Rotasi Faktor Perhitungan Analisis Faktor

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