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

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

084 235 235 -. 3.TEKNIK STATISTIK UNTUK ANALISIS FAKTOR 1.166* -.153* -.272 235 235 235 235 235 .013 .139* -.033 . 5.000 .029 .000 235 235 -.000 .737 . (2-tailed) N Pearson Correlation Sig.797** . 235 235 235 235 235 -.329** .153* 1 .000 .019 .987** -. • Jumlah sampel = 4 kali jumlah variabel.022 .113 -.408 .011 .001 235 235 -.054 .142* -.05 level (2-tailed).002 235 235 235 235 235 -.839 235 235 1 -. 2.839 235 235 235 235 235 FAR lama tinggal -.019 . (2-tailed) N Pearson Correlation Sig.084 .000 .242** .113 .535** 1 .199** .312** . . Misal jumlah variabel =10.166* -.000 .029 .000 .260** -. . Catatan: • Jenis variabelnya interval atau rasio. (2-tailed) N Pearson Correlation Sig.033 .535** .000 . Scree plot: plot dari eigenvalue sebagai sumbu vertikal dan banyaknya faktor sebagai sumbu datar.329** -.798** . untuk menentukan banyaknya faktor yang bisa ditarik (factor extraction).000 .142* -. . Correlation is significant at the 0. Eigenvalue: jumlah varian yang dijelaskan oleh setiap faktor. back statistika-2 pwk s1 ugm-agam 3 .072 .139* -.737 235 235 235 235 235 .072 -.054 .213** . . (2-tailed) N Pearson Correlation Sig.987** 1 -.362** . 4. 235 235 harga bangunan harga tanah persen pajak bang persen pajak keamanan persen pajak kebersihan FAR lama tinggal Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig.268** .000 235 235 -.000 . Communality: jumlah varian yang disumbangkan oleh variabel terhadap seluruh variabel lain.362** 1 .312** -.000 .000 . Bartlett’s test of sphericity: uji statistik untuk menguji hipotesis bahwa variabel tidak saling berkorelasi dalam populasi.013 .000 .213** .798** -.242** -.408 235 235 235 235 235 -. (2-tailed) N Pearson Correlation Sig. maka n-nya = 40 unit.199** .260** -.000 .268** 1 .797** .001 .000 235 235 -. . (2-tailed) N **.011 . Matriks korelasi Correlations harga persen persen pajak persen pajak harga tanah bangunan pajak bang keamanan kebersihan 1 . *.000 . Hanya eigenvalue >1 yang dimasukkan dalam model. Matriks korelasi. Correlation is significant at the 0.000 .000 235 235 235 235 235 -.002 .000 .272 .022 .01 level (2-tailed).

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

statistika-2 pwk s1 ugm-agam 5 .

statistika-2 pwk s1 ugm-agam 6 .

- Factor Analysis Correlation Matrix Correlation popday popnight workpri worksec workter popday 1.000 -.276 . Bartlett's Test of Sphericity Approx.237 -.580 61.764E-03 .789 Extraction Method: Principal Component Analysis.000 1..196 1..223 -.762 4..580 18.497 1.921 3 .438 10 .422 80.730 .580 . a Component Matrix popday popnight workpri worksec workter Component 1 2 .886 6.196 -.927 .814 -.952 9.- F A C T O R A N A L Y S I S .000 .848 .079 61.332E-02 Extraction Method: Principal Component Analysis a. .133E-02 .986 .000 1.002 Component Total 1 3.814 workpri -.824 . 2 components extracted.658 95.000 -..497 workter .192 5 2.783 4 . Chi-Square df Sig.728 -.453E-02 Extraction Method: Principal Component Analysis.357 .000 KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy.324 -..422 80.000 1.000 Communalities popday popnight workpri worksec workter Initial 1.000 Extraction Sums of Squared Loadings Total % of Variance Cumulative % 3.730 popnight .079 2 .581 ..148 1.002 15.000 .660 3.237 .502 93.000 1.850 99.491 100.914 .000 Extraction ..324 .580 61.728 1.848 . statistika-2 pwk s1 ugm-agam 7 ...921 18.509 .730 .276 worksec . Total Variance Explained Initial Eigenvalues % of Variance Cumulative % 61.148 .

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 .