Jelajahi eBook
Kategori
Jelajahi Buku audio
Kategori
Jelajahi Majalah
Kategori
Jelajahi Dokumen
Kategori
BAB XIV
ANALISIS FAKTOR DAN DISKRIMINAN
BPS-UNFPA 166
Analisis Faktor dan Diskriminan
terdiri dari hanya satu peubah (misalnya Y); tetapi pada analisis multivariat, peubah tak
bebas dapat berjumlah lebih dari satu (misalnya Y1, Y2,……….Yq ).
11
Dalam literatur statistik lebih banyak disebut sebagai analisis fungsi diskriminan.
BPS-UNFPA 167
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 Diskriminan12
Analisis ini didasarkan atas fungsi diskriminan yang mempunyai bentuk umum:
Yi = 0 + 1X1 +2X2 +… +pXp +
I (4.1)
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.
BPS-UNFPA 168
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 s
i,
j=1,
2,…,
k(s
edi
kit
nyaa
da2k
elompoky
angbe
rbe
da)
.
di mana
j = [1j, 2j,….,pj ]’adalah vektor rata-rata hitung peubah pembeda pada populasi ke-j
dan jumlah individu yang dianalisis N = Ni, maka probabilita pengelompokan awal
(prior probability) adalah Ni/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 H0 benar maka Vj = {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 WI
LK’
S CHI- DF SIG.
FUNCTION VALUES PERCENTAGE CORRELATION DERIVED LAMBDA SQUARE
0 0.6329 85.538 12 0.00
14
Dimana i = 1/(1+ej), dan ej adalah akar karakteristik (eigen value) kej dari BW1. B adalah
variasi/jumlah kuadarat antarkelompok (between groups sum of squares) dan W adalah variasi/jumlah
kuadrat dalam kelompok (within groups sum of squares).
BPS-UNFPA 169
Analisis Faktor dan Diskriminan
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
Vj = {N - 1 - ½ (p+k)} ln (1+ej) dengan N = NI akan mengikuti distribusi Khi Kuadrat
dengan derajat bebas p(k-1) jika H0 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 H0 benar.
BPS-UNFPA 170
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.
BPS-UNFPA 171
Analisis Faktor dan Diskriminan
BPS-UNFPA 172
Analisis Faktor dan Diskriminan
|Sj| (nj1)/2
* =
|W/(nk)| (nk)/2
k = banyaknya kelompok
W/(n-k) = matrik kovarians dalam kelompok gabungan
Sj = matrik kovarians kelompok ke-j
2p2 + 3p1 1 1
a1 = [ ]
6 (k1) (p+1) (nj1) (nk)
(p1) (p+2) 1 1
a2 = [ ]
6 (k1) (nj1) 2
(nk) 2
BPS-UNFPA 173
Analisis Faktor dan Diskriminan
BPS-UNFPA 174
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.
15
Untuk lebih mengetahui keunggulan dan kelemahan setiap motode bertatar, pembaca dianjurkan untuk
membaca SPSS Reference Guide.
BPS-UNFPA 175
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.
BPS-UNFPA 176
Analisis Faktor dan Diskriminan
Dengan menggunakan Matriks 14.2 dapat dievaluasi tingkat akurasi fungsi diskriminan
dengan memperhatikan:
(a). Persentase tepat pengelompokan = (N11 + N12) / N
(b). Probabilita pengelompokan awal (prior probability) = N1. / 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.
Pemilihan metode analisis yang tepat sangat berhubungan dengan variabel
dependen dan independennya. Tabel berikut ini merupakan ringkasan penggunaan
metode analisis tertentu dengan dependen variabel dan independen yang sesuai.
BPS-UNFPA 177
Analisis Faktor dan Diskriminan
BPS-UNFPA 178
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.
BPS-UNFPA 179
Analisis Faktor dan Diskriminan
BPS-UNFPA 180
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.
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 .
BPS-UNFPA 181
Analisis Faktor dan Diskriminan
BPS-UNFPA 182
Analisis Faktor dan Diskriminan
Component
1 2 3 4 5 6
Minyak dan lemak .709 .155 -6.266E-03 3.445E-02 1.385E-02 -4.17E-02
Sayur-sayuran .675 .103 3.819E-03 .214 -.109 -4.89E-02
bahan minuman .649 -8.749E-03 .268 3.355E-02 .286 .108
bumbu-bumbuan .573 .342 .106 1.341E-02 -5.17E-02 2.246E-02
padi-padian .470 -.393 -.328 9.586E-02 8.299E-02 9.107E-02
ubi-ubian .382 .359 -9.253E-02 1.340E-02 .113 8.930E-02
daging 8.607E-02 .688 -3.499E-02 .234 7.747E-02 -6.01E-03
Telur dan susu .125 .684 .159 .205 7.882E-02 3.032E-02
Kacang-kacangan .433 .568 9.422E-02 -1.976E-02 -.112 7.174E-02
Buah-buahan .139 .527 .246 .304 -8.81E-02 -5.59E-02
Makanan dan
-.180 8.749E-02 .737 .177 .193 6.731E-02
minuman jadi
pendidikan 6.634E-02 2.204E-02 .718 -6.333E-04 -.152 -2.83E-02
konsumsi lainnya .218 .430 .480 4.138E-02 4.226E-02 -6.11E-02
barang tahan lama 4.851E-02 -6.402E-02 -5.718E-02 .680 5.698E-03 -8.68E-02
aneka barang dan jasa 9.343E-02 .206 .501 .596 -1.22E-02 3.639E-02
perumahan 4.118E-02 .325 .375 .573 5.975E-02 .147
pajak dan asuransi -6.006E-02 .301 5.732E-02 .522 .263 .282
ikan .385 .326 -7.714E-02 .442 -1.97E-02 -.111
alas kaki .241 6.968E-02 .390 .436 4.699E-02 -8.17E-02
kesehatan 5.695E-02 .249 5.694E-02 .417 -.135 5.640E-02
tembakau dan sirih .190 -9.652E-02 .302 8.693E-02 .682 1.844E-02
minuman alkohol 6.809E-02 -.110 .205 6.929E-02 -.597 7.602E-02
pesta dan upacara 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.
BPS-UNFPA 183
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.
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.
BPS-UNFPA 184
Analisis Faktor dan Diskriminan
BPS-UNFPA 185
Analisis Faktor dan 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
BPS-UNFPA 186