Uji Analisis Faktor Analisis Data
65
atas 0,5 dengan tingkat signifikansi jauh di bawah 0,05. Maka variabel dan sampel yang ada secara keseluruhan sudah dapat dianalisis lebih lanjut.
Tabel 4.4 Communalities
Initial Extraction
Kebijakan Perpajakan 1.000
.413 Undang-Undang
Perpajakan 1.000
.612 Administrasi Perpajakan 1.000
.681 Loopholes
1.000 .506
Perbedaan Tarif Pajak 1.000
.554 Extraction Method: Principal Component
Analysis. Sumber: Hasil Pengolahan SPSS
Selanjutnya, berdasarkan output SPSS yang ada pada tabel 4.9 di atas kita dapat melihat nilai komunalnya. Dimana pada dasarnya
Communalities adalah proporsi dari varian suatu item peubah asal yang bisa dijelaskan oleh faktor utamanya. Nilai communalities menjelaskan
seberapa besar keragaman atau varians itempeubah asal yang dapat diterangkan oleh faktor-faktor yang terbentuk. Nilai-nilai yang ada
menunjukkan kemampuan
faktor-faktor yang
terbentuk dalam
menerangkan varian itempeubah asal. Nilai yang terbesar dimiliki oleh variabel Administrasi Perpajakan sebesar 0,681 yang artinya 68,1 varian
dari Administrasi Perpajakandapat diterangkan oleh faktor-faktor yang terbentuk. Sedangkan nilai terkecil dimiliki oleh variabel Kebijakan
Perpajakan yaitu sebesar 0,413 yang artinya 41,3 varian dari Kebijakan Perpajakan dapat diterangkan oleh faktor-faktor yang terbentuk. Semakin
66
besar nilai communalities, berarti semakin erat hubungannya dengan faktor yang terbentuk.
Tahapan selanjutnya adalah melakukan pengujian Total Variance Explained. Menurut Singgih Santoso 2005:43, menjelaskan bahwa tabel
Total Variance Explained menggambarkan jumlah faktor yang terbentuk. Dalam melihat faktor yang terbentuk dapat dilihat pada eigenvalue-nya
harus berada di atas satu 1, jika sudah berada di bawah satu 1 maka sudah tidak terdapat faktor yang terbentuk. Eigenvalue menunjukkan
kepentingan relatif masing-masing faktor dalam menghitung varians dari total variabel yang ada. Jumlah angka eigenvalue susunannya selalu
diurutkan pada nilai yang terbesar sampai terkecil.
Tabel 4.5 Total Variance Explained
Component Initial Eigenvalues
Extraction Sums of Squared Loadings Total
of Variance Cumulative Total
of Variance Cumulative
1 1.648
32.962 32.962
1.648 32.962
32.962 2
1.119 22.373
55.335 1.119
22.373 55.335
3 .820
16.409 71.744
4 .729
14.584 86.327
5 .684
13.673 100.000
Extraction Method: Principal Component Analysis. Sumber: Hasil Pengolahan SPSS
67
Ada 5 lima variabel component yang dimasukkan dalam analisis faktor, yakni variabel Kebijakan Perpajakan, Undang-Undang Perpajakan,
Administrasi Perpajakan, Loopholes, dan Perbedaan Tarif Pajak. Dengan masing-masing variabel mempunyai varian 1, total varian adalah 5 x 1 = 5.
Sekarang jika kelima variabel diringkas menjadi satu faktor, varian yang bisa dijelaskan oleh satu faktor adalah: 1,6485 x 100 = 32,962. Jika 5
variabel diekstrak menjadi 2 dua faktor, maka; varian faktor pertama adalah 32,962, varian faktor kedua adalah 1,1195 x 100 = 22,373.
Total kedua faktor akan bisa menjelaskan 32,962 + 22,373 = 55,335 dari variabilitas kelima variabel asli.
Tabel Total Variance Explained di atas terlihat bahwa hanya terdapat dua faktor yang terbentuk, hal ini senada dengan kriteria
pembentukan jumlah faktor dalam analisis faktor, jika eigenvalue kurang dari 1 maka tidak dapat digunakan pembentukan faktor Singgih Santoso,
2005:43. Karena dengan satu sampai dua faktor angka eigenvalue masih 1. Akan tetapi untuk tiga faktor, angka eigenvalue sudah 1, yakni 0,820
sehingga proses factoring berhenti pada 2 dua faktor saja.
68
Gambar 4.1 Grafik
Scree Plot
Jika tabel Total Variance menjelaskan dasar jumlah faktor yang didapat dengan perhitungan angka, Scree Plot menampakkan hal tersebut
dengan grafik. Terlihat bahwa dari satu kedua faktor garis dari sumbu Component Number = 1 ke 2, arah garis menurun dengan cukup tajam.
Kemudian dari angka 2 ke 3, garis masih menurun. Perhatikan juga faktor 3 sudah di bawah angka 1 dari sumbu Y eigenvalues. Hal ini
menunjukkan bahwa 2 dua faktor adalah paling bagus untuk meringkas kelima variabel tersebut.
69
Tabel 4.6 Component Matrix
a
Component 1
2 Kebijakan Perpajakan
.575 -.288
Undang-Undang Perpajakan
.570 .535
Administrasi Perpajakan .438 .700
Loopholes .584
-.406 Perbedaan Tarif Pajak
.678 -.308
Extraction Method: Principal Component Analysis.
a. 2 components extracted. Sumber: Hasil Pengolahan SPSS
Setelah diketahui bahwa 2 dua faktor adalah jumlah yang paling optimal, tabel Component Matrix menunjukkan distribusi kelima variabel
pada 2 dua faktor yang terbentuk. Sedangkan angka-angka yang ada pada tabel adalah factor loadings, yang menunjukkan besar korelasi antara suatu
variabel dengan faktor 1 atau faktor 2. Proses penentuan variabel mana akan masuk ke faktor yang mana dilakukan dengan melakukan
perbandingan besar korelasi pada setiap baris. Seperti pada variabel Kebijakan Perpajakan, korelasi antara
variabel Kebijakan Perpajakan dengan faktor 1 adalah +0,575 kuat karena di atas 0,5, korelasi dengan faktor 2 adalah 0,288 lemah karena dibawah
0,5. Oleh karena angka faktor loading terbesar ada pada component nomor 1, maka variabel Kebijakan Perpajakan dimasukkan sebagai
component faktor 1.
70
Pada variabel Undang-Undang Perpajakan, korelasi antara variabel dengan faktor 1 adalah +0,570 cukup kuat, sedangkan korelasinya
dengan faktor 2 juga cukup kuat yaitu +0,535. Karena tidak ada korelasi yang berbeda dengan jelas, seperti pada variabel Kebijakan Perpajakan,
sulit memutuskan akan dimasukkan ke faktor mana variabel Undang- Undang Perpajakan. Oleh karena masih ada variabel yang belum jelas
akan dimasukkan ke dalam faktor 1 atau 2, perlu dilakukan proses rotasi agar semakin jelas perbedaan sebuah variabel akan dimasukkan ke dalam
variabel 1 atau 2.
Component Matrix hasil dari proses rotasi Rotated Component Matrix memperlihatkan distribusi variabel yang lebih jelas dan nyata.
Terlihat sekarang faktor loadings yang dulunya kecil semakin diperkecil, dan faktor loading yang besar semakin diperbesar. Variabel Kebijakan
Tabel 4.7 Rotated Component Matrix
a
Component 1
2 Kebijakan Perpajakan
.638 .081
Undang-Undang Perpajakan .176
.762 Administrasi Perpajakan
-.026 .825
Loopholes .711
-.011 Perbedaan Tarif Pajak
.735 .122
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
Sumber: Hasil Pengolahan SPSS
71
Perpajakan, korelasi antara variabel Kebijakan Perpajakan dengan faktor 1 yang sebelum rotasi adalah 0,575 kuat, dengan rotasi lebih diperkuat
menjadi 0,638. Sebaliknya korelasi variabel Kebijakan Perpajakan dengan faktor 2 yang adalah 0,288 lemah, dengan rotasi diperkecil lagi menjadi
0,081. Dengan demikian, bisa dikatakan variabel Kebijakan Perpajakan bisa dimasukkan sebagai komponen faktor 1, namun dengan bukti yang
lebih jelas. Variabel Undang-Undang Perpajakan, variabel ini masuk faktor 2,
karena factor loading dengan faktor 2 paling besar 0,762. Variabel Administrasi Perpajakan, variabel ini masuk faktor 2, karena factor
loading dengan faktor 2 terbesar 0,825. Variabel Loopholes, variabel ini masuk faktor 1, karena factor loading dengan faktor 1 terbesar 0,711,
variabel Perbedaan Tarif Pajak, variabel ini masuk faktor 1, karena factor loading dengan faktor 1 terbesar 0,735.
Dengan demikian, kelima variabel telah direduksi menjadi hanya terdiri dari 2 dua faktor, yaitu faktor pertama terdiri dari Kebijakan
Perpajakan, Loopholes, dan Perbedaan Tarif Pajak, dan faktor kedua terdiri dari Undang-Undang Perpajakan dan Administrasi Perpajakan.