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

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

235 235 harga bangunan harga tanah persen pajak bang persen pajak keamanan persen pajak kebersihan FAR lama tinggal Pearson Correlation Sig.000 235 235 -. (2-tailed) N Pearson Correlation Sig. *.000 235 235 -.029 .329** .011 .242** -. Hanya eigenvalue >1 yang dimasukkan dalam model.987** -.000 .000 .142* -.013 .000 .408 .019 . (2-tailed) N Pearson Correlation Sig. Scree plot: plot dari eigenvalue sebagai sumbu vertikal dan banyaknya faktor sebagai sumbu datar. (2-tailed) N **. (2-tailed) N Pearson Correlation Sig.054 .TEKNIK STATISTIK UNTUK ANALISIS FAKTOR 1. 5. Correlation is significant at the 0.000 . Correlation is significant at the 0.029 .011 . untuk menentukan banyaknya faktor yang bisa ditarik (factor extraction).329** -.013 .084 .000 235 235 235 235 235 -. 235 235 235 235 235 -.000 .000 .798** -.362** 1 .535** 1 .000 .002 . Misal jumlah variabel =10.798** .839 235 235 1 -. 3.268** 1 .01 level (2-tailed).272 .113 .737 235 235 235 235 235 . Matriks korelasi Correlations harga persen persen pajak persen pajak harga tanah bangunan pajak bang keamanan kebersihan 1 .001 . (2-tailed) N Pearson Correlation Sig.166* -.000 .797** .199** .213** .000 .312** -. 4.000 .142* -. • Jumlah sampel = 4 kali jumlah variabel.033 . maka n-nya = 40 unit.084 235 235 -.072 .260** -.272 235 235 235 235 235 . Catatan: • Jenis variabelnya interval atau rasio.002 235 235 235 235 235 -.139* -.139* -.166* -.535** .153* -. (2-tailed) N Pearson Correlation Sig.797** .000 .362** .153* 1 .000 .000 235 235 -.268** .737 . Matriks korelasi.260** -. .987** 1 -.054 . Bartlett’s test of sphericity: uji statistik untuk menguji hipotesis bahwa variabel tidak saling berkorelasi dalam populasi.001 235 235 -.408 235 235 235 235 235 -.022 .000 .05 level (2-tailed). .113 -. back statistika-2 pwk s1 ugm-agam 3 .839 235 235 235 235 235 FAR lama tinggal -.000 .199** .000 . 2. (2-tailed) N Pearson Correlation Sig.312** .242** .213** .019 . .072 -. Eigenvalue: jumlah varian yang dijelaskan oleh setiap faktor. Communality: jumlah varian yang disumbangkan oleh variabel terhadap seluruh variabel lain. .033 . .000 .022 .

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

statistika-2 pwk s1 ugm-agam 5 .

statistika-2 pwk s1 ugm-agam 6 .

000 Extraction Sums of Squared Loadings Total % of Variance Cumulative % 3.658 95.000 KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy.000 1. .730 .148 1.438 10 .002 Component Total 1 3.000 -. 2 components extracted. Chi-Square df Sig.002 15..509 ..276 ..728 -.850 99.000 1.848 ..921 18.762 4.491 100.580 61.000 1.580 18.. statistika-2 pwk s1 ugm-agam 7 .914 .000 Communalities popday popnight workpri worksec workter Initial 1.730 popnight .000 Extraction .497 workter .000 1.497 1.000 ..764E-03 .886 6.079 61.422 80.196 -.728 1.422 80.000 -. Bartlett's Test of Sphericity Approx.660 3.789 Extraction Method: Principal Component Analysis.730 . a Component Matrix popday popnight workpri worksec workter Component 1 2 .824 .148 .357 .079 2 .192 5 2.223 -.- F A C T O R A N A L Y S I S ..580 61.237 -.- Factor Analysis Correlation Matrix Correlation popday popnight workpri worksec workter popday 1.580 .453E-02 Extraction Method: Principal Component Analysis.921 3 .502 93.814 -..814 workpri -.581 .324 -.196 1. Total Variance Explained Initial Eigenvalues % of Variance Cumulative % 61.237 .986 .783 4 .952 9.332E-02 Extraction Method: Principal Component Analysis a.276 worksec .848 .133E-02 .000 ..324 .927 .

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