40
3.2.4 Rotasi Faktor
Bagian terpenting dari analisis faktor adalah matrix factor atau disebut juga komponen matriks. Untuk mengetahui variabel mana yang dapat dimasukkan ke
dalam faktor 1, 2, 3 atau 4 maka dilakukan uji kelayakan dengan menggunakan komponen matriks. Matrix factor berisi koefisien yang digunakan untuk
mengekspresikan variabel yang dibakukan dinyatakan dalam faktor. Koefisien ini merupakan factor loading yang mewakili koefisien antara faktor dengan variabel.
Matrix factor atau komponen matriks awal dapat dilihat pada Tabel 3.8 berikut: Tabel 3.8 Matrix factor
a
Sebelum Rotasi
Variabel Component
1 2
3 4
X
1
0,454 -0,644
0,120 0,096
X
2
0,771 -0,286
-0,024 -0,131
X
3
0,599 -0,150
-0,327 0,024
X
4
0,270 0,195
-0,120 0,877
X
5
0,101 -0,032
0,845 -0,147
X
6
0,204 0,799
-0,061 -0,216
X
7
0,535 0,328
0,488 0,275
X
8
0,714 0,133
0,081 -0,113
X
9
0,691 0,173
-0,288 -0,291
Pada rotasi faktor, matriks faktor ditransformasikan ke dalam matriks yang lebih sederhana, sehingga lebih mudah dalam mengimplementasikannya. Dalam
analisis ini rotasi faktor dilakukan dengan metode varimax rotation, yaitu rotasi orthogonal dengan meminimumkan banyaknya variabel yang memiliki loading
tinggi pada sebuah faktor, sehingga lebih mudah menginterpretasikannya. Rotasi orthogonal menghasilkan faktor-faktor yang tidak berkorelasi. Matrix factor yang
dirotasi membentuk dasar untuk menginterpretasikan faktor atau komponen yaitu berapa banyaknya faktor yang harus diekstraksidisarikan dari variabel asli.
41 Tabel 3.9 Rotated Component Matrix
a
Setelah Rotasi Variabel
Component 1
2 3
4 X
1
0,408 -0,673
0,154 0,045
X
2
0,775 -0,266
0,149 0,007
X
3
0,645 -0,131
-0,175 0,159
X
4
0,047 -0,019
-0,054 0,943
X
5
-0,083 -0,100
0,837 -0,171
X
6
0,210 0,822
0,098 0,042
X
7
0,282 0,173
0,635 0,441
X
8
0,664 0,122
0,284 0,101
X
9
0,779 0,249
-0,064 -0,039
Extraction Method: Principal Component Analysis
Setelah diketahui empat faktor adalah jumlah yang paling optimal, Tabel 3.9 merupakan hasil rotasi yang memperlihatkan distribusi variabel yang lebih
jelas dan nyata. Untuk melihat variabel mana yang akan dimasukkan kedalam faktor 1, 2, 3 dan 4 dengan melihat nilai factor loading tertinggi pada tiap baris
faktor. Variabel pencurian dengan kekerasan X
1
masuk ke faktor 1 karena memiliki nilai factor loading tertinggi 0,408. Variabel perusakan X
5
masuk ke dalam faktor 3 karena memiliki nilai factor loading tertinggi 0,837. Variabel
pembunuhan X
6
masuk ke dalam faktor 2 karena memiliki nilai factor loading tertinggi 0,822, demikian seterusnya sehingga diperoleh 3 faktor dengan masing-
masing variabel yang termasuk didalamnya.
42 Tabel 3.10 Korelasi antara Variabel Sebelum dan Setelah Dirotasi
Variabel Korelasi antara
variabel Faktor
Faktor akhir variabel
Sebelum rotasi
Sesudah rotasi
Sebelum rotasi
Sesudah rotasi
X
1
0,454 0,408
1 1
1 X
2
0,771 0,775
1 1
1 X
3
0,599 0,645
1 1
1 X
4
0,270 0,047
4 4
4 X
5
0,101 -0,083
3 3
3 X
6
0,204 0,210
2 2
2 X
7
0,535 0,282
1 3
3 X
8
0,714 0,664
1 1
1 X
9
0,691 0,779
1 1
1
3.2.5 Interpretasi Faktor