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

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

000 .139* -.001 .242** -. 4. Correlation is significant at the 0.408 . (2-tailed) N Pearson Correlation Sig.072 .011 .000 .084 235 235 -.839 235 235 1 -.000 . Correlation is significant at the 0.022 . Misal jumlah variabel =10. . (2-tailed) N Pearson Correlation Sig.TEKNIK STATISTIK UNTUK ANALISIS FAKTOR 1. Catatan: • Jenis variabelnya interval atau rasio.260** -.535** .113 -.000 . (2-tailed) N Pearson Correlation Sig.272 235 235 235 235 235 .01 level (2-tailed).000 .000 235 235 -. *.199** .362** .029 .199** . Matriks korelasi Correlations harga persen persen pajak persen pajak harga tanah bangunan pajak bang keamanan kebersihan 1 .166* -.019 . maka n-nya = 40 unit. 2.002 .011 . 3.000 .153* 1 .054 . Eigenvalue: jumlah varian yang dijelaskan oleh setiap faktor.272 . untuk menentukan banyaknya faktor yang bisa ditarik (factor extraction).000 235 235 -.312** .022 .153* -.000 235 235 235 235 235 -.029 .001 235 235 -.408 235 235 235 235 235 -.000 .000 . (2-tailed) N **. Matriks korelasi.737 235 235 235 235 235 .000 .737 .362** 1 . . Scree plot: plot dari eigenvalue sebagai sumbu vertikal dan banyaknya faktor sebagai sumbu datar.312** -. 5.987** 1 -.268** .166* -.013 .05 level (2-tailed).798** . (2-tailed) N Pearson Correlation Sig.084 .013 .142* -.797** . Hanya eigenvalue >1 yang dimasukkan dalam model. (2-tailed) N Pearson Correlation Sig.213** . .000 .000 .072 -.329** . Bartlett’s test of sphericity: uji statistik untuk menguji hipotesis bahwa variabel tidak saling berkorelasi dalam populasi.002 235 235 235 235 235 -. back statistika-2 pwk s1 ugm-agam 3 . .113 .535** 1 .798** -.000 .213** .242** .054 .329** -.019 . Communality: jumlah varian yang disumbangkan oleh variabel terhadap seluruh variabel lain.033 .268** 1 . (2-tailed) N Pearson Correlation Sig.000 .000 .987** -.797** . 235 235 harga bangunan harga tanah persen pajak bang persen pajak keamanan persen pajak kebersihan FAR lama tinggal Pearson Correlation Sig.033 . .139* -.000 235 235 -.000 .000 .839 235 235 235 235 235 FAR lama tinggal -.142* -. • Jumlah sampel = 4 kali jumlah variabel.260** -. 235 235 235 235 235 -.

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

statistika-2 pwk s1 ugm-agam 5 .

statistika-2 pwk s1 ugm-agam 6 .

276 ..000 Extraction .002 15..580 18..357 .491 100..438 10 . statistika-2 pwk s1 ugm-agam 7 .580 .000 -.000 .133E-02 .848 .079 2 . Chi-Square df Sig.660 3. Total Variance Explained Initial Eigenvalues % of Variance Cumulative % 61.079 61.497 workter .332E-02 Extraction Method: Principal Component Analysis a.502 93.237 .730 .921 18.850 99.148 .921 3 . .002 Component Total 1 3..000 KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy.. Bartlett's Test of Sphericity Approx.730 .- Factor Analysis Correlation Matrix Correlation popday popnight workpri worksec workter popday 1.000 1.453E-02 Extraction Method: Principal Component Analysis.952 9..762 4.814 workpri -.783 4 .324 -.580 61.824 .324 .237 -.789 Extraction Method: Principal Component Analysis.728 -.192 5 2.000 1.848 .728 1.223 -.581 . a Component Matrix popday popnight workpri worksec workter Component 1 2 .509 ..196 -.986 .497 1.000 Communalities popday popnight workpri worksec workter Initial 1.764E-03 .914 .814 -.000 -.730 popnight .000 .196 1.422 80.580 61.927 .658 95.000 1.. 2 components extracted.000 1.000 Extraction Sums of Squared Loadings Total % of Variance Cumulative % 3.- F A C T O R A N A L Y S I S .886 6.148 1.276 worksec .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