43
43
sebesar 69,917, artinya ekstraksi faktor sudah dapat dihentikan sebanyak 4
faktor.
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
0,182 0,271
0,589 0,606
X
2
0,172 0,760
0,326 -0,165
X
3
0,703 -0,384
-0,122 -0,046
X
4
0,474 -0,484
0,389 0,416
X
5
-0,042 0,496
-0,463 0,374
X
6
0,266 0,567
-0,303 0,222
X
7
0,658 0,008
-0,385 -0,060
X
8
0,341 0,302
0,499 -0,527
X
9
0,896 0,091
-0,131 -0,078
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
Universitas Sumatera Utara
44
44
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 diekstraksi dari variabel asli.
Tabel 3.9 RotatedComponentMatrix
a
Sesudah Rotasi Variabel
Component 1
2 3
4 X
1
-0,125 0,170
0,218 0,854
X
2
-0,081 0,327
0,785 0,108
X
3
0,773 -0,203
-0,106 0,092
X
4
0,384 -0,349
-0,200 0,688
X
5
-0,046 0,765
-0,119 -0,034
X
6
0,193 0,684
0,164 0,035
X
7
0,727 0,212
0,005 -0,103
X
8
0,159 -0,248
0,805 0,005
X
9
0,857 0,147
0,259 0,103
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 hujan X
1
masuk ke faktor 4 karena memiliki nilai factor loading tertinggi 0,854. Variabel rem tidak berfungsi X
5
masuk ke dalam faktor 2 karena memiliki nilai factor loading tertinggi 0,765. Variabel mengantuk X
8
masuk ke dalam faktor 3 karena memiliki nilai factor loading tertinggi 0,805. Variable tidak tertib X
9
masuk ke dalam faktor 1 karena memiliki nilai factor loading tertinggi 0,857, demikian seterusnya sehingga diperoleh 4 faktor dengan
masing-masing variabel yang termasuk didalamnya.
Universitas Sumatera Utara
45
45
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
0,182
-0,125 4
4 4
X
2
0,172
-0,081 2
3 3
X
3
0,703
0,773 1
1 1
X
4
0,474
0,384 1
4 4
X
5
-0,042
-0,046 2
2 2
X
6
0,266
0,193 2
2 2
X
7
0,658
0,727 1
1 1
X
8
0,341
0,159 3
3 3
X
9
0,896
0,857 1
1 1
3.2.5 Interpretasi Faktor
Kategori