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 X1 X2 … Xp
Individu ke-1
Individu ke-2
Individu ke-3
…
Individu ke-n

Jadi, seorang individu diteliti dengan berbagai macam ukuran (karakteristik).

Misalnya X1 adalah usianya, X2 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,

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 ).

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.

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)

di mana Y adalah kelompok merupakan variabel boneka (dummy variables) dan Xi

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.

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

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+ej), dan ej adalah akar karakteristik (eigen value) kej 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).

BPS-UNFPA 169
 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 H0 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 k1. Fungsi diskri-minan yang dibentuk merupakan
kombinasi linier dari peubah pembeda yang dapat membedakan kelompok secara
maksimum.

E. Signifikansi Fungsi Diskriminan

Setelah dapat ditunjukkan bahwa Ho: 1 =  = . . . . . . . = 
2
k ditolak, maka

sebanyak k-1 fungsi diskriminan dapat dibentuk. Untuk mengetahui apakah k1 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 bermacammacam populasi yang
diketahui, baik secara grafis ataupun secara aljabar dengan membentuk fungsi pembeda.
Fungsi pembeda layak dibentuk bila terdapat perbedaan nilai ratarata diantara
kelompok-kelompok yang ada, oleh karena itu sebelum fungsi pembeda dibentuk perlu
dilakukan pengujian terhadap perbedaan vektor nilai ratarata dari kelompok-kelompok
tersebut.
Seperti telah dijelaskan sebelumnya, dalam pengujian vektor nilai ratarata
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 (b1,p ) dan kurtosis (b2,p ) yaitu:
_ _
’S1 (Xi’X)]3
b1,p = (1/n2) [ (Xi X)
_ _
b2,p = (1/n) [ (Xi X)’S1 (Xi X)] 2
Hipotesis yang digunakan adalah:

BPS-UNFPA 171
 Analisis Faktor dan Diskriminan

Ho: multivariat mengikuti sebaran normal

H1: multivariat tidak mengikuti sebaran normal
Bila ( b1,p n/6 2 p(p+1) (p+2)/6, dan
[ b2,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 di2= (Xi-X)
’S-1(Xi-X), di mana Xi
adalah pengamatan yang ke –i dan S-1 adalah kebalikan (inverse) matrik kovarians S.
Kemudian di2 diurutkan dari kecil ke besar, selanjutnya dibuat plot di2 dengan
nilai Chi-Kuadrat 2(i1/
2)/
n,dima
nai= ur
uta
n = 1,2,……n,da
n p =ba
nya
kny
a
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 ratarata 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
s
Statistik uji yang digunakan adalah statistik Box’,y
ait
u:
2 ln *= (nk) ln |W/(nk)| (ni1) ln |Sj|
di mana:

BPS-UNFPA 172
 Analisis Faktor dan Diskriminan

|Sj| (nj1)/2
* =
|W/(nk)| (nk)/2
k = banyaknya kelompok
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 v1 dan v2 pada taraf
nyata , di mana:
v1 = (1/2) (k1) p (p+1)
v2 = (v1+2) / (a2 a12)
b = v1/(1a1 v1/v2)

2p2 + 3p1 1 1
a1 = [   ]
6 (k1) (p+1) (nj1) (nk)

(p1) (p+2) 1 1
a2 = [  ]
6 (k1) (nj1) 2
(nk) 2

p = jumlah peubah pembeda dalam fungsi pembeda (discriminant).

Karena itu, apabila (-2 ln * )/b  Fv1,v2, maka tidak ada alasan untuk
menolak Ho dan dapat disimpulkan bahwa semua kelompok mempunyai matrik
kovarians yang sama. Sebaliknya bila (-2 ln * )/b > F v1,v2,maka Ho ditolak.

BPS-UNFPA 173
 Analisis Faktor dan Diskriminan

Uji Vektor Nilai Ratarata

Pengujian terhadap vektor nilai ratarata antarkelompok dilakukan dengan
hipotesa:
Ho : 1 = 2 = . . . . . . . = k
H1 : sedikitnya ada 2 kelompok yang berbeda.
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|
= = Wi
lk’
sLamba
|B+W|

Dalam hal ini:

W = matrik jumlah kuadrat dan hasil kali data dalam kelompok
B = matrik jumlah kuadrat dan hasil kali data antar kelompok
Xij = pengamatan ke-j pada kelompok ke-i
_
Xi = vektor ratarata kelompok ke-i
ni = jumlah pengamatan pada kelompok ke-i
_
X = vektor ratarata total

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 ratarata 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 METHOD15 = Wi
lks
’lambda,Une
xpl
aine
dvar
ianc
e,Mahal
anobi
s
di
st
anc
e,Smal
les
tFRat
io,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.

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.

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 JUMLAH
AWAL FUNGSI DISKRIMINAN
I II

I N11 N12 N1•

II N21 N22 N2•

JUMLAH N•1 N•2 N

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

Dependen Variabel Independen Variabel Metode Analisis

Interval Interval Regression, Multiple Regression,
Factor Analysis, PartialR,
Quadratic (Currlinear),
Multiplicative (interaction)
Inteval Kategori (campuran ANOVA, MCA
interval dan kategori)
Interval atau Rasio Nominal MCA, ANOVA, ANCOVA,
MANCOVA
Nominal Nominal MCA, Log Linear, Logit/Probit
Nominal Interval atau Rasio Discriminant Analysis
Ordinal (dapat Nominal Disesuaikan
diperlakukan sebagai
nominal atau interval)
Dichotomus Interval (campuran Logistic Regression
interval dan kategori)
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,

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.

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' .

BPS-UNFPA 179
 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
andBar
tle
tt… 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.

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.

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 .

BPS-UNFPA 181
 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.

BPS-UNFPA 182
 Analisis Faktor dan Diskriminan

Rotated Component Matrix a

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.

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.

BPS-UNFPA 184
 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.

BPS-UNFPA 185
 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.

BPS-UNFPA 186