Communalities ialah jumlah varian yang disumbangkan oleh suatu variabel dengan seluruh variabel lainnya dalam analisis. Bisa juga disebut proporsi atau bagian variabel yang
dijelaskan common factor, atau besarnya sumbangan suatu faktor terhadap varian seluruh variabel. Semakin besar Communalities sebuah variabel, berarti semakin kuat hubungannya
dengan faktor yang dibentuknya. Eigenvalue merupakan jumlah varian yang dijelaskan oleh setiap faktor. Eigenvalue akan
menunjukkan kepentingan relatif masing-masing faktor dalam menghitung varian yang dianalisis Wibowo, 2006.
4. Menentukan Banyaknya Faktor
Sebetulnya bisa juga diperoleh, banyaknya faktor atau principal component sama dengan banyaknya variabel asli awal yaitu 7 buah, akan tetapi tidak didapat sifat hemat. Agar dapat
meringkas informasi yang terdapat atau terkandung di dalam data asli awal, banyaknya faktor yang disarikan to be extracted dari variabel asli harus lebih sedikit daripada banyaknya
variabel. Pertanyaan yang timbul kemudian, berapa faktor yang harus disarikan?. Ada beberapa prosedur yang diusulkan disarankan di dalam menentukan banyaknya faktor. Prosedur ini
termasuk penentuan secara a priori a priori determination dan pendekatan berdasarkan pada eigen values, scree plot, percentage of variance accounted for, spil-half-releability dan
significances test. Penentuan banyaknya faktor lebih bersifat subyektif daripada ilmiah Supranto, 2010.
5. Melakukan Rotasi Faktor-faktor
Suatu hasil atau output yang penting dari analisis faktor ialah apa yang disebut matriks faktor pola factor pattern matrix. Matriks faktor berisi koefisien yang dipergunakan untuk
mengekspresikan variabel yang dibakukan dinyatakan dalam faktor. Koefisien-koefisien ini yang
Universitas Sumatera Utara
disebut dengan muatan faktor, mewakili korelasi antar faktor dan variabel. Suatu koefisien dengan nilai absolut mutlak yang besar menunjukkan bahwa faktor dan variabel berkorelasi
sangat kuat. Koefisien dari matriks faktor bisa dipergunakan untuk menginterpretasikan faktor. Meskipun matriks faktor awal yang belum dirotasi menunjukan hubungan antar faktor
masing-masng variabel, jarang menghasilkan faktor yang bisa diinterpretasikan diambil kesimpulannya, oleh karena faktor-faktor tersebut berkorelasi atau terikat dengan variabel lebih
dari satu. Di dalam melakukan korelasi faktor, kita menginginkan agar setiap faktor mempunyai
muatan atau koefisien yang tidak nol atau yang signifikan atau beberapa variabel saja. Dimana gunanya rotasi adalah untuk mengontrol memeriksa variabel yang belum layak dimasukkan
menjadi layak dimasukkan dalam buat penamaan. Demikian halnya kita juga menginginkan agar setiap variabel mempunyai muatan yang tidak nol atau signifikan dengan beberapa faktor saja,
kalau mungkin dengan satu faktor saja. Kalau terjadi bahwa beberapa faktor mempunyai muatan tinggi dengan variabel yang sama, sangat sulit untuk membuat interpretasi tentang terhadap
seluruh varian dari seluruh variabel asli mengalami perubahan. Ada dua metode rotasi yang berbeda yaitu :
1. Orthogonal rotation, kalau sumbu dipertahankan tegak lurus sesamanya bersudut 90
o
. Metode rotasi yang banyak dipergunakan yaitu variamax prosedur. Karena varimax adalah
solusi awal yang terbaik dimana gamma = 1 yang menunjukkan tingkat kepercayaan yang tinggi. Prosedur ini merupakan metode Orthogonal yang berusaha meminimumkan
membuat sedikit mungkin banyaknya variabel dengan muatan tinggi high loading pada satu faktor, dengan demikian memudahkan pembuatan interpretasi mengenai faktor rotasi
Universitas Sumatera Utara
orthogonal menghasilkan faktor-faktor yang tidak berkorelasi satu sama lain uncorreclated each other antara lain none, equimax, varimax, quartimax, orthomax.
- None adalah pilih tidak untuk melakukan rotasi equimax solusi awal. - Equimax adalah pilih untuk melakukan rotasi equimax solusi awal gamma=jumlah
faktor2. - Varimax adalah pilih untuk melakukan rotasi varimax solusi awal gamma = 1
- Quartimax adalah pilih untuk melakukan rotasi quartimax solusi awal gamma = 0 - Orthomax adalah pilih untuk melakukan rotasi orthomax solusi awal, kemudian
masukkan gamma nilai antara 0 dan 1. 2. Oblique rotation, kalau sumbu tidak dipertahankan harus tegak lurus sesamanya
bersudut 90
o
dan faktor-faktor tidak berkorelasi. Kadang-kadang dengan membolehkan korelasi antar-faktor bisa menyederhanakan matriks faktor pola factor pattern matrix.
Oblique rotation harus dipergunakan kalau faktor dalam populasi berkorelasi sangat kuat Supranto, 2004.
6. Membuat Interpretasi Hasil Rotasi