Modul Praktikum

Metode Analisis Perencanaan II

Tahun 2018-2019

Windows User
Prodi Perencanaan Wilayah & Kota
Institut Teknologi Bandung
 PEDOMAN PRAKTIKUM

I. SYARAT KEHADIRAN

1. Kehadiran dan partisipasi di laboratorium merupakan kewajiban praktikan.

2. Jumlah kehadiran minimal adalah 80 % dari total pertemuan yang ada.
3. Ketidakhadiran karena sakit atau izin tertentu yang tidak dapat ditinggalkan harus
disertai dengan surat keterangan resmi yang diserahkan ke asisten praktikum pada
shift masing-masing paling lambat seminggu sejak ketidakhadirannya. Jika tidak
diberikan pada waktu yang telah ditentukan, maka dianggap praktikan tidak
menghadiri praktikum.
4. Keterlambatan kehadiran yang ditoleransi adalah kurang dari 15 menit. Jika terlambat
hadir dengan waktu lebih dari 15 menit dari waktu yang telah ditentukan, maka
dianggap praktikan tidak menghadiri praktikum.
5. Data kehadiran akan dirujuk pada data absensi yang diberikan pada setiap pertemuan
praktikum. Setiap praktikan wajib melakukan dan mengkonfirmasi absensinya dengan
benar.

II. PERSYARATAN MENGIKUTI PRAKTIKUM

1. Praktikum dilakukan dalam kelompok, 1 kelompok maksimal beranggotakan 2 orang.

2. Praktikan wajib memahami materi yang akan dipraktikumkan sebelum praktikum
dimulai. Peserta memahami materi dari materi yang telah disampaikan oleh dosen
sebelumnya di perkuliahan.
3. Praktikan wajib mempersiapkan alat dan bahan yang telah diinstruksikan sebelumnya
oleh asisten praktikum.

III. PELAKSANAAN PRAKTIKUM

1. Praktikan wajib berperilaku dan berpakaian sopan pada saat praktikum.

2. Praktikan wajib mentaati tata tertib yang berlaku di Laboraturium.
 3. Praktikan wajib mengikuti petunjuk yang diberikan oleh asisten praktikum pada shift
masing-masing.
4. Praktikan memelihara kebersihan dan bertanggung jawab atas keutuhan alat-alat
praktikum.
5. Praktikan bertugas mengumpulkan, mengolah data, dan menginterpretasikan hasilnya.
6. Praktikan yang tidak mentaati pedoman pelaksanaan praktikum pada saat praktikum
berlangsung tidak akan diperbolehkan untuk melanjutkan praktikum.

IV. PENILAIAN

1. Nilai praktikum akan ditentukan dari nilai tes awal, aktivitas dan tes akhir, dan
laporan. Adapun masing-masing bobot penilaian pada setiap elemen penilaian adalah
10% untuk tes awal, 10% untuk aktivitas, dan 80% untuk laporan. Penilaian lebih
lanjut akan ditentukan pada setiap modul.
2. Praktikan wajib membuat laporan praktikum sesuai dengan format yang ada dengan
ketentuan terdapat 4 bab yaitu pendahuluan, dasar teori, analisis, dan kesimpulan dan
rekomendasi.
3. Laporan praktikum dikumpulkan paling lambat 1 minggu setelah praktikum pada jam
13.00 di Tata Usaha Program Studi Perencanaan Wilayah dan Kota.
4. Bobot penilaian laporan pada masing-masing bab sebesar 15 poin untuk bab 1, 10 poin
untuk bab 2, 60 poin untuk bab 3, dan 15 poin untuk bab 4. (Ketepatan hasil analisis
dan interpretasi 50%, ketepatan penggunaan metode 50%).
5. Laporan yang terlambat diserahkan pada waktu yang ditentukan namun masih pada
hari yang sama, akan dikenakan pengurangan nilai sebesar 50% dari nilai laporan.
Sedangkan, laporan yang dikumpulkan setelah TU tutup (keesokan harinya) akan
mendapat nilai 0.
6. Jika terjadi plagiarisme dalam penulisan laporan maka praktikan yang melakukan
plagiarisme maupun yang memberikan tugas laporan untuk diplagiat oleh praktikan
lainnya akan dikenakan sanksi dengan mendapatkan nilai 0 pada praktikum tersebut.
7. Nilai akhir praktikum dihitung dari rata-rata nilai praktikum dari seluruh modul
praktikum dalam 1 semester.
 8. Nilai praktikum memiliki bobot sebesar 15% pada nilai akhir mata kuliah Metode
Analisis Perencanaan.
9. Nilai praktikum dipertimbangkan dalam nilai akhir akhir mata kuliah Metode Analisis
Perencanaan apabila kehadiran kurang dari 80%. Jika kurang maka praktikan dianggap
tidak pernah mengikuti praktikum sehingga nilai akhir praktikum adalah 0.

V. WAKTU PRAKTIKUM

1. Praktikum dilaksanakan sebanyak 6 kali pertemuan dalam semester II. Pertemuan

praktikum dilaksanakan setiap dua minggu sekali.
2. Praktikum dibagi ke dalam 4 shift praktikum dengan didampingi oleh dua asisten
praktikum pada masing-masing shift.
3. Penentuan hari dan jam praktikum pada masing-masing shift ditentukan oleh asisten
praktikum dan akan diberitahukan pada setiap awal semester.

VI. JADWAL PRAKTIKUM PRAKTIKUM

No Praktikum Minggu ke… Tanggal

1 Praktikum 1: Analisis Faktor III
2 Praktikum 2: Kluster dan Skalogram V
3 Praktikum 3: Regresi Berganda VII
4 Praktikum 4: Time Sseries IX
5 Praktikum 5: Program Linier XI
6 Praktikum 6: Kualitatif XIII
 MODUL I
ANALISIS FAKTOR

Tujuan
1. Praktikan mampu memahami prinsip-prinsip dasar statistik
2. Praktikan mampu memahami dan membedakan jenis-jenis dan skala pengukuran data
dalam statistik
3. Praktikan mampu melakukan input data statistik dalam aplikasi stata

Alat dan Data

Alat:
1. Komputer dan Perangkatnya
2. Aplikasi Stata
Data:
1. Data Sekunder dari BPS

Teori Dasar
Analisis Faktor memiliki kegunaan untuk mengidentifikasi sejumlah kecil faktor yang
dapat mewakili hubungan antar sejumlah banyak variabel yang saling berhubungan. Analisis ini
melayani kebutuhan reduksi data melalui identifikasi struktur dalam sekumpulan variabel
tersebut dengan mempertahankan sebanyak mungkin informasi awal yang dikandung tanpa
menghilangkan data. Pengurangan dilakukan dengan melihat interdependensi beberapa variable
yang dapat dijadikan satu yang disebut faktor sehingga ditemukan variable-variabel atau faktor-
faktor yang dominan atau penting untuk dianalisis lebih lanjut.
Analisis faktor dapat dilakukan dengan PCA (Principal Component Analysis) dan CFA
(Common Factor Analysis). Perbedaan nya adalah pada PCA, variabel-variabel yang ada
dikelompokkan ke dalam faktor-faktor di mana peneliti tidak atau belum memiliki teori atau
hipotesis yang meyusun faktor tersebut. PCA mencoba untuk menemukan hubungan
antarvariabel baru atau faktor yang saling independen satu sama lain. Sementara pada CFA,
pembentukan faktor dilakukan secara sengaja berdasarkan teori dan konsep yang telah ada.
PCA
Pada metode ini pengelompokkkan faktor dilakukan dengan prinsip optimal: jumlah
komponen paling optimal, pilihan paling optimal untuk setiap variabel untuk setiap komponen,
dan weight paling optimal. Secara diagramatis, PCA ditunjukkan gambar di bawah. Y
merupakan variabel dan C merupakan komponen. 4 variabel yang ada dikelompokkan menjadi
sebuah komponen. Setiap variabel memiliki kontribusi dengan berat masing-masing terhadap
komponen C yang ditunjukkan dengan W dan arah panah yang menuju C.

C = w1(Y1) + w2(Y2) + w3(Y3) + w4(Y4) atau

PC1= W11X1+W12X2+ . . . . . . .+ W1pXp

CFA

Dalam metode ini telah ada teori yang mendasari terbentuknya faktor. Paling sering
digunakan dalam psikologi. Contohnya social anxiety. Social anxiety tidak dapat diukur secara
langsung, namun menggunakan indikator tertentu seperti ketidaknyamanan dalam grup,
ketidaknyamanan berbincang dengan orang asing. Social anxiety ini merupakan faktor (F) yang
menyebabkan terjadinya variabel terukur berupa ketidaknyamanan dalam grup (Y1) dan
ketidaknyamanan berbincang dengan orang asing (Y2). Hubungan antara F dan setiap Y
dibobotkan, CFA dilakukan untuk mencari bobot optimal. Dalam CFA ini terdapat error yang
ditunjukkan dengan u. Model ini memiliki bentuk seperti seperangkat persamaan regresi. Contoh
dalam PWK adalah IPM.

Persamaan: Y1 = b1*F + u1 atau X=Λf+e

 Pengolahan Data dan Analisis

Pada bagian ini akan dibahas contoh kasus, tujuan dari pengolahan, dan tahapan analisis.

Contoh Kasus :

Sama seperti kota atau kabupaten lainnya, Kabupaten Subang memiliki derajat atau
tingkatan kabupaten tersendiri. Tingkatan derajat tersebut dipengaruhi oleh faktor-faktor yang
berada di dalamnya. Untuk mengetahui faktor-faktor apa saja yang mempengaruhi derajat
kabupaten Subang maka diperlukan analisis faktor untuk menganalisisnya. Untuk itu berbagai
variabel pada 22 kecamatan di Kabupaten Subang dikumpulkan datanya dalam Sama seperti
kota atau kabupaten lainnya, Kabupaten Subang memiliki derajat atau tingkatan kabupaten
tersendiri. Tingkatan derajat tersebut dipengaruhi oleh faktor-faktor yang berada di dalamnya.
Untuk mengetahui faktor-faktor apa saja yang mempengaruhi derajat kabupaten Subang maka
diperlukan analisis faktor untuk menganalisisnya. Untuk itu berbagai variabel pada 22 kecamatan
di Kabupaten Subang dikumpulkan datanya dalam Sama seperti kota atau kabupaten lainnya,
Kabupaten Subang memiliki derajat atau tingkatan kabupaten tersendiri. Tingkatan derajat
tersebut dipengaruhi oleh faktor-faktor yang berada di dalamnya. Untuk mengetahui faktor-
faktor apa saja yang mempengaruhi derajat kabupaten Subang maka diperlukan analisis faktor
untuk menganalisisnya. Untuk itu berbagai variabel pada 22 kecamatan di Kabupaten Subang
dikumpulkan datanya dalam Tabel 1...

Tabel 1. Data Kabupaten Subang

NK A B C D E F G H I J K L M N O P
Sagalaherang 13 0 6 9 0 9 2 1 110 1 82 0 4 44 58 13
Jalancagak 17 0 15 14 1 8 6 1 0 1 119 0 4 44 541 18
Cisalak 13 0 5 6 1 5 3 1 38 1 89 0 4 36 653 13
Tanjungsiang 11 0 6 8 0 7 8 1 0 1 80 0 3 40 493 12
Cijambe 9 0 7 4 0 2 1 0 0 1 67 0 2 27 398 19
Cibogo 7 0 3 2 0 1 1 0 0 1 42 9 0 20 27 16
Subang 11 2 8 13 3 15 14 1 998 2 61 2 9 73 380 112
 NK A B C D E F G H I J K L M N O P
Kalijati 16 1 8 8 0 4 4 1 0 1 60 0 1 58 190 18
Cipeundeuy 7 0 5 4 1 3 2 1 0 1 51 1 0 25 0 23
Pabuaran 11 0 6 5 1 3 4 1 160 1 63 1 1 49 377 14
Patokbeusi 10 0 9 8 1 3 2 1 0 1 62 0 3 43 23 13
Purwadadi 11 0 5 5 2 7 4 1 243 1 61 1 0 39 493 18
Cikaum 9 0 5 4 0 1 1 0 0 1 37 0 0 40 271 11
Pagaden 17 0 8 6 0 8 4 1 385 1 90 0 3 51 718 20
Cipunagara 10 0 5 5 0 2 1 1 0 1 87 0 0 30 47 17
Compreng 8 0 6 4 1 2 1 1 0 1 25 0 0 24 26 15
Binong 18 0 9 7 1 4 2 1 138 2 60 1 1 65 206 20
Ciasem 10 0 9 8 2 3 3 1 543 1 69 4 2 74 494 17
Pamanukan 14 0 6 6 2 6 5 1 829 3 51 2 0 73 421 30
Pusakanagara 14 0 8 4 1 4 1 1 159 3 47 0 0 42 299 12
Legonkulon 8 0 3 2 0 2 1 0 0 4 28 0 0 31 128 10
Blanakan 9 0 7 4 0 2 1 1 0 9 44 0 0 46 149 8
Sumber : Kabupaten Subang Dalam Angka 2006

Keterangan:
NK = Nama kecamatan
A = Jumlah pengguna listrik per desa
B = Jumlah Rumah Sakit
C = Jumlah puskesmas
D = Jumlah sarana pelayanan kesehatan
E = Jumlah balai pengobatan
F = Jumlah taman kanak-kanak
G = Jumlah pasar
H = Jumlah kantor pos
I = Jumlah toko
J = Jumlah koperasi
K = Jumlah masjid
L = Jumlah gereja
M = Jumlah panti asuhan
N = Jumlah sarana olah raga
O = Jumlah unit usaha
P = Jumlah perusahaan dagang

Berdasarkan studi kasus tersebut, maka penyelesaian yang dapat dilakukan terdiri dari
beberapa tahapan yang diantaranya adalah: (1) merumuskan pertanyaan penelitian; (2)
memasukkan data pada Stata; (3) mengolah data menggunakan Stata; (4) menganalisis hasil
pengolahan data dan melakukan interpretasi.

1. Merumuskan Pertanyaan Penelitian

Pertanyaan penelitian yang akan diteliti adalah sebagai berikut.
  Faktor/komponen apa saja yang terbentuk dari data tersebut dan bagaimana faktor-
faktor/komponen tersebut terbentuk?
 Bagaimana Anda mengkonfirmasi bahwa hasil analisis ini memiliki makna yang berarti?
 Bagaimana karakteristik kecamatan di Kabupaten Subang berdasarkan keberadaan sarana
prasarana tersebut?

2. Memasukkan Data pada Stata

Klik “Data Editor” pada toolbar. Input data yang dimasukkan adalah data terkait derajat
Kabupaten Subang seperti yang tercantum pada Sama seperti kota atau kabupaten lainnya,
Kabupaten Subang memiliki derajat atau tingkatan kabupaten tersendiri. Tingkatan derajat
tersebut dipengaruhi oleh faktor-faktor yang berada di dalamnya. Untuk mengetahui faktor-
faktor apa saja yang mempengaruhi derajat kabupaten Subang maka diperlukan analisis faktor
untuk menganalisisnya. Untuk itu berbagai variabel pada 22 kecamatan di Kabupaten Subang
dikumpulkan datanya dalam Sama seperti kota atau kabupaten lainnya, Kabupaten Subang
memiliki derajat atau tingkatan kabupaten tersendiri. Tingkatan derajat tersebut dipengaruhi
oleh faktor-faktor yang berada di dalamnya. Untuk mengetahui faktor-faktor apa saja yang
mempengaruhi derajat kabupaten Subang maka diperlukan analisis faktor untuk
menganalisisnya. Untuk itu berbagai variabel pada 22 kecamatan di Kabupaten Subang
dikumpulkan datanya dalam Tabel 1...

Gambar 1. Tampilan Data Editor

Sumber: Hasil analisis, 2019

3. Mengolah Data Menggunakan Stata
Analisis data terbagi menjadi 2 pendekatan yaitu pendekatan PCA (Principal
Component Analysis) dan CFA (Common Factor Analysis). Sebelum melakukan analisis
faktor, dilakukan pengelompokkan variabel menjadi suatu kelompok terlebih dahulu untuk
mempermudah analisis yang dilakukan. Pengelompokkan variabel menjadi analisis faktor ini
dilakukan dengan cara:
 Mengelompokkan Sekelompok Variabel menjadi Kelompok

o Command: global infrastruktur jm_pg_list_per_desa-jm_perusaha_dgng

o Dalam praktikum ini, sekelompok variabel yang diuji diberi nama ‘infrastruktur’.
 Mengelompokkan Kecamatan menjadi kelompok ‘id’
o Command: global id kec
A. PCA (Principal Component Analysis)
A.1 Menampilkan matriks korelasi setiap variabel yang diuji (Kovarian)
Command: corr $infrastruktur, covariance
Tabel ini menggambarkan nilai matriks korelasi antar variabel independen. Diagonal

matriks korelasi akan bernilai 1 seperti pada tabel di atas.

A.2 Menampilkan matriks kovarian setiap variabel yang diuji (Korelasi)

Command: corr $infrastruktur

Tabel ini menggambarkan nilai matriks kovarian antar variabel independen.

A.3 Mengelompokkan variabel menjadi faktor dengan metode PCA dengan ketentuan
nilai minimal eigen value 1 (Kovarian)
Command: pca $infrastruktur, cov mineigen(1)

Tabel ini menggambarkan eigen value. Componen 1-11 memiliki nilai eigen value di
atas 1 maka ada faktor yang terbentuk akan ada 4.
Eigen value  Menggambarkan variansi faktor
Difference  Menggambarkan perbedaan antara eigen value atas dengan eigen value di
bawahnya
Proportion (% of variance)  Menggambarkan proporsi dari variansi
Kumulatif  Menggambarkan proposi kumulatif dari variansi
Untuk memudahkan pengelompokkan faktor, dapat menggunakan command: pca
$infrastruktur, cov mineigen(1) blanks(.3)
Tabel ini menggambarkan nilai loading factor sebelum dirotasi.
A.4 Mengelompokkan variabel menjadi faktor dengan metode PCA dengan ketentuan
nilai minimal eigen value 1 (Korelasi)
Command: pca $infrastruktur, mineigen(1)
1 maka ada faktor yang terbentuk akan ada 4.
Eigen value  Menggambarkan variansi faktor
Difference  Menggambarkan perbedaan antara eigen value atas dengan eigen value di
bawahnya
Proportion (% of variance)  Menggambarkan proporsi dari variansi
Kumulatif  Menggambarkan proposi kumulatif dari variansi
Untuk memudahkan pengelompokkan faktor, dapat menggunakan command: pca
$infrastruktur, corr mineigen(1) blanks(.3)

Tabel ini menggambarkan nilai loading factor sebelum dirotasi.

A.5 Membuat grafik scree plot

Command: screeplot

Grafik ini menggambarkan persebaran eigen value

A.6 Membuat grafik scree plot dengan garis horizontal yang membatasi pada nilai eigen
value 1
Command: screeplot, yline(1)

Grafik ini menggambarkan persebaran eigen value

Garis horizontal merah menggambarkan batas nilai eigen value 1

A.7 Melakukan rotasi faktor menggunakan metode varimax

Command: rotate, varimax
Tabel ini menggambarkan hasil rotasi matriks menggunakan metode varimax. Dari
tabel ini, dapat diketahui anggota masing-masing faktor. Anggota masing-masing
faktor dilihat dari nilai mutlak loading factor terbesar.

Tabel ini menggambarkan nilai komponen rotasi matriks menggunakan metode

varimax. Nilai pada tabel menggambarkan hubungan 1 faktor dengan faktor lainnya.
Jika nilainya lebih dari 0,5 maka faktor yang terbentuk sudah baik.
Command: rotate, varimax blanks(.3)

Tabel ini menggambarkan hasil rotasi matriks menggunakan metode varimax.

Dengan adanya command blanks(.3), Stata menghapuskan beberapa data sehingga
data lebih mudah dibaca. Dari tabel ini, dapat diketahui anggota masing-masing
faktor. Anggota masing-masing faktor dilihat dari nilai mutlak loading factor
terbesar.
 Tabel ini menggambarkan nilai komponen rotasi matriks menggunakan metode
varimax. Nilai pada tabel menggambarkan hubungan 1 faktor dengan faktor lainnya.
Jika nilainya lebih dari 0,5 maka faktor yang terbentuk sudah baik.

A.8 Melakukan rotasi faktor menggunakan metode promax

Command: rotate, promax
Tabel ini menggambarkan hasil rotasi matriks menggunakan metode promax. Dari
tabel ini, dapat diketahui anggota masing-masing faktor. Anggota masing-masing
faktor dilihat dari nilai mutlak loading factor terbesar.

Tabel ini menggambarkan nilai komponen rotasi matriks menggunakan metode

promax. Nilai pada tabel menggambarkan hubungan 1 faktor dengan faktor lainnya.
Jika nilainya lebih dari 0,5 maka faktor yang terbentuk sudah baik.

Command: rotate, promax blanks(.3)

Tabel ini menggambarkan hasil rotasi matriks menggunakan metode promax. Dengan

adanya command blanks(.3), Stata menghapuskan beberapa data sehingga data lebih
mudah dibaca. Dari tabel ini, dapat diketahui anggota masing-masing faktor. Anggota

masing-masing faktor dilihat dari nilai mutlak loading factor terbesar.

 Tabel ini menggambarkan nilai komponen rotasi matriks menggunakan metode
promax. Nilai pada tabel menggambarkan hubungan 1 faktor dengan faktor lainnya.
Jika nilainya lebih dari 0,5 maka faktor yang terbentuk sudah baik.

A.9 Membuat grafik loading plot

Command: loadingplot

Gambar ini menggambarkan persebaran besar korelasi antara suatu variabel dengan
suatu faktor.

A.10 Memasukkan nilai factor scores pada dataset

Command: predict pc1 pc2 pc3 pc4, score
 Command ini berguna untuk memasukkan nilai factor scores pada dataset. Pc1, pc2,
pc3, pc4 menggambarkan jumlah faktor yang terbentuk.

A.11 Membuat grafik scatter plot

Command: scoreplot

Gambar ini menggambarkan persebaran factor scores

A.12 Mencari nilai KMO

Command: estat kmo
 Tabel ini menggambarkan nilai KMO yang menunjukkan keberagaman data. Nilai
di atas 0,5 menandakan bahwa analisis faktor memberikan manfaat.
B. CFA
B.1 Mengelompokkan variabel menjadi faktor dengan metode CFA dengan ketentuan
nilai minimal eigen value 1
Command: factor $infrastruktur, mineigen(1)
factor $infrastruktur, mineigen(1) blanks (.3)

Dengan adanya command blanks(.3), Stata menghapuskan beberapa data sehingga

data lebih mudah dibaca.

B.2 Membuat grafik screeplot

Command: screeplot
Grafik ini menggambarkan persebaran eigen value

B.3 Membuat grafik scree plot dengan garis horizontal yang membatasi pada nilai eigen
value 1
Command: screeplot, yline(1)

Grafik ini menggambarkan persebaran eigen value

Garis horizontal merah menggambarkan batas nilai eigen value 1

B.4 Melakukan rotasi faktor dengan metode varimax

Command: rotate, varimax
Tabel ini menggambarkan hasil rotasi matriks menggunakan metode varimax. Dari tabel
ini, dapat diketahui anggota masing-masing faktor. Anggota masing-masing faktor dilihat
dari nilai mutlak loading factor terbesar.

Tabel ini menggambarkan nilai komponen rotasi matriks menggunakan metode varimax.
Nilai pada tabel menggambarkan hubungan 1 faktor dengan faktor lainnya. Jika nilainya
lebih dari 0,5 maka faktor yang terbentuk sudah baik.

Command: rotate, varimax blanks(.3)

 Tabel ini menggambarkan hasil rotasi matriks menggunakan metode varimax. Dengan
adanya command blanks(.3), Stata menghapuskan beberapa data sehingga data lebih
mudah dibaca. Dari tabel ini, dapat diketahui anggota masing-masing faktor. Anggota
masing-masing faktor dilihat dari nilai mutlak loading factor terbesar.
Tabel ini menggambarkan nilai komponen rotasi matriks menggunakan metode varimax.
Nilai pada tabel menggambarkan hubungan 1 faktor dengan faktor lainnya. Jika nilainya
lebih dari 0,5 maka faktor yang terbentuk sudah baik.
B.5 Melakukan rotasi faktor dengan metode promax
Command: rotate, promax

Tabel ini menggambarkan hasil rotasi matriks menggunakan metode promax. Dari tabel
ini, dapat diketahui anggota masing-masing faktor. Anggota masing-masing faktor dilihat
dari nilai mutlak loading factor terbesar.
 Tabel ini menggambarkan nilai komponen rotasi matriks menggunakan metode promax.
Nilai pada tabel menggambarkan hubungan 1 faktor dengan faktor lainnya. Jika nilainya
lebih dari 0,5 maka faktor yang terbentuk sudah baik.

Command: rotate, promax blanks(.3)

Tabel ini menggambarkan hasil rotasi matriks menggunakan metode promax. Dengan adanya
command blanks(.3), Stata menghapuskan beberapa data sehingga data lebih mudah dibaca. Dari
tabel ini, dapat diketahui anggota masing-masing faktor. Anggota masing-masing faktor dilihat
dari nilai mutlak loading factor terbesar.

Tabel ini menggambarkan nilai komponen rotasi matriks menggunakan metode promax. Nilai
pada tabel menggambarkan hubungan 1 faktor dengan faktor lainnya. Jika nilainya lebih dari 0,5
maka faktor yang terbentuk sudah baik.

B.6 Mengambalikan Data

Karena hasil rotasi menunjukkan nilai rata-rata uniqueness yang lebih kecil adalah nilai
rotasi varimax, maka untuk pengolahan data berikutnya akan menggunakan data hasil
rotasi varimax.
Command: factor $infrastruktur, corr mineigen(1)

B.7 Menampilkan statistik skalar dan matriks bernilai setelah estimasi

Command: estat common

Tabel ini menggambarkan korelasi faktor ketika dirotasi.

B.8 Membuat grafik loadingplot

Factor loadings
1

jm_masjid
jm_pg_list~a
jm_puskes
.5

jm_unit_us~a
jm_kantorpos
Factor 2

jm_sar_olga
Com
mand: loadingplot
0

Gambar ini menggambarkan persebaran besar korelasi antara suatu variabel dengan
suatu faktor. jm

jm_koperasi
jm_gereja
 Scores for factor 2
-1 0 1 2 3

Score variables (factor)

B.8 Memasukkan nilai factor scores pada dataset
Command: predict f1 f2 f3
Command ini berguna untuk memasukkan nilai factor scores pada dataset. f1, f2, f3
menggambarkan jumlah faktor yang terbentuk.

B.9 Membuat grafik scatterplot

Score variables (factor)

3 2
Scores for factor 2
-1 0 1
Command: scoreplot
Gambar ini menggambarkan persebaran nilai loading scores

B.10 Mencari nilai Bartlett

Untuk pendekatan CFA, nilai yang harus dicari untuk memastikan bahwa analisis faktor
yang dilakukan memberi manfaat adalah nilai Bartlett. Untuk mencari nilai Bartlett,
pastikan perangkat yang digunakan terhubung dengan internet untuk meng-install salah
satu command.
Command: ssc install forecast
Berikutnya,
Command: factortest $infrastruktur

Nilai Bartlett ditunjukkan oleh besaran Kaiser-Meyen-Olkin (KMO) Measure of

Sampling Adequcy (MSA) yaitu sebesar 0,521. Nilai di atas 0,5 menandakan bahwa
variabel masih bisa diprediksi dan dianalisis lebih lanjut.

B.11 Membuat Rentang dari Nilai Factor Score

Setelah mengetahui factor score baik melalui analisis PCA maupun Faktor maka
selanjutnya nilai tersebut akan dibuat menjadi data ordinal dengan nilai 1 untuk
“Rendah”, 2 untuk “Sedang”, dan 3 untuk “Tinggi” untuk mempermudah analisis
selanjutnya. Variabel yang akan diubah tersebut adalah “f1” atau factor 1.
Max−Min
Cara membuat rentang =
3

KECAMATAN f1
SAGALAHERANG .1885478

JALANCAGAK .4948532

CISALAK .1529926

TANJUNGSIANG .3742813

KECAMATAN f1

CIJAMBE -.2776541

CIBOGO -.1731465

SUBANG 4.157588

KALIJATI -.0361457

CIPEUNDEUY -.1840883

PABUARAN -.3909096

PATOKBEUSI -.3285997

PURWADADI -.082119

CIKAUM -.3501739

PAGADEN -.0292819

CIPUNAGARA -.3505285

COMPRENG -.3249114

BINONG -.436876
 CIASEM -.0742139

PAMANUKAN .1601953

PUSAKANAGARA -.8892138

LEGONKULON -.6580162

BLANAKAN -.9425802

Command: sum f1
Command tersebut digunakan untuk mengetahui nilai maximum dan minimum dari
variabel ini sehingga didapatkan interval dari factor score ini untuk 3 kategori adalah
(max-min)/3 = 1.7000561, sehingga didapatkan rentangnya adalah sebagai berikut:
Rendah : nilai minimum <= f1 <= 0.7574759
Sedang : 0.7574760 <= f1 <= 2.4575320
Tinggi : 2.4575321 <= f1 <= nilai maksimum
Sehingga commandnya sebagai berikut;
recode f1 (min/0.7574759=1 "Rendah") (0.7574760/2.4575320=2 "Sedang")
(2.4575321/max=3 "Tinggi"),generate(Rentangf1)

4. Menganalisis Hasil Pengolahan Data dan Melakukan Interpretasi

1. Faktor yang terbentuk menggunakan metode PCA rotasi varimax:
Variable Comp1 Comp2 Comp3 Comp4 Unexplained

jm_pg_list~a -0.1342 0.4451 0.1042 -0.0047 .2708

jm_rs 0.4921 -0.0989 -0.0146 -0.1380 .158
jm_puskes 0.0021 0.4128 -0.0160 -0.0456 .3538
jm_sar_pel~s 0.2713 0.2944 -0.0552 0.0742 .1238
jm_bl_peng~t 0.0609 -0.0159 0.4644 -0.0202 .2832
jm_tk 0.3326 0.1503 0.0479 0.0625 .1626
jm_pasar 0.3615 0.0499 0.1112 0.0813 .1335
jm_kantorpos -0.0207 0.3544 0.1019 -0.2408 .4394
jm_toko 0.0802 -0.0364 0.5210 -0.0301 .08742
jm_koperasi -0.0221 0.0295 0.0403 -0.6774 .3252
jm_masjid 0.0063 0.3727 -0.1335 0.3741 .1441
jm_gereja -0.0958 -0.3368 0.3845 0.3629 .3554
jm_pt_asuhan 0.4228 0.1018 -0.1111 0.1719 .1323
jm_sar_olga -0.0357 0.2054 0.4444 -0.2005 .1715
jm_unit_us~a -0.1572 0.2420 0.2821 0.3193 .3939
jm_perusah~g 0.4470 -0.1359 0.1296 -0.0371 .0574

Nilai rata-rata penjumlahan unexplained adalah 0,239488.

Faktor yang terbentuk menggunakan metode PCA rotasi promax:
 Variable Comp1 Comp2 Comp3 Comp4 Unexplained

jm_pg_list~a -0.1422 0.4482 0.0934 -0.0093 .2708

jm_rs 0.4961 -0.1110 0.0007 -0.1382 .158
jm_puskes -0.0088 0.4151 -0.0228 -0.0513 .3538
jm_sar_pel~s 0.2623 0.2853 -0.0501 0.0691 .1238
jm_bl_peng~t 0.0784 -0.0276 0.4675 -0.0157 .2832
jm_tk 0.3313 0.1370 0.0572 0.0602 .1626
jm_pasar 0.3650 0.0336 0.1233 0.0809 .1335
jm_kantorpos -0.0251 0.3601 0.0929 -0.2448 .4394
jm_toko 0.1003 -0.0496 0.5250 -0.0248 .08742
jm_koperasi -0.0187 0.0479 0.0301 -0.6780 .3252
jm_masjid -0.0095 0.3659 -0.1342 0.3682 .1441
jm_gereja -0.0751 -0.3527 0.3924 0.3717 .3554
jm_pt_asuhan 0.4167 0.0860 -0.0971 0.1685 .1323
jm_sar_olga -0.0241 0.2027 0.4385 -0.1991 .1715
jm_unit_us~a -0.1549 0.2327 0.2785 0.3195 .3939
jm_perusah~g 0.4567 -0.1526 0.1458 -0.0352 .0574

Nilai rata-rata penjumlahan unexplained adalah 0,239488.

Dikarenakan nilai rata-rata penjumlahan unexplained keduanya (Baik menggunakan
rotasi varimax maupun menggunakan rotasi promax) bernilai sama, keduanya sama-
sama dapat digunakan untuk analisis lebih lanjut.

Berikutnya adalah faktor yang terbentuk menggunakan metode CFA rotasi varimax:
Variable Factor1 Factor2 Factor3 Uniqueness

jm_pg_list~a -0.0075 0.7648 0.3381 0.3006

jm_rs 0.8374 -0.0553 0.1781 0.2640
jm_puskes 0.1095 0.7484 0.2370 0.3717
jm_sar_pel~s 0.6020 0.7014 0.1435 0.1251
jm_bl_peng~t 0.5214 0.0062 0.6253 0.3370
jm_tk 0.7660 0.4446 0.2171 0.1684
jm_pasar 0.8526 0.2806 0.2426 0.1355
jm_kantorpos 0.0892 0.5218 0.4392 0.5269
jm_toko 0.6068 -0.0306 0.7089 0.1283
jm_koperasi -0.2006 -0.2321 0.2950 0.8189
jm_masjid 0.1689 0.8695 -0.1787 0.1835
jm_gereja 0.1617 -0.3978 0.0497 0.8131
jm_pt_asuhan 0.8108 0.4345 -0.0407 0.1521
jm_sar_olga 0.3220 0.2952 0.8026 0.1651
jm_unit_us~a 0.1755 0.5524 0.2516 0.6008
jm_perusah~g 0.9279 -0.0949 0.2650 0.0599

Nilai rata-rata penjumlahan uniqueness adalah 0,015966.

Faktor yang terbentuk menggunakan metode CFA rotasi promax:
 Variable Factor1 Factor2 Factor3 Uniqueness

jm_pg_list~a -0.1877 0.7623 0.2950 0.3006

jm_rs 0.8391 -0.1397 0.1118 0.2640
jm_puskes -0.0399 0.7451 0.1771 0.3717
jm_sar_pel~s 0.5020 0.6656 0.0329 0.1251
jm_bl_peng~t 0.3968 -0.0908 0.6143 0.3370
jm_tk 0.6897 0.3802 0.1172 0.1684
jm_pasar 0.7956 0.2012 0.1500 0.1355
jm_kantorpos -0.0784 0.4939 0.4142 0.5269
jm_toko 0.4711 -0.1432 0.6981 0.1283
jm_koperasi -0.2477 -0.2507 0.3542 0.8189
jm_masjid 0.1034 0.9028 -0.2822 0.1835
jm_gereja 0.2094 -0.4292 0.0713 0.8131
jm_pt_asuhan 0.7981 0.3892 -0.1610 0.1521
jm_sar_olga 0.1093 0.2083 0.7979 0.1651
jm_unit_us~a 0.0514 0.5355 0.2031 0.6008
jm_perusah~g 0.9184 -0.1956 0.1988 0.0599

Nilai rata-rata penjumlahan uniqueness adalah 2,384675926.

Untuk memilih hasil rotasi faktor yang digunakan, dipilih nilai rata-rata penjumlahan
uniqueness yang lebih kecil. Nilai rata-rata penjumlahan uniqueness rotasi varimax
lebih kecil dibandingkan nilai rata-rata penjumlahan uniqueness rotasi promax. Oleh
karena itu, yang digunakan untuk analisis lanjut adalah hasil rotasi faktor
menggunakan metode varimax.
Selanjutnya, menentukan metode mana yang digunakan apakah menggunakan metode
PCA atau CFA. Untuk menentukan hal tersebut, dipilih nilai rata-rata penjumlahan
unexplained/uniqueness yang lebih kecil. Nilai rata-rata penjumlahan uniqueness
rotasi varimax (CFA) lebih kecil dibandingkan nilai rata-rata penjumlahan
unexplained rotasi varimax (PCA), maka hasil yang digunakan untuk analisis lebih
lanjut adalah hasil analisis faktor rotasi varimax menggunakan metode CFA.
Anggota dari setiap faktor yang terbentuk diketahui dengan cara melihat nilai mutlak
loading factor terbesar pada setiap variabel.
Variable Factor1 Factor2 Factor3 Uniqueness

jm_pg_list~a -0.0075 0.7648 0.3381 0.3006

jm_rs 0.8374 -0.0553 0.1781 0.2640
jm_puskes 0.1095 0.7484 0.2370 0.3717
jm_sar_pel~s 0.6020 0.7014 0.1435 0.1251
jm_bl_peng~t 0.5214 0.0062 0.6253 0.3370
jm_tk 0.7660 0.4446 0.2171 0.1684
jm_pasar 0.8526 0.2806 0.2426 0.1355
jm_kantorpos 0.0892 0.5218 0.4392 0.5269
jm_toko 0.6068 -0.0306 0.7089 0.1283
jm_koperasi -0.2006 -0.2321 0.2950 0.8189
jm_masjid 0.1689 0.8695 -0.1787 0.1835
jm_gereja 0.1617 -0.3978 0.0497 0.8131
jm_pt_asuhan 0.8108 0.4345 -0.0407 0.1521
jm_sar_olga 0.3220 0.2952 0.8026 0.1651
jm_unit_us~a 0.1755 0.5524 0.2516 0.6008
jm_perusah~g 0.9279 -0.0949 0.2650 0.0599

Berikut ini merupakan faktor yang terbentuk beserta anggotanya.

 Faktor 1 Faktor 2 Faktor 3

Jumlah rumah Jumlah pengguna Jumlah toko

sakit listrik per desa

Jumlah TK Jumlah puskesmas Jumlah koperasi

Jumlah pasar Jumlah sarana Jumlah sarana

pelayanan olahraga
kesehatan

Jumlah panti Jumlah masjid Jumlah balai

asuhan pengobatan

Jumlah perusahaan Jumlah gereja

dagang

Jumlah kantor pos Jumlah unit usaha

2. Hasil analisis ini memiliki makna yang berarti dilihat dari:

Untuk analisis faktor menggunakan metode PCA, hasil analisis ini memiliki makna
yang berarti dilihat dari nilai KMO > 0,5 yaitu 0,5206. Untuk analisis faktor
menggunakan metode CFA, hasil analisis ini memiliki makna yang berarti dilihat dari
nilai KMO MSA > 0,5 yaitu 0,521. Hal ini menandakan bahwa data dapat dianalisis
lebih lanjut.
 Variable Factor1 Factor2 Factor3 Uniqueness

jm_pg_list~a -0.0075 0.7648 0.3381 0.3006

jm_rs 0.8374 -0.0553 0.1781 0.2640
jm_puskes 0.1095 0.7484 0.2370 0.3717
jm_sar_pel~s 0.6020 0.7014 0.1435 0.1251
jm_bl_peng~t 0.5214 0.0062 0.6253 0.3370
jm_tk 0.7660 0.4446 0.2171 0.1684
jm_pasar 0.8526 0.2806 0.2426 0.1355
jm_kantorpos 0.0892 0.5218 0.4392 0.5269
jm_toko 0.6068 -0.0306 0.7089 0.1283
jm_koperasi -0.2006 -0.2321 0.2950 0.8189
jm_masjid 0.1689 0.8695 -0.1787 0.1835
jm_gereja 0.1617 -0.3978 0.0497 0.8131
jm_pt_asuhan 0.8108 0.4345 -0.0407 0.1521
jm_sar_olga 0.3220 0.2952 0.8026 0.1651
jm_unit_us~a 0.1755 0.5524 0.2516 0.6008
jm_perusah~g 0.9279 -0.0949 0.2650 0.0599

3. Berikut ini merupakan pengelompokkan keberadaan sarana prasarana di Kabupaten

Subang berdasarkan hasil analisis faktor menggunakan metode CFA:

Faktor 1 Faktor 2 Faktor 3

Jumlah rumah Jumlah pengguna Jumlah toko

sakit listrik per desa

Jumlah TK Jumlah puskesmas Jumlah koperasi

Jumlah pasar Jumlah sarana Jumlah sarana

pelayanan olahraga
kesehatan

Jumlah panti Jumlah kantor pos

asuhan

Jumlah perusahaan Jumlah masjid

dagang

Jumlah gereja

Jumlah unit usaha

Karakteristik kecamatan di Kabupaten Subang berdasarkan keberadaan sarana

prasarana tersebut adalah sebagai berikut:
Faktor 1  Kabupaten Subang memiliki infrastruktur sosial dan sarana pendukung
kegiatan jual-beli. Variabel-variabel yang tergabung di dalam faktor satu sebagian
merupakan infrastruktur sosial. Infrastruktur sosial merupakan aset yang mendukung
kesehatan dan keahlian masyarakat meliputi pendidikan (seperti sekolah dan
perpustakaan), kesehatan (seperti rumah sakit dan pusat kesehatan) serta untuk
rekreasi (taman, museum dan lain-lain) (World Bank Report, 1994). Rumah sakit dan
taman kanak-kanak (TK) merupakan aset yang mendukung kesehatan dan pendidikan
masyarakat. Sementara, panti asuhan merupakan suatu lembaga usaha kesejahteraan
sosial yang mempunyai tanggung jawab untuk memberikan pelayanan kesejahteraan
sosial kepada anak telantar dengan melaksanakan penyantunan dan pengentasan anak
telantar, memberikan pelayanan pengganti fisik, mental, dan sosial pada anak asuh,
sehingga memperoleh kesempatan yang luas, tepat dan memadai bagi perkembangan
kepribadiannya sesuai dengan yang diharapkan sebagai bagian dari generasi penerus
cita-cita bangsa dan sebagai insan yang akan turut serta aktif di dalam bidang
pembangunan nasional. Dua variabel lainnya yaitu jumlah pasar dan jumlah
perusahaan dagang merupakan sarana pendukung kegiatan jual-beli. Kedua variabel
tersebut bukan merupakan infrastruktur sosial. Pengelompokkan faktor seperti ini bisa
terjadi karena pengelompokkan dilakukan secara kuantitatif.
Faktor 2  Kabupaten Subang memiliki sarana pelayanan umum. Puskesmas dan
sarana pelayanan kesehatan merupakan sarana kesehatan yang berguna untuk
memenuhi kebutuhan dasar manusia. Sementara, masjid dan gereja merupakan sarana
peribadatan. Masyarakat berhak mengakses seluruh sarana tersebut. Sama halnya
dengan kantor pos yang dapat digunakan oleh masyarakat yang membutuhkannya.
Oleh karena itu, kelima variabel tersebut tergabung dalam sarana pelayanan umum.
Jumlah unit usaha dan jumlah pengguna listrik per desa tidak tergabung dalam sarana
pelayanan umum. Pengelompokkan faktor seperti ini bisa terjadi karena
pengelompokkan dilakukan secara kuantitatif.
Faktor 3  Kabupaten Subang memiliki sarana pendukung kegiatan ekonomi. Toko
merupakan tempat bertemunya penjual dan pembeli, aktivitas ekonomi dapat terjadi
di toko tersebut. Sementara, koperasi suatu badan usaha (organisasi ekonomi) yang
dimiliki dan dioperasikan oleh para anggotanya untuk memenuhi kepentingan