Analisis Faktor dan Diskriminan
BAB XIV ANALISIS FAKTOR DAN DISKRIMINAN
A. Pengertian Mengenai Analisis Multivariat
Analisis multivariat (multivariate analysis) merupakan salah satu jenis analisis statistik yang digunakan untuk menganalisis data yang terdiri dari banyak peubah bebas (independent variables) dan juga banyak peubah tak bebas (dependent variables). Dalam analisis ini, harap dibedakan data multivariat (multivariate) dengan data yang banyak peubahnya (multivariable). Data multivariat adalah data yang dikumpulkan dari dua atau
lebih observasi dengan mengukur observasi tersebut dengan beberapa karakteristik. Contoh data multivariat adalah seperti pada Matriks 14.1 berikut ini. Matriks 14.1. Format Data Multivariat
|
Observasi ke-i |
X |
1 |
X |
2 |
… |
X |
p |
|
Individu ke-1 |
|||||||
|
Individu ke-2 |
|||||||
|
Individu ke-3 |
|||||||
|
… |
|||||||
|
Individu ke-n |
|||||||
Jadi, seorang individu diteliti dengan berbagai macam ukuran (karakteristik). Misalnya X 1 adalah usianya, X 2 adalah status pekerjaannya, dan lain sebagainya. Perbedaan dengan analisis-analisis statistik yang lain adalah bahwa jumlah peubah tak bebas pada analisis statistik yang bukan multivariat, seperti analisis regresi berganda,
Analisis Faktor dan Diskriminan
terdiri dari hanya satu peubah (misalnya Y); tetapi pada analisis multivariat, peubah tak bebas dapat berjumlah lebih dari satu (misalnya Y 1 , Y 2 ,……….Y q ).
B. Perangkat-Perangkat Analisis Multivariate
Perangkat perangkat dalam analisis multivariat adalah:
1. Analisis Fungsi Pembeda (Discriminant Analysis),
2. Analisis Komponen Utama (Principal Component Analysis),
3. Analisis Faktor (Factor Analysis), dan
4. Analisis kelompok (Cluster Analysis).
C. Analisis Fungsi Pembeda (Analisis Diskriminan)
Ketika kita diminta untuk memprediksi individu mana termasuk ke dalam kelompok tertentu atau ketika kita diminta untuk mengidentifikasi sifat-sifat umum anggota suatu kelompok, maka kita berhadapan dengan persoalan pengelompokan dan penentuan sifat-sifat khas suatu kelompok. Misalnya, suatu wilayah dikatakan perkotaan, paling tidak, kalau (1) penduduknya banyak, (2) mempunyai banyak fasilitas, dan (3) kegiatan ekonomi penduduknya beragam. Sifat khas (1) dan (2) pada umumnya dapat dilihat secara kasat mata akan tetapi tidak pada sifat khas (3). Contoh lain, bagaimana kita dapat menentukan apakah seseorang miskin atau tidak miskin. Sifat umum dari orang miskin yang dapat dikenali barangkali adalah (1) kualitas rumah tinggalnya yang rendah, (2) porsi pengeluaran untuk makanan sangat besar (lebih dari 80 persen), dan (3) tingkat pendidikannya rendah. Dalam teknik statistik, persoalan di atas biasanya diatasi dengan menggunakan analisis diskriminan. 11 Dua hal, yaitu pengelompokan dan identifikasi sifat khas suatu kelompok, dapat dilakukan sekaligus dengan analisis tersebut, di mana kelompok dikenal
11 Dalam literatur statistik lebih banyak disebut sebagai analisis fungsi diskriminan.
Analisis Faktor dan Diskriminan
sebagai group dan sifat khas dikenal sebagai variabel pembeda (discriminating
variables). Antara kelompok dan variabel pembeda tersebut kemudian dibuat suatu
hubungan fungsional yang disebut dengan fungsi diskriminan.
D. Fungsi Diskriminan 12
Analisis ini didasarkan atas fungsi diskriminan yang mempunyai bentuk umum:
|
|
||
|
Yi |
= 0 + 1 X 1 + 2 X 2 +…+ p X p + I |
(4.1) |
|
di |
mana Y adalah kelompok merupakan variabel boneka (dummy variables) dan X i |
|
adalah variabel pembeda. Pada dasarnya fungsi diskriminan merupakan fungsi regresi
ganda dengan variabel dependen merupakan variabel boneka yang mengambil nilai 1, 2,
, k yang sesuai dengan pengelompokan awal setiap individu dan banyaknya kelompok
(=k).
Persyaratan awal yang harus dipenuhi sebelum melakukan analisis dengan fungsi
diskriminan adalah: (1) setiap individu harus dikelompokkan hanya ke dalam satu dan
hanya satu kelompok, (2) varians dalam setiap kelompok adalah sama (equal variances),
(3) X berdistribusi normal ganda (multi variates normal distribution), dan (4) banyaknya
kelompok harus memenuhi 2 k<p, dengan p adalah banyaknya variabel pembeda. 13
12 Selanjutnya yang dibahas dalam panduan ini dibatasi hanya pada fungsi diskriminan linier, walaupun dalam kenyataan, bentuk fungsi diskriminan yang dibentuk sangat tergantung dari pola antara kelompok dengan variabel pembeda yang secara teknis dapat dilakukan dengan mem-plot kelompok dengan variabel pembeda
13 Pada umumnya sangat sulit sekali untuk dapat memenuhi persyaratan (2) dan (3), yang dalam praktek tidak pernah diuji; halmana akan membuat akurasi dari analisis dengan fungsi diskriminan akan berkurang. Namun demikian, fungsi diskriminan selalu menghasilkan estimasi yang kokoh (robust estimates) terutama yang berkaitan dengan prediksi pengelompokan.
Analisis Faktor dan Diskriminan
Analisis diskriminan dapat dilakukan bila terdapat perbedaan yang nyata antar
kelompok, sehingga pada tahap awal yang harus dilakukan adalah uji hipotesis nol bahwa
tidak ada perbedaan kelompok di antara individu yang dirumuskan dengan:
Ho:
1 =
2
=
.
.
.
.
.
.
.
=
k
H1: 1 j si,j=1,2,…,k(sedikitnyaada2kelompokyangberbeda).
di mana j = [ 1j, 2j,…., pj ] ’ adalah vektor rata-rata hitung peubah pembeda pada populasi ke-j
dan jumlah individu yang dianalisis N = N i , maka probabilita pengelompokan awal
(prior probability) adalah N i /N.
Uji hipotesis tersebut dilakukan dengan menggunakan statistik Khi Kuadrat yang
diperoleh dari relasi dengan Wilk lambda () 14 yang menguji perbedaan antara dua
kelompok. Jika H 0 benar maka V j = {N - 1 - ½ (p+k)} ln (1/ j ) mengikuti distribusi Khi
kuadrat dengan derajat bebas p(k-1). Pada output SPSS hal ini dapat dilihat dari Tabel B
berikut.
Tabel B:
|
DISCRIMINANT |
EIGEN |
RELATIVE |
CANONICAL |
FUNCTION |
WILK’S |
CHI- |
DF |
SIG. |
|
FUNCTION |
VALUES |
PERCENTAGE |
CORRELATION |
DERIVED |
LAMBDA |
SQUARE |
||
|
0 0.6329 |
85.538 |
12 |
0.00 |
|||||
|
1 0.31781 |
61.52 |
0.491 |
1 0.8341 |
33.931 |
6 |
0.000 |
||
|
2 0.19802 |
38.33 |
0.407 |
2 0.9992 |
0.145 |
2 |
0.930 |
||
|
3 0.00078 |
0.15 |
0.028 |
||||||
14 Dimana i = 1/(1+e j ), dan e j adalah akar karakteristik (eigen value) kej dari BW 1 . B adalah variasi/jumlah kuadarat antarkelompok (between groups sum of squares) dan W adalah variasi/jumlah kuadrat dalam kelompok (within groups sum of squares).
Analisis Faktor dan Diskriminan
Sebelum fungsi diskriminan dibentuk -- FUNCTION DERIVED = 0 -- tampak bahwa antarkelompok berbeda secara nyata dengan tingkat signifikansi sebesar 0,000. Dengan perkataan lain H 0 ditolak.
Karena tujuan utama adalah pengelompokan, maka pembentukan fungsi
diskriminan dicapai dengan menentukan j ,j=1,2,3,…,p-- dengan proses matematika --
sedemikian rupa sehingga perbedaan antarkelompok sangat jelas. Banyaknya fungsi diskriminan yang dibentuk tergantung dari banyaknya kelompok yang diidentifikasi, yang secara umum adalah sebanyak k1. Fungsi diskri-minan yang dibentuk merupakan kombinasi linier dari peubah pembeda yang dapat membedakan kelompok secara maksimum.
E. Signifikansi Fungsi Diskriminan
= k ditolak, maka
sebanyak k-1 fungsi diskriminan dapat dibentuk. Untuk mengetahui apakah k1 fungsi diskriminan tersebut signifikan untuk membedakan k kelompok sehingga layak untuk digunakan untuk analisis selanjutnya, suatu uji dilakukan di mana statistik Bartlett
V j = {N - 1 - ½ (p+k)} ln (1+e j ) dengan N = N I akan mengikuti distribusi Khi Kuadrat
Setelah dapat ditunjukkan bahwa Ho: 1 = 2 =
dengan derajat bebas p(k-1) jika H 0 benar. Contoh hasil uji dapat dilihat pada Tabel B di
mana dari 3 fungsi diskriminan yang terbentuk untuk membedakan 4 kelompok hanya 2 fungsi diskriminan saja yang siginifikan untuk membedakan 4 kelompok. Untuk analisis diskriminan untuk membedakan dua kelompok uji hipotesis untuk mengetahui signifikansi fungsi diskriminan, statistik V Bartlett menjadi lebih sederhana, yaitu: V={N 1 ½(p+2)}ln(1+e) mengikuti distribusi Khi-Kuadrat dengan derajat bebas p, jika H 0 benar.
Analisis Faktor dan Diskriminan
Menurut Johnson & Wichern (1982), tujuan fungsi pembeda adalah untuk
menggambarkan ciri-ciri suatu pengamatan dari bermacammacam populasi yang
diketahui, baik secara grafis ataupun secara aljabar dengan membentuk fungsi pembeda.
Fungsi pembeda layak dibentuk bila terdapat perbedaan nilai ratarata diantara
kelompok-kelompok yang ada, oleh karena itu sebelum fungsi pembeda dibentuk perlu
dilakukan pengujian terhadap perbedaan vektor nilai ratarata dari kelompok-kelompok
tersebut.
Seperti telah dijelaskan sebelumnya, dalam pengujian vektor nilai ratarata
antarkelompok, asumsi yang harus dipenuhi adalah:
1. Peubah-peubah yang diamati menyebar secara normal ganda (multivariate
normality).
2. Semua kelompok populasi mempunyai matrik kovarians yang sama (equality of
covariance matrices).
Berikut ini, diuraikan bagaimana melakukan pengujian kedua asumsi di atas
secara manual dengan memanfaatkan rumus.
Uji Kenormalan Multivariat
Menurut Karson (1982), untuk menguji kenormalan multivariat digunakan prosedur
yang dikembangkan oleh Mardia (1970) dengan cara menghitung dua macam ukuran
statistik yaitu ukuran skewness (b 1,p ) dan kurtosis (b 2,p ) yaitu:
|
_ |
_ |
||
|
b |
1,p = (1/n 2 ) [ (X i X)’S 1 (X i’ X)] 3 |
||
|
_ |
_ |
||
|
b |
2,p = (1/n) [ (X i X)’S 1 (X i X)] 2 |
||
Hipotesis yang digunakan adalah:
Analisis Faktor dan Diskriminan
H o : multivariat mengikuti sebaran normal
H 1 : multivariat tidak mengikuti sebaran normal
Bila ( b 1,p n/6 2 p(p+1) (p+2)/6, dan
[ b 2,p - p (p+2) ] / (8p (p+2)/n) Z (tabel normal), maka Ho diterima, berarti
multivariat mengikuti sebaran normal.
Menurut Johnson (1982), untuk menguji kenormalan ganda adalah dengan mencari
nilai jarak kuadrat untuk setiap pengamatan yaitu d i 2 = (X i -X)’S -1 (X i -X), di mana X i
adalah pengamatan yang ke –i dan S -1 adalah kebalikan (inverse) matrik kovarians S.
Kemudian d i 2 diurutkan dari kecil ke besar, selanjutnya dibuat plot d i 2 dengan
nilai Chi-Kuadrat 2 (i1/2)/n,dimanai= urutan= 1,2,……n,danp=banyaknya
peubah. Bila hasil plot dapat didekati dengan garis lurus, maka dapat disimpulkan bahwa
data menyebar secara normal ganda.
Menurut Norusis (1986), berdasarkan teori Wahl & Kronmal (1977), seringkali
kenormalan ganda sulit diperoleh terutama bila sampel yang diambil relatif kecil. Bila
hal ini terjadi, uji vektor ratarata tetap bisa dilakukan selama asumsi kedua (kesamaan
kovarians) dipenuhi.
Uji Kesamaan Matrik Kovarians
Untuk menguji kesamaan matrik kovarians () antar kelompok, digunakan
|
hipotesa: |
|||||||||||
|
Ho: 1 |
= |
2 |
= |
. |
. |
. |
. |
. |
= k |
= |
|
H1: sedikitnya ada 2 kelompok yang berbeda
Statistik uji yang digunakan adalah statistik Box’s,yaitu:
2 ln *= (nk) ln |W/(nk)| (ni1) ln |S j |
di mana:
Analisis Faktor dan Diskriminan
* =
|S j | (nj1)/2
|W/(nk)| (nk)/2 banyaknya kelompok
k =
W/(n-k) = matrik kovarians dalam kelompok gabungan
Sj = matrik kovarians kelompok ke-j
Bila hipotesa nol benar, maka:
(-2 ln * )/b akan mengikuti sebaran F dengan derajat besar v 1 dan v 2 pada taraf
nyata , di mana:
v 1 = (1/2) (k1) p (p+1)
v 2 = (v 1 +2) / (a 2 a 1 2 )
b = v 1 /(1a 1 v 1 /v 2 )
|
2p 2 + 3p1 |
1 |
1 |
||||
|
a 1 = |
[ |
|
|
] |
||
|
6 (k1) (p+1) |
(n j 1) |
(nk) |
||||
|
(p1) (p+2) |
1 |
1 |
||||
|
a 2 = |
[ |
|
] |
|||
|
6 (k1) |
(n j 1) 2 |
(nk) 2 |
||||
p = jumlah peubah pembeda dalam fungsi pembeda (discriminant).
Karena itu, apabila (-2 ln * )/b Fv 1 ,v 2 , maka tidak ada alasan untuk
Ho dan dapat disimpulkan bahwa semua kelompok mempunyai matrik
menolak
kovarians yang sama. Sebaliknya bila (-2 ln * )/b > F v 1 ,v 2 ,maka Ho ditolak.
Analisis Faktor dan Diskriminan
Uji Vektor Nilai Ratarata
Pengujian terhadap vektor nilai ratarata antarkelompok dilakukan dengan
hipotesa:
.
H1 : sedikitnya ada 2 kelompok yang berbeda.
Ho
2
:
1
=
=
.
.
.
.
.
.
= k
Statistik uji yang digunakan adalah statistik
V-Bartlett, yang mengikuti sebaran
Chi-Kuadrat dengan derajat bebas p(k-1), bila bipotesa nol benar.
Statistik V-Bartlett diperoleh melalui:
|
V |
= - [ (n-1) –(p+k)/2 ] ln () |
|
di |
mana: |
|
n |
= banyaknya pengamatan |
|
p |
= banyaknya peubah dalam fungsi pembeda (discriminant) |
|
k |
= banaknya kelompok |
=
|W|
|B+W|
Dalam hal ini:
=Wilk’sLamba
|
W |
= matrik jumlah kuadrat dan hasil kali data dalam kelompok |
|
B |
= matrik jumlah kuadrat dan hasil kali data antar kelompok |
X ij = pengamatan ke-j pada kelompok ke-i
_
X i = vektor ratarata kelompok ke-i
|
n |
i = jumlah pengamatan pada kelompok ke-i |
|
_ |
|
|
X |
= vektor ratarata total |
Analisis Faktor dan Diskriminan
Apabila V 2 p(k-1),(1-), maka tidak ada alasan untuk menolak Ho, ini berarti
bahwa terdapat perbedaan vektor nilai ratarata antarkelompok. Bila V > 2 p(k-1),
(1-), maka Ho ditolak. Bila dari hasil pengujian di atas ternyata ada perbedaan vektor nilai rataan, maka fungsi pembeda (discriminant) layak disusun untuk mengkaji hubungan antarkelompok serta berguna untuk mengelompokkan suatu obyek baru ke dalam salah satu kelompok tersebut.
F. Variabel Pembeda Utama Untuk memperoleh fungsi diskriminan dengan SPSS digunakan METHOD=DIRECT. Dengan method ini, SPSS akan memberikan fungsi diskriminan yang merupakan kombinasi linier dari semua variabel pembeda sebagaimana pada persamaan (4.1). Namun demikian, dengan uji parsial signifikansi variabel pembeda akan dapat diperoleh variabel-variabel mana yang sebenarnya tidak berpengaruh nyata dalam membedakan kelompok sehingga tidak perlu ada dalam fungsi diskriminan. Penentuan variabel pembeda yang siginifikan dalam membedakan kelompok dapat dilakukan dengan cara bertatar (stepwise) yang prinsipnya sudah dibahas dalam Bab Analisis Regresi. Dalam SPSS, untuk memperoleh fungsi diskriminan yang merupakan kombinasi linier dari variabel pembeda utama dilakukan dengan cara menggunakan METHOD 15 = Wilks’lambda,Unexplainedvariance,Mahalanobis distance,SmallestFRatio,Rao’sV. Dalam prosedur bertatar analisis diskriminan, setiap peubah pembeda yang tidak masuk dalam fungsi diskriminan berarti tidak menambah kemampuan membedakan kelompok (discriminating power) dari fungsi.
15 Untuk lebih mengetahui keunggulan dan kelemahan setiap motode bertatar, pembaca dianjurkan untuk membaca SPSS Reference Guide.
Analisis Faktor dan Diskriminan
Variabel pembeda utama yang dihasilkan dari proses bertatar merupakan ciri umum dari semua kelompok yang diteliti. Misalnya, jika Y menyatakan apakah individu merupakan penduduk miskin atau bukan miskin yang diperoleh apakah pengeluaran per kapita sebulan dari rumah tangganya di perkotaan di atas Rp.95.000,- atau di atas Rp.75.000,- di pedesaan. Variabel pembeda (X) yang diselidiki misalnya kualitas rumah tinggal, pendidikan kepala rumah tangga, jumlah anggota rumah tangga, jam kerja seminggu dari kepala rumah tangga. Dalam hal ini variabel pembeda merupakan ciri dari penduduk miskin.
G. Evaluasi Fungsi Diskriminan Hasil pengelompokan menurut fungsi diskriminan tidak selalu sama dengan pengelompokan awal. Besarnya kesalahan pengelompokan, dengan menganggap pengelompokan awal adalah benar, merupakan indikator tingkat akurasi dari fungsi diskriminan yang dihasilkan. Matriks 14.2. berikut menunjukkan evaluasi terhadap fungsi diskriminan.
Matriks 14.2.
|
PENGELOMPOKAN |
PENGELOMPOKAN MENURUT FUNGSI DISKRIMINAN |
JUMLAH |
||||
|
AWAL |
||||||
|
I |
II |
|||||
|
I N |
11 |
N |
12 |
N |
1• |
|
|
II N |
21 |
N |
22 |
N |
2• |
|
|
JUMLAH |
N |
•1 |
N |
•2 |
N |
|
Analisis Faktor dan Diskriminan
Dengan menggunakan Matriks 14.2 dapat dievaluasi tingkat akurasi fungsi diskriminan dengan memperhatikan:
(a). Persentase tepat pengelompokan = (N 11 + N 12 ) / N (b). Probabilita pengelompokan awal (prior probability) = N 1. / N Fungsi diskriminan dikatakan cukup baik jika (a) 1,25 (b)
F. Analisis Faktor Analisis faktor adalah suatu analisis data untuk mengetahui faktor-faktor yang dominan dalam menjelaskan suatu masalah. Contoh: suatu studi ingin mengetahui faktor-faktor dominan yang menentukan keberhasilan program keluarga berencana. Misalkan ada sekitar 20 peubah bebas yang digunakan untuk menentukan hal tersebut. Analisis faktor akan menentukan faktor-faktor apa saja dari ke 20 peubah tersebut yang merupakan faktor-faktor dominan dalam menentukan keberhasilan program keluarga berencana. Analisis Faktor dapat dipandang sebagai perluasan analisis komponen utama yang pada dasarnya bertujuan untuk mendapatkan sejumlah kecil faktor yang memiliki sifat- sifat:
1. Mampu menerangkan semaksimal mungkin keragaman data,
2. Faktor-faktor tersebut saling bebas, dan
3. Tiap-tiap faktor dapat diinterpretasikan.
variabel
dependen dan independennya. Tabel berikut ini merupakan ringkasan penggunaan metode analisis tertentu dengan dependen variabel dan independen yang sesuai.
Pemilihan
metode
analisis
yang
tepat
sangat
berhubungan
dengan
Analisis Faktor dan Diskriminan
|
Dependen Variabel |
Independen Variabel |
Metode Analisis |
||
|
Interval |
Interval |
Regression, Multiple Regression, Factor Analysis, PartialR, |
||
|
Quadratic |
(Currlinear), |
|||
|
Multiplicative (interaction) |
||||
|
Inteval |
Kategori (campuran interval dan kategori) |
ANOVA, MCA |
||
|
Interval atau Rasio |
Nominal |
MCA, |
ANOVA, |
ANCOVA, |
|
MANCOVA |
||||
|
Nominal |
Nominal |
MCA, Log Linear, Logit/Probit |
||
|
Nominal |
Interval atau Rasio |
Discriminant Analysis |
||
|
Ordinal (dapat diperlakukan sebagai nominal atau interval) |
Nominal |
Disesuaikan |
||
|
Dichotomus |
Interval (campuran interval dan kategori) |
Logistic Regression |
||
|
Dichotomus |
Kategori |
Log Linear Model |
||
ANALISIS FAKTOR DAN DISKRIMINAN DALAM SPSS 9.0 FOR WINDOWS
A. Analisis Faktor Untuk mencoba penerapan model analisis ini pada data susenas, kita bisa mencoba
pada data kor untuk pertanyaan konsumsi rumah tangga yaitu konsumsi makanan dan
bukan makan. Data tersebut terlebih dahulu distandarkan (distandarisasi dalam satuan yang sama), yaitu dengan melakukan kalkulasi seluruh variabel pengeluaran makanan sebagai berikut:
1. Rincian pengeluaran seminggu dikalikan dengan 30/7 menjadi pengeluaran sebulan,
Analisis Faktor dan Diskriminan
2. Hasil kali tadi kemudian dibagi lagi dengan jumlah anggota rumah tangga untuk mendapatkan rata-rata pengeluaran per kapita per bulan,
3. Untuk rincian makanan yang datanya untuk setahun yang lalu (kolom setahun yang lalu), dibagi dengan 12 dahulu untuk mendapatkan pengeluaran per bulan,
4. Hasil tadi dibagi pula dengan jumlah anggota rumah tangga, untuk mendapatkan angka rata-rata pengeluaran per kapita per bulan,
5. Untuk mempermudah pembacaan model persamaan yang akan dihasilkan nama variabel diubah menjadi X1 s/d X24.
Program Compute variabel baru dituliskan dalam sintaks sebagai berikut:
COMPUTE x1 = (k9r1 / k2r2)*30/7 . VARIABLE LABELS x1 'Padi-Padian' . COMPUTE x2 = (k9r2 / k2r2)*30/7 . VARIABLE LABELS x2 'Ubi-Ubian' . COMPUTE x3 = (k9r3 / k2r2)*30/7 . VARIABLE LABELS x3 'Ikan' . COMPUTE x4 = (k9r4 / k2r2)*30/7 . VARIABLE LABELS x4 'Daging' . COMPUTE x5 = (k9r5 / k2r2)*30/7 . VARIABLE LABELS x5 'Telur dan Susu' . COMPUTE x6 = (k9r6 / k2r2)*30/7 . VARIABLE LABELS x6 'Sayur-Sayuran' . COMPUTE x7 = (k9r7 /k2r2)*30/7 . VARIABLE LABELS x7 'Kacang-Kacangan' . COMPUTE x8 = (k9r8 / k2r2)*30/7 . VARIABLE LABELS x8 'Buah-Buahan' . COMPUTE x9 = (k9r9 / k2r2)*30/7 . VARIABLE LABELS x9 'Minyak dan Lemak' . COMPUTE x10 = (k9r10 / k2r2)*30/7 . VARIABLE LABELS x10 'Bahan Minuman' . COMPUTE x11 = (k9r11 / k2r2)*30/7 . VARIABLE LABELS x11 'Bumbu-Bumbuan' . COMPUTE x12 = (k9r12 / k2r2)*30/7 . VARIABLE LABELS x12 'Konsumsi Lainnya' . COMPUTE x13 = (k9r13 / k2r2)*30/7 . VARIABLE LABELS x13 'Makanan dan Minuman Jadi' . COMPUTE x14 = (k9r14 / k2r2)*30/7 . VARIABLE LABELS x14 'Minuman Alkohol' .
Analisis Faktor dan Diskriminan
COMPUTE x15 = (k9r15 / k2r2)*30/7 . VARIABLE LABELS x15 'Tembakau dan Sirih' . COMPUTE x17 = (k9r17b / k2r2)/12. VARIABLE LABELS x17 'Perumahan' . COMPUTE x18 = (k9r18b / k2r2)/12. VARIABLE LABELS x18 'Aneka Barang dan Jasa' . COMPUTE x19 = (k9r19b / k2r2)/12. VARIABLE LABELS x19 'Pendidikan' . COMPUTE x20 = (k9r20b / k2r2)/12. VARIABLE LABELS x20 'Kesehatan' . COMPUTE x21 = (k9r21b / k2r2)/12. VARIABLE LABELS x21 'Alas Kaki' . COMPUTE x22 = (k9r22b / k2r2)/12. VARIABLE LABELS x22 'Barang Tahan Lama' . COMPUTE x23 = (k9r23b / k2r2)/12. VARIABLE LABELS x23 'Pajak dan Asuransi' . COMPUTE x24 = (k9r24b / k2r2)/12. VARIABLE LABELS x24 'Pesta dan Upacara' . EXECUTE .
Untuk uji coba ini digunakan data rumah tangga kor yang sedang aktif, kemudian dijalankan syntax untuk mendapatkan nilai X1 s/d X24.
Menjalankan Prosedur Analisis Faktor
Untuk penghitungan analisis faktor ini tahapannya sebagai berikut:
1. Pilih menu Analyze, lalu pilih Data reduction dan pilih Factor
2. Pilih variabel X1 s/d X24 dan pindahkan ke kotak variabel
3. Pilih Descriptives kemudian pada kelompok Statistics pilih option Initial solution, pada kelompok Correlation Matrix, pilih Coefficiens, Significance levels, KMO andBartlett… dan Determinant, kemudian klik Continue.
4. Pilih Extraction, pilih Principle components pada Method, pada Analyze pilih Correlation matrix, pada Extract pilih Eigenvalue over 1, pada Display pilih Scree Plot, kemudian klik Continue.
Analisis Faktor dan Diskriminan
5. Pilih Rotation kemudian pilih Varimax pada pilihan Method, kemudian klik Continue.
6. Klik Scores kemudian pilih Save as variables dengan Method sebagai Bartlett. Klik Display factor score coefficient matrix. Kemudian klik Continue.
7. Pilih Options kemudian klik Sorted by size. Kemudian klik Continue.
8. Klik OK.
Sintaks Program Analisis Faktor
Untuk menjalankan prosedur analisis faktor, dapat Anda gunakan sintaks seperti di bawah ini yaitu:
FACTOR /VARIABLES x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x17 x18 x19 x20 x21 x22 x23 x24 /MISSING LISTWISE /ANALYSIS x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x17 x18 x19 x20 x21 x22 x23 x24 /PRINT INITIAL CORRELATION SIG DET KMO ROTATION FSCORE /FORMAT SORT /PLOT EIGEN /CRITERIA MINEIGEN(1) ITERATE(25) /EXTRACTION PC /CRITERIA ITERATE(25) /ROTATION VARIMAX /METHOD=CORRELATION .
Analisis Faktor dan Diskriminan
Output Tabel Utama Yang Dihasilkan Sebagai Berikut:
Total Variance Explained
|
Initial Eigenvalues |
Rotation Sums of Squared |
Loadings |
||||
|
Component |
Total |
% of Variance |
Cumulative % |
Total |
% of Variance |
Cumulative % |
|
1 |
5.070 |
22.045 |
22.045 |
2.657 |
11.553 |
11.553 |
|
2 |
2.188 |
9.514 |
31.560 |
2.607 |
11.335 |
22.889 |
|
3 |
1.411 |
6.136 |
37.696 |
2.278 |
9.902 |
32.791 |
|
4 |
1.254 |
5.451 |
43.146 |
2.270 |
9.869 |
42.661 |
|
5 |
1.054 |
4.582 |
47.728 |
1.131 |
4.917 |
47.577 |
|
6 |
1.020 |
4.435 |
52.164 |
1.055 |
4.587 |
52.164 |
|
7 |
.982 |
4.271 |
56.434 |
|||
|
8 |
.940 |
4.089 |
60.523 |
|||
|
9 |
.862 |
3.749 |
64.272 |
|||
|
10 |
.827 |
3.594 |
67.866 |
|||
|
11 |
.791 |
3.439 |
71.305 |
|||
|
12 |
.737 |
3.205 |
74.510 |
|||
|
13 |
.701 |
3.049 |
77.559 |
|||
|
14 |
.663 |
2.882 |
80.441 |
|||
|
15 |
.608 |
2.645 |
83.086 |
|||
|
16 |
.587 |
2.550 |
85.636 |
|||
|
17 |
.577 |
2.509 |
88.146 |
|||
|
18 |
.547 |
2.377 |
90.523 |
|||
|
19 |
.488 |
2.122 |
92.644 |
|||
|
20 |
.486 |
2.115 |
94.759 |
|||
|
21 |
.430 |
1.870 |
96.629 |
|||
|
22 |
.418 |
1.816 |
98.445 |
|||
|
23 |
.358 |
1.555 |
100.000 |
|||
|
Extraction Method: Principal Component Analysis. |
||||||
Analisis Faktor dan Diskriminan
Rotated Component Matrix a
|
Component |
|||||||
|
1 |
2 |
3 |
4 |
5 |
6 |
||
|
Minyak dan lemak Sayur-sayuran bahan minuman bumbu-bumbuan padi-padian ubi-ubian daging Telur dan susu Kacang-kacangan Buah-buahan Makanan dan minuman jadi pendidikan konsumsi lainnya barang tahan lama aneka barang dan jasa perumahan pajak dan asuransi ikan alas kaki kesehatan tembakau dan sirih minuman alkohol pesta dan upacara |
.709 |
.155 |
-6.266E-03 |
3.445E-02 |
1.385E-02 |
-4.17E-02 |
|
|
.675 |
.103 |
3.819E-03 |
.214 |
-.109 |
-4.89E-02 |
||
|
.649 |
-8.749E-03 |
.268 |
3.355E-02 |
.286 |
.108 |
||
|
.573 |
.342 |
.106 |
1.341E-02 |
-5.17E-02 |
2.246E-02 |
||
|
.470 |
-.393 |
-.328 |
9.586E-02 |
8.299E-02 |
9.107E-02 |
||
|
.382 |
.359 |
-9.253E-02 |
1.340E-02 |
.113 |
8.930E-02 |
||
|
8.607E-02 |
.688 |
-3.499E-02 |
.234 |
7.747E-02 |
-6.01E-03 |
||
|
.125 |
.684 |
.159 |
.205 |
7.882E-02 |
3.032E-02 |
||
|
.433 |
.568 |
9.422E-02 |
-1.976E-02 |
-.112 |
7.174E-02 |
||
|
.139 |
.527 |
.246 |
.304 |
-8.81E-02 |
-5.59E-02 |
||
|
-.180 |
8.749E-02 |
.737 |
.177 |
.193 |
6.731E-02 |
||
|
6.634E-02 |
2.204E-02 |
.718 |
-6.333E-04 |
-.152 |
-2.83E-02 |
||
|
.218 |
.430 |
.480 |
4.138E-02 |
4.226E-02 |
-6.11E-02 |
||
|
4.851E-02 |
-6.402E-02 |
-5.718E-02 |
.680 |
5.698E-03 |
-8.68E-02 |
||
|
9.343E-02 |
.206 |
.501 |
.596 |
-1.22E-02 |
3.639E-02 |
||
|
4.118E-02 |
.325 |
.375 |
.573 |
5.975E-02 |
.147 |
||
|
-6.006E-02 |
.301 |
5.732E-02 |
.522 |
.263 |
.282 |
||
|
.385 |
.326 |
-7.714E-02 |
.442 |
-1.97E-02 |
-.111 |
||
|
.241 |
6.968E-02 |
.390 |
.436 |
4.699E-02 |
-8.17E-02 |
||
|
5.695E-02 |
.249 |
5.694E-02 |
.417 |
-.135 |
5.640E-02 |
||
|
.190 |
-9.652E-02 |
.302 |
8.693E-02 |
.682 |
1.844E-02 |
||
|
6.809E-02 |
-.110 |
.205 |
6.929E-02 |
-.597 |
7.602E-02 |
||
|
4.515E-02 |
5.887E-03 |
-1.984E-02 |
1.243E-02 |
-6.88E-02 |
.930 |
||
|
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. |
|||||||
|
a. |
Rotation converged in 9 iterations. |
||||||
Analisis Faktor dan Diskriminan
B. Analisis Diskriminan
Analisis Diskriminan gunanya membedakan suatu obyek penelitian apakah masuk dalam populasi satu atau yang lainnya, bentuk fungsi pembeda dipengaruhi oleh ragam misalnya linier kuadratik obyek yang diskriminan = obyek kelompok. Analisis diskriminan merupakan suatu teknik mengelompokkan individu-individu atau obyek-obyek ke dalam kelompok yang saling bebas berdasarkan peubah-peubah bebas, dengan analisis diskriminan dapat diperoleh suatu fungsi diskriminan yang merupakan kombinasi linier variabel-variabel bebas yang dapat membedakan kelompok-kelompok yang sudah terbentuk sebelumnya. Sebelum melakukan analisis diskriminan perlu diuji terlebih dahulu perbedaan rata-rata kedua populasi, apabila rata-rata kedua populasi sama (tidak berbeda) maka diskriminan analisis tidak layak digunakan. Model dari fungsi diskriminan dapat diketahui dari kehomogenan matrix peragam antarkelompok. Obyek yang masuk dalam kelompok mempunyai sifat yang homogen sedangkan antarkelompok heterogen berdasarkan variabel-variabel yang digunakan.
Kelompok I
kelompok II
kelompok III
Untuk mencoba analisis ini dengan menggunakan data Susenas kor 1999, maka dapat digunakan data bentukan konsumsi makanan-bukan makanan per kapita perbulan X1 s/d X24. Yang dicobakan untuk uji diskriminan berdasarkan kelompok golongan pengeluaran tinggi, sedang dan rendah, yang akan diuji apakah cukup valid pengelompokan yang dibuat tersebut.
Analisis Faktor dan Diskriminan
Sintaks program pengelompokan 3 katagori
IF (k9r28<= 300.000) y=1. IF (k9r28 > 300000) y = 2 . IF (k9r28>500000) y=3. EXECUTE .
Menjalankan Prosedur Analisis Diskriminan
Untuk menjalankan proses pengolahan data untuk analisis diskriminan menggunakan
tahapan sebagai berikut:
1. Pilih Anayze, Classify, Discriminant.
2. Isikan group variabel dengan variabel Y, minimal 1 maksimal 3.
3. Pilih x1 s/d x24 untuk variabel independennya.
4. Klik Use stepwise method.
5. Klik Statistics dan
pilih semua pilihan
yang ada, kemudian
klik Continue.
6. Klik Method dan
pilih yang sesuai,
kemudian klik
Continue.
7. Klik Classify dan
pilih pilihan yang
sesuai, kemudian
klik Continue.
8. Klik OK.
Analisis Faktor dan Diskriminan
Sintaks Program Analisis Diskriminan
DISCRIMINANT /GROUPS=y(1 3) /VARIABLES=x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x17 x18 x19 x20 x21 x22 x23 x24 /ANALYSIS ALL /CLASSIFY=NONMISSING POOLED MEANSUB . /PRIORS SIZE /STATISTICS=MEAN STDDEV UNIVF BOXM COEFF RAW CORR COV GCOV TCOV TABLE CROSSVALID /PLOT=COMBINED SEPARATE MAP
Hasil Output Yang Diperoleh Sebagai Berikut
Classification Results b,c
|
Predicted Group Membership |
||||||
|
3 kelompok pendapatan |
1.00 |
2.00 |
3.00 |
Total |
||
|
Original |
Count |
1.00 |
32 |
351 |
47 |
430 |
|
2.00 |
13 |
738 |
181 |
932 |
||
|
3.00 |
7 |
375 |
687 |
1069 |
||
|
% |
1.00 |
7.4 |
81.6 |
10.9 |
100.0 |
|
|
2.00 |
1.4 |
79.2 |
19.4 |
100.0 |
||
|
3.00 |
.7 |
35.1 |
64.3 |
100.0 |
||
|
Cross-validated a |
Count |
1.00 |
29 |
352 |
49 |
430 |
|
2.00 |
16 |
727 |
189 |
932 |
||
|
3.00 |
7 |
380 |
682 |
1069 |
||
|
% |
1.00 |
6.7 |
81.9 |
11.4 |
100.0 |
|
|
2.00 |
1.7 |
78.0 |
20.3 |
100.0 |
||
|
3.00 |
.7 |
35.5 |
63.8 |
100.0 |
||
|
a. Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived from all cases other than that case. |
||||||
|
b. 59.9% of original grouped cases correctly classified. |
||||||
|
c. 59.2% of cross-validated grouped cases correctly classified. |
||||||
Lebih dari sekadar dokumen.
Temukan segala yang ditawarkan Scribd, termasuk buku dan buku audio dari penerbit-penerbit terkemuka.
Batalkan kapan saja.