faktor sebagai sumbu horizontal. Bentuk kurva atau plotnya dipergunakan untuk menentukan banyaknya faktor.
Jika tabel total varians menjelaskan dasar jumlah faktor yang diperoleh dengan perhitungan angka, maka scree plot memperlihatkan hal tersebut dengan grafik. Terlihat
bahwa dari satu ke dua faktor garis dari sumbu Component 1 ke 2, arah garis cukup menurun tajam. Kemudian dari 2 ke 3 garis juga menurun. Pada faktor 4 sudah di
bawah angka 1 dari sumbu eigenvalue. Hal ini menunjukkan bahwa ada 3 faktor yang mempengaruhi kepadatan penduduk, yang dapat diekstraksi berdasarkan scree plot.
Gambar 3.1 Scree Plot
3.8.4 Melakukan Rotasi Faktor
Output terpenting dalam analisis faktor adalah Matriks Faktor atau yang disebut juga dengan Komponen Matriks. Matriks faktor memuat koefisien yang dipergunakan untuk
mengekspresikan variabel yang dibakukan dinyatakan dalam faktor. Koefisien ini merupakan factor loading, mewakili koefisien korelasi antara faktor dengan variabel.
Koefisien dengan nilai mutlak absolute yang besar menunjukkan bahwa faktor dan variabel sangat terkait. Koefisien dari matriks faktor dapat dipergunakan untuk
Universitas Sumatera Utara
menginterpretasi faktor. Matriks faktor atau matriks komponen dapat dilihat sebagai berikut :
Tabel 3.17 Matriks Faktor
a
Sebelum Dirotasi
Faktor Komponen
1 2
3 X
1
0,320 0,716
0,276 X
2
0,505 0,499
-0,001 X
3
0,388 0,014
0,580 X
4
0,692 0,035
-0,253 X
5
0,239 0,702
-0,189 X
6
0,682 -0,145
-0,495 X
7
0,683 0,260
0,118 X
8
0,697 -0,258
0,141 X
9
0,437 -0,126
-0,479 X
10
0,524 -0,479
0,227 X
11
0,723 -0,375
0,217
Walaupun matriks faktor atau matriks komponen awal sebelum dirotasi menunjukkan hubungan antara faktor komponen dengan variabel secara individu,
akan tetapi masih sulit diambil kesimpulannya tentang banyaknya faktor yang dapat diekstraksi. Hal ini disebabkan karena faktor komponen berkorelasi dengan banyak
variabel lainnya atau sebaliknya variabel tertentu masih berkorelasi dengan banyak fakor. Sehingga dalam keadaan ini terkadang membuat peneliti kesulitan dalam
penentuan suatu variabel kedalam suatu faktor. Misalkan Matriks Faktor sebelum dirotasi diatas dapat dilihat bahwa F
1
memiliki korelasi kuat dengan 9 variabel, yakni X
1
, X
2
, X
3
, X
4
, X
6
, X
7
, X
8
X
9
, X
10
, X
11
sementara F
2
memiliki korelasi kuat dengan X
1
, X
2
, X
5
dan F
3
memiliki korelasi kuat dengan X
3
. Korelasi dianggap cukup kuat jika koefisien korelasi yang diwaliki factor loading mempunyai nilai lebih besar dari 0,30. Juga variabel berkorelasi dengan banyak
Universitas Sumatera Utara
faktor, seperti variabel X
1
berkorelasi dengan faktor 1 dan 2; variabel X
2
berkorelasi dengan faktor 1 dan 2, variabel X
3
berkorelasi dengan faktor 1 dan 3, situasi seperti ini membuat kesimpulan mengenai banyaknya faktor yang diekstraksi dari variabel
menjadi sulit.
Untuk mengatasi hal tersebut dapat dilakukan proses rotasi pada faktor yang terbentuk agar memperjelas posisi sebuah variabel, akankah dimasukkan pada faktor
yang satu ataukah ke faktor lainnya. Beberapa metode rotasi yang bisa digunakan adalah orthogonal rotation, varimax rotation, dan oblique rotation.
Orthogonal rotation adalah kalau dipertahankan tegak lurus sesamanya bersudut 90 derajat. Yang paling banyak digunakan adalah varimax rotation, yaitu
rotasi orthogonal dengan meminimumkan banyaknya variabel yang memiliki loading tinggi pada sebuah faktor, sehingga lebih mudah mengiterpretasi faktor. Rotasi
orthogonal menghasilkan faktor-faktor yang tidak berkorelasi. Oblique rotation adalah jika sumbu-sumbu tidak dipertahankan harus tegak lurus sesamanya bersudut 90
derajat dan faktor-faktor berkorelasi. Oblique rotation harus dipergunakan kalau faktor dalam populasi berkorelasi sangat kuat.
Proses rotasi terhadap faktor pada penelitian ini menggunakan metode varimax rotation. Dan hasil rotasi terhadap dapat dilihat pada matriks faktor setelah dirotasi
dibawah ini :
Universitas Sumatera Utara
Tabel 3.18 Matriks Faktor
a
Setelah Dirotasi Faktor Komponen
1 2
3 X
1
0,080 0,814
-0,152 X
2
0,128 0,665
0,214 X
3
0,607 0,260
-0,226 X
4
0,297 0,300
0,604 X
5
-0,251 0,703
0,167 X
6
0,220 0,104
0,819 X
7
0,422 0,546
0,268 X
8
0,664 0,095
0,350 X
9
0,057 0,016
0,658 X
10
0,693 -0,166
0,219 X
11
0,777 0,013
0,326
Tujuan dilakukan rotasi adalah untuk memperlihatkan distribusi variabel yang lebih jelas dan nyata. Dapat dilihat perbedaan antara matriks faktor sebelum dirotasi
dengan matriks faktor setelah dirotasi.
3.8.5 Interpretasi Faktor