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

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

312** .000 .054 .01 level (2-tailed).000 . 4.213** .797** . .029 .000 235 235 -.001 .000 .000 .033 .139* -.329** -. .408 235 235 235 235 235 -.139* -.312** -.362** 1 .05 level (2-tailed).000 .002 235 235 235 235 235 -. (2-tailed) N Pearson Correlation Sig. .013 .000 .113 .272 235 235 235 235 235 .737 . Misal jumlah variabel =10. Communality: jumlah varian yang disumbangkan oleh variabel terhadap seluruh variabel lain.839 235 235 235 235 235 FAR lama tinggal -.000 .072 -.535** .TEKNIK STATISTIK UNTUK ANALISIS FAKTOR 1. Matriks korelasi Correlations harga persen persen pajak persen pajak harga tanah bangunan pajak bang keamanan kebersihan 1 .019 . Correlation is significant at the 0.798** .054 .199** .084 .022 .142* -.029 .242** -.002 .153* 1 . (2-tailed) N Pearson Correlation Sig.000 . Hanya eigenvalue >1 yang dimasukkan dalam model.019 .022 .268** .113 -. (2-tailed) N Pearson Correlation Sig.260** -. *.362** . Eigenvalue: jumlah varian yang dijelaskan oleh setiap faktor. (2-tailed) N **. Scree plot: plot dari eigenvalue sebagai sumbu vertikal dan banyaknya faktor sebagai sumbu datar.987** -. untuk menentukan banyaknya faktor yang bisa ditarik (factor extraction).242** .272 . Bartlett’s test of sphericity: uji statistik untuk menguji hipotesis bahwa variabel tidak saling berkorelasi dalam populasi.987** 1 -. .268** 1 .000 .166* -.000 .000 235 235 235 235 235 -.000 . 235 235 235 235 235 -.011 . 3.033 . 235 235 harga bangunan harga tanah persen pajak bang persen pajak keamanan persen pajak kebersihan FAR lama tinggal Pearson Correlation Sig.737 235 235 235 235 235 . Matriks korelasi. 2.000 .011 .329** .072 .000 .000 . (2-tailed) N Pearson Correlation Sig.166* -.797** .260** -. maka n-nya = 40 unit.000 . Catatan: • Jenis variabelnya interval atau rasio.199** .153* -.408 . (2-tailed) N Pearson Correlation Sig. • Jumlah sampel = 4 kali jumlah variabel. (2-tailed) N Pearson Correlation Sig.213** . 5.142* -.000 235 235 -.084 235 235 -. Correlation is significant at the 0.535** 1 .013 . back statistika-2 pwk s1 ugm-agam 3 .798** -.000 235 235 -. .000 .839 235 235 1 -.001 235 235 -.

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

statistika-2 pwk s1 ugm-agam 5 .

statistika-2 pwk s1 ugm-agam 6 .

324 .927 .660 3.491 100..921 18.223 -.000 Extraction .000 -.580 18.914 .276 .002 Component Total 1 3.000 . a Component Matrix popday popnight workpri worksec workter Component 1 2 .000 1..921 3 .237 -.730 .986 .000 Extraction Sums of Squared Loadings Total % of Variance Cumulative % 3.237 .332E-02 Extraction Method: Principal Component Analysis a.764E-03 .357 .580 61.422 80..148 1.497 workter .497 1.730 popnight .814 -.502 93.000 . Total Variance Explained Initial Eigenvalues % of Variance Cumulative % 61.952 9.762 4.000 Communalities popday popnight workpri worksec workter Initial 1.422 80.276 worksec ..133E-02 .580 61..000 1.453E-02 Extraction Method: Principal Component Analysis.658 95.886 6.000 KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy.728 -.000 1.438 10 .728 1.848 . Bartlett's Test of Sphericity Approx..002 15.000 -.850 99.192 5 2.783 4 .824 .079 61..509 .. Chi-Square df Sig. .079 2 .730 .148 ..848 .580 .581 . 2 components extracted.789 Extraction Method: Principal Component Analysis.000 1.196 -.324 -.- F A C T O R A N A L Y S I S .196 1. statistika-2 pwk s1 ugm-agam 7 .814 workpri -.- Factor Analysis Correlation Matrix Correlation popday popnight workpri worksec workter popday 1.

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