Menentukan Banyaknya Faktor Analisis Data

47

3.5.3 Menentukan Banyaknya Faktor

Penentuan banyaknya faktor yang dilakukan dalam analisis faktor maksudnya adalah mencari variabel terakhir yang disebut faktor yang saling tidak berkorelasi, bebas satu sama lainnya, lebih sedikit jumlahnya daripada variabel awal akan tetapi dapat menyerap sebagian besar informasi yang terkandung dalam variabel awal atau yang dapat memberikan sumbangan terhadap varians seluruh variabel. Ada beberapa prosedur yang dapat dipergunakan dalam menentukan banyaknya faktor, antara lain adalah sebgai berikut : 1. Dilihat dari Intial Eigen Value Total Untuk menentukan banyaknya faktor dari initial values dilihat dengan metode pendekatan, hanya faktor dengan eigen value lebih besar dari satu yang dipertahankan, jika lebih kecil dari satu, faktornya tidak diikutsertakan dalam model. Suatu eigen value menunjukkan besarnya sumbangan dari faktor terhadap varians seluruh variabel asli. Berdasarkan tabel 3.14 ternyata diperoleh banyaknya faktor yang mempengaruhi nasabah menggunakan jasa asuransi ekspor indonesia menurut persepsi nasabah atau asumsi responden adalah 2, karena ada 2 faktor atau komponen yang eigen valuenya lebih dari 1, 0 yaitu faktor 1 dengan eigen value 4,562 dan faktor 2 dengan eigen value 1,399. Berdasarkan tabel 3.15 dapat diketahui bahwa besarnya sumbangan yang diberikan dari masing-masing faktor terhadap varians seluruh variabel asli.Faktor 1 memberikan sumbangan varians sebesar 57,029 dan faktor 2 sebesar 17,488 . Sehingga total sumbangan varians dari kedua faktor tersebut adalah 74,517 . 2. Menentukan Banyaknya Faktor dengan Scree Plot Suatu Scree Plot adalah plot dari eigen value melawan banyaknya faktor yang bertujuan untuk melakukan ekstraksi agar diperoleh jumlah faktor. Scree plot berupa suatu kurva yang diperoleh dengan memplot eigen value sebagai sumbu vertikal dan banyaknya faktor sebagai sumbu horizontal. Bentuk kurva atau plotnya dipergunakan untuk menentukan banyaknya faktor. Jika tabel total varians menjelaskan dasar jumlah faktor yang di dapat dengan perhitungan angka, maka scree plot memperlihatkan hal tersebut dengan grafik. Terlihat 48 bahwa dari satu ke dua faktor garis dari sumbu componet 1 ke 2, arah garis cukup menurun tajam. Kemudian dari 2 ke 3 garis juga menurun. Pada faktor 3 sudah dibawah angka 1 dari sumbu eigen value. Hal ini menunjukkan bahwa ada 2 faktor yang mempengaruhi nasabah untuk menggunakan Asuransi ASEI, yang dapat di ekstraksi berdasarkan scree plot. Gambar 3.1 Scree Plot 3.5.4 Melakukan Rotasi Faktor Output terpenting dalam analisis faktor adalah Matriks Faktor atau yang disebut juga dengan Komponen Matriks.Matriks faktor memuat koefisien yang dipergunakan untuk mengekspresikan variabel yang dibakukan dinyatakan dalam faktor.Koefisien ini merupakan factor loading, mewakili koefisien korelasi antara faktor dengan variabel.Koefisien dengan nilai mutlak absolute yang besar menunjukkan bahwa faktor dan variabel sangat terkait.Koefisien dari matriks faktor dapat dipergunakan untuk menginterpretasi faktor. Matriks faktor atau matriks komponen dapat dilihat sebagai berikut Tabel 3.16 Matriks Faktor Sebelum Dirotasi Component Matrix a Component 1 2 3 X1 ,896 -,293 -,185 X4 ,872 -,289 -,166 X6 ,853 -,059 -,299 49 X7 ,838 -,266 -,197 X2 ,703 -,094 ,558 X5 ,670 ,022 ,644 X3 ,510 ,788 -,129 X8 ,604 ,725 -,046 Walaupun matriks faktor atau matriks komponen awal sebelum dirotasi menunjukkan hubungan antara faktor komponen dengan variabel secara individu, akan tetapi masih sulit diambil kesimpulannya tentang banyaknya faktor yang dapat diekstraksi. Hal ini disebabkan karena faktor komponen berkorelasi dengan banyak variabel lainnya atau sebaliknya variabel tertentu masih berkorelasi dengan banyak fakor. Sehingga dalam keadaan ini terkadang membuat peneliti kesulitan dalam penentuan suatu variabel kedalam suatu faktor. Misalkan matriks faktor sebelum dirotasi diatas dapat dilihat bahwa F ₁ memiliki korelasi kuat dengan 8 variabel, yakni X ₁, X₂, X₃, X₄, X₅, X₆, X₇, X₈ sedangkan F₂ memiliki korelasi kuat dengan X ₃, X₈ dan F₃ memiliki koreasi kuat dengan X₂ dan X₅. Korelasi dianggap cukup kuat jika koefisien korelasi yang diwakili factor loadingmempunyai nilai lebih besar dari 0,30. Juga variabel berkorelasi dengan banyak faktor, seperti variabel X ₁ berkorelasi dengan faktor 1, variabel X ₂ berkorelasi dengan faktor 1 dan 3, variabel X₃ berkorelasi dengan faktor 1 dan 2, variabel X ₈ berkorelasi dengan faktor 1 dan 2. Situasi seperti ini membuat kesimpulan mengenai banyaknya faktor yang di ekstraksi dari variabel menjadi sulit. Untuk mengatasi hal tersebut dapat dilakukan proses rotasi pada faktor yang terbentuk agar memperjelas posisi sebuah variabel, akankah dimasukkan pada faktor yang satu ataukah ke faktor lainnya. Beberapa metode rotasi yang bisa digunakan adalah orthogonal rotation, varimax rotation, dan oblique rotation. Orthogonal rotation adalah kalau dipertahankan tegak lurus sesamanya bersudut 90 derajat. Yang paling banyak digunakan adalah varimax rotation, yaitu rotasi orthogonal dengan meminimumkan banyaknya variabel yang memiliki loading tinggi pada sebuah faktor, sehingga lebih mudah mengiterpretasi faktor. Rotasi orthogonal menghasilkan faktor- faktor yang tidak berkorelasi. Oblique rotation adalah jika sumbu-sumbu tidak dipertahankan 50 harus tegak lurus sesamanya bersudut 90 derajat dan faktor-faktor berkorelasi. Oblique rotation harus dipergunakan kalau faktor dalam populasi berkorelasi sangat kuat. Proses rotasi terhadap faktor pada penelitian ini menggunakan metode varimax rotation. Dan hasil rotasi terhadap dapat dilihat pada matriks faktor setelah dirotasi dibawah ini. Tabel 3.17 Matriks Faktor Setelah Dirotasi Rotated Component Matrix a Component 1 2 3 X1 ,913 ,112 ,278 X4 ,884 ,103 ,284 X7 ,861 ,115 ,239 X6 ,833 ,324 ,144 X3 ,135 ,934 ,081 X8 ,197 ,901 ,202 X5 ,229 ,187 ,881 X2 ,342 ,107 ,828 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 5 iterations. Tujuan dilakukan rotasi adalah untuk memperlihatkan distribusi variabel yang lebih jelas dan nyata.Dapat dilihat perbedaan antara matriks faktor sebelum dirotasi dengan matriks faktor setelah dirotasi.

3.5.5 Interpretasi Faktor