ANALISIS MULTIVARIAT

sesi-5
(factor analysis)

PROGRAM STUDI S1 PWK
UNIVERSITAS GADJAH MADA 2006

Pengantar

(principal component analysis

factor analysis)

Dalam analisis faktor ini seluruh variabel yang ada akan dilihat hubungan-nya (inter-dependent antar variabel), sehingga akan menghasilkan pengelompokan atau tepatnya abstraction dari banyak variabel menjadi hanya beberapa variabel baru atau faktor. Dengan sedikit faktor ini akan menjadi lebih mudah untuk dikelola. Ini sebenarnya EXPLORATORY RESEARCH
V1 V4 V5 V7 V8 Faktor 1 V1 V4 V5 V8 Faktor 2 V3 V7 V9 Faktor 3 V2 V6 V9 V3 V2

V6

statistika-2 pwk s1 ugm-agam

1

TAPI membuat REDUKSI atau ABSTRAKSI atau MERINGKAS dari BANYAK variabel menjadi SEDIKIT variabel. Dipergunakan dalam hal mengidentifikasi variabel yang berKORELASI dan yang tidak/kecil KORELASI-nya. Analisis Faktor menekankan adanya COMMUNALITY= jumlah varian yang disumbangkan oleh suatu variabel pada variabel lainnya. . V3 Correlations coefficients Vk Factor loadings Vk ORIGINAL DATA MATRIX CORRELATION MATRIX FACTOR MATRIX KONSEP DASAR ANALISIS FAKTOR 1. 4. sehingga faktor 1 menyerab sebagian besar seluruh variabel. 5. statistika-2 pwk s1 ugm-agam 2 . Teknik yang digunakan adalah TEKNIK INTERDEPENSI. vk variables V1 v2 v3 … vk Factors F1 F2 … Fm V1 variables V2 V3 . (FAKTOR-FAKTOR tidak secara jelas terlihat). faktor 2 menyerab sebagian besar sisa varian setelah diambil untuk faktor 1. . n Observational data V1 V2 . . yakni SELURUH set HUBUNGAN yang interdependen diteliti. . . Bukan mengkaitkan antara dependen variabel dengan independen variabel.PROSEDUR UMUM dalam ANALISIS FAKTOR variables V1 v2 v3 … 1 2 3 variables sample 4 . 2. Prinsipnya menggunakan KORELASI r = 1 dan r = 0. 3. Adanya koefisien nilai faktor (factor score coefficient). Faktor 2 TIDAK berkorelasi dengan faktor 1. Kovariasi antar-variabel yang diuraikan akan memunculkan COMMON FACTORS (jumlahnya sedikit) dan UNIQUE FACTORS setiap variabel. dilakukan oleh komputer. .

362** 1 .113 .199** .312** -.798** -.000 .329** .033 . Hanya eigenvalue >1 yang dimasukkan dalam model. (2-tailed) N Pearson Correlation Sig.054 .213** . Correlation is significant at the 0.260** -.268** 1 .033 .011 .737 235 235 235 235 235 .139* -.000 235 235 -. 4. (2-tailed) N **.000 . . 235 235 harga bangunan harga tanah persen pajak bang persen pajak keamanan persen pajak kebersihan FAR lama tinggal Pearson Correlation Sig. .019 . 5.000 235 235 -.022 .001 235 235 -. Matriks korelasi Correlations harga persen persen pajak persen pajak harga tanah bangunan pajak bang keamanan kebersihan 1 . (2-tailed) N Pearson Correlation Sig. Bartlett’s test of sphericity: uji statistik untuk menguji hipotesis bahwa variabel tidak saling berkorelasi dalam populasi.000 .987** -.113 -.000 . • Jumlah sampel = 4 kali jumlah variabel.000 .408 . (2-tailed) N Pearson Correlation Sig. Eigenvalue: jumlah varian yang dijelaskan oleh setiap faktor. maka n-nya = 40 unit.142* -.535** 1 . 235 235 235 235 235 -.987** 1 -.408 235 235 235 235 235 -.166* -.199** . Communality: jumlah varian yang disumbangkan oleh variabel terhadap seluruh variabel lain.072 .272 235 235 235 235 235 .05 level (2-tailed).000 235 235 -. Scree plot: plot dari eigenvalue sebagai sumbu vertikal dan banyaknya faktor sebagai sumbu datar.TEKNIK STATISTIK UNTUK ANALISIS FAKTOR 1. 3. (2-tailed) N Pearson Correlation Sig.000 .213** .798** .797** .142* -.000 235 235 235 235 235 -.000 .000 .166* -.268** .839 235 235 1 -.839 235 235 235 235 235 FAR lama tinggal -.737 .013 .000 . .000 .002 .000 .535** . Catatan: • Jenis variabelnya interval atau rasio.001 .260** -.029 . .362** .242** -.242** . 2. back statistika-2 pwk s1 ugm-agam 3 . *.084 . untuk menentukan banyaknya faktor yang bisa ditarik (factor extraction).312** .153* -.084 235 235 -.797** .072 -. (2-tailed) N Pearson Correlation Sig.000 .019 . Matriks korelasi. Misal jumlah variabel =10.022 .000 . (2-tailed) N Pearson Correlation Sig.011 .002 235 235 235 235 235 -.000 .153* 1 .329** -.029 .000 .01 level (2-tailed).000 . Correlation is significant at the 0.272 .054 .139* -.013 . .

Common factors selalu dianggap TIDAK berkorelasi dengan faktor unik. Variabel komponen hipotetis yang disebut FAKTOR ada dua: (a) COMMON FACTORS & (b) UNIQUE FACTORS 3. Common factors lebih sedikit daripada variabel asli. Hubungan antar variabel terobservasi harus linear dan nilai korelasi tidak boleh NOL (artinya harus benar-benar ada hubungannya). 2.Syarat untuk membangun factor analysis: 1. Unique factors biasanya dianggap sama dengan jumlah variabelnya. CONTOH KASUS: statistika-2 pwk s1 ugm-agam 4 .

statistika-2 pwk s1 ugm-agam 5 .

statistika-2 pwk s1 ugm-agam 6 .

728 1.237 -..848 .502 93.002 15.276 worksec .000 1.000 .000 1.850 99.921 18.000 1. statistika-2 pwk s1 ugm-agam 7 .000 KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy.148 1.453E-02 Extraction Method: Principal Component Analysis..509 .324 .886 6..- F A C T O R A N A L Y S I S . . a Component Matrix popday popnight workpri worksec workter Component 1 2 ..000 .730 .133E-02 . Total Variance Explained Initial Eigenvalues % of Variance Cumulative % 61.223 -.927 ..986 .730 .000 Communalities popday popnight workpri worksec workter Initial 1.660 3.196 -.952 9.914 ..497 workter .000 -.728 -. Bartlett's Test of Sphericity Approx.580 61.000 Extraction .000 Extraction Sums of Squared Loadings Total % of Variance Cumulative % 3.422 80.762 4.196 1.000 1...580 18.814 -.332E-02 Extraction Method: Principal Component Analysis a.002 Component Total 1 3.237 ..079 61.491 100. 2 components extracted.814 workpri -.581 .921 3 .824 .497 1.783 4 .148 .658 95.730 popnight .438 10 .324 -.192 5 2.764E-03 .276 .079 2 .580 .000 -.789 Extraction Method: Principal Component Analysis.357 .580 61.- Factor Analysis Correlation Matrix Correlation popday popnight workpri worksec workter popday 1. Chi-Square df Sig.848 .422 80.

Scree Plot 3 Eigenvalue 2 1 0 1 2 3 4 5 Component Number statistika-2 pwk s1 ugm-agam 8 .

statistika-2 pwk s1 ugm-agam 9 .

Sign up to vote on this title
UsefulNot useful