BAB I

PENDAHULUAN

A. Latar Belakang

Analisis korespondensi (Correspondence Analysis) adalah suatu ilmu yang

mempelajari hubungan dua atau lebih variabel kualitatif dan merupakan bagian dari
analisis data multivariat. Data hasil survey Faculty Of Social and Behavioral
Sciences, Leiden University di Netherlands adalah data yang memerlukan
penyelesaian dengan menggunakan analisis korespondensi, dimana ingin diketahui
bagaimana hubungan antara wilayah tempat tinggal penduduk di Netherlands dengan
pandangan politik (PAN_POL) mereka.

B. Rumusan Masalah

Masalah yang dibahas dalam analisis ini adalah:

1. Apakah ada keterkaitan antara pandangan politik (PAN_POL) dengan wilayah
di Netherlands atau tidak?
2. Bagaimana deskripsi pandangan politik di Netherlands dalam kaitannya
dengan wilayah?.

C. Tujuan Kegiatan

Tujuan yang ingin dicapai dalam penelitian ini adalah:

1. Mengetahui keterkaitan antara pandangan politik (PAN_POL) dengan wilayah
di Netherlands.
2. Mendeskripsikan pandangan politik di Netherlands berdasarkan wilayah.

D. Manfaat Kegiatan

Manfaat yang diharapkan dari analisis ini adalah sebagai berikut:

1. Memberikan informasi tentang keterkaitan antara pandangan politik dengan
wilayah di Netherlands.
2. Untuk mengetahui sejauh mana analisis korespondensi dapat menggambarkan
hubungan pandangan politik dengan wilayah.

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

Menurut Lebart(1984), Dalam analisis korespondensi, jarak yang digunakan untuk

dapat menggambarkan titik-titik pada plot adalah jarak Khi-Kuadrat.
Jarak anatara dua baris atau dua tititk individu ke-i dan I’ adalah
1  fij fi ' j 
d 2 ( i , i' ) = ∑ f .j  f − 
f i '. 
(1)
 i.

dan jarak anata variable ke j dan variable j’ adalah

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:

1. Penjelasan Titik-titik dalam Ruang Dimensi p

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)

Sehingga dengan demikian besaran yang dimaksimumkan adalah jumlah kuadrat

−1
berbobot dari u' Dp F' Dn FDp u , dengan kendala u' Dpu = 1 .
−1 −1

U merupakan vector ciri dari

−1
S = F' Dn FDp−1u (6)

yang berpadanan dengan akar terbesar λ , yang memenuhi persamaan

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

koordinat dari n titik adalah

−1
F = Dn F ϕ . (8)

2. Penjelasan Titik-titik dalam Ruang Dimensi n

Untuk menjelaskan titik-titk di dalam ruang n, perhitungan matematiknya analog

dengan perhitungan di pruang p.Yaitu denagan memaksimumkan
v' Dn−1FDp−1F' Dn−1 v (9)

sedemikian hingga v' Dp v = 1 . (10)

Maka proyeksi p titik pada sumbu v merupakan vector yang dapat ditulis sebagai
−1
ϕˆ = Dp FDn−1 v . atau
−1
ϕˆ = Dp F' ψ
(11)
ϕˆ = λ ϕ

dimana ψ adalah operator proyeksi dari sumbu v, dimana ψ = Dn−1 v .

3. Kontribusi Mutlak

Kontribusi mutlak adalah proporsi keragaman yang diterangkan oleh masing-

masing titik terhadap sumbu utamanya. Nilai kontribusi mutlak ini digunakan untuk

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

A. Alat dan Bahan

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

Variabel dalam penelitian ini dapat di kelompokkan atas variabel pandangan

politik dan variabel wilayah.
Variabel pandangan politik (PAN_POL) terdiri dari kategori sebagai berikut:
a. LIB : Berpandangan politik Liberal
b. TEND-LIB : Berpandangan politik Cenderung keLiberal
c. MOD : Berpandangan politik Moderat
d. TEND-CON : Berpandangan politik Cenderung ke Conservative
e. CON : Berpandangan politik Conservative
Variabel WILAYAH terdiri dari kategori sebagai berikut:
a. NORTH-EAST : Penduduk yang berdiam di wilayah North-East
b. MID-WEST : Penduduk yang berdiam di wilayah Mid-West
c. SOUTH : Penduduk yang berdiam di wilayah South
d. WEST : Penduduk yang berdiam di wilayah West
6
 3. Langkah-langkah Analisis

Untuk mencapai tujuan penelitian digunakan analisis korespondensi

(Correspondence Analysis) dengan langkah-langkah sebagai berikut:
a. Mendeskripsikan data yang diperoleh,
b. Menentukan matrik X, F, Dp,dan Dn.
c. Menentukan nilai eigen λ dan vector eigen dari S yaitu u.
d. Menentukan operator proyeksi ϕ, ψ .
e. Menentukan koordinat, kontribusi mutlak, korelasi kuadrat, masing masing
variabel.
f. Menganalisis per tabel masing-masing titik kemudian menentukan
faktornya.
g. Memplot antara baris dan kolom yaitu antara wilayah dan Pandangan
Politik (PAN_POL).
Selanjutnya dapat dilakukan analisis serentak sehingga dapat dilihat
kecenderungan anatar kedua 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

Dari tabel di atas dapat dilihat hal-hal sebagai berikut:

1. Jumlah sampel yang dianalisis adalah 725 orang penduduk dan tidak ada data
yang hilang.
2. Karena data yang bersifat nominal maka tidak digunakan Mean dan Median
sebagai nilai Central Tendency-nya, tetapi digunakan modus. Dari hasil
analisis terlihat bahwa modus data adalah 3, hal ini juga dapat dilihat pada
nilai persentil 50. Dengan demikian dapat disimpulkan bahwa bagian terbesar
dari penduduk memiliki pandangan politik yang bernilai Moderat.

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.

Figur 1. Frekuensi Sebaran Sampel berdasarkan Wilayah

WILAYAH
300

200

100
Frequency

Std. Dev = 1.01

Mean = 2.6
0 N = 725.00
1.0 2.0 3.0 4.0

WILAYAH

9
 Figur 2. Frekuensi Sebarab sampel Berdasarkan Pandangan Politik

PAN_POL
300

200

100
Frequency

Std. Dev = 1.28

Mean = 3.2
0 N = 725.00
1.0 2.0 3.0 4.0 5.0

PAN_POL

4. Nilai maksimum-minimum wilayah (1-4) dengan range = 3 meperlihatkan

bahwa semua value (kategri) pada variabel wilayah terisi semuanya, atau
dengan kata lain sampel yang digunakan berasal dari keempat wilayah yang
didata. Begitu pula Nilai maksimum-minimum wilayah (1-5) dengan range =
3 meperlihatkan bahwa semua value (kategri) pada variabel wilayah terisi
semuanya, atau dengan kata lain sampel yang memiliki pandangan politik dari
liberal sampai konservatif.
5. Berdasarkan nilai persentil dapat dinyatakan bahwa untuk variabel:
a. Wilayah, jumlah sampel hingga 25% berasal dari wilayah 1 dan 2 (North-
East dan Mid-West). Jika dihitung sampai 50%, maka sampel akan
melibatkan sampai 3 wilayah (North-East, Mid-West, dan South), begitu
juga sampai 75%-nya.
b. Pandangan politik, jumlah sampel hingga 25% memiliki pandangan politik
kategori 1 dan 2 (Liberal dan Tend to Liberal). Jika dihitung sampai 50%,
maka sampel akan melibatkan sampai sikap kategori 3 (Liberal, Tend to
Liberal, dan Moderat). Sedangkan sampai 75% data sudah mencakup
sikap kategori 1 sd. 4 (Liberal, Tend to Liberal, Moderat, dan Tend to
Concervative).
Analisis pada poin 1 (jumlah sampel), poin 2 (modus), poin 4 (maksimum,
minimum dan range), serta poin 5 (persentil) dapat dilihat secara umum dapat dilihat
pada dua tabel berikut ini.

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

Tabel 4. Deskripsi Berdasarkan Pandangan Politik (PAN-POL)

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

B. Analisis Hubungan antar Variabel

Sebelum memasuki analisis korespondensi untuk melihat hubungan antar value

pada variabel wilayah tempat tinggal dengan sikap politik penduduk di Netherland,
maka terlebih dahulu dilakukan analisis mengenai hubungan antara variabel Wilayah
dan Pandangan Politik.
Berdasarkan hasil analisis dengan menggunakan program SPSS dapat dilihat
bahwa semua data (berasal dari 725 sampel) dapat dianalisis tanpa ada satupun yang
ketinggalan/hilang. Hal ini dapat dilihat pada tabel berikut:

Tabel 5. Rangkuman Pemrosesan Kasus

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.

Tabel 6. Hasil Uji Chi-Square

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

N of Valid Cases 725

a 0 cells (.0%) have expected count less than 5. The minimum expected count is 16.80.

Tabel 7. Hasil Uji Symmetric Measures

Value Approx. Sig.

Phi .239 .000

Cramer's V .138 .000
Nominal by Nominal
Contingency
.233 .000
Coefficient

Tabel 8. Hasil Uji Directional Measures

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.

C. Analisis Korespondensi antar Value Variabel

Tabulasi silang antara variabel wilayah dan pandangan politik (PAN_POL)

penduduk di Netherland dapat dilihat pada tabel output SPSS di bawah ini:

Tabel 9. Tabulasi Silang

PANDANGAN POLITIK (PAN_POL)

WILAYAH Active
Margin
LIB TEND-LIB MOD TEND-CON CON
(Total)
19 23 58 16 15 131
NORTH-EAST
MID-WEST 26 31 71 47 35 210
SOUTH 18 27 75 46 70 236
WEST 30 19 40 26 33 148

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.

Tabel 10. Profil Baris

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

Dari profil baris yang tercantum di atas dapat dilihat bahwa :

1. Nilai active margin setiap baris semua nilainya adalah 1.00 sebagaimana
harusnya
2. Nilai massa terbesar (0,337) terdapat pada pandangan politik moderat yang
merupakan modus pada data ini
3. Jika diperhatikan profil setiap kolom, maka dapat dilihat nilai terbesar untuk
kolom:
a. LIB adalah pada baris WEST, yang menunjukkan secara umum bahwa
penduduk yang tinggal di wilayah barat Netherland cenderung memiliki
pandangan politik yang liberal
b. TEND_LIB dan MOD adalah pada baris NORTH-EAST, yang
menunjukkan bahwa penduduk yang tinggal di wilayah timur laut
Netherlands cenderung memiliki pandangan politik moderat sampai agak
liberal
c. TEND-CON adalah pada baris MID-WEST, yang menunjukkan bahwa
penduduk yang tinggal di wilayah Tengah-Barat cenderung memiliki
pandangan politik yang agak konservatif
d. CON adalah pada baris SOUTH, yang menunjukkan bawa penduduk yang
tinggal di wilayah selatan Netherland cenderung memiliki pandangan
politik yang konservatif.
Sedangkan untuk profil kolom yang dicantumkan di halaman setelah ini dapat
dilihat bahwa :

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

Tabel 11. Profil Kolom

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

Standard Deviation .035 .040

Confidence Singular Value
Correlation 2 -.043
a 12 degrees of freedom

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.

Tabel 13. Overview Row Points(a)

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.

Tabel 14. Overview Column Points(a)

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.

Tabel 15. Confidence Row Points

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

Tabel 16. Confidence Column Points

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).

Figur 3. Transformasi Normal Simetris

Kategori Wilayah untuk Dimensi 1
Dimension 1 Transformed WILAYAH Categories

Dimension 1 Transformed WILAYAH Categories

Symmetrical Normalization
.8

.6

.4

.2

0.0

-.2

-.4

-.6

-.8
NORTH-EAST MID-WEST SOUTH WEST

WILAYAH

Figur 4. Transformasi Normal Simetris

Kategori Wilayah untuk Dimensi 2

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

Figur 5. Transformasi Normal Simetris

Kategori Pandangan Politik untuk Dimensi 1

Dimension 1 Transformed PAN_POL Categories

Dimension 1 Transformed PAN_POL Categories

Symmetrical Normalization
.8

.6

.4

.2

-.0

-.2

-.4

-.6
LIB TEND-LIB MOD TEND-CON CON

PAN_POL

Figur 6. Transformasi Normal Simetris

Kategori Pandangan Politik untuk Dimensi 2

21
 Dimension 2 Transformed PAN_POL Categories

Dimension 2 Transformed PAN_POL Categories

Symmetrical Normalization
.4

.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.

Figur 7. Pemetaan Value of Variable Wilayah

Row Points for WILAYAH
Symmetrical Normalization
.4
NORTH-EAST
SOUTH
.2
MID-WEST

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

Column Points for PAN_POL

Symmetrical Normalization
.4 MOD

.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.

Figur 9. Pemetaan Karakteristik (Value of Variables)

Row and Column Points

Symmetrical Normalization
.4
NORTH-EAST MOD

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:

1. Dari pengujian pola hubungan didapatkan hasil sebagai berikut:

a. 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
b. 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 (meskipun
pola simetrik juga dapat diterapkan meski terlihat ada inkonsistensi dalam
pengujian) 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.
2. Jika diteliti lebih lanjut (dalam hal ini dengan Analisis Korespondensi) terlihat
bahwa memang ada perbedaan pandangan politik pada penduduk yang tinggal
di wilayah tertentu. Hal ini terbutkir dengan hasil pemetaan yang
memperlihatkan bahwa:
a. Pandangan politik penduduk Netherlands yang bermukim di wilayah
West pada umumnya adalah Liberal
b. Ssementara yang bermukim di wilayah South pada umumnya adalah
konservatif dan cenderung ke konservatif (TEND-CONS).

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

Latra, I., N., (1986), Analisis Hubungan, ITS, Surabaya

Lebart, L,Morineau, A, Warwicck, K.M. (1984), Multivariate Descriptive Statistically

Analysis, John Wiley & Sons, New York.

N.,N., (2001), SPSS 10; Correspondence Analysis Output, Faculty of Social and
Behavioral Sciences, Leiden University, Leiden-Netherland

27