Tugas analisis faktor | Statitistika Multivariat

Tugas multivariate 2
Langkah awal sebelum melakukan analisis faktor adalah menentukan tujuan penggunaan analisis faktor pada data.
Dikarenakan minimnya informasi variable pada data HBAT_200, maka tujuan dilakukannya analisis faktor pada data tersebut
hanya untuk exploratory, yaitu men-summerize-kan data dengan metode PCA.
Langkah selanjutnya adalah identifikasi unit dari variabel yang akan di analisis faktor-kan. Dari 23 variable dalam data
HBAT_200 tidak semua unit variabelnya sama. Dalam analisis faktor yang akan dipakai, hanya variabel metrik saja yang
dipakai. Sehingga dari jumlah total 23 variabel, hanya variabel ke-6 sampai dengan ke-21 yang dipakai dalam analisis ini.
Langkah selanjutnya adalah pengecekan dapat/tidaknya data dianalsis faktor-kan. Caranya adalah dengan melihat nilai
interkorelasi antar variabelnya dengan matriks parsial korelasi, kmo-bartlett test, dan matriks MSA-nya.

KMO and Bartlett's Test










Berdasarkan nilai test KMO-Bartlett test, nilai korelasi antar variabel di data HBAT_200 >0.5, sehingga analisis faktor bisa
dilanjutkan. Dengan nilai signifikansi test-nya <0.05, uji H0= matriks korelasi berupa matriks identitas tertolak. Sehingga ada
interkorelasi antar variabel satu dengan lainnya.

Untuk mengecek nilai korelasi antarvariabel independen dapat diperhatikan dari tabel anti-image-matriksnya. Nilai yang diperhatikan
adalah MSA (Measure of Sampling Adequacy). Nilai MSA berkisar antara 0 hingga 1, dengan ketentuan sebagai berikut:
1. MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel yang lain.
2. MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut.
Kaiser-Meyer-Olkin Measure of
Sampling Adequacy.
.717
Bartlett's Test of
Sphericity
Approx. Chi-
Square
2679.81
4
df 120
Sig. .000
Tugas analisis faktor | Statitistika Multivariat

3. MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut, atau dikeluarkan dari variabel lainnya.
Hasil pengujian dengan SPSS sebagai berikut:


Tugas analisis faktor | Statitistika Multivariat

Berdasarkan hasil MSA, maka seluruh variabel independen dapat dianalisis lebih lanjut karena masing-masing nilai anti-image
correlationnya > 0,5.
Langkah selanjutnya adalah pengecekan ekstraksi faktor yang akan dipakai. Yaitu dengan melihat komunalitas tiap
variabelnya. Komunalitas menggambarkan variabel, seberapa besar faktor yang nantinya terbentuk mampu menjelaskan
variabel. Dari nilai komunalitas, hanya satu variabel yaitu x15 yang nilai komunalitasnya sangat kecil, yaitu hanya 9% variabel
x15 yang mampu dijelaskan oleh faktor. Oleh sebab itu variabel 15 bisa dibuang.


Tugas analisis faktor | Statitistika Multivariat

Untuk mengetahui kemungkinan faktor yang terbentuk dapat digunakan total variansi

Total Variance Explained

Componen
t
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Total
% of
Variance
Cumulative
% Total
% of
Variance
Cumulative
% Total
% of
Variance
Cumulative
%
1 5.352 35.683 35.683 5.352 35.683 35.683 3.627 24.181 24.181
2 2.826 18.838 54.521 2.826 18.838 54.521 3.205 21.366 45.547
3 1.733 11.551 66.072 1.733 11.551 66.072 2.833 18.886 64.433
4 1.652 11.013 77.084 1.652 11.013 77.084 1.898 12.651 77.084
5 .820 5.468 82.553
6 .550 3.669 86.222
7 .481 3.208 89.430
8 .412 2.745 92.175
9 .312 2.080 94.255
10 .272 1.811 96.066
11 .216 1.439 97.505
12 .161 1.070 98.576
13 .115 .768 99.343
14 .090 .599 99.942
15 .009 .058 100.000
Extraction Method: Principal Component Analysis.

Varians bisa diterangkan oleh oleh faktor 1 adalah 35.683 %, faktor kedua 54.521 %, faktor ketiga 66.072 %dan 77.084%
untuk faktor keempat. Jadi yang akan terbentuk adalah 4 faktor, bukan 16 faktor.






Tugas analisis faktor | Statitistika Multivariat



Jika menggunakan cara grafik, plot nilai eigen terhadap masing-masing komponen dapat menunjukkan area pemotongan faktor
yaitu dengan melihat awal mula titik curam terbentuk. Sehingga fakto yang terbentuk akan ada 4 juga jika ditinjau dari scree
plot-nya.


1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Component Number
0
1
2
3
4
5
6
E
i
g
e
n
v
a
l
u
e
Scree Plot
Tugas analisis faktor | Statitistika Multivariat



Setelah diketahui bahwa faktor maksimal yang bisa terbentuk adalah 4, selanjutnya adalah penentuan masing-masing variabel
independen yang akan masuk ke faktor 1, 2, 3 dan 4. Cara menentukannya adalah dengan melihat tabel Component Matrix
sebagai berikut:

Component Matrix(a)


Component
1 2 3 4
X6 .370 -.708 .126 -.249
X7 .450 .461 .531 -.211
X8 .318 -.185 .321 .825
X9 .780 .154 -.473 .092
X10 .451 .445 .350 -.226
X11 .691 -.496 -.183 -.083
X12 .540 .526 .529 -.163
X13 -.215 .701 .057 .123
X14 .370 -.166 .319 .806
X16 .725 .199 -.423 .104
X17 .210 .794 -.352 .177
X18 .821 .215 -.455 .066
X19 .900 -.172 .089 -.158
X20 .766 -.157 .154 -.112
X21 .715 -.208 .161 -.154
Extraction Method: Principal Component Analysis.
a 4 components extracted.


Tugas analisis faktor | Statitistika Multivariat

Namun agar lebih jelas nilai korelasi variabel terhadap faktor yang terbentuk dapat digunakan teknik perotasian komponen.
Tujuannya agar terlihat perbedaan nilai korelasi yang besar di tiap variabel yang masuk kedalam tiap faktornya. Teknik rotasi
yang dipakai adalah rotasi orthogonal.

Rotated Component Matrix(a)


Component
1 2 3 4
X6 -.016 .845 -.015 .021
X7 .062 -.033 .857 .035
X8 .065 .077 .023 .953
X9 .910 .132 .114 .075
X10 .174 -.039 .735 -.040
X11 .483 .722 -.008 .102
X12 .147 -.060 .917 .088
X13 -.008 -.704 .244 -.030
X14 .106 .092 .062 .945
X16 .851 .074 .138 .083
X17 .589 -.662 .210 -.042
X18 .939 .111 .183 .059
X19 .524 .612 .454 .131
X20 .395 .533 .426 .161
X21 .337 .567 .393 .121
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
a Rotation converged in 5 iterations.

Sehingga komponen yang masuk ke faktor satu adalah : X9, X16, X17, X18 ; Faktor dua: X6, X11,X19, X20, X21;
Faktor ketiga: X7, X10, X13, X12 ; Faktor keempat: X8, X14,


Tugas analisis faktor | Statitistika Multivariat

Sebagai langkah akhir dari penentuan faktor, lihat tabel Component Transformation Matrixuntuk melihat korelasinya apakah
keempat faktor tersebut mampu merangkum komponennya.

Component Transformation Matrix

Componen
t 1 2 3 4
1 .712 .454 .481 .237
2 .239 -.820 .496 -.156
3 -.651 .139 .656 .355
4 .112 -.319 -.302 .891
Extraction Method: Principal Component Analysis.
d: Varimax with Kaiser Normalization.

Kesimpulan:
Dengan metode PCA, akan terbentuk 4 faktor dengan nilai masing-masing variansi faktor yang terbentuk sebesar faktor 1
adalah 35.683 %, faktor kedua 54.521 %, faktor ketiga 66.072 %dan 77.084% untuk faktor keempat. Sedangkan
pengelompokannya adalah
Faktor satu : X9, X16, X17, X18,
Faktor dua: X6, X11,X19, X20, X21
Faktor ketiga: X7, X10, X13, X12
Faktor keempat: X8, X14,
Namun terdapat catatan bahwa korelasi di faktor 2 <0.5, sehingga nilai faktor 2 kurang dapat merangkum variansi dari
komponen pembentuknya. Sehingga harus dilakukan analisis ulang kembali.