PENDAHULUAN
A. Latar Belakang
B. Rumusan Masalah
C. Tujuan Kegiatan
D. Manfaat Kegiatan
1
BAB II
TINJAUAN PUSTAKA
A. Analisis Korespondensi
Analisis korespondensi adalah suatu ilmu yang mempelajari hubungan anatara dua
atau lebih peubah kualitatif, yaitu dengan teknik eksplorasi data secara grafik untuk
table kontingensi dan data kategori multivariate.
Berdasarkan kegunaannya, analisis korespondensi dan analisis komponen utama
memiliki kesamaan, yaitu suatu metode yang digunakan untuk mereduksi dimensi
data menjadi dimensi yang lebih kecil dan sederhana. Sedangkan letak perbedaannya
adalah bahwa analisis komponen utama lebih tepat untuk data dengan skala
pengukuran kontinu sedangkan analisis korespondensi lebih tepat digunakan untuk
data kategori.
Analisis hubungan menggambarkan secara grafik profil baris dan profil kolom
dari suatu matrik data dari table kontingensi dua arah sebagai titik-titik pada ruang
vector berdimensi dua.
B. Pemilihan Jarak
1 fij fij'
d 2 ( j, j' ) = ∑ fi . f −
fi . j'
(2)
.j
Dalam jarak Khi-Kuadrat ini, pada setiap suku kuadratnya diboboti dengan
kebalikan frekuensi masing-masing. Gagasan pengambilan jarak khi-Kuadrat ini
didasarkan pada sifat-sifat sebaran yang sederajat (equivalently distributional), yaitu:
jika dua baris atau kolom memiliki profil sebaran sebaran serupa maka jarak anatara
keduanya nol. Dengan demikian akan dapat menyusutkan dimensi variable, dengan
tidak mengurangi informasi dari data asli.
2
C. Perhitungan Sumbu dan Koordinat
Jika X adalah suatu matrik data berukuran nxp dengan n menunjukkan baris dan p
menunjukkan kolom. Secara geometris masing-masing baris matrik X digambarkan
dalam ruang berdimensi p atau Rp dan masing-masing kolom dapat digambarkan
sebagai titik-titik dalam ruang berdimensi n atau Rn.
Salah satu keistimewaan dari analisis hubungan adalah bahwa analisis hubungan
dapat membentuk anlisis relative ke salah satu titik asal atau pusat pembobotan. Hal
ini disebakan antara indeks ke-i dan j dapat saling ditukarkan dalam penjelasannya
untuk ruang dimensi tertentu( Rp atau Rn).
Misalnya, dalam menjelaskan titik-titik pada runag dimensi p maka yang menjadi
pusat pembicaraan atau yang berperan di sini adalah indeks i, sedangkan untuk ruang
n maka yang menjadi pusat pembicaraan adlah indeks j.Sehingga dalam penjelaannya
terdapat dua bagian yaitu:
Misalkan ada suatu matrik F dimana matriks F adalah transformasi dari matrik X
dengan hubungan sebagai berikut
1
F= X.
k
Kemudian ada matrik Dp dan Dn yang merupakan matriks diagonal. Bentuk dari
matrik diagonal adalah
f .1 0 0 f1. 0 0
0 f 0 f
.2 0 2. 0
Dp = dan Dn = (3)
0 0 f.p 0 0 fn .
Dp adalah matriks diagonal yang berukuran pxp dimana elemen diagonal yang ke-
j adalah f.j, sedangkan Dn adalah matriks diagonal di mana elemen ke-i adalah f.i.
−1
Di dalam Rp ini, n titik dianggap sebagai n baris dalam Dn F .Vektor u adalah
vector satuan untuk jarak yang didefinisikan dalam ruang dimensi p sedemikian
hingga
u' Dpu = 1 , (4)
maka proyeksi n titik pada sumbu u merupakan vector yang dapat ditulis sebagai
3
−1
v̂ = Dn FDp−1u . (5)
−1
S = F' Dn FDp−1u (6)
Su = λu . (7)
−1
Vektor u disebut sumbu utama pertama, sedangkan vector ϕ = Dp u dinamakan
sebagai factor pertama. Secara umum dapat dikatakan sebagai berikut: Jika u α
−1−1
merupakan vector ciri matriks F' Dn FDp yang berpadanan dengan akar ciri λ .Dan
3. Kontribusi Mutlak
4
menentukan suatu titik yang masuk pada suatu factor (dimensi) dengan criteria bahwa
titik yang masuk ke dalam suatu factor adalah yang mempounyai nilai atau proporsi
yang terbesar. Perhitungannya adalah sebagai berikut:
ca( i ) = f i .ψ α2 i . (12)
n
Dengan ∑ ca( i ) = 1 .
i =1
Keterangan:
ψ α adalah factor yang bersesuaian dengan vector eigen α . Nilai dari ψ α dapat
1 −1 1
dicari dengan ψ α = Dn F ϕ = ψ
ˆ. (13)
λ λ
4. Korelasi Kuadrat
Korelasi kuadrat adalah bagian ragam dari suatu titik yang dapat dijelaskan oleh
sumbu utamanaya. Semakin tinggi nilai korelasi kiuadrat menunjukkan bahwa sumbu
utama mampu menerangkan nilai inertia dengan baik sekali, dan sebaliknya semakin
kecil nilai koelasi kuadrat maka semakin sedikit nilai inertia yang dapat diterangkan
oleh sumbu utama.
Dalam ruang dimensi n, korelasi kuadrat dapat dituliskan sebagai
Crα ( i ) =
( λ α ϕα ) 2
∑( ) 2 . (15)
λ α ϕα
α
5
BAB III
METODOLOGI
Alat dan bahan yang digunakan dalam penelitian ini adalah sebagai berikut:
1. Jurnal dan referensi yang terkait dengan penelitian ini.
2. Software SPSS dan MINITAB
3. Data hasil survey pada Faculty of Social and Behavioral Sciences, Leiden
University, Netherlands.
B. Prosedur
Langkah – langkah yang ditempuh untuk menyelesaikan tujuan dari penelitian ini
adalah sebagai berikut:
1. Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data hasil survey pada Faculty of
Social and Behavioral Sciences di Netherlands yang didownload pada tanggal 19 mei
2006.
2. Indentifikasi Variabel
C. Jadual Kegiatan
Kegiatan analisis ini karena terkait dengan penugasan dalam mata kuliah Analisis
Multivariat, dilaksanakan dalam waktu beberapa hari saja. Jadual kegiatan tersebut
dapat dituangkan dalam tabel berikut ini.
Tabel 1. Jadual
HARI
NO KEGIATAN
Kamis Jum’at Sabtu Minggu Senin Selasa
Pembentukan
1 kelompok dan
penugasan
2 Mendapatkan data
3 Melakukan analisis
Menuangkan hasil
4
dalam bentuk laporan
5 Presentasi
7
BAB IV
ANALISIS DAN PEMBAHASAN
Data yang digunakan dalam penelitian ini adalah data hasil survei pada Faculty of
Social and Behavioral Sciences, Leiden University di Netherlands yang di-download
pada tanggal 19 mei 2006. Data tersebut akan dianalisis dalam 3 tahap yaitu: Analisis
Deskriptif, Analisis Hubungan antar Variabel, dan Analisis Korespondensi antar Value
Variabel
A. Analisis Deskriptif
Dengan menggunakan SPSS 14 didapatkan hasil analisis yang terlihat pada tabel 2
di bawah ini.
Tabel 2. Statistics
WILAYAH PAN_POL
Valid 725 725
N
Missing 0 0
Mode 3.00 3.00
Skewness -.077 -.167
Std. Error of Skewness .091 .091
Kurtosis -1.078 -.905
Std. Error of Kurtosis .181 .181
Range 3.00 4.00
Minimum 1.00 1.00
Maximum 4.00 5.00
Sum 1851.00 2330.00
25 2.0000 2.0000
Percentiles 50 3.0000 3.0000
75 3.0000 4.0000
8
3. Indeks untuk mengukur normalitas data dapat dilihat pada dua indikator
berikut ini:
a. Indeks Skewness (Kemiringan Kurva)
Dari hasil analisis terlihat bahwa indeks untuk wilayah adalah -0,077:0,091
= -0,846, sedangkan untuk pandangan politik didapatkan nilai
-0,167:0,091 = -1.835. Karena kedua ini ini berada dalam rentang antara
-2,00 sd. 2.00 maka dapat dikatakan dari sudut kemiringan kurva, data
berdistribusi normal.
b. Indeks Kurtosis (Keruncingan Kurva)
Dari hasil analisis terlihat bahwa indeks untuk wilayah adalah -1,078:0,181
= -5.956, sedangkan untuk pandangan politik didapatkan nilai
-0,905:0,181 = -5.000. Karena kedua ini ini berada tidak berada dalam
rentang antara -2,00 sd. 2.00 maka dapat dikatakan dari sudut keruncingan
kurva, data tidak berdistribusi normal. Namun demikian ada juga yang
menggunakan kriteria moderat normal untuk daerah sampai dengan + dan
– 5.000
Dengan demikian terutama bila menitikberatkan pada variabel sikap politik maka
pada dasarnya data dapat dikatakan relatif berdistribusi normal meskipun terlihat
sedikit runcing. Dalam bentuk kurva, frekuensi sebaran data dapat yang terkait
dengan analisis pada poin ini, dapat dilihat pada halaman berikut ini.
WILAYAH
300
200
100
Frequency
WILAYAH
9
Figur 2. Frekuensi Sebarab sampel Berdasarkan Pandangan Politik
PAN_POL
300
200
100
Frequency
PAN_POL
10
Tabel 3. Deskripsi Berdasarkan Wilayah
Cumulative
Frequency Percent Valid Percent
Percent
NORTH-EAST 131 18.1 18.1 18.1
MID-WEST 210 29.0 29.0 47.0
Valid SOUTH 236 32.6 32.6 79.6
WEST 148 20.4 20.4 100.0
Total 725 100.0 100.0
Cumulative
Frequency Percent Valid Percent
Percent
LIB 93 12.8 12.8 12.8
TEND-LIB 100 13.8 13.8 26.6
Valid MOD 244 33.7 33.7 60.3
TEND-CON 135 18.6 18.6 78.9
CON 153 21.1 21.1 100.0
Total 725 100.0 100.0
Cases
Valid Missing Total
N Percent N Percent N Percent
WILAYAH * PAN_POL 725 100.0% 0 .0% 725 100.0%
Selanjutnya berdasarkan sifat data nominal, maka dilakukan uji dengan dua
kemungkinan, yaitu pola hubungan antara variabel wilayah dan pandangan politik
penduduk berbentuk simetris atau non simetrik (searah). Untuk itu digunakan uji
Chi-Square (Pearson Chi-Square, Likelihood Ratio, dan Linear-by-Linear
11
Association), uji Symmetric Measures (Phi, Cramer’s V, dan Contingency
Coefficient), serta uji Directional Measures Symmetric (Lambda dan Uncertainity
Coefficient) sebagaimana yang tertera pada Tabel 6, 7 dan 8 berikut ini.
Asymp. Sig.
Value df
(2-sided)
Pearson Chi-Square 41.489(a) 12 .000
Likelihood Ratio 41.756 12 .000
Linear-by-Linear
5.073 1 .024
Association
a 0 cells (.0%) have expected count less than 5. The minimum expected count is 16.80.
Nominal by Nominal
Goodman and
Lambda Kruskal tau Uncertainty Coefficient
Value .018 .020
Asymp. Std.
Symmetric .014 .006
Error(a)
Approx. T(b) 1.206 3.288
Sig .228 .000(e)
Value .000 .015 .019
Asymp. Std.
.000 .005 .006
PAN_POL Error(a)
Dependent Approx. T(b) .(c) 3.288
Sig .(c) .000(d) .000(e)
a Not assuming the null hypothesis.
b Using the asymptotic standard error assuming the null hypothesis.
c Cannot be computed because the asymptotic standard error equals zero.
d Based on chi-square approximation
e Likelihood ratio chi-square probability.
12
Dari Tabel 6, 7, dan 8 dapat dilihat bahwa:
1. Seluruh pengujian simetris menunjukkan hasil yang sangat signifikan (dengan
P-Value 0,000) kecuali untuk pengujian dengan Lambda hasilnya tidak
signifikan dengan P-Value 0,228 > 0,05 dan Asymp. Std Error 0,014.
2. Pengujian asimetris, dimana variabel wilayah sebagai variabel independent
dan variabel pandangan politik sebagai variabel dependent, dengan
menggunakan uji Uncertainity Coefficient didapat hasil yang sama bila pola
hubungan diasumsikan simetris. Selain itu digunakan juga uji Goodman &
Kruskal Tau, dimana hasilnya sangat signifikan dengan P-Value 0,000 dan
Asymp. Std. Error sebesar 0,005.
Dari pengujian kedua pola tersebut terlihat bahwa pola hubungan antara variabel
wilayah dan pandangan politik relatif berbentuk asimetrik dimana variabel pandangan
politik menepati posisi sebagai variabel dependent. Hal ini disimpulkan berdasarkan
fakta bahwa hasil pengujiannya bersifat konsisten pada semua uji.
Dengan demikian dapat dinyatakan bahwa pandangan politik penduduk yang
tinggal di wilayah tertentu akan dipengaruhi oleh karakteristik pandangan politik (dari
sebagian besar penduduk) pada wilayah tersebut.
Untuk melihat karakteristik pandangan politik pada keempat wilayah yang
datanya dianalisis, maka digunakan analisis korespondensi sebagaimana yang akan
dipaparkan pada Subbab C berikut ini.
Active Margin
93 100 244 135 153 725
(Total)
13
Selanjutnya, jika dikaji profilnya baik untuk baris maupun kolom, maka akan
dapat dilihat pada output SPSS di Tabel 10 dan tabel 11 yang dicantumkan di halaman
berikut ini.
PAN_POL
LIB TEND-LIB MOD TEND-CON CON Active Margin
NORTH-EAST .145 .176 .443 .122 .115 1.000
MID-WEST .124 .148 .338 .224 .167 1.000
SOUTH .076 .114 .318 .195 .297 1.000
WEST .203 .128 .270 .176 .223 1.000
Mass .128 .138 .337 .186 .211
14
1. Nilai active margin setiap kolom adalah 1.00 sebagaimana harusnya
2. Nilai massa terbesar (0,3267) terdapat pada wilayah SOUTH yang merupakan
modus pada data ini
PAN_POL
WILAYAH LIB TEND-LIB MOD TEND-CON CON Mass
NORTH-EAST .204 .230 .238 .119 .098 .181
MID-WEST .280 .310 .291 .348 .229 .290
SOUTH .194 .270 .307 .341 .458 .326
WEST .323 .190 .164 .193 .216 .204
Active Margin 1.000 1.000 1.000 1.000 1.000
3. Jika diperhatikan profil setiap baris, maka dapat dilihat nilai terbesar untuk
baris:
a. NORTH-EAST adalah pada kolom MOD, yang menunjukkan secara umum
bahwa penduduk yang tinggal di wilayah timur laut Netherland cenderung
memiliki pandangan politik yang moderat (lihat poin 3.b pada analisis profil
baris)
b. MID-WEST adalah pada kolom TEND-CON, yang menunjukkan bahwa
penduduk yang tinggal di wilayah tengah-barat Netherlands cenderung
memiliki pandangan politik agak konservatif (lihat poin 3.c pada analisis
profil baris)
c. SOUTH adalah pada kolom CON, yang menunjukkan bahwa penduduk
yang tinggal di wilayah selatan Netherland cenderung memiliki pandangan
politik yang konservatif (lihat poin 3.d pada analisis profil baris)
d. WEST adalah pada kolom LIB, yang menunjukkan bawa penduduk yang
tinggal di wilayah barat Netherland cenderung memiliki pandangan politik
yang liberal (lihat poin 3.a pada analisis profil baris)
Jika kita perhatikan dari kedua profil di atas, baik profil baris maupun profil
kolom, terlihat bahwa keduanya menyatakan satu hal yang sama meski dengan
tampilan nilai-nilai yang berbeda. Hal ini juga dapat dilihat pada pemetaan kedua
variabel yang mewakili baris dan kolom di maksud yang ditampilkan pada figur 9 di
halaman terakhir Bab IV ini.
Rangkuman analisis untuk datanya dapat dilihat pada halaman berikut;
15
Tabel 12. Rangkuman Analisis
Dimension
1 2 3 Total
Singular Value .189 .124 .078
Inertia .036 .015 .006 .057
Chi Square 41.489
Sig. .000(a)
Accounted for .627 .268 .105 1.000
Proportion of Inertia
Cumulative .627 .895 1.000 1.000
Pada tabel di atas terlihat bahwa eigenvalue (inertia) menunjukkan bahwa nilai
varians yang dapat dijelaskan adalah sebesar 0.057 atau 5.7% saja. Namun demikian
jika melihat nilai Chi-Square yang cukup besar dengan nilai P-VALUE sebesar 0,000
(<0,01) hal ini memperlihatkan bahwa terdapat hubungan yang sangat signifikan
antara pandangan politik (PAN_POL) dengan wilayah tempat tinggal penduduk di
Netherland.
Korelasi kanonik maksimum (yang merupakan interpretasi dari Singular Value
yang merupakan akar kuadrat dari Eigenvalue) antar kategori dari variabel-variabel
dalam analisis untuk setiap dimensi adalah 0.189 untuk dimensi pertama (terbesar),
0.124 untuk dimensi kedua (juga merupakan yang kedua terbesar), dan 0.078 dimensi
ketiga. Dari eigenvector yang diperoleh dalam analisis (proportion of inertia), maka
dengan 3 faktor dapat dinyatakan bahwa keragaman yang dapat diterangkan adalah
sebesar 100% dengan rincian sebagai berikut:
1. Faktor pertama dengan eigenvalue sebesar 0.036 mampu menerangkan
keragaman data sebesar 62.7%.
2. Faktor kedua dengan eigenvalue sebesar 0.015 mampu menerangkan
keragaman data sebesar 26.8% (total dengan faktor pertama adalah 0,895 atau
89,5%)
3. Faktor ketiga dengan eigenvalue sebesar 0.006 mampu menerangkan
keragaman data sebesar 10.5% (total dengan sebelumnya menjadi 100%).
16
Bila dilihat standard deviasinya terlihat bahwa untuk dimensi/faktor pertama
ditemukan nilai sebesar 0,35. Nilai ini juga menunjukkan presisi yang relatif lebih
baik dari dimensi/faktor kedua yang memiliki nilai standard deviasi sebesar 0,40.
Selanjutnya untuk overview Row Points(a) dan overview column Points(a) akan
dapat dilihat pada Tabel 11 dan Tabel 12 yang dicantumkan pada halaman berikut ini.
WILAYAH
NORTH- MID- Active
SOUTH WEST
EAST WEST Total
Mass .181 .290 .326 .204 1.000
Score in 1 -.702 -.130 .540 -.055
Dimension 2 .309 .065 .194 -.675
Inertia .020 .005 .020 .012 .057
Of Point to Inertia 1 .470 .026 .501 .003 1.000
of Dimension 2 .139 .010 .099 .752 1.000
Contribution 1 .832 .181 .901 .010
Of Dimension to
2 .105 .030 .076 .970
Inertia of Point
Total .938 .210 .977 .979
a Symmetrical normalization
Dari tabel Overview Row Points(a) di atasdapat dilihat hal-hal sebagai berikut:
1. pada baris Massa, memperlihat proporsi marjinal dari variabel baris (wilayah
tempat tinggal) yang menggunakan profil titik-titik terbobot saat
mengkomputasi jaraknya. Pembobotan ini memberikan efek kompensasi bagi
ketaksetaraan jumlah pada setiap kasus. Dan seperti yang telah diungkapkan
sebelumnya bahwa massa terbesar terlihat pada wilayah barat yang merupakan
modus data untuk variabel wilayah.
2. pada baris Skor Dimensi, skor-skor ini digunakan sebagai koordinat untuk
titik-titik value variables saat memplotkannya (untuk konfirmasi, dapat dilihat
pada Figur 7 dan juga Figur 9).
3. pada baris Inersia, terdapat nilai-nilai yang menunjukkan variansi yang
totalnya adalah 0,57
17
4. Kontribusi dari poin ke inersia dimensi merupakan loading factors yang
digunakan dalam faktor analisis yang konvensional
5. Kontribusi dari inersia dimensi ke poin adalah korelasi multipel yang
merefleksikan bagaimana baiknya model principal komponen menjelaskan
poin (kategori) tertentu (terlihat bahwa principal komponen terlihat paling
rendah dalam menjelaskan kategori tempat tinggal penduduk di wilayah
tengah barat Netherland).
Untuk Tinjauan terhadap kategori (poin) pada kolom (varaiabel pandangan politik,
hasil analisisnya dapat dilihat pada tabel di bawah ini.
PAN_POL
TEND TEND- Active
LIB MOD CON
-LIB CON Total
Mass .128 .138 .337 .186 .211 1.000
Score in 1 -.491 -.351 -.252 .237 .721
Dimension 2 -.800 .124 .334 -.037 -.094
Inertia .016 .003 .009 .006 .022 .057
Of Point to Inertia 1 .163 .090 .113 .055 .579 1.000
of Dimension 2 .663 .017 .303 .002 .015 1.000
Contribution 1 .363 .921 .448 .308 .940
Of Dimension to 2 .630 .075 .512 .005 .010
Inertia of Point
Total .993 .995 .960 .313 .950
a Symmetrical normalization
Dengan pengertian yang sama pada penjelasan Tabel 13, dapat dilihat hal-hal
sebagai berikut:
1. Massa terbesar setelah pembobotan atas ketaksetaraan jumlah kasus tetap
berada pada kategori moderat yang juga merupakan modus pada variabel
ini (lihat tabel tabulasi Silang)
2. Skor Dimensi, skor-skor ini digunakan sebagai koordinat untuk titik-titik
value variables saat memplotkannya (untuk konfirmasi, dapat dilihat pada
Figur 8 dan juga Figur 9 di bagian akhir Bab IV ini).
3. Pada baris Inersia, terdapat nilai-nilai yang menunjukkan variansi yang
totalnya adalah 0,57
4. Kontribusi dari poin ke inersia dimensi merupakan loading factors yang
memperlihatkan bahwa pandangan liberal dan moderat lebih dekat pada
18
dimensi ke-2 dibanding dimensi ke-1, sedangakn tiga pandangan politik
lainnya lebih dekat pada dimensi ke-1.
5. Kontribusi dari inersia dimensi ke poin adalah korelasi multipel yang
merefleksikan bagaimana baiknya model principal komponen menjelaskan
poin (kategori) tertentu (terlihat bahwa nilai ini setara dengan kontribusi
dari poin atau kategori ke dimensi).
Confidence Row Points (Tabel 15) dan Confidence Column Points (Tabel 16) di
bawah ini memperlihatkan standard deviasi dari skor-skor baris dan kolom (nilai-nilai
ini digunakan sebagai koordinat untuk memplot Correspondence Map dan juga
digunakan untuk menilai presisinya.
Standard Deviation in
Dimension Correlation
WILAYAH
1 2 1-2
NORTH-EAST .190 .307 .528
MID-WEST .169 .323 .066
SOUTH .122 .206 -.685
WEST .339 .148 -.026
Standard Deviation in
Dimension Correlation
PAN_POL
1 2 1-2
LIB .387 .221 -.694
TEND-LIB .072 .117 .801
MOD .171 .122 .575
TEND-CON .215 .406 .095
CON .127 .302 .304
Pada dua tabel di atas dapat dilihat bahwa standard deviasi yang besar
menunjukkan presisi rendah rendah bagi suatu poin atau kategori untuk ditempatkan
pada dimensi atau faktor tertentu. Sebaliknya semakin rendah nilai standard
deviasinya, maka semakin baik presisinya.
Jika kita lihat presisi tersebut pada Tabel 15, maka wilayah barat berada pada
dimensi du (sendiri) sedangkan tiga wilayah lainnya berada pada dimensi yang sama
(berdekartan). Hasil ini sesuai dengan hasil pada Tabel 13. Sedangkan Tabel 16 akan
memberikan interpretasi yang sama dengan tabel 14.
19
Selanjutnya empat figur berikut ini akan memperlihatkan transformasi kategori-
kategori pada baris dan kolom ke dalam kolom dengan masing-masing satu plot untuk
tiap dimensi (dalam hal ini ada 2 dimensi yang digunakan, sehingga ada 4 plot).
.6
.4
.2
0.0
-.2
-.4
-.6
-.8
NORTH-EAST MID-WEST SOUTH WEST
WILAYAH
20
Dimension 2 Transformed WILAYAH Categories
Dimension 2 Transformed WILAYAH Categories
Symmetrical Normalization
.4
.2
0.0
-.2
-.4
-.6
-.8
NORTH-EAST MID-WEST SOUTH WEST
WILAYAH
Symmetrical Normalization
.8
.6
.4
.2
-.0
-.2
-.4
-.6
LIB TEND-LIB MOD TEND-CON CON
PAN_POL
21
Dimension 2 Transformed PAN_POL Categories
.2
0.0
-.2
-.4
-.6
-.8
-1.0
LIB TEND-LIB MOD TEND-CON CON
PAN_POL
Dua figur berikut ini adalh uniplot untuk baris dan kolom. Perlu diperhatikan
bahwa aksis pada kedua plot sedikit berbeda, meskipun kedua plot didasarkan pada
normalisasi yang bersifat simetrik. Dalam hal ini normalisasinya tepatnya didasarkan
pada normalisasi baris dan normalisasi kolom.
0.0
-.2
-.4
Dimension 2
-.6 WEST
-.8
-.8 -.6 -.4 -.2 0.0 .2 .4 .6
Dimension 1
22
Figur 8. Pemetaan Value of Variable Pandangan Politik
.2 TEND-LIB
0.0 TEND-CON
CON
-.2
-.4
Dimension 2
-.6
LIB
-.8
-1.0
-.6 -.4 -.2 -.0 .2 .4 .6 .8
Dimension 1
Jika kedua figur di halaman sebelum ini digabungkan, maka akan didapatkan figur
akhir yang memperlihatkan pemetaan karakteristik pandangan politik penduduk pada
keempat wilayah yang ada. Figur dimaksud ditampilkan di bawah ini.
SOUTH
.2 TEND-LIB
MID-WEST
0.0 TEND-CON
CON
-.2
-.4
Dimension 2
-.6 WEST
LIB
-.8 PAN_POL
-1.0 WILAYAH
-.8 -.6 -.4 -.2 0.0 .2 .4 .6 .8
Dimension 1
23
Dari figur tersebut dapat dilihat bahwa karakteristik pandangan politik penduduk
Netherlands yang bermukim di wilayah West pada umumnya adalah Liberal,
sementara yang bermukim di wilayah South pada umumnya adalah konservatif dan
cenderung ke konservatif (TEND-CONS). Untuk wilayah MidWest karakteristik
umum pandangan politik penduduknya adalah cenderung ke liberal (TEND-LIB),
sedangkan penduduk yang bermukim di wilayah Northeast berpandangan politik
moderat. Hal ini sesuai dengan profil baris dan profil kolom yang telah dipaparkan
sebelumnya.
24
BAB V
KESIMPULAN
Berdasarkan hasil analisis terdahulu dapat disimpulkan paling tidak dua hal utama
sebagai berikut:
25
c. Untuk wilayah MidWest karakteristik umum pandangan politik
penduduknya adalah cenderung ke liberal (TEND-LIB)
d. Sedangkan penduduk yang bermukim di wilayah Northeast
berpandangan politik moderat.
Hal ini juga sesuai dengan profil baris dan profil kolom yang telah dipaparkan
di bagian awal analisis korespondensi.
26
DAFTAR PUSTAKA
Benzecri, J., P., (1992), Correspondence Analysis Handbook, Marcel Dekker, Inc.,
New York
Johnson R., A., & Wichern, D., W., (2002) Applied Multivariate Statistical Analysis,
Fifth edition, Prentice Hall, New Jersey
N.,N., (2001), SPSS 10; Correspondence Analysis Output, Faculty of Social and
Behavioral Sciences, Leiden University, Leiden-Netherland
27