Factor Analysis

Sektor Sosial: Tingkat Kematian (Mortalitas) Penduduk Indonesia

A. Latar Belakang Studi
Sensus penduduk merupakan perhitungan jumlah penduduk dilakukan secara periodik (10 tahun),
bertujuan untuk menyediakan informasi data, komposisi, distribusi, dan karakteristik penduduk serta
parameter demografi dan proyeksi penduduk (fertilitas, mortalitas, migrasi) Indonesia. Pentingnya SP
untuk mendapatkan jumlah penduduk yang sesuai berdasarkan domisili tinggal, dimana membantu ke
pihak pemerintah baik daerah/pusat dalam menyusun program dan kebijakan kependudukan dan
sosial jangka pendek hingga panjang.
Mortalitas (tingkat kematian) menjadi salah satu parameter demografi dan proyeksi penduduk,
yang dipengaruhi oleh banyak faktor. Beberapa faktor dapat dipengaruhi internal atau eksternal,
seperti ada nya wabah/pandemik (Covid-19), tingkat kesehatan baik fasilitas pelayanan, perilaku
masyarakat hingga tingkat fertilitas. Tingkat mortalitas merepresentasikan indikator kesejahteraan dan
kualitas penduduk di suatu wilayah, memiliki hubungan korelasi kuat negatif khususnya di bidang
kesehatan.
Dengan mengetahui faktor-faktor berpengaruh pada tingkat mortalitas, akan memberikan data dan
informasi untuk strategi kebijakan kesehatan untuk menjamin kesejahteraan dan kualitas penduduk di
Indonesia.

B. Tujuan Studi (Pengolahan Data)

Mengetahui faktor berpengaruh pada mortalitas, mengelompokkan faktor ke komponen tertentu
sehingga mudah dikontrol dan diantisipasi sehingga menghasilkan data dan informasi yang efektif
pada kebijakan strategis khususnya kesehatan penduduk di Indonesia.

C. Interpretasi Hasil Pengolahan Data

Pada subbab berikut menjelaskan analisa input data, identifikasi variabel data, serta pengolahan
dari analisis faktor menggunakan software SPSS.
 Analisis Input data dan variabel
Input data terdiri dari, 1] persentase penduduk yang mempunyai keluhan kesehatan, 2] persentase
merokok penduduk, 3] angka kelahiran total, 4] persentase balita imunisasi campak, 5] jumlah desa/
kelurahan yang memiliki Rumah Sakit. Seluruh data diambil batasan periode tahun 2017 saja dan
objek di 34 provinsi Indonesia. Input data disajikan pada tabel 1. Identifikasi variabel data, sebagai
berikut:
Dependent Variable:
(X1) Jumlah keluhan kesehatan.
(X2) Jumlah perokok.
(X3) Angka kelahiran.
(X4) Balita yang telah Imunisasi campak.
(X5) Jumlah Rumah Sakit di desa.
Data terdiri dari lima variabel independen untuk mengetahui pengaruh tingkat kematian (mortalitas).
 tabel 1. Data Variabel Dependen Tahun 2017 di 34 Provinsi Indonesia
Ta hun 2017 (% @1000 orang) unit
Jumlah Keluhan Balita Imunisasi Jumlah Rumah
Provinsi Jumlah Perokok Angka Kelahiran
Kesehatan Campak Sakit di Desa
(X1) (X2) (X3) (X4) (X5)
1 ACEH 24.85 28.85 2.7 53.22 64
2 SUMATERA UTARA 23.51 28.47 2.9 65.39 199
3 SUMATERA BARAT 28.81 31.71 2.5 61.59 54
4 RIAU 27.28 29.34 2.9 65.04 55
5 JAMBI 20.62 29.18 2.3 67.08 36
6 SUMATERA SELATAN 26.82 32.46 2.6 72.51 65
7 BENGKULU 24.83 33.41 2.3 72.94 20
8 LAMPUNG 28.52 33.75 2.3 74.44 53
9 KEP. BANGKA BELITUNG 27.70 29.67 2.3 73.67 21
10 KEP. RIAU 21.46 29.98 2.3 71.28 23
11 DKI JAKARTA 27.05 24.72 2.2 74.40 119
12 JAWA BARAT 29.26 33.19 2.4 69.44 292
13 JAWA TENGAH 32.72 27.69 2.3 75.49 274
14 DI YOGYAKARTA 32.90 22.92 2.2 85.45 61
15 JAWA TIMUR 31.48 27.69 2.1 73.26 317
16 BANTEN 27.51 31.77 2.3 66.86 87
17 BALI 28.90 22.22 2.1 82.03 49
18 NUSA TENGGARA BARAT 30.89 30.59 2.5 76.57 31
19 NUSA TENGGARA TIMUR 34.86 27.31 3.4 75.82 48
20 KALIMANTAN BARAT 24.50 28.84 2.7 65.42 39
21 KALIMANTAN TENGAH 25.70 29.24 2.5 67.05 19
22 KALIMANTAN SELATAN 33.45 25.03 2.4 71.14 34
23 KALIMANTAN TIMUR 23.92 24.69 2.7 72.94 39
24 KALIMANTAN UTARA 28.41 28.18 2.8 72.51 11
25 SULAWESI UTARA 26.67 29.27 2.2 75.03 46
26 SULAWESI TENGAH 29.80 32.18 2.7 68.58 29
27 SULAWESI SELATAN 24.70 25.44 2.4 71.38 75
28 SULAWESI TENGGARA 24.10 29.22 2.8 71.87 31
29 GORONTALO 34.43 34.46 2.5 76.67 14
30 SULAWESI BARAT 25.74 26.59 2.7 69.29 10
31 MALUKU 19.09 27.46 3.3 67.97 27
32 MALUKU UTARA 16.04 30.57 2.9 68.46 20
33 PAPUA BARAT 20.71 27.60 3.2 63.47 16
34 PAPUA 16.53 27.28 3.3 58.77 41

 Factor Analysis
Tujuan analisa faktor adalah untuk menjelaskan hubngan diantara banyaknya variabel dalam
bentuk faktor yang merupakan besaran acak, untuk mereduksi jumlah variabel asal yang terlalu
banyak. Analisis faktor ini terdiri dari, identifikasi nilai KMO dan Bartlett, analisis component matrix,
serta interpretasi plot data (komponen dan scree plot).

gambar 1. KMO, Bartlett’s Test, dan Anti Image Metrics

 Berdasarkan gambar 1, nilai signifikansi pada Bartlett’s test sebesar 0,002 (lebih rendah dari
0,05) menunjukkan bahwa tiap variabel dependen memiliki faktor yang nantinya akan
dikelompokkan ke komponen melalui analisa faktor. Analisis nilai KMO (Kaiser-Meyer-Olkin)
sebagai syarat untuk lanjut ke tahapan selanjutnya, dimana nilai minimal yang dapat dikatakan cukup
baik adalah > 0,6. Nilai KMO tsb sebesar 0,547 lebih rendah dari nilai minimal, sehingga tidak
cukup baik untuk dilanjutkan.

gambar 2. Communalities dan Total Variance

Berdasarkan gambar 2, communalities menunjukkan proporsi varians dari setiap variabel yang
akan digunakan dalam analisa faktor. Proporsi tertinggi dimiliki variabel Imunisasi campak (76,6%)
sedangkan proporsi terendah variabel jumlah Rumah Sakit di desa (42,5%). Karena ada nilai dibawah
60%, berarti tidak semua variabel digunakan dalam metode ekstraksi untuk faktor analisis, yaitu
variabel jumlah RS di desa. Eigenvalues merupakan varians dari semua faktor dengan proporsi setiap
faktor (% of variance) dan kumulatif varians (apabilai dijumlah sama dengan 100%). Distribusi
varians faktor setiap komponen, sebanyak 41,11% faktor masuk ke komponen 1 dan sisanya 63,67%
masuk ke komponen 2.

gambar 3. Scree Plot

Melalui scree plot (gambar 3), menunjukkan grafik perbandingan eigenvalue terhadap jumlah
faktor, dimana dapat diidentifikasi komponen pengelompokan faktor. Plot garis curam terhadap faktor
lain menunjukkan kelompok komponen (total varians tinggi), hingga semakin datar plot garis (total
varians semakin mengecil), menunjukkan terwakili komponen sebelumnya. Dari analisa scree plot,
diperoleh 2 komponen yaitu 1] plot faktor 1 ke 2 dan 2] plot faktor 2 ke 3, dan sisanya cenderung
datar.

gambar 4. Component Matrix

Berdasarkan gambar 4, component matrix menunjukkan jumlah komponen faktor berdasarkan
nilai hubungan variabel terkait (korelasi antar variabel). Diperoleh 2 komponen faktor berdasarkan
matriks dengan analisa korelasi kuat positif pada komponen 1 meliputi keluhan kesehatan (0,799) dan
Imunisasi campak (0,796), sedangkan angka kelahiran (-0,761) adalah korelasi kuat negatif. Untuk
kedua variabel tersisa, masuk ke komponen 2 dengan analisa korelasi kuat positif terjadi pada jumlah
perokok (0,844), sedangkan jumlah RS desa memiliki kecenderungan korelasi lemah di kedua.
Rotated component matrix menunjukkan proses rotasi antar matriks faktor menggunakan metode
varimax (pada 3 iterasi). Varimax akan meminimasi jumlah indikator yang memiliki factor loading
tinggi. diketahui variabel jumlah RS desa (0,523) memiliki kecenderungan korelasi pada komponen 1,
sehingga total variabel pada komponen faktor 1 menjadi 4 dan sisanya masuk ke komponen faktor 2.

gambar 5. Component Plot

Berdasarkan gambar 5, component plot menunjukkan korelasi secara grafis dari rotated component
matrix. Plot masing-masing variabel apabila posisinya mendekati garis, maka memiliki korelasi yang
kuat sedangkan sebaliknya posisi semakin menjauh dari garis memiliki korelasi yang lemah. Dari
grafik dapat diketahui variabel jumlah penduduk memiliki korelasi kuat terhadap komponen 2.
Komponen 1, untuk variabel angka kelahiran memiliki korelasi kuat negatif dan variabel keluhan
kesehatan memiliki korelasi kuat positif. Sedangkan 2 variabel sisanya memiliki kecenderungan
korelasi lemah di tiap komponen.
D. Kesimpulan dan Saran
Kesimpulan yang dapat diperoleh dari studi ini adalah,
a. Secara konsep, sebenarnya model studi tidak memenuhi syarat minimal untuk dilakukan
analisis faktor dimana minimal nilai KMO (Kaiser-Meyer-Olkin) memenuhi > 0,6 serta
Bartlet’s test adalah signifikan. Nilai KMO model hanya sebesar 0,547 tetapi secara uji
signifikansi masih memenuhi.
b. Hasil analisa plot dan component matrix, diperoleh variabel korelasi kuat positif pada
komponen faktor 1 yaitu, 1] keluhan kesehatan (0,799), 2] Imunisasi campak (0,796), 3] angka
kelahiran ada korelasi kuat negatif (-0,761). Pada variabel jumlah perokok (0,844) memiliki
korelasi kuat positif terhadap komponen faktor 2, sedangkan variabel jumlah RS desa
kecenderungan korelasi lemah di kedua komponen faktor.
Saran yang dapat diajukan terkait studi ini adalah,
 Mengidentifikasi variabel dependen lain yang memungkinkan memiliki pengaruh terhadap
angka mortalitas khususnya bidang sosial dan kesehatan. Penambahan jumlah data mungkin
diperlukan agar memenuhi syarat minimal nilai KMO dan uji signifikansi.

Sources:
Badan Pusat Statistik. 2020. https://www.bps.go.id/dynamictable/2015/09/19/921/persentase-penduduk-yang-
mempunyai-keluhan-kesehatan-selama-sebulan-terakhir-menurut-provinsi-2000-2018.html (diakses 6 Mei
2020).
Badan Pusat Statistik. 2020. https://www.bps.go.id/dynamictable/2015/09/19/915/persentase-balita-yang-
pernah-mendapat-imunisasi-campak-menurut-provinsi-2004-2017.html (diakses 6 Mei 2020).
Badan Pusat Statistik. 2020. https://www.bps.go.id/dynamictable/2018/06/28/1485/angka-kelahiran-total-
menurut-provinsi-2012-dan-2017.html (diakses 6 Mei 2020).
Badan Pusat Statistik. 2020. https://www.bps.go.id/dynamictable/2018/07/02/1514/persentase-merokok-pada-
penduduk-umur-15-tahun-menurut-provinsi-2015-2018.html (diakses 6 Mei 2020).
Badan Pusat Statistik. 2020. https://www.bps.go.id/sp2020/faq/kategori/1-.html (diakses 8 Mei 2020).
Statistic Consulting, UCLA. 2020. https://stats.idre.ucla.edu/spss/output/factor-analysis.html (diakses 9 Mei
2020)