Gambar 4.1 Scree PLot
4.7.4. 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 :
Universitas Sumatera Utara
Tabel 4.16 Matriks Faktor Sebelum Dirotasi
Component Matrix
a
Component 1
2 3
x4 .849
x3 .838
x6 .807
x1 .750
x8 .546
-.474 -.414
x7 .688
x9 .518
.658 x2
-.590 .550
x5 .454
.722
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 7 variabel, yaknix
1,
x
3,
x
4,
x
5,
x
6,
x
8,
x
9
sementara F
2
memiliki korelasi kuat dengan x
7
danx
9
dan F
3
memiliki korelasi kuat dengan x
2
dan x
5
. Korelasi dianggap cukup kuat jika koefisien korelasi yang diwaliki factor loading mempunyai nilai lebih besar dari 0,40. Juga variabel berkorelasi dengan
banyakfaktor, seperti variabel x
1
berkorelasi dengan factor 1, variabel x
7
berkorelasi dengan faktor 2, variabel x
2
berkorelasi dengan faktor 3, situasi seperti ini membuat kesimpulan mengenai banyaknya faktor yang diekstraksi dari
variabel menjadi sulit.
Universitas Sumatera Utara
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 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 4.17 Matriks Faktor Setelah Dirotasi
Rotated Component Matrix
a
Component 1
2 3
x4 .929
x8 .789
x6 .726
x1 .722
x3 .634
.538 x5
.916 x7
.826 x2
.446 -.674
x9 .473
.668
Universitas Sumatera Utara
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.
4.7.5. Interpretasi faktor
Kategori