
yang lainnya. Penentuan variabel masuk pada faktor yang mana dengan melihat nilai
korelasi terbesar. Dari tabel diatas diperoleh anggota masing-masing kelompok adalah sebagai berikut.
Faktor 1 : X4, X22,X24,X13, X27 Faktor 2 : X30,X21,X25
Faktor 3 : X6,X17,X10 Faktor 4 : X29,X14,X28
Faktor 5 : X23
4. Reliabilitas
