Artikel PDF
Artikel PDF
Abstract: This study discuss the main factors that cause poverty in East Java
Province by reducing the initial variables into factor. The reduction process of the
variables that cause the poverty using principal component exploratoty method.
Those variables are the level of education (𝑋1 ), illiteracy (𝑋2 ), unemployment
(𝑋3 ), type of roof (𝑋4 ), type of wall (𝑋5 ), type of floor (𝑋6 ), land area (𝑋7 ) and
lighting (𝑋8 ). From the result of the application of factor analysis using principal
component exploratory method, obtained the number of factors which are formed
two factors, i.e. residence feasibility factor (𝐹1 ) and low economic factor (𝐹2 ).
While the equation of the two factors are:
F1 = 0,232 X1 − 0,132 X2 − 0,241 X3 + 0,833 X4 + 0,945 X5 +0,887 X6 + 0,704 X7
and
F2 = −0,674 X1 + 0,876 X2 +0,886 X3 − 0,304 X4 − 0,119 X5
− 0,156 X6 − 0,339 X7
1. Rina Fitrianita Rizki adalah mahasiswi jurusan Matematika FMIPA Universitas Negeri Malang
2. Susiswo adalah dosen jurusan Matematika FMIPA Universitas Negeri Malang
2
METODE
Data yang digunakan dalam penelitian ini adalah data sekunder yang
diperoleh dari Badan Pusat Statistik (BPS), yaitu berupa data Survei Sosial
Ekonomi Nasional Provinsi Jawa Timur pada tahun 2011 yang meliputi 9 kota
dan 29 kabupaten. Variabel-variabel yang diamati dalam penelitian ini antara lain
adalah pendidikan (𝑋1 ), buta huruf (𝑋2 ), pengangguran (𝑋3 ), jenis atap rumah (𝑋4 ),
jenis dinding rumah (𝑋5 ), jenis lantai rumah (𝑋6 ), luas rumah (𝑋7 ) dan penerangan
(𝑋8 ). Dalam penelitian ini, langkah-langkah yang dilakukan adalah:
3
Dapat dilihat bahwa nilai KMO berada pada interval 0,6 ≤ KMO < 0,7
yang berarti data berada pada indikator “cukup”.
X1 X2 X3 X4 X5 X6 X7 X8
X1 0,819 0,038 0,256 0,136 0,006 -0,012 -0,300 -0,184
X2 0,038 0,677 -0,701 -0,099 -0,149 0,184 0,059 0,074
X3 0,256 -0,701 0,710 0,222 -0,011 -0,028 -0,014 -0,150
X4 0,136 -0,099 0,222 0,636 0,260 -0,563 -0,587 -0,702
X5 0,006 -0,149 -0,011 0,260 0,620 -0,855 -0,596 -0,302
X6 -0,012 0,184 -0,028 -0,563 -0,855 0,537 0,574 0,464
X7 -0,300 0,059 -0,014 -0,587 -0,596 0,574 0,549 0,434
X8 -0,184 0,074 -0,150 -0,702 -0,302 0,464 0,434 0,319
Dapat dilihat pada Tabel 3 di atas bahwa nilai MSA variabel X1 adalah
0,819; variabel X2 bernilai 0,677; variabel X3 bernilai 0,710; variabel X4 bernilai
0,636; variabel X5 bernilai 0,620; variabel X6 bernilai 0,537 dan variabel X7
bernilai 0,549; yang mana nilai-nilai tersebut lebih besar dari 0,5. Namun pada
variabel X8, nilai MSA adalah 0,319 yang berarti bahwa nilai ini lebih kecil dari
0,5. Nilai ini mengindikasikan bahwa variabel X8 harus dikeluarkan dari variabel
lainnya agar data dapat dianalisis lebih lanjut.
Selanjutnya dilakukan pengulangan uji asumsi dengan variabel X8 tidak
diikutsertakan dalam pengujian.
Dapat dilihat bahwa nilai KMO berada pada interval 0,7 ≤ KMO < 0,8
yang berarti data berada pada indikator “baik”.
Dapat dilihat pada Tabel 6 di atas bahwa nilai MSA variabel X1 adalah
0,874; variabel X2 bernilai 0,684; variabel X3 bernilai 0,724; variabel X4 bernilai
0,841; variabel X5 bernilai 0,659; variabel X6 bernilai 0,625 dan variabel X7
bernilai 0,668. Hal ini berarti nilai MSA dari ketujuh variabel lebih besar dari 0,5
sehingga data dapat dinyatakan layak dan dapat dilakukan analisis lebih lanjut.
Setelah data dinyatakan layak untuk dilakukan analisis faktor, selanjutnya
akan dilakukan proses ekstraksi faktor dengan metode komponen utama.
Pada Tabel 7 di atas dapat dilihat bahwa untuk variabel X1, nilai ekstraksi
sebesar 0,508. Hal ini menunjukkan bahwa sekitar 50,8% ragam dari variabel X1
dapat dijelaskan oleh faktor yang terbentuk. Nilai ekstraksi sebesar 0,784 pada
variabel X2, yang berarti sebesar 78,4% ragam dari variabel X2 dapat dijelaskan
oleh faktor yang terbentuk. Sebesar 84,3% ragam dari variabel X3 dapat
dijelaskan oleh faktor yang terbentuk karena variabel X3 memiliki nilai ekstraksi
sebesar 0,843. Selanjutnya pada variabel X4, nilai ekstraksi sebesar 0,787
menunjukkan bahwa sekitar 78,7% ragam dari variabel X4 dapat dijelaskan oleh
faktor yang terbentuk. Variabel X5 memiliki nilai ekstraksi sebesar 0,907 yang
berarti sekitar 90,7% ragam dari variabel X5 dapat dijelaskan oleh faktor yang
terbentuk. Pada variabel X6, sekitar 81,2% ragamnya dapat dijelaskan oleh faktor
yang terbentuk karena variabel X6 memiliki nilai ekstraksi sebesar 0,812.
Sedangkan variabel X7 dengan nilai ekstraksi 0,610 menunjukkan bahwa sekitar
61% ragam variabel X7 dapat dijelaskan oleh faktor yang terbentuk.
Berikut ini merupakan hasil analisis kriteria pada ekstraksi faktor:
1. Nilai Eigen
Tabel 8 Tabel Jumlah Keragaman
Nilai Eigen Awal
Komponen Persentase dari Persentase
Total
Ragam Kumulatif
1 3,909 55,839 55,839
2 1,342 19,172 75,011
3 0,789 11,277 86,288
4 0,429 6,133 92,421
5 0,274 3,912 96,333
6 0,194 2,766 99,099
7 0,063 0,901 100,000
6
3. Scree Plot
Pada variabel X1, korelasi antara X1 dengan faktor 1 adalah 0,588 (kuat)
dan dengan faktor 2 adalah 0,403 (lemah). Maka X1 dapat dimasukkan sebagai
komponen faktor 1. Lalu korelasi antara X4 dengan faktor 1 adalah 0,851 (kuat)
dan dengan faktor 2 adalah 0,252 (lemah) sehingga X4 dapat dimasukkan sebagai
komponen faktor 1. Korelasi X5 dengan faktor 1 adalah 0,830 (kuat) dan dengan
faktor 2 adalah 0,466 (lemah) sehingga X5 masuk ke dalam komponen faktor 1.
Variabel X6 dan variabel X7 juga masuk ke dalam komponen faktor 1 karena
korelasi antara X6 dengan faktor 1 sebesar 0,806 (kuat) dan dengan faktor 2
sebesar 0,403 (lemah) sedangkan korelasi X7 dengan faktor 1 adalah 0,767 (kuat)
dan dengan faktor 2 adalah 0,147 (lemah).
Namun variabel X2 dan X3 masih sulit untuk ditentukan masuk ke dalam
faktor yang mana karena nilai korelasi antara variabel dengan faktor yang
terbentuk sama-sama kuat. Dapat dilihat bahwa nilai korelasi antara variabel X2
dengan faktor 1 adalah 0,627 (kuat) dan dengan faktor 2 adalah 0,625 (kuat).
Sedangkan pada variabel X3, nilai korelasi dengan faktor 1 sebesar 0,721 (kuat)
dan dengan faktor 2 adalah sebesar 0,569 (kuat). Karena masih sulit untuk
memutuskan masuk ke dalam faktor yang manakah kedua variabel tersebut, maka
langkah selanjutnya adalah melakukan rotasi faktor untuk dapat
menginterpretasikan pengkategorian tersebut dengan jelas.
Saran dari penelitian ini adalah bahwa penelitian ini diharapkan bisa
menjadi salah satu referensi untuk melakukan penelitian dalam bidang yang sama,
namun dengan menerapkan metode yang berbeda, atau penelitian dalam bidang
berbeda dengan menerapkan metode yang berbeda pula. Penelitian lain juga dapat
dilakukan dengan cara membandingkan metode komponen utama dan metode
Maximum Likelihood Estimation atau membandingkan dengan metode lain agar
diperoleh hasil yang lebih akurat.
DAFTAR PUSTAKA
Badan Pusat Statistik. 2008. Analisis dan Penghitungan Tingkat Kemiskinan 2008.
Jakarta: Badan Pusat Statistik.
Badan Pusat Statistik. 2011. Survei Sosial Ekonomi Nasional (Susenas). Jakarta:
Badan Pusat Statistik.
Santoso, Singgih. 2002. Buku Latihan SPSS Statistik Multivariat. Jakarta: PT Elex
Media Komputindo.
Penulis