107 15. Untuk variabel Memiliki hubungan baik dengan rekan kerja sebesar
0,730. Ini berati 73,0 varian dari variabel Memiliki hubungan baik dengan rekan kerja dapat dijelaskan oleh faktor yang terbentuk.
16. Untuk variabel Merawat peralatan kantor sebesar 0,891. Ini berati 89,1 varian dari variabel Merawat peralatan kantor dapat dijelaskan
oleh faktor yang terbentuk 17. Untuk variabel Melaksanakan pekerjaan sesuai rencana kerja yang
ditetapkan sebesar 0,587. Ini berati 58,7 varian dari Melaksanakan pekerjaan sesuai rencana kerja yang ditetapkan dapat dijelaskan oleh
faktor yang terbentuk 18. Untuk variabel Memberikan keterangan jika tidak hadir sebesar 0,643.
Ini berati 64,3 varian dari variabel Memberikan keterangan jika tidak hadir dapat dijelaskan oleh faktor yang terbentuk
d. Pembentukan nilai faktor
Dalam penelitian ini, untuk menentukan jumlah faktor menggunakan nilai eigen values dengan kriteria bahwa angka eigen
values 1 tidak digunakan dalam menghitung jumlah faktor yang terbentuk. Guna menentukan seberapa banyak faktor yang mungkin
terbentuk dapat dilihat pada tabel Total Variance Explained 4.11
108
Tabel 4.15
Sumber: Output SPSS dari Data primer yang telah diolah, 2016
Dari tabel di atas, terlihat bahwa terdapat 3 faktor yang terbentuk. Jika angka eigen value 1 maka tidak dapat digunakan
pembentukan faktor. Karena komponen 1 sampai dengan komponen 3 memiliki angka eigen value 1, maka proses factoring hanya sampai 3
faktor. Jika diteruskan sampai faktor berikutnya, nilai eigen value sudah kurang dari 1 yaitu 0,
856
. Jadi hasil reduksi 18 variabel yang ada 3 faktor yang terbentuk.
Total Variance Explained
Comp onent
Initial Eigenvalues Extraction Sums of Squared
Loadings Rotation Sums of Squared Loadings
Total of
Varianc e
Cumulati ve
Total of
Variance Cumulative
Total of Variance
Cumulative
1 8,967
49,815 49,815
8,967 49,815
49,815 5,398
29,989 29,989
2 1,870
10,391 60,206
1,870 10,391
60,206 4,265
23,692 53,681
3 1,683
9,352 69,558
1,683 9,352
69,558 2,858
15,877 69,558
4 ,858
4,766 74,324
5 ,776
4,311 78,635
6 ,695
3,860 82,495
7 ,646
3,590 86,085
8 ,578
3,210 89,294
9 ,469
2,608 91,902
10 ,426
2,364 94,267
11 ,262
1,453 95,720
12 ,228
1,264 96,984
13 ,197
1,096 98,080
14 ,127
,705 98,785
15 ,098
,547 99,332
16 ,060
,334 99,667
17 ,036
,202 99,868
18 ,024
,132 100,000
Extraction Method: Principal Component Analysis.
109 Dari Total Variance Explained terlihat bahwa nilai varians
faktor ke-1 adalah 49,815; faktor ke-2 adalah 10,391; faktor ke-3 adalah 9,352. Total ke 3 faktor tersebut bisa menjelaskan 69,558
variabilitas dari 18 variabel.
e. Interpretasi faktor
Setelah terbentuk faktor, maka tahapan selanjutnya adalah menginterpretasikan faktor-faktor yang terbentuk. Dalam penelitian ini,
akan dilakukan interpretasi terhadap 3 faktor yang terbentuk. Ke 3 faktor ini terbentuk dari mereduksi
variabel-variabel indikator yang
berpengaruh terhadap Kinerja pegawai. Interpretasi ini didasarkan pada nilai loading masing-masing
variabel pada faktor yang terbentuk. Karena dari komponen 1 sampai komponen 3 angka eigen value 1 maka proses factoring hanya sampai
3 faktor. Jika diteruskan sampai faktor berikutnya angka eigen value sudah kurang dari 1
110
Tabel 4.16
Component Matrix
a
Component 1
2 3
VAR00004 ,836
-,116 -,013
VAR00023 ,830
-,165 ,121
VAR00011 ,818
,011 -,179
VAR00008 ,813
-,071 -,251
VAR00007 ,802
-,286 -,301
VAR00006 ,730
-,112 ,098
VAR00014 ,730
-,349 -,296
VAR00015 ,729
-,481 ,064
VAR00030 ,725
-,027 -,341
VAR00010 ,724
-,180 ,195
VAR00019 ,671
,082 ,486
VAR00022 ,640
,208 ,366
VAR00027 ,637
-,088 ,416
VAR00001 ,595
-,010 ,482
VAR00020 ,594
,716 -,154
VAR00026 ,643
,643 -,254
VAR00013 ,532
,583 ,265
VAR00009 ,536
,138 -,542
Extraction Method: Principal Component Analysis. a. 3 components extracted.
Setelah diketahui bahwa 3 faktor adalah jumlah yang paling optimal, maka tabel component matrix menunjukan distribusi ke 18
variabel tersebut pada 3 faktor yang terbentuk. Sedangkan angka-angka yang ada pada tabel tersebut adalah nilai loading yang menunjukan
besarnya korelasi antara suatu variabel dengan faktor 1, faktor 2, dan faktor 3.
Setelah mengetahui nilai loading pada tabel component matrix maka dilakukan rotasi faktor. Rotasi ini dilakuan dengan tujuan untuk
111 mendapatkan tampilan data yang jelas dari nilai loading untuk masing-
masing variabel pada faktor yang ada. Nilai loading untuk masing- masing variabel terhadap faktor-faktor yang ada, dapat dilihat pada tabel
rotated component matrix dibawah ini. Interpretasi ini didasarkan pada nilai loading terbesar dari masing-masing variabel terhadap faktor-faktor
yang ada. Jadi suatu variabel akan masuk kedalam faktor yang memiliki nilai loading terbesar setelah dilakukan perbandingan besar koreasi pada
setiap baris.
Tabel 4.17
Rotated Component Matrix
a
Component 1
2 3
VAR00007 ,861
,253 ,106
VAR00014 ,833
,218 ,020
VAR00008 ,749
,287 ,293
VAR00030 ,718
,160 ,319
VAR00015 ,687
,514 -,175
VAR00011 ,677
,343 ,354
VAR00004 ,651
,494 ,211
VAR00009 ,626
-,124 ,439
VAR00019 ,170
,784 ,223
VAR00001 ,157
,741 ,113
VAR00027 ,258
,718 ,072
VAR00022 ,162
,661 ,351
VAR00023 ,592
,601 ,137
VAR00010 ,482
,598 ,068
VAR00006 ,512
,520 ,152
VAR00020 ,204
,187 ,902
VAR00026 ,326
,140 ,875
VAR00013 -,018
,494 ,670
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalizati
112 Component matrix hasil proses rotasi rotated component
matrix memperlihatkan distribusi variabel yang lebih jelas dan nyata. Berdasarkan pada tabel di atas, model faktor yang diperoleh yakni
dengan cara mengambil variabel yang memiliki koefisien terbesar yang terdapat pada masing-masing faktor, kemudian diperoleh beberapa
variabel yang mendominasi masing-masing faktor.
f. Penamaan faktor
