Component matrix Rotasi Uji Validitas Pelaksanaan Jam Belajar Masyarakat

53 X12 1,000 ,893 X13 1,000 ,726 X14 1,000 ,767 X15 1,000 ,811 X16 1,000 ,897 X17 1,000 ,722 X18 1,000 ,702 X19 1,000 ,776 X20 1,000 ,800 X21 1,000 ,656 X22 1,000 ,893 X23 1,000 ,667 X24 1,000 ,919 X25 1,000 ,563 Pada tabel diatas dapat dilihat bahwa semua nilai menunjukan angka lebih dari 0,5 sehingga semua variabel dapat menjelaskan faktor.

e. Component matrix

Setelah diketahui bahwa 4 faktor adalah jumlah yang paling optimal, maka tabel component matrix menunjukan distribusi ke 24 variabel tersebut pada empat faktor yang terbentuk sedangkan angka-angka yang ada pada tabel tersebut adalah factor loadings, yang menunjukan besar korelasi antara suatu variabel dengan faktor 1, 2,3, dan 4. Proses penentuan varibel mana akan dimasukan ke faktor yang 54 mana, Component Matrix dilakukan dengan melakukan perbandingan besar korelasi setiap baris. Lebih lengkpanya dapat dilihat dalam tabel 14. Berikut ini. Tabel 14 . Component Matrix Component Matrix a Component 1 2 3 4 X7 ,959 -,054 ,035 ,058 X16 ,917 -,074 -,001 ,223 X8 ,911 -,108 ,024 ,032 X12 ,899 -,278 ,081 -,042 X5 ,891 -,156 ,065 ,158 X2 ,885 -,120 ,074 -,093 X15 ,865 -,219 -,015 ,120 X4 ,857 -,076 -,241 -,115 X6 ,854 -,077 ,028 -,235 X10 ,834 ,075 -,172 ,264 X17 ,806 ,083 -,254 -,038 X13 ,802 -,136 -,242 -,070 X14 ,770 -,309 ,030 ,279 X3 ,768 -,149 ,107 ,150 X23 ,764 -,221 ,180 -,042 X18 ,718 ,262 -,255 -,228 X9 ,710 -,081 -,017 -,230 X19 ,701 ,102 ,350 -,389 X25 ,697 ,263 ,000 -,087 X1 ,634 ,143 ,140 -,386 X21 ,583 ,518 -,207 -,076 X20 ,510 ,456 -,462 ,344 X22 ,463 ,766 ,303 ,011 X24 ,538 ,314 ,599 ,415 Tabel diatas menunjukan seberapa besar sebuah variabel berkolerasi dengan faktor yang akan dibentuk. Pada X7 berkolerasi sebesar 0,959 dengan faktor 1, - 0,54 dengan faktor 2, 0,35 dengan faktor 3, dan 0,58 dengan faktor empat. Hal ini berlaku untuk variabel yang lain. 55

f. Rotasi

Proses perotasian pada penelitian ini bertujuan untuk mendapatkan faktor faktor dengan faktor loading yang cukup jelas untuk interpretasi. Komponen matriks rotasi adalah matirk yang lebih jelas dan nyata dibandingkan component matrik. Lebih jelasnya pada tabel di bawah ini. Tabel 15. Rotated Component Matrix Rotated Component Matrix a Component 1 2 3 4 X14 ,854 ,065 ,135 ,123 X12 ,840 ,411 ,117 ,073 X15 ,829 ,248 ,230 ,093 X5 ,828 ,256 ,234 ,205 X16 ,822 ,213 ,349 ,232 X7 ,793 ,383 ,327 ,210 X8 ,778 ,372 ,277 ,154 X3 ,727 ,218 ,161 ,211 X2 ,726 ,474 ,206 ,128 X23 ,706 ,382 ,034 ,149 X10 ,685 ,130 ,530 ,186 X13 ,673 ,346 ,375 -,116 X4 ,669 ,419 ,426 -,091 X6 ,635 ,578 ,226 ,055 X17 ,565 ,356 ,525 ,005 X9 ,526 ,498 ,199 -,007 X19 ,376 ,741 ,041 ,290 X1 ,299 ,670 ,179 ,147 X25 ,371 ,435 ,421 ,241 X20 ,243 -,081 ,845 ,145 X21 ,141 ,374 ,673 ,208 X18 ,340 ,509 ,572 ,004 X24 ,383 ,078 ,083 ,871 X22 -,052 ,401 ,461 ,718 Hasil yang diperoleh menunjukan bahwa nilai-nilai faktor loading antara suatu variabel dengan beberapa faktor telah cukup dibedakan dan siap dilakukan interpretasi. Seluruh variabel telah mempunyai faktor loading yang tingi pada salah satu faktor dan mempunyai faktor loading yang cukup kecil untuk faktor-faktor yang lainnya. 56 Penentuan variabel masuk pada faktor yang mana dengan melihat nilai korelasi terbesar. Dari tabel diatas diperoleh anggota masing-masing kelompok adalah sebagai berikut. Faktor 1 : X 14, X12, X15, X16, X7. X8, X3. X2, X23, X4, X9, X13, X17 Faktor 2 : X6, X19, X1, X18, X25 Faktor 3 : X20, X21, X10 Faktor 4 : X22, X24

2. Uji Validitas Peran Orangtua