61
Berdasarkan nilai
eigenvalue keempat
faktorkomponen yang lebih besar dari 1 dan besarnya persentase kumulatif keempat faktor
sebesar 71,868, dapat disimpulkan bahwa keempat
faktor dapat
mewakili keragaman
variabel-variabel asal.
c. Melakukan Rotasi
Setelah mengetahui bahwa faktor maksimal yang bisa terbentuk adalah 4 faktor, langkah
selanjutnya adalah
melakukan penentuan
masing-masing variabel akan masuk ke dalam faktor mana, apakah faktor 1, 2, 3, atau 4.
Matriks faktor berisimemuat koefisien yang
dipergunakan untuk
mengekspresikan variabel yang dinyatakan dalam faktor factor
loading. Faktor loading merupakan korelasi dari variabel dan faktor. Variabel akan menjadi
bagian dari sebuah faktor apabila memiliki nilai berkorelasi 0,50 atau lebih untuk dapat dianggap
signifikan. Semakin besar nilai korelasi, semakin penting loading menginterpretasikan matriks
faktor.
62
Tabel 4.7 Rotasi Faktor
S u
m b
e S
u m
b e
r :
O u
t p
u t
S P
S u
m b
e sumber: Output SPSS
Tabel Rotated Component Matrix di atas menjelaskan bahwa:
Rotated Component Matrix
a
Component 1
2 3
4 item_6
,858 ,271
-,068 ,089
item_8 ,830
,156 ,090
-,048 item_7
,792 ,307
,177 -,070
item_5 ,633
,090 ,250
,307 item_21
,600 ,275
,573 ,119
item_15 ,251
,824 -,050
,069 item_12 -,124
,767 ,484
-,048 item_13
,415 ,724
,028 -,027
item_17 ,523
,611 ,151
,012 item_11
,025 -,041
-,881 ,126
item_10 -,443 -,114
-,586 -,400
item_22 ,539
,108 ,571
,172 item_1
,239 ,055
,140 ,735
item_24 ,412
,118 ,282
-,639 Extraction Method: Principal Component
Analysis. Rotation Method: Varimax with Kaiser
Normalization.
a
a. Rotation converged in 9 iterations.
63
1. item_6 0,858, item_8 0,830, item_70,792,
item_5 0,633, item_21 0,600, item_17 0,523, dan item_22 0,539 memiliki korelasi
yang kuat dengan faktor 1. 2.
item_15 0,824, item_12 0,767, item_13 0,724, dan item_17 0,611 memiliki korelasi
yang kuat dengan faktor 2. 3.
item_21 0,573, item_11 -0,881, item_10 - 0,586, dan item_22 0,571 memiliki korelasi
yang kuat dengan faktor 3. Tanda negatif - menunjukkan arah korelasi.
4. item_1 0,735 dan item_24 -0,639 memiliki
korelasi yang kuat dengan faktor 4. Dari tabel di atas terlihat item_17, item_21,
dan item_22 termuat dalam lebih dari satu faktor, untuk itu item-item tersebut harus
dihapus dan item yang tersisa dirotasi ulang. Karena dirotasi ulang dengan item yang berbeda,
maka terdapat beberapa nilai yang berubah dari beberapa tabel. Hasilnya adalah sebagai berikut:
Tabel 4.8 Komunalitas uji ulang
Communalities
Initial Extraction item_1
1,000 ,668
item_5 1,000
,615 item_6
1,000 ,838
64
item_7 1,000
,774 item_8
1,000 ,727
item_10 1,000
,735 item_11
1,000 ,860
item_12 1,000
,878 item_13
1,000 ,633
item_15 1,000
,821 item_24
1,000 ,709
Extraction Method: Principal Component Analysis.
Sumber: Output SPSS
Semua item, setelah dirotasi ulang dengan menghilangkan item_17, item_21, dan item_22,
masih tetap memiliki nilai 50, oleh karenanya dapat disimpulkan bahwa semua item memiliki
kontribusi yang besar terhadap faktor yang terbentuk. Jumlah item yang tersisa setelah
rotasi ulang adalah 11 item, yaitu item 1, 5, 6, 7, 8, 10, 11, 12, 13, 15, dan 24.
65
Tabel 4.9 Faktor yang Terbentuk uji ulang
Total Variance Explained
Component Initial Eigenvalues
Extraction Sums of Squared Loadings
Rotation Sums of Squared Loadings
Total of
Variance Cumulative
Total of
Variance Cumulative
Total of
Variance Cumulative
1 4,354
39,581 39,581 4,354
39,581 39,581 3,187
28,975 28,975
2 1,456
13,235 52,817 1,456
13,235 52,817 1,958
17,799 46,773
3 1,343
12,211 65,028 1,343
12,211 65,028 1,557
14,155 60,928
4 1,104
10,033 75,061 1,104
10,033 75,061 1,555
14,132 75,061
5 ,717
6,522 81,582
6 ,663
6,030 87,612
7 ,496
4,510 92,122
8 ,282
2,563 94,685
9 ,245
2,227 96,912
10 ,186
1,687 98,599
11 ,154
1,401 100,000
Extraction Method: Principal Component Analysis. Sumber: Output SPSS
66
Setelah rotasi ulang dengan menghilangkan item_17, item_21, dan item_22, maka berdasarkan nilai eigenvalue
keempat faktorkomponen yang lebih besar dari 1 dan besarnya persentase kumulatif keempat faktor sebesar 75,061, dapat
disimpulkan bahwa keempat faktor dapat mewakili keragaman item-item asal.
Tabel 4.10 Rotasi Faktor uji ulang
Sumber: Output SPSS
Setelah dilakukan rotasi ulang dengan menghilangkan item_17, item_21, dan item_22, maka factor loading yang
terbentuk adalah sebagai berikut: 1.
item_5, item_6, item_7, item_8, dan item_24 memiliki korelasi yang kuat dengan faktor 1.
Rotated Component Matrix
a
Component 1
2 3
4 item_1
,121 ,042
,807 ,006
item_5 ,585
,070 ,490
-,167 item_6
,853 ,214
,226 ,116
item_7 ,817
,269 ,116
-,147 item_8
,834 ,128
,113 -,040
item_10 -,370
-,127 -,615
,451 item_11
-,009 -,062
-,123 ,917
item_12 -,052
,816 ,038
-,455 item_13
,465 ,642
,057 -,028
item_15 ,294
,845 ,062
,131 item_24
,545 ,068
-,432 -,470
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser
Normalization. a. Rotation converged in 8 iterations.
67
2. item_12, item_13, dan item_15 memiliki korelasi yang
kuat dengan faktor 2. 3.
item_1 dan item_10 memiliki korelasi yang kuat dengan faktor 3.
4. item_11 memiliki korelasi yang kuat dengan faktor 4.
Hasil ini menunjukkan empat faktor dengan muatan masing-masing dan sudah tidak ada item yang termuat di dalam
lebih dari satu faktor.
Tabel 4.11 Matriks Transformasi Faktor
Tabel Component Tranformation Matrix di atas berfungsi untuk menunjukkan apakah faktor-faktor yang terbentuk sudah
tidak memiliki korelasi lagi satu sama lain. Nilai-nilai korelasi tersebut harus berada di atas 0,5. Nilai faktor 1 sebesar 0,788;
nilai faktor 2 sebesar -0,512; faktor 3 sebesar -0,690; dan faktor 4 sebesar 0,411. Tanda negatif - menunjukkan arah korelasi.
d. Memberi Nama Faktor