Windows User
Prodi Perencanaan Wilayah & Kota
Institut Teknologi Bandung
PEDOMAN PRAKTIKUM
I. SYARAT KEHADIRAN
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
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
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.
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.
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...
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.
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)
adanya command blanks(.3), Stata menghapuskan beberapa data sehingga data lebih
mudah dibaca. Dari tabel ini, dapat diketahui anggota masing-masing faktor. Anggota
Gambar ini menggambarkan persebaran besar korelasi antara suatu variabel dengan
suatu faktor.
B.3 Membuat grafik scree plot dengan garis horizontal yang membatasi pada nilai eigen
value 1
Command: screeplot, yline(1)
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.
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.
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.
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
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)
Berikutnya adalah faktor yang terbentuk menggunakan metode CFA rotasi varimax:
Variable Factor1 Factor2 Factor3 Uniqueness
Jumlah gereja