Anda di halaman 1dari 29

TUGAS STATISTIKA MULTIVARIATE

NAMA : SRI TRISNAYANTI


NIM

: G1D 010 038

Keterangan : Data yang digunakan adalah data soal 1. Analisa Faktor untuk contoh soal
faktor-faktor yang mempengaruhi sepeda motor.
Keterangan variabel-variabel yang digunakan :

= Hemat bahan bakar (irit)


= Ketersediaan suku cadang (onderdil)
= Harga motor yang kompetitif (harga)
= Model motor yang menarik (model)
= Kombinasi warna motor yang menarik (warna)
= Keawetan mesin motor (awet)
= Promosi dan produsen (promosi)
= Sistem pembayaran kredit yang wajar (kredit)

1. Matriks Korelasi Antar Variabel


Nilai korelasi antar variabel dapat dihitung dengan menggunakan rumus korelasi
sederhana sebagai berikut :

Jawab :
Rumus korelasi sederhana :

) )) (

( ) ))

) )) (

( ) ))

Berikut ini nilai korelasi antar variabel yang dihitung dengan menggunakan rumus
korelasi sederhana di atas :

( )

(
(

(
(

(
)

) ))

)(

))

((
))(

(
(

) ))(
(

( )

) ))(

)(

((
))(

) ))
))
)

0.079
:
:
:
(

))

) ))(

) ))

))

(
(

)
(

))
)

))

))

) ))(
(

))(

)(

((

(
)(

((
))(

) ))

))
)

Sehingga diperoleh matriks korelasi antar variabel sbb :

Berikut hasil perhitungan nilai korelasi antar variabel yang dihitung dengan
menggunakan SPSS :

Kombinasi
Warna
Motor yang
menarik

Model
Hemat

Hemat

Pearson

Bahan Bakar

Correlation

Ketersediaan Harga Motor

Bahan

Suku

yang

yang

Bakar

Cadang

kompetitif

menarik

Pearson

Suku Cadang

Correlation
Sig. (2tailed)
N

Harga Motor

Pearson

yang

Correlation

kompetitif

Sig. (2tailed)
N

Model Motor

Pearson

yang menarik

Correlation
Sig. (2tailed)
N

Kombinasi

Pearson

Warna

Correlation

Motor yang

Sig. (2-

menarik

tailed)
N

Keawetan

Pearson

Mesin Motor

Correlation
Sig. (2tailed)
N

Promosi

Pearson

dari Produsen Correlation


Sig. (2tailed)

Promosi

Pembayaran

Mesin

dari

Kredit yang

Motor

Produsen

wajar
*

.200

.061

.079

-.027

-.216

.299

.584

.164

.674

.584

.850

.131

.035

50

50

50

50

50

50

50

.079

-.089

tailed)

Ketersediaan

Keawetan

.079

Sig. (2-

Motor

Sistem

.584

50

**

.132

-.185

-.316

.541

.000

.359

.197

.026

.015

.487

.341

50

50

50

50

50

50

50

50

.200

-.089

.196

.309

.098

.150

.071

.164

.541

.173

.029

.496

.298

.624

50

50

50

50

50

50

50

50

**

.196

**

-.069

.052

.250

.674

.000

.173

.001

.633

.719

.079

50

50

50

50

50

50

50

50

.079

.132

.309

**

-.046

.096

.290

.584

.359

.029

.001

.750

.507

.041

50

50

50

50

50

50

50

50

-.027

-.185

.098

-.069

-.046

.129

-.035

.850

.197

.496

.633

.750

.370

.809

50

50

50

50

50

50

50

50

-.216

-.316

.150

.052

.096

.129

-.120

.131

.026

.298

.719

.507

.370

.061

.487

.443

.443

.406

50

Sistem

Pearson

Pembayaran

Correlation

Kredit

Sig. (2-

yang wajar

tailed)

50

50

50

50

50

50

50

.071

.250

.290

-.035

-.120

.035

.015

.624

.079

.041

.809

.406

50

50

50

50

50

50

50

.299

.341

Kesimpulan :
Hasil perhitungan nilai korelasi antar variabel yang dihitung dengan menggunakan rumus
korelasi sederhana manual di atas menghasilkan nilai yang sama dengan perhitungan
menggunakan SPSS.

2. Uji Asumsi Analisis Faktor


Uji KMO untuk mengukur tingkat kecukupan sampel yang bertujuan untuk
mengetahui apakah semua data yang terambil telah cukup untuk difaktorkan. Apabila
nilai KMO berkisar antara 0.5 sampai 1, maka layak dilakukan analisis faktor.
Sebaliknya jika nilai KMO lebih kecil dari 0.5 maka analisis faktor tidak dapat
dilakukan.
Untuk menghitung nilai KMO, digunakan formula sebagai berikut :

i=1,2,..p
j=1,2,..,p
Selain KMO-MSA, uji Bartlett merupakan tes statistic untuk menguji apakah matriks
korelasi secara statistik merupakan matriks identitas atau tidak, dimana matriks
identitas mengidentifikasikan bahwa diantara variabel bebas tidak terdapat korelasi.
Uji Hipotesis :
: Matriks korelasi R merupakan matriks Identitas.
: Matriks korelasi R bukan merupakan matriks Identitas.
=

*(

+ | |

50

Bandingkan dengan Chi Square Tabel

Uji Bartlett merupakan tes statistic untuk menguji apakah variabel-variabel bebas
yang dilibatkan berkorelasi.
: Tidak ada korelasi antar variabel bebas
: Ada korelasi antar variabel bebas
Kriteria uji dengan melihat p-value (signifikansi) :
Terima

jika Sig. > 0.05 atau tolak

jika Sig. < 0.05

Jawab :
(i). Menghitung nilai KMO
Ini bertujuan untuk mengukur tingkat kecukupan sampel yang bertujuan untuk
mengetahui apakah semua data yang terambil telah cukup untuk difaktorkan.
Syarat untuk dapat melakukan analisis faktor adalah data dari peubah-peubah
yang dianalisis harus memiliki nilai statistik KMO minimal sebesar 0,5.

Penilaian uji KMO dari matriks antar variabel adalah sebagai berikut :
a) 0,9 < KMO 1,00 unit observasi sangat baik untuk analisis faktor
b) 0,8 < KMO 0,9 unit observasi baik untuk analisis faktor
c) 0,7 < KMO 0,8 unit observasi agak baik untuk analisis faktor
d) 0,6 < KMO 0,7 unit observasi lebih dari cukup untuk analisis faktor
e) 0,5 < KMO 0,6 unit observasi cukup untuk analisis faktor
f) KMO 0,5 unit observasi tidak layak untuk analisis faktor

i=1,2,..p
j=1,2,..,p
Keterangan :
rij = koefisien korelasi sederhana antara variabel i dan j
aij = koefisien korelasi parsial antara variabel i dan j
dimana

= korelasi parsial

Perhitungan :

Diperoleh nilai untuk

adalah sbb :

Untuk menghitung nilai korelasi parsial secara manual dapat digunakan rumus
sebagai berikut :

(
[

)(

) ]*

)
(

) +

Hasil perhitungan nilai koefisien korelasi parsial menggunakan rumus di atas


(secara manual) dan menggunakan SPSS:
(
[

)(
) ][

(
[

(
)(

) ][

)
) ]
)

) ]

Correlations
Ketersediaan

Control Variables
Harga Motor yang
kompetitif(X3)

Hemat Bahan Bakar

Hemat Bahan

Suku

Bakar(X1)

Cadang(X2)

1.000

.099

Significance (2-tailed)

.497

Df

47

.099

1.000

Correlation

Ketersediaan Suku Cadang Correlation

Significance (2-tailed)

.497

47

Df

(
[

)(
) ][

(
[

)(

) ][

)
) ]
)

) ]

Correlations
Ketersediaan

Control Variables
Model Motor yang menarik Hemat Bahan Bakar

.698

Df

47

.057

1.000

.698

47

Df

:
(
[

)(
) ][

(
[

(
)(

) ][

)
) ]
)

) ]

Cadang(X2)

Significance (2-tailed)

Significance (2-tailed)

Bakar(X1)

.057

Ketersediaan Suku Cadang Correlation

Suku

1.000

Correlation

(X4)

Hemat Bahan

Correlations

Control Variables
Keawetan

Promosi dari Produsen

Mesin Motor

Promosi dari

Sistem Pembayaran

Produsen(X7)

Kredit yang wajar(X8)

1.000

-.117

Significance (2-tailed)

.425

Df

47

-.117

1.000

.425

47

Correlation

(X6)

Sistem Pembayaran Kredit Correlation


yang wajar

Significance (2-tailed)
Df

Di bawah ini adalah nilai korelasi parsial yang diperoleh :


0,99
0,057
0,07
0,076
0,012
-0,025
0,209
0,192
0,185
0,204
0,241
0,188
0,026
0,023
0,029
0,059
0,074
-0,015
0,07
0,019
0,059
0,078
0,103
-0,008
-0,013
-0,048
-0,023
-0,024

0,99
0,057
0,07
0,076
0,012
-0,025
-0,107
-0,215
-0,137
-0,072
-0,044
-0,12
0,485
0,517
0,482
0,484
0,532
0,442
0,127
0,169
-0,107
0,126
0,172
0,037
-0,184
-0,178
-0,174
-0,181

0,209
0,192
0,185
0,204
0,241
0,188
-0,107
-0,215
-0,137
-0,072
-0,044
-0,12
0,188
0,275
0,069
0,204
0,19
0,184
0,3
0,325
0,253
0,315
0,299
0,302
0,106
0,084
0,115
0,119

0,026
0,023
0,029
0,059
0,074
-0,015
0,485
0,517
0,482
0,484
0,532
0,442
0,188
0,275
0,069
0,204
0,19
0,184
0,44
0,437
0,41
0,441
0,441
0,4
-0,068
0,025
-0,091
-0,054

0,07
0,019
0,059
0,078
0,103
-0,008
0,127
0,169
-0,107
0,126
0,172
0,037
0,3
0,325
0,253
0,315
0,299
0,302
0,44
0,437
0,41
0,441
0,441
0,4
-0,044
-0,022
-0,081
-0,017

-0,013
-0,048
-0,023
-0,024
0,001
-0,018
-0,184
-0,178
-0,174
-0,181
-0,154
-0,185
0,106
0,084
0,115
0,119
0,081
0,101
-0,068
0,025
-0,091
-0,054
-0,077
-0,062
-0,044
-0,022
-0,081
-0,017

-0,202
-0,254
-0,22
-0,226
-0,215
-0,191
-0,307
-0,307
-0,391
-0,333
-0,299
-0,294
0,202
0,129
0,143
0,129
0,139
0,16
0,067
0,249
0,023
0,011
0,062
0,086
0,116
0,147
0,053
0,082

0,29
0,291
0,294
0,289
0,298
0,282
0,334
0,35
0,259
0,319
0,341
0,322
0,012
0,108
0,023
-0,02
0,075
0,091
0,244
0,103
0,242
0,142
0,249
0,259
0,28
0,263
0,283
0,207

0,001
-0,018
-0,202
-0,254
-0,22
-0,226
-0,215
-0,191
0,29
0,291
0,294
0,289
0,298
0,282

-0,154
-0,185
-0,307
-0,307
-0,391
-0,333
-0,299
-0,294
0,334
0,35
0,259
0,319
0,341
0,322

0,081
0,101
0,202
0,129
0,143
0,129
0,139
0,16
0,012
0,108
0,023
-0,02
0,075
0,091

-0,077
-0,062
0,067
0,249
0,023
0,011
0,062
0,086
0,244
0,103
0,242
0,142
0,249
0,259

-0,059
-0,038
0,116
0,147
0,053
0,082
0,013
0,138
0,28
0,263
0,283
0,207
0,289
0,305

-0,059
-0,038
0,127
0,076
0,117
0,134
0,135
0,126
-0,028
0,03
-0,042
-0,018
-0,023
-0,02

0,013
0,138
0,127
0,076
0,117
0,134
0,135
0,126
-0,059
-0,014
-0,133
-0,138
-0,155
-0,117

0,289
0,305
-0,028
0,03
-0,042
-0,018
-0,023
-0,02
-0,059
-0,014
-0,133
-0,138
-0,155
-0,117

Langkah selanjutnya adalah menghitung nilai KMO :

))

0,554015
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Bartlett's Test of

Approx. Chi-Square

Sphericity

Df
Sig.

.560
57.339
28
.001

Kesimpulan :
Dari perhitungan yang telah dilakukan di atas, diperoleh nilai KMO sebesar 0.560. Karena
nilai KMO yang diperoleh berkisar antara 0.5 sampai 1, maka layak dilakukan analisis faktor
atau dapat disimpulkan data lebih dari cukup untuk analisis faktor.

(ii). Uji Barlett


Uji Bartlett merupakan tes statistik untuk menguji apakah matriks korelasi secara
statistik merupakan matriks identitas atau tidak, dimana matriks identitas
mengidentifikasikan bahwa diantara variabel bebas tidak terdapat korelasi.
-

Uji Hipotesis :
: Matriks korelasi R merupakan matriks Identitas.
: Matriks korelasi R bukan merupakan matriks Identitas.

Statistik uji yang digunakan :


=

*(

+ | |

Keterangan :
n

= jumlah observasi

| | = determinan matriks korelasi


p

= jumlah variabel

Perhitungan :
=

+ | |

( ( )

[(
[(

*(

| |

]
)

Hasil perhitungan menggunakan SPSS :


KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Bartlett's Test of

Approx. Chi-Square

Sphericity

Df

.560
57.339
28

Sig.

.001

Nilai tabel yang diperoleh :


-

(0,5),28 = 41,337

Kriteria pengambilan keputusan :


Uji Barlett akan menolak H0 jika nilai
Diperoleh

> 41.337

Kesimpulan
Karena diperoleh nilai

> 41.337 maka

dapat disimpulkan H0 ditolak, yang berarti matriks korelasi bukan merupakan


matriks identitas.

3. Tentukan Nilai MSA


Namun demikian tetap dilakukan analisis pervariabel dengan metode antiimages
yaitu dengan menghitung nilai MSA untuk masing-masing variabel, uji MSA
digunakan untuk mengukur kelayakan sebuah variabel untuk dilakukan analisis faktor
dengan formula sebagai berikut :

j=1,2,..,p; ij

i=1,2,..,p;
Jawab :
Perhitungan :
(

0,0849127

0,1398784
(

0,1466028

0,1516175

0,1525817

0,1346007

0,1595679

4. Ekstraksi Faktor
Ekstraksi faktor adalah proses inti dalam analisis faktor, ekstraksi faktor dilakukan
dengan menggunakan metode komponen utama yang berfungsi untuk menaksirkan
parameter-parameter dalam analisis faktor yaitu, varians spesifik, komunalitas dan
matriks loading factor. Ekstraksi faktor yang dilakukan didasarkan pada matriks
varian-kovarian. Untuk menghitung matriks varian-kovarian digunakan formula di
bawah ini :

Jawab :

) dan

)(

Untuk menghitung nilai varian secara manual digunakan rumus sbb :


(

(
(
(

)
)

(
)

)
(

(
)

)
(

(
)

)
)

(
(

)
)

:
:
:
)

(
(
(

)
)

(
)

Untuk perhitungan varian dengan menggunakan SPSS:


Descriptive Statistics
N

Variance
50

.537

50

.496

50

1.366

50

.962

50

1.059

Keawetan Mesin Motor

50

1.185

Promosi dari Produsen

50

1.114

50

.860

Hemat Bahan Bakar


Ketersediaan Suku
Cadang
Harga Motor yang
kompetitif
Model Motor yang
menarik
Kombinasi Warna
Motor yang menarik

Sistem Pembayaran
Kredit yang wajar
Valid N (listwise)

50

Untuk menghitung nilai kovarian secara manual digunakan rumus sbb :


(

)(

(
(

)
)(

)(

)
)(

(
)

)(

)(

(
(

)
)(

(
(

)
)(

)(

)(

:
:
:
)(

(
(

)(
(

)
)
)(

(
)

Sehingga jika ditampilkan dalam bentuk matriks varian-kovarian adalah sbb :

5. Cari Nilai Eigen


Untuk melakukan analisis faktor selanjutnya, terlebih dahulu dicari besarnya nilai
eigen dari tiap-tiap variabel awal. Nilai eigen jumlah nilai variansi dari variabel awal
yang menunjukkan kepentingan relative masing-masing faktor dalam menghitung
varian variabel yang dianalisis. Susunan nilai eigen selalu diurutkan dari yang terbesar
sampai terkecil.
Untuk memperoleh nilai-nilai eigen yakni dengan mendefinisikan matriks variankovarian

dan juga matriks identitas

karakteristik, maka haruslah

Untuk mendapatkan persamaan

Jika dua belas variabel diringkas menjadi satu faktor maka variansi yang bias
dijelaskan oleh satu faktor tersebut adalah :

( )

dimana :
= nila eigen ke-j
( )

(diagonal matriks varian-kovarian)

Jawab :
Untuk memperoleh nilai-nilai eigen adalah dengan mendefinisikan matriks variankovarian

dan juga matriks identitas

. Berdasarkan perhitungan pada nomor 4,

diperoleh matriks varian-kovarian sebagai berikut:


= matriks varian kovarian yang terbentuk:

dimana matriks identitas:

Sehingga dapat dibentuk matriks I sbb ;

I=

Langkah

selanjutnya

untuk

haruslah

mendapatkan

((

persamaan

karakteristik,

maka

))

((

))

Diperoleh hasil perhitungan sbb :

((

))

Setelah itu nilai eigen yaitu dalam hal ini nilai eigen 1 ( ) sampai dengan nilai eigen
8 ( ) dihitung menggunakan software mathematica5, sehingga didapatkan hasil
perhitungan sbb :

Dapat disimpulkan : Banyak faktor yang akan dipilih adalah yang memiliki nilai eigen lebih
dari 1, sedangkan faktor yang memiliki nilai eigen kurang dari satu akan dibuang. Jadi ada 3
faktor yang memiliki nilai eigen lebih dari 1atau dengan kata lain diperoleh 3 faktor
komponen utama.

Selanjutnya , besar persentase atau total varian yang dapat dijelaskan oleh masingmasing faktor dapat dihitung dengan rumus sbb :

( )

dimana :
= nilai eigen ke-j
( )

(diagonal matriks varian-kovarian)

( )=
(

( )

( )

( )

( )

( )

( )


( )

( )

Sedangkan hasil perhitungan dengan menggunakan SPSS adalah sbb :

6. Cari Vektor Eigen

Jawab :
Untuk menghitung vektor eigen dapat digunakan persamaan sebagai berikut :
(
Menentukan nilai vektor eigen untuk
(

((

)) [

[ ]

((

)) [

)[

[ ]

[ ]

Menentukan nilai vektor eigen untuk

Menentukan nilai vektor eigen untuk untuk

Menentukan nilai vektor eigen untuk

Menentukan nilai vektor eigen untuk

Menentukan nilai vektor eigen untuk

Menentukan nilai vektor eigen untuk

Menentukan nilai vektor eigen untuk

7. Nilai Faktor Loading


Setelah memperoleh nilai vektor eigen untuk masing-masing lamda, dengan nilai
vector eigen yang terbentuk akan dihitung nilai faktor loading untuk masing-masing
variabel.
(
Hasilnya tabel matriks komponen.
Jawab :

Faktor loading adalah korelasi antara faktor dan variabel, dihitung dengan rumus sbb :

Hasil perhitungan menggunakan SPSS :


Component Matrix

Component
1
Hemat Bahan Bakar
Ketersediaan Suku
Cadang
Harga Motor yang
kompetitif
Model Motor yang
menarik
Kombinasi Warna
Motor yang menarik
Keawetan Mesin
Motor
Promosi dari
Produsen
Sistem Pembayaran
Kredit yang wajar

.397

-.085

.768

.673

-.440

-.287

.301

.647

.320

.737

.192

-.392

.621

.465

-.142

-.205

.392

.278

-.225

.702

-.307

.662

-.084

.238

Extraction Method: Principal Component Analysis.


a. 3 components extracted.

8. Rotasi Matriks
Untuk memperoleh nilai faktor loading setelah dirotasi, matriks faktor loading
sebelum dirotasi dikalikan dengan matriks rotasi.
Jawab :

Hasil perhitungan menggunakan SPSS :


Rotated Component Matrix

Component
1
Hemat Bahan Bakar
Ketersediaan Suku
Cadang
Harga Motor yang
kompetitif
Model Motor yang
menarik
Kombinasi Warna
Motor yang menarik
Keawetan Mesin
Motor
Sistem Pembayaran
Kredit yang wajar

-.053

.099

.897

.413

-.709

.179

.499

.610

.231

.812

-.280

.030

.791

.122

.097

.005

.566

-.041

.306

-.268

.659

Extraction Method: Principal Component Analysis.


Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations.

9. Communality
Dari nilai-nilai faktor loading yang terbentuk bias diketahui jumlah varian dari
masing-masing variabel terhadap faktor yang terbentuk dengan cara menjumlahkan
kuadrat dari setiap faktor loading pada empat faktor yang terbentuk untuk masingmasing variabel, nilai yang didapat disebut dengan communality.
Jawab :
Communalities
Initial
Hemat Bahan Bakar
Ketersediaan Suku
Cadang
Harga Motor yang
kompetitif
Model Motor yang
menarik

Extraction

1.000

.816

1.000

.705

1.000

.675

1.000

.740

Kombinasi Warna
Motor yang menarik
Keawetan Mesin
Motor
Sistem Pembayaran
Kredit yang wajar

1.000

.650

1.000

.322

1.000

.600

Extraction Method: Principal Component


Analysis.

10. Tentukan nilai varian spesifiknya !


Jawab :
Untuk menghitung nilai varian spesifik secara manual digunakan rumus sbb :
(

(
(
(

)
)

)
(

(
)

(
)

)
)

(
(

(
)

(
)

)
)

(
(

)
)

:
:
:
)

(
(
(

)
)

(
(

(
)

)
(

(
)

(
)

Untuk perhitungan varian spesifik dengan menggunakan SPSS:


Descriptive Statistics
N

Variance
50

.537

50

.496

50

1.366

50

.962

50

1.059

Keawetan Mesin Motor

50

1.185

Promosi dari Produsen

50

1.114

50

.860

Hemat Bahan Bakar


Ketersediaan Suku
Cadang
Harga Motor yang
kompetitif
Model Motor yang
menarik
Kombinasi Warna
Motor yang menarik

Sistem Pembayaran
Kredit yang wajar
Valid N (listwise)

50

Anda mungkin juga menyukai