59 Nilai eigenvalue menggambarkan kepentingan relatif masing-masing faktor
dalam menghitung varians dari delapan variabel yang dianalisis, dan susunan eigenvalue selalu diurutkan dari yang terbesar sampai terkecil, dengan kriteria bahwa
angka eigenvalue di bawah 1 tidak digunakan dalam menghitung jumlah faktor yang terbentuk.
Tabel 4.11. Total Variance Explained
Komponen Angka Eigenvalues
Total Varians
Kumulatif
1 2.080
41,603 41,603
2 1.092
21,843 63,445
3 0.749
14,975 78,420
4 0.646
12,919 91,330
5 0.433
8,661 100,000
Pada tabel 4.11 terlihat bahwa angka eigenvalue faktor 3 sampai faktor 6 sudah dibawah 1, maka dalam penelitian ini hanya 2 faktor yang terbentuk yang dapat
dilihat pada angka eigenvalue yaitu faktor 1 dan faktor 2.
3. Scree Plot
Scree plot merupakan hubungan antara banyaknya faktor yang terbentuk dengan nilai eigenvalue dalam bentuk grafik. Pada sumbu x component number
faktor 3 sudah di bawah 1 dari sumbu y angka eigenvalue. Hal ini menunjukkan bahwa 2 faktor adalah paling bagus untuk meringkas delapan variabel. Dapat dilihat
grafik 4.1 di bawah ini.
Universitas Sumatera Utara
60
4. Component Matrix
Tabel 4.12. Component Matrix
Variabel Component
1 2
Pengetahuan 0.621
-0.460 Sikap
0.644 -0.091
Dukungan suamikeluarga 0.607
0.633 Dukungan tenaga kesehatan
0.788 0.352
Ekonomi -0.530
0.589 Tabel di atas menunjukkan nilai korelasi antara suatu variabel dengan 2 faktor
yang terbentuk. Sedangkan angka-angka yang ada pada label tersebut adalah faktor loading, yang menunjukkan besar kolerasi antara suatu variabel dengan faktor 1 atau
faktor 2. Proses penentuan variabel mana yang akan masuk ke dalam faktor yang mana dilakukan dengan melakukan perbandingan besar kolerasi pada setiap baris.
Component Number
5 4
3 2
1
Ei genv
alu e
2.0
1.5
1.0
0.5
Scree Plot
Universitas Sumatera Utara
61 Oleh karena itu, ada variabel seperti variabel ekonomi ibu PUS yang belum
jelas akan dimasukkan faktor 1 atau 2, perlu dilakukan proses rotasi agar semakin jelas perbedaan sebuah variabel akan dimasukkan ke dalam faktor 1 atau 2. Karena
distribusi kurang menyebar pada faktor 1 dan faktor 2 maka perlu dilakukan rotasi faktor Rotated Component Matrix.
5. Rotated Component Matrix
Component Matrix hasil dari proses rotasi Rotated Component Matrix memperlihatkan distribusi variabel yang lebih jelas dan nyata. Terlihat bahwa faktor
yang dulunya kecil semakin diperkecil, dan faktor loading yang besar semakin diperbesar.
Metode yang digunakan untuk melakukan rotasi pada penelitian ini adalah metode Varimax yaitu suatu metode orthogonal yang berusaha membuat sedikit
mungkin variabel dengan muatan tinggi high loading pada satu faktor.
Tabel 4.13. Rotated Component Matrix
Variabel Component
1 2
Pengetahuan 0.138
0.760 Sikap
0.408 0.507
Dukungan suami 0.876
0.47 Dukungan tenaga kesehatan
0.815 0.202
Ekonomi 0.10
0.799 Dari hasil analisis faktor yang telah dilakukan, maka hasil akhir adalah :
1. Variabel pengetahuan, variabel ini termasuk faktor 2, karena faktor loading dengan faktor 2 paling besar 0,760.
Universitas Sumatera Utara
62 2. Variabel sikap, variabel ini termasuk faktor 2, karena faktor loading dengan
faktor 2 paling besar 0,507. 3. Variabel dukungan suami, variabel ini termasuk faktor 2, karena faktor loading
dengan faktor 1 paling besar 0,876. 4. Variabel dukungan tenaga kesehatan, variabel ini termasuk faktor 2, karena
faktor loading dengan faktor 1 paling besar 0,815. Dengan demikian, enam variabel telah direduksi menjadi 2 dua faktor, yaitu:
1. Faktor 1 : dukungan suami, dukungan tenaga kesehatan. 2. Faktor 2 : pengetahuan, sikap, ekonomi.
4.3.3 Component Transformasion Matrix