1. Landasan Teori
Analisis komponen utama (principal component analysis / PCA) adalah
teknik yang digunakan untuk menyederhanakan suatu data, dengan cara
mentransformasi linier sehingga terbentuk sistem koordinat baru dengan varians
maksimum. PCA dapat digunakan untuk mereduksi dimensi suatu data tanpa
mengurangi karakteristik data tersebut secara signifikan.
e = (e1, e2, , ep) sedemikian hingga Var(Yi) = ei'ei maksimum dan ei'ei = 1.
Total keragaman variabel asal akan sama dengan total keragaman yang
diterangkan oleh komponen utama yaitu:
Penyusutan dimensi dari variabel asal dilakukan dengan mengambil
sejumlah kecil komponen yang mampu menerangkan bagian terbesar keragaman
data. Apabila komponen utama yang diambil sebanyak q komponen,
dimana q < p, maka proporsi dari keragaman total yang bisa diterangkan oleh
komponen utama ke-i adalah:
Variabel baku (Z) didapat dari transformasi terhadap variabel asal dalam
matriks berikut:
V1/2 adalah matriks simpangan baku dengan unsur diagonal utama adalah
(ii)1/2 sedangkan unsur lainnya adalah nol. Nilai harapan E(Z) = 0 dan
keragamannya adalah
Dengan demikian komponen utama dari Z dapat ditentukan dari vektor ciri
yang didapat melalui matriks korelasi variabel asal . Untuk mencari akar ciri dan
menentukan vektor pembobotnya sama seperti pada matriks .
Sementara trace matriks korelasi akan sama dengan jumlah p variabel yang
dipakai. Pemilihan komponen utama yang digunakan didasarkan pada nilai akar
cirinya, yaitu komponen utama akan digunakan jika akar cirinya lebih besar dari
satu.
Seluruh pengolahan data dilakukan berurutan kasus per kasus melalui file.
File dapat dipasangkan satu per satu atau satu-banyak, tapi tidak dapat banyak per
banyak. User interface grafis memiliki 2 jenis tampilan yang dapat dipilih dengan
cara meng-klik salah satu dari dua tombol di bagian bawah kiri dari window
SPSS.
SPSS mampu mengakses data dari berbagai macam format data yang
tersedia seperti Base, Lotus, Access, text file, spreadsheet, bahkan mengakses
database melalui ODBC (Open Data Base Connectivity) sehingga data yang sudah
ada, dalam berbagai macam format, bisa langsung dibaca SPSS untuk dianalisis.
SPSS memberi tampilan data yang lebih informatif, yaitu menampilkan data
sesuai nilainya (menampilkan label data dalam kata-kata) meskipun sebetulnya
kita sedang bekerja menggunakan angka-angka (kode data). Misalnya untuk field
Jenis Kelamin, kode angka yang digunakan adalah 1 untuk pria dan 2 untuk
wanita, maka yang akan muncul di layar adalah label datanya, yaitu pria dan
wanita.
4. Prosedur Kerja
Adapun prosedur kerja dalam menggunakan SPSS sebagai berikut :
12. Selanjutnya klik Paste => block dari bawah sampai Factor, lalu Play.
Tampilan sebagai berikut :
Scree Plot adalah salah satu alternatif yang dapat digunakan untuk
membantu peneliti menentukan berapa banyak faktor terbentuk yang dapat
mewakili keragaman peubah - peubah asal. Bila kurva masih curam, akan ada
petunjuk untuh menambahkan komponen. Bila kurva sudah landai, akan ada
petunjuk untuk menghentikan penambahan komponen, walaupun penilaian
curam/landai bersifat subjektif peneliti.
Dari scree plot di atas, terlihat pada saat satu komponen terbentuk, kurva
masih menunjukkan kecuraman, begitu juga pada saat di titik ke-2, garis kurva
masih tajam, di titik ke-4 garis kurva masih tajam namun sedikit berbeda dari pola
garis sebelumnya. Setelah melewati titik ke-4, garis kurva sudah mulai landai,
semakin ke kanan akan semakin landai. Dari penjelasan di atas, dapat kita tarik
kesimpulan bahwa terdapat empat komponen atau faktor yang terbentuk.
Table component matrix menunjukkan besarnya korelasi tiap variabel dalam
faktor yang terbentuk. Nilai nilai koefisien korelasi antara variabel dengan
faktor - faktor yang terbentuk (loading factor) dapat dilihat pada table Component
Matrix.
Hal ini terlihat dari variabel Kuliner dimana korelasi variabel ini dengan
faktor 1 sebesar 0,737, sedangkan dengan faktor 2 sebesar -0,199 (tanda negative
hanya menunjukkan arah korelasi), sehingga kita sulit untuk memutuskan apakah
variabel Kuliner dimasukkan ke faktor 1 atau faktor 2.
6. Kesimpulan
Setelah 10 variabel dianalisa menggunakan SPSS diketahui bahwa :
1. Nilai KMO yang dihasilkan adalah sebesar 0.555. nilai KMO lebih besar
dari 0.5, sehingga variabel variabel layak dianalisis lebih lanjut (analisis
faktor).
2. Setelah dilakukan uji Anti Image Matrix, diperoleh nilai MSA variabel
Fasilitas dan Kebersihan lebih kecil dari 0,5.
3. Uji Total Variance didapat 4 variabel yang nilainya lebih besar dari 1
4. Terdapat 4 faktor kepuasan tourist yang membuat mereka ingin datang
berkunjung kembali ke Bali, hasilnya adalah sebagai berikut :
Faktor 1, yaitu variable Seni, Budaya, dan Pemandangan.
Faktor 2, yaitu variabel Cendramata, Kebersihan, dan Kuliner.
Faktor 3, yaitu variable Fashion dan Keamanan.
Faktor 4, yaitu Fasilitas
Daftar Pustaka
http://setabasri01.blogspot.co.id/2012/04/analisis-faktor-dengan-spss.html
(diakses pada tanggal 11 Maret 2017)
http://statistikceria.blogspot.co.id/2013/03/tutorial-contoh-kasus-analisis-
faktor.html (diakses pada tanggal 10 Maret 2017)
https://www.academia.edu/7378960/Analisis_Faktor_dengan_SPSS (diakses
pada tanggal 11 Maret 2017)
http://stats.idre.ucla.edu/spss/output/factor-analysis/ (diakses pada tanggal 13
Maret 2017)
http://stats.idre.ucla.edu/spss/output/principal-components-analysis/ (diakses
pada tanggal 13 Maret 2017)