Anda di halaman 1dari 9

ANALISIS

MULTIVARIAT
sesi-5
(factor analysis)

PROGRAM STUDI S1 PWK


UNIVERSITAS GADJAH MADA
2006

Pengantar (principal component analysis Æ 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
V3 V2

V4
V5

V7 V9
V8 V6

Faktor 1 Faktor 2 Faktor 3


V1 V3 V2
V4 V7 V6
V5 V9
V8

statistika-2 pwk s1 ugm-agam 1


PROSEDUR UMUM dalam ANALISIS FAKTOR

variables
V1 v2 v3 … vk
variables
1 V1 v2 v3 … vk Factors
2
V1 F1 F2 … Fm
3
V2

variables
sample

4 V1
V3 V2

variables
.
.
. Observational V3
. Correlations
data .
. . coefficients
. Factor
n Vk loadings
.
Vk

ORIGINAL DATA MATRIX


CORRELATION MATRIX
FACTOR MATRIX

KONSEP DASAR ANALISIS FAKTOR

1. Bukan mengkaitkan antara dependen variabel dengan independen variabel,


TAPI membuat REDUKSI atau ABSTRAKSI atau MERINGKAS dari
BANYAK variabel menjadi SEDIKIT variabel.
2. Teknik yang digunakan adalah TEKNIK INTERDEPENSI, yakni SELURUH
set HUBUNGAN yang interdependen diteliti. Prinsipnya menggunakan
KORELASI r = 1 dan r = 0. Dipergunakan dalam hal mengidentifikasi
variabel yang berKORELASI dan yang tidak/kecil KORELASI-nya.
3. Analisis Faktor menekankan adanya COMMUNALITY= jumlah varian yang
disumbangkan oleh suatu variabel pada variabel lainnya.
4. Kovariasi antar-variabel yang diuraikan akan memunculkan COMMON
FACTORS (jumlahnya sedikit) dan UNIQUE FACTORS setiap variabel.
(FAKTOR-FAKTOR tidak secara jelas terlihat).
5. Adanya koefisien nilai faktor (factor score coefficient), sehingga faktor 1
menyerab sebagian besar seluruh variabel, faktor 2 menyerab sebagian
besar sisa varian setelah diambil untuk faktor 1. Faktor 2 TIDAK berkorelasi
dengan faktor 1. Æ dilakukan oleh komputer.

statistika-2 pwk s1 ugm-agam 2


TEKNIK STATISTIK UNTUK ANALISIS FAKTOR
1. Bartlett’s test of sphericity: uji statistik untuk menguji hipotesis bahwa
variabel tidak saling berkorelasi dalam populasi.
2. Matriks korelasi.
3. Communality: jumlah varian yang disumbangkan oleh variabel
terhadap seluruh variabel lain.
4. Eigenvalue: jumlah varian yang dijelaskan oleh setiap faktor. Hanya
eigenvalue >1 yang dimasukkan dalam model.
5. Scree plot: plot dari eigenvalue sebagai sumbu vertikal dan banyaknya
faktor sebagai sumbu datar; untuk menentukan banyaknya faktor yang
bisa ditarik (factor extraction).

Catatan:
• Jenis variabelnya interval atau rasio.

• Jumlah sampel = 4 kali jumlah variabel.


Misal jumlah variabel =10, maka n-nya = 40 unit.

Matriks korelasi
Correlations

harga persen persen pajak persen pajak


bangunan harga tanah pajak bang keamanan kebersihan FAR lama tinggal
harga bangunan Pearson Correlation 1 .987** -.166* -.260** -.072 -.312** .797**
Sig. (2-tailed) . .000 .011 .000 .272 .000 .000
N 235 235 235 235 235 235 235
harga tanah Pearson Correlation .987** 1 -.153* -.242** -.054 -.329** .798**
Sig. (2-tailed) .000 . .019 .000 .408 .000 .000
N 235 235 235 235 235 235 235
persen pajak bang Pearson Correlation -.166* -.153* 1 .535** .199** -.139* -.113
Sig. (2-tailed) .011 .019 . .000 .002 .033 .084
N 235 235 235 235 235 235 235
persen pajak keamanan Pearson Correlation -.260** -.242** .535** 1 .268** -.142* -.213**
Sig. (2-tailed) .000 .000 .000 . .000 .029 .001
N 235 235 235 235 235 235 235
persen pajak kebersihan Pearson Correlation -.072 -.054 .199** .268** 1 -.022 .013
Sig. (2-tailed) .272 .408 .002 .000 . .737 .839
N 235 235 235 235 235 235 235
FAR Pearson Correlation -.312** -.329** -.139* -.142* -.022 1 -.362**
Sig. (2-tailed) .000 .000 .033 .029 .737 . .000
N 235 235 235 235 235 235 235
lama tinggal Pearson Correlation .797** .798** -.113 -.213** .013 -.362** 1
Sig. (2-tailed) .000 .000 .084 .001 .839 .000 .
N 235 235 235 235 235 235 235
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).

back

statistika-2 pwk s1 ugm-agam 3


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

CONTOH Æ

KASUS:

statistika-2 pwk s1 ugm-agam 4


statistika-2 pwk s1 ugm-agam 5
statistika-2 pwk s1 ugm-agam 6
- - - - - F A C T O R A N A L Y S I S - - - - - - -

Factor Analysis

Correlation Matrix

popday popnight workpri worksec workter


Correlation popday 1,000 ,728 -,237 ,848 ,730
popnight ,728 1,000 -,148 ,324 ,814
workpri -,237 -,148 1,000 -,196 -,276
worksec ,848 ,324 -,196 1,000 ,497
workter ,730 ,814 -,276 ,497 1,000

KMO and Bartlett's Test


Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. ,502

Bartlett's Test of Approx. Chi-Square 93,438


Sphericity df 10
Sig. ,000

Communalities

Initial Extraction
popday 1,000 ,914
popnight 1,000 ,730
workpri 1,000 ,986
worksec 1,000 ,581
workter 1,000 ,789
Extraction Method: Principal Component Analysis.

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings


Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 3,079 61,580 61,580 3,079 61,580 61,580
2 ,921 18,422 80,002 ,921 18,422 80,002
3 ,783 15,658 95,660
4 ,192 3,850 99,509
5 2,453E-02 ,491 100,000
Extraction Method: Principal Component Analysis.

Component Matrixa

Component
1 2
popday ,952 9,133E-02
popnight ,824 ,223
workpri -,357 ,927
worksec ,762 4,764E-03
workter ,886 6,332E-02
Extraction Method: Principal Component Analysis
a. 2 components extracted.

statistika-2 pwk s1 ugm-agam 7


Scree Plot

3
Eigenvalue

1 2 3 4 5
Component Number

statistika-2 pwk s1 ugm-agam 8


statistika-2 pwk s1 ugm-agam 9

Anda mungkin juga menyukai