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

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

535** 1 .084 .019 .260** -.001 235 235 -.000 . *.737 . . Scree plot: plot dari eigenvalue sebagai sumbu vertikal dan banyaknya faktor sebagai sumbu datar.000 . (2-tailed) N Pearson Correlation Sig.013 . Eigenvalue: jumlah varian yang dijelaskan oleh setiap faktor.000 .072 -. .839 235 235 1 -.000 .268** . Catatan: • Jenis variabelnya interval atau rasio.000 . (2-tailed) N Pearson Correlation Sig. Correlation is significant at the 0.139* -.029 . 235 235 235 235 235 -.029 .153* 1 . maka n-nya = 40 unit.199** .737 235 235 235 235 235 .312** -.000 .011 . (2-tailed) N Pearson Correlation Sig.000 .362** .054 . Hanya eigenvalue >1 yang dimasukkan dalam model.000 .242** .535** . Bartlett’s test of sphericity: uji statistik untuk menguji hipotesis bahwa variabel tidak saling berkorelasi dalam populasi. Correlation is significant at the 0.000 .798** -.054 . Matriks korelasi.242** -.011 .072 .05 level (2-tailed).019 . (2-tailed) N **.272 .272 235 235 235 235 235 . 3.139* -. .002 . (2-tailed) N Pearson Correlation Sig.797** . Misal jumlah variabel =10.798** .166* -.329** -. 5.142* -.113 . 2. 235 235 harga bangunan harga tanah persen pajak bang persen pajak keamanan persen pajak kebersihan FAR lama tinggal Pearson Correlation Sig.013 .213** .002 235 235 235 235 235 -.268** 1 .033 .022 .000 235 235 235 235 235 -. 4.000 .000 .153* -.839 235 235 235 235 235 FAR lama tinggal -.312** . . (2-tailed) N Pearson Correlation Sig.000 235 235 -.084 235 235 -.TEKNIK STATISTIK UNTUK ANALISIS FAKTOR 1.000 235 235 -.01 level (2-tailed).000 . • Jumlah sampel = 4 kali jumlah variabel.987** -.000 235 235 -.166* -.408 235 235 235 235 235 -. .987** 1 -. (2-tailed) N Pearson Correlation Sig. Communality: jumlah varian yang disumbangkan oleh variabel terhadap seluruh variabel lain.022 .001 .113 -.000 .000 .033 .797** .199** .408 .260** -.329** .000 . back statistika-2 pwk s1 ugm-agam 3 . Matriks korelasi Correlations harga persen persen pajak persen pajak harga tanah bangunan pajak bang keamanan kebersihan 1 .000 .362** 1 . untuk menentukan banyaknya faktor yang bisa ditarik (factor extraction).213** .142* -.

Common factors selalu dianggap TIDAK berkorelasi dengan faktor unik. 2. Variabel komponen hipotetis yang disebut FAKTOR ada dua: (a) COMMON FACTORS & (b) UNIQUE FACTORS 3. CONTOH KASUS: statistika-2 pwk s1 ugm-agam 4 . Unique factors biasanya dianggap sama dengan jumlah variabelnya.Syarat untuk membangun factor analysis: 1. 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).

statistika-2 pwk s1 ugm-agam 5 .

statistika-2 pwk s1 ugm-agam 6 .

422 80..000 1.196 1.000 1.196 -.237 -..276 worksec .658 95.422 80.921 3 .764E-03 .580 .324 .223 -.580 61.927 .814 -.148 .000 1. statistika-2 pwk s1 ugm-agam 7 .886 6.952 9..000 1.002 15.000 .357 . Chi-Square df Sig. a Component Matrix popday popnight workpri worksec workter Component 1 2 ..730 .237 .914 .848 .453E-02 Extraction Method: Principal Component Analysis.730 .509 . Bartlett's Test of Sphericity Approx.986 .824 .814 workpri -.580 18.438 10 .276 .660 3.- F A C T O R A N A L Y S I S ..133E-02 .000 -.- Factor Analysis Correlation Matrix Correlation popday popnight workpri worksec workter popday 1.728 1.730 popnight .921 18.079 61..000 Extraction .789 Extraction Method: Principal Component Analysis.000 Communalities popday popnight workpri worksec workter Initial 1..332E-02 Extraction Method: Principal Component Analysis a.497 workter .728 -.000 Extraction Sums of Squared Loadings Total % of Variance Cumulative % 3.581 .079 2 ...491 100.002 Component Total 1 3.580 61.192 5 2. 2 components extracted.848 .000 KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .502 93.497 1.000 -.148 1.762 4.850 99. Total Variance Explained Initial Eigenvalues % of Variance Cumulative % 61.000 .324 -.783 4 .

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 .