Melakukan Analisis Komponen Utama Menentukan Rotasi Matrik Faktor Rotated Component Matrix

4.3.2.2 Melakukan Analisis Komponen Utama

Untuk menyarikan variabel-variabel, digunakan metode analisis komponen utama Principal Component Analysis guna menentukan Analisa faktor – faktor yang mempengaruhi menggunakan Kartu Flexi. Analisis faktor ini menggunakan pendekatan analisis komponen utama yang mempertimbangkan variasi total dari data yang diamati. Tujuan analisis adalah menentukan faktor - faktor yang mempengaruhi menggunakan kartu Flexi. Untuk meringkas informasi yang terkandung dalam variabel asal, sejumlah faktor harus disaring. Jumlah faktor yang disaring ini ditentukan oleh nilai eigen dari faktor tersebut. Faktor yang memiliki nilai eigen ≥1 dipertahankan dalam model. Nilai eigen menerangkan besarnya bagian variasi yang disumbangkan oleh faktor tersebut terhadap keseluruhan nilai variasi yang diamati. Tabel 4.12 Total Variance Explained Faktor Nilai Eigen Varians Kumulatif 1 5,448 36,321 36,321 2 1,857 12,380 48,702 3 1,546 10,304 59,006 4 1,146 7,640 66,646 5 1,019 6,794 73,440 Sumber : Lampiran 7 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber Berdasarkan tabel 4.12 diketahui nilai eigen 1 adalah faktor 1 sampai faktor 5. Nilai kumulatif varians untuk kelima faktor tersebut dapat dijelaskan oleh lima faktor sebear 73,440, artinya 15 item dari seluruh variabel tesebut dapat dijelaskan oleh lima faktor sebesar 73,440.

4.3.2.3 Menentukan Rotasi Matrik Faktor Rotated Component Matrix

Hasil analisis faktor adalah matrik faktor. Matrik faktor memuat koefisien yang digunakan untuk menyatakan variabel standar yang disebut faktor. Koefisien faktor loading menerangkan korelasi antara variabel asal dengan faktornya. Nilai korelasi yang besar menyatakan hubungan yang erat antara faktor dan variabel asal sehingga variabel dapat digunakan untuk menafsirkan faktor. Dalam analisis ini digunakan prosedur rotasi varimax yaitu suatu prosedur yang meminimalkan jumlah variabel yang memiliki loading tinggi terhadap faktornya sehingga memudahkan penafsiran. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber Tabel 4.13 Component matrics Component 1 2 3 4 5 X 1 0,525 0,098 0,044 -0,176 0,59 X 2 0,457 0,67 0,471 0,164 0,055 X 3 0,442 0,546 0,567 0,177 0,168 X 4 0,705 -0,213 0,051 0,09 -0,222 X 5 0,669 -0,531 -0,083 0,296 0,08 X 6 0,687 -0,353 0,215 0,161 -0,177 X 7 0,624 -0,086 0,038 0,258 0,018 X 8 0,663 -0,066 0,197 0,109 -0,523 X 9 0,594 0,101 -0,22 -0,618 0,034 X 10 0,589 -0,384 -0,233 0,176 0,369 X 11 0,757 0,14 -0,177 -0,31 -0,072 X 12 0,667 0,07 0,06 -0,462 -0,265 X 13 0,562 -0,08 0,308 -0,142 0,258 X 14 0,519 0,405 -0,599 0,283 0,0023 X 15 0,45 0,537 -0,573 0,229 -0,02 Sumber : Lampiran 7 Setelah diketahui bahwa lima faktor adalah jumlah yang paling optimal, maka tabel komponen matriks, menunjukkan distribusi kelima belas variabel tersebut pada lima faktor yang terbentuk. angka-angka yang terbentuk pada tabel tersebut adalah faktor loading yang menunjukkan besar korelasi antara suatu variabel dengan faktor 1, faktor 2, faktor 3, faktor 4, dan faktor 5. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber Tabel 4.14 Hasil Rotasi Komponen Matrik Component 1 2 3 4 5 X 1 0,073 0,268 0,177 0,031 0,747 X 2 0,111 0,095 0,920 0,199 -0,005 X 3 0,109 0,077 0,907 0,048 0,123 X 4 0,688 0,288 0,055 0,148 0,139 X 5 0,759 0,003 -0,106 0,069 0,482 X 6 0,784 0,168 0,112 -0,051 0,205 X 7 0,546 0,073 0,193 0,225 0,273 X 8 0,762 0,305 0,229 0,071 -0,192 X 9 0,044 0,837 0,020 0,171 0,249 X 10 0,430 0,052 -0,159 0,238 0,668 X 11 0,308 0,681 0,155 0,320 0,196 X 12 0,369 0,768 0,113 0,042 0,036 X 13 0,289 0,291 0,333 -0,130 0,556 X 14 0,160 0,145 0,067 0,902 0,091 X 15 0,039 0,168 0,144 0,906 0,022 Sumber : Lampiran 7 Component matrics hasil proses rotasi memperlihatkan distribusi variabel yang lebih jelas dan nyata. Penjelasan-penjelasan dari tabel diatas adalah : 1. Variabel X 1 : variabel ini masuk faktor 5, karena memiliki loading faktor paling besar 0,747 pada faktor 5 2. Variabel X 2 : variabel ini masuk faktor 3, karena memiliki loading faktor paling besar 0,920 pada faktor 3 3. Variabel X 3 : variabel ini masuk faktor 3, karena memiliki loading faktor paling besar 0,907 pada faktor 3 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber 4. Variabel X 4 : variabel ini masuk faktor 1, karena memiliki loading faktor paling besar 0,688 pada faktor 1 5. Variabel X 5 : variabel ini masuk faktor 1, karena memiliki loading faktor paling besar 0,759 pada faktor 1 6. Variabel X 6 : variabel ini masuk faktor 1, karena memiliki loading faktor paling besar 0,784 pada faktor 1 7. Variabel X 7 : variabel ini masuk faktor 1, karena memiliki loading faktor paling besar 0,546 pada faktor 1 8. Variabel X 8 : variabel ini masuk faktor 1, karena memiliki loading faktor paling besar 0,762 pada faktor 1 9. Variabel X 9 : variabel ini masuk faktor 2, karena memiliki loading faktor paling besar 0,837 pada faktor 2 10.Variabel X 10 : variabel ini masuk faktor 5, karena memiliki loading faktor paling besar 0,668 pada faktor 5 11.Variabel X 11 : variabel ini masuk faktor 2, karena memiliki loading faktor paling besar 0,681 pada faktor 2 12.Variabel X 12 : variabel ini masuk faktor 2, karena memiliki loading faktor paling besar 0,768 pada faktor 2 13.Variabel X 13 : variabel ini masuk faktor 5, karena memiliki loading faktor paling besar 0,556 pada faktor 5 14.Variabel X 14 : variabel ini masuk faktor 4, karena memiliki loading faktor paling besar 0,902 pada faktor 4 15.Variabel X 15 : variabel ini masuk faktor 4, karena memiliki loading faktor paling besar 0,906 pada faktor 4 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber

4.3.2.4 Menentukan Communalities