BAB I

PENDAHULUAN
1.1.Latar Belakang
Masalah kemiskinan merupakan salah satu persoalan mendasar yang
menjadi pusat perhatian pemerintah didaerah manapun bahkan dinegara
menapun. Kemiskinan merupakan salah satu keadaan dimana seseorang
tidak sanggup memenuhi kebutuhan hidupnya sendiri sesuai dengan taraf
kehidupan

lingkungannya,

sehingga

orang

tersebut

mengalami

kesengsaraan dalam hidupnya. Salah satu tolak ukur dalam keberhasilan

suatu Negara dapat dilihat dari presentasi tingkat kemiskinan. Salah satu
aspek penting untuk mendukung strategi penanggulangan kemiskinan
adalah tersedianya data kemiskinan yang akurat dan tepat sasaran.
Pengukuran kemiskinan yang terpercaya dapat menjadi instrument tangguh
bagi pengambil kebijakan dalam memfokuskan perhatian pada kondisi hidup
orang miskin. Pada akhirnya, data kemiskinan yang baik dapat digunakan
untuk

mengevaluasi

kebijakan

pemerintah

dalam

menanggulangi

kemiskinan, dengan menentukan target penduduk miskin dengan tujuan

untuk memperbaiki kondisi mereka.
Variable atau indicator yang mempengaruhi kemiskinan sangatlah beragam,
sehingga analisis factor dibutuhkan untuk menganalisis data tersebut.
Variable-variabel ini kemudian akan direduksi menjadi sejumlah factor,
dimana jumlah factor yang terbentuk lebih sedikit dati jumlah fariabel awal.
Ini bertujuan untuk memperkecil jumlah variable agar mudah dikelola karena
diyakini bahwa diantara factor-faktor tersebut akan ada variable yang paling
berpengaruh.
1.2.Rumusan Masalah
1. Bagaimana penentuan indicator yang mempengaruhi kemiskinan
dengan menggunakan analisis factor?
2. Indicator manakah yang paling dominan mempengaruhi kemiskinan?
1.3.Tujuan
1. Untuk menentukan indicator yang mempengaruhi kemiskinan dengan
menggunakan analisis factor.
2. Untuk mengetahui indicator yang paling dominan mempengaruhi
kemiskinan

2.1.

BAB II
LANDASAN TEORI
Karakteristik analisis multivariat
Analisis statistika multivariate adalah

metode

statistika

yang

menungkinkan untuk dilakukan penelitian terhadap lebih dari 2 variabel

secara bersamaan.Dengan menggunakan tekhnik analsis ini maka dapat di
analisa pengaruh beberapa variable terhadap variable-variabel lainnya dalam
waktu yang bersamaan.Data multivariate adalah data yang dikumpulkan dari
dua atau lebih pengamatan dengan mengukur pengamatan tersebut dengan
beberapa karakteristik.
Contoh data multivariate adalah sebagai berikut:
Observasi ke-i

X1

X2

Xn

Responden ke1
Responden ke2
Responden ke3
.
Responden kem
Perbedaan dengan analisi-analisis lain adalah pada analisis multivariat,
perubah tak bebas dapat berjumlah lebih dari satu.
Analisis multivariat dapat dikelompokkan menjadi dua model besar,
yaitu: model dependensi (dependency) dan interpendensi (interdependency).
Di dalama model dependensi variable dibedakan menjadi variable tak bebas

(dependent variables) dan bebas (independent variables). Modelnya antara

lain model regresi, model diskriminan, model analisis varian, dengan tujuan
untuk mengetahui pengaruh dari setuao variable bebas terhadap variable tak
bebas dan meramalkan nilai variable bebas berdasarkan beberapa variable
bebas

yang

telah

interdependensi,

diketahui

menganalisis

nilainya.

Sedangkan

komponen

utama

di

dalam

berbagai

model

tipe/jenis

hubungan,tidak terdapat variable tak bebas yang sering disebut variable

hasil atau variable predictor, melainkan semua variable dan hubungan
dianggap terjadi secara simultan.
Statistic multivariat yang dugunakan dalam analisis ini merupakanan
analisis factor. Dalam analisis factor tidak ada pembagian variable menjadi
variable bebas dan bergantung sehingga analisis factor termasuk dalam
analisis interdependensi technique, yaitu seluruh hubungan yang independen
diteliti.
2.2.
Analisis factor
2.2.1. Karakteristik analisis factor
Analisis factor adalah suatu teknik untuk menganalisis ketergantungan
(interpendence) dan beberapa variable secara simultan dengan tujuan
untuk menyederhanakan dari bentuk hubungan antara beberapa
variable yang diteliti, yang berarti dapat jugan menggambarkan
tentang struktur data dati satu penelitian (suliyanto, 2005).
Model analisi factor adalah sebagai berikut:
SIIIIIIIMMMMMMMMMMMMMMMBBBBBBBBBBBBOOOOOOOOOOLLLLLL
Atau dapat ditulis dengan notasi matriks sebagai berikut:
SIIIIIIIMMMMMMMMMMMMMMMBBBBBBBBBBBBOOOOOOOOOOLLLLLL
Dengan:
SIIIIIIIMMMMMMMMMMMMMMMBBBBBBBBBBBBOOOOOOOOOOLLLLLL
SIIIIIIIMMMMMMMMMMMMMMMBBBBBBBBBBBBOOOOOOOOOOLLLLLL
SIIIIIIIMMMMMMMMMMMMMMMBBBBBBBBBBBBOOOOOOOOOOLLLLLL
SIIIIIIIMMMMMMMMMMMMMMMBBBBBBBBBBBBOOOOOOOOOOLLLLLL

2.2.2. Tujuan analisis factor

Menurut (Joshon & Wichern, 2002) tujuan dari analisis factor adalah
untuk menggambarkan hubungan-hubungan kovarian antara beberapa

variable yang mendasari tetapi tidak teramati, kuantitas ramdom yang

disebut factor. Vektor random teramati X dengan p komponen memiliki
rata-rata dan matrik varian kovarian .
Secara statistic, tujuan pokok dalam analisi factor adalah untuk
menentukan kombinasi linier variable-variabel yang akan membantu
dalam penyelidikan saling terkaitnya variable-variabel tersebut. Analisis
factor berfungsi untuk mendapatkan sejumlah kecil factor yang
memiliki sifat-sidat sebagai berikut:
a. Mampu menerangkan semaksimal mungkin keragaman data
b. Factor-faktor tersebut saling bebas
c. Tiap factor dapat diinterpretasikan dengan sejelas-jelasnya
2.2.3. Syarat analisis factor
Untuk menggunakan teknis analisi factor, persyaratan yang sebaiknya
dipenuhi adalah:
Data yang digunakan adalah data kuantitatif berskala interval

atau ratio
Data harus mempunyai distribusi normal bivariat untuk masing-

masing pasangan variable

Model ini mengkhususkan bahwa semua variable ditentukan oleh
factor-faktor biasa (daktor-daktor yang diestimasi oleh model)
dan factor-faktor unik (yang tidak tumpang tindih antara variable-

variabek yang sedang diobservasikan)

Estimasi yang dihitung didasarka pada asumsi bahwa semua
factor unik tidak saling berkorelasi satu dengan yang lainyya

dengan factor-faktor biasa

Persyaratan dasar untujk melakukan penggabungan ialah
besarnya korelasi antar variable independen setidak-tidaknya 0,5
karena prinsip analisis faktor ialah adanya korelasi variable
(Narimawati, 2007)

2.2.4. Asumsi analisis factor

Prinsip utama dalam analisi faktor adalah korelasi, artinya variable yang
memiliki korelasi erat akan membentuk suatu faktor, sedangkan
variable yang ada dalam suatu faktor akan memiliki korelasi yang
lemah dengah variable yang terdapat pada faktor yang lain. Karena
prinsip utama analisis faktor adalahkorelasi, maka asumsi dalam
analisis faktor berkaitan erat dengan korelasi berikut.

1. Korelasi atau ketertarikan antar variable haurs kuat

2. Hal ini dapat diidentifikasi dari nilai determinannya yang
mendekati

nol.nilai

determinan

dari

matriks

korelasi

yang

elemen-elemennya menyerupai matriks identitas akan memiliki

nilai

determinan

sebesar

satu.

Artinya,

jika

determinan

mendekati satu, maka matriks korelasi menyerupai matriks

identitas, dimana antar-item/variable tidak saling terikat karena
matriks identitas memiliki elemen pada diagonal bernilai satu,
sedangkan lainnya bernilai nol.
Indeks perbandingan jarak antara koefisien dengan koefisien
korelasi parsialnya secara keseluruhan harus kecil.
Hal ini dapat diidentifikasikan dengan nilai Kaiser-meyer-olkin
measure of sampling adequacy (KMO). KMo merupakan sebuah
indeksperbandingan

jarak

antara

koefisien

korelasi

dengan

koefisien korelasi parsialnya secara keseluruhan. Jika jumlah

kuadrat koefisien korelasi parsial diantra seluruh pasangan
variable bernilai kecil dibandingkan dengan jumlah kuadrat
koefisien korelasi, maka akan mengkhasilkan nilai KMO yang
mendekati satu. Nilai KMO yang kecil menunjukan bahwaanalisis
faktor bukan merupakan pillihan yang trpat. Untuk dapat
dilakukan analisis faktor, KMO dianggap cukup apabila nilai KMO

0,5.
3. Indeks perbandingan jarak antara koefisien korelasi dengan
koefisien korelasi parialnya secara keseluruhanharus kecil.
Hal ini dapat didefinisikan dengan measures of sampling
adequacy (MSA). Msa merupakan sebuah indeks perbandingan
jarak antara koefisien dengan koefisien korelasi parsialnya secara
parsial setiap item/variable. Untuk dapat dilakukan analisis
faktor, nilai MSA dianggap cukup apabila nilai MSA

0,5.

Apabila ada item/ variable yang tidak memiliki nilai MSA

0,5,

variabel tersebut harus dikeluarkan dari analisis faktor secara

bertahap satu persatu

4. Dalam beberapa kasus, setiap variable yang akan dianalisis

dengan menggunakan analisis faktor harus menyebar secara
normal (Suliyanto, 2005)
Selain memperhatikan nilai KMO, untuk menguji ketetapan model
analisis faktor dapat digunakan bartletts test of sphericity. Menurut
(Supranto, 2004), bartletts test of sphericity bisa dipergunakan untuk
menguji hipotesis bahwa variable tak berkorelasi didalam populasi.
2.2.5. Penentuan jumlah factor dalam analisis factor
Untuk menentukan banyaknya jumlah faktor yang tebentuk dalam
analisis faktor dapat dilakukan beberapa cara sebagai berikut:
a. Penentuan berdasarkan Apriori
Dalam metode penentuan ini, jumlah faktor telah ditentukan
sebelumnya oleh peneliti, atau bisa juga ditentukan berdasarkan
pengalaman penelitian sebelumnya
b. Penentuan berdasarkan Nilai Eigen
Untuk menentukan jumlah faktor

yang

terbentuk

dapat

didasarkan pada nilai eigen. Jika suatu variable memiliki nilai

eigen

1 , dianggap sebagai suatu faktor, sebaliknya jika suatu

variaabel hanya memiliki nilai eigen

1 , tidak dimasukan

dalam model.
c. Penentuan berdasarkan Ecree Plot
Scree plot merupakan suatu plot dari nilai eigen sebagai fungsi
banyaknya faktor. Pada sumbu Y menunjukkan nilai eigen
sedangkan pada sumbu X menunjukkan jumlah faktor.
d. Penentuan berdasarkan Persentase Varian
Persentase
varian
menunjukkan
jumlah
variasi
berhubungan

pada

suatu

faktor

yang

dinyatakan

yang
dalam

persentase. Untuk dapat menentukan berapa jumlah faktor yang

diambil, harus memiliki nilai persentase varian

0,5 . Apabila

menggunakan criteria komulatif persentase varian, besarnya nilai

komulatif persentase varian

60 .

e. Penentuan berdasarkan split-half reability

Sample dibagi menjadi dua, analisis faktor dilakukan pada

masing-masing bagian bagian sampel yang dipertahankan,
dengan kata lain faktor yang dipertahankan adalah faktor yang
mempunyai nilai daktor loading tinggi dari masing-masing bagian
f.

sampel.
Penentuan berdasakan Uji Signifikan
Dimungkinkan untuk menentukan signifikansi statistikuntuk nilai
eigen

yang

terpisah

dan

mempertahankan

faktor-faktor

berdasarkan uji statistic nilai eigen signifikan pada =5% atau

1%
2.2.6. Model analisis factor
Ada dua cara atau metode yang bisa digunakan dalam analisis faktor,
yaitu principal component dan common factor analysis
principal component analysis )analisis komponen utama)
analisis komponen utama merupakan model dalam analisis faktor
yang tujuannya untuk melakukan prediksi terhadap sejumlah
faktor yang akan dihasilkan.
Model Analisis komponen utama:
SSSSSSSSSSSSIIIIIIIIMMMMMMMMBBBBBBBBBBBOOOOOOOOLLLL
LLLL

Syarat, m p
Jika ditulis dalam bentuk matriks adalah:
SSSSSSSIIIIIIIIMMMMMMMBBBBBBBOOOOOOOOOOOLLLLLLLLLL
Dimana:
F
= faktor komponen utama (unobservable)
X
= variable yang diteliti (observable)

= bobot dari kombinasi linier (loading)

dengan kata lain, dalam model analisis komponen utama dapat

dinyatakan faktor m terbentuk dari vatiabel
konstribusi sebesar

l m2

X2

dengan bobot

dan seterusnya.

common factor analysis

common factor analysis merupakan model dalam analisis faktor
yangtujuannya untuk mengetahui struktur dari variable yang di
teliti
Model common factor

SSSSSSSIIIIIIIIIIIIIIIIIMMMMMMMMMMMBBBBBBBBBOOOOOOOLLLL
LLLL

Syarat m p
Jika ditulis dalam bentuk matriks adalah sebagai berikut:
X= l F +

Dimana :
F
= common factors
X
= variabel yang diteliti

= bobot dari kombinasi linier

= specific factor

Didalam

common

factor

analysis,

faktor

diestimasi

hanya

didasarkan pada common variance, communalitiers dimasukkan

di dalam matriks korelasi (Suliyanto, 2005).
2.2.7. Rotasi factor
Suatu hasil yang penting dari analisis faktor bisa dilihat dengan
matriks faktor pola (pettern dactor matrix). Matriks faktor berisi
koefisien yang dipergunakan untuk mengekspresikan variabel yang
dibukukan (standardizerd) dinyatakan dalam faktor.
Koefisien-koefisien ini yang disebut dengan muatan daktor atau the
factor loading, mewakili korelasi antar daktor dan variabel. Suatu
koefisien dengan nilai mutlak yang besar menunjukkan bahwa faktor
dan variabel berkorelasi sangat kuat. Namun demikian, seringkali
output yang dihasilkan sulit untuk di interpretasikan karena suatu faktor
dapat berkorelasi dengan beberapa variabel. Untuk mempermudah
interpretasi, dilakukan rotasi faktor sehingga faktor matriks yang
kompleks menjadi lebih sederhana.
metode rotasi dalam analisis daktor dapat digolongkan menjadi
dua, orthogonal rotation dan

oblique rotation.

orthogonal rotationa

adalah metode rotasi dengan cara memutar sumbu kekanan sebesar

90. Metode ini dapat dibagi lagi menjadi metode quartimax, varimax.
Metode ini merupakan metode orthogonal yang berusaha meminimkan
banyaknya variabel yang bermuatan tinggi pada suatu faktor, sehingga
menghasilkan faktor-faktor yang tidak berkorelasi satu sama lain
(korelasi antar faktor adalah nol)

oblique rotation adalaha metode rotasi dengan cara memutar

sumbu ke kanan, tapi tidak harus 90. Metode ini dapa dibagi menjadi
metode oblimin, promax, orthoblique, dll. Metode ini menggunakan
asumsu bahwa ada hubungan antar faktor atau korelasi antar faktor
tidak sama dengan nol. Menurut Suparno (2004), oblique rotation harus
diperhitungkan kalau faktor dalam populasi berkorelasi sangat kuat.
2.2.8. Langkah-langkah analisis factor
Langkah-langakah dalam analisis faktor dapat digambarkan dalam
bagan sebagai berikut (Hair,dkk.1992)

PERMASALAH
AN
PENELITIAN
MATRIKS
KORELASI
COMPONENT
ANALISIST

ORTHOGONAL
Varimax
Quartimax
equamax

MODEL
ANALISIS
FAKTOR YANG
DIGUNAKAKA
METODE
ESTIMASI
(EXTRACTION
METHOD)
JUMLAH FAKTOR
(TANPA TEKNIK
ROTASI)
TEKNIK
ROTASI
PEMANFAATA
N SEKTOR
FAKTOR
ANALISIS

ANALISIS
REGRESI
DISKRIMINAN
Gambar 2.1 Langkah-langkah Analisis Faktor

COMMON
FACTOR
ANALYSIS

ORTHOGONAL
Varimax
Quartimax
equamax
ANALISIS
STRUKTUR

Langkah-langkah tersebutdapat diterjemhkan sebagai berikut :

a. Merumuskan masalah

Untuk melakukan perumusan masalah perlu dilakukan beberapa

langkah, yaitu menentukan tujuan dari analisis faktoe, dan
menetapkan variabel-variabel yang akan dianalisis faktor
b. Membuat matriks korelasi
Proses analisi faktor didasarkan pada matrikskorelasi antara variabel
yang satu dengan yang lai, untuk memperoleh analisis faktor yang
semua variabel-variabelnya harus berkorelasi. Untuk menguji
ketepatan dalam model faktor, uji statistik yang digunakan adalah
Bartletts Test Sphericity dan Kaiser-mayer-Olkin(KMO) untuk
mengetahui kecukupan samplenya.
c. s
2.3.
2.4.

Pengertian kemiskinan
Variable yang mempengaruhi kemiskinan