Kelas D

LAPORAN PRAKTIKUM
Statistika Multivariat Terapan
Modul 4 : Analisis Faktor

Nomor Tanda Tangan

Tanggal
Nama Praktikan Mahasisw Praktikan
Kumpul
a

17611078 15 Mei 2020

Sri Arista Panggola

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Alfazrin Banapon
Emma Aulia Dewi

Nama Dosen
Pengampu

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2020

i
Daftar Isi

Halaman sampul ....................................................................................................... i

Daftar Isi.................................................................................................................. ii
Daftar Tabel ........................................................................................................... iii
Daftar Gambar ........................................................................................................ iii
1 Pendahuluan ..................................................................................................... 1
1.1 Analisis Faktor dengan Metode Principal Component Analysis (PCA) .. 1
2 Deskripsi Kerja ................................................................................................ 3
2.1 Studi Kasus ............................................................................................... 3
2.2 Langkah Kerja .......................................................................................... 3
3 Pembahasan ..................................................................................................... 6
3.1 Deteksi Data Missing................................................................................ 6
3.2 Matriks Korelasi ....................................................................................... 7
3.3 Uji Kaiser Meyer Olkin (KMO) ............................................................... 7
3.4 Uji Bartlett ................................................................................................ 8
3.5 Eigen Value .............................................................................................. 9
3.6 Analisis Faktor tanpa Rotasi..................................................................... 9
4 Penutup .......................................................................................................... 13
4.1 Kesimpulan ............................................................................................. 13
5 Daftar Pustaka ................................................................................................ 14

ii
Daftar Tabel

Tabel 3.1. Komponen Dominan ........................................................................... 10

Daftar Gambar

Gambar ‎2.1. Mendeteksi Data Missing ................................................................. 4

Gambar ‎2.2. Membuat Fungsi Uji KMO............................................................... 4
Gambar ‎2.3. Uji Bartlett ........................................................................................ 4
Gambar ‎2.4. Menghitung Korelasi ........................................................................ 4
Gambar ‎2.5. Uji KMO ........................................................................................... 4
Gambar ‎2.6. Uji Bartlett ........................................................................................ 5
Gambar ‎2.7. Uji Bartlett ........................................................................................ 5
Gambar ‎2.8. Load Package ................................................................................... 5
Gambar ‎2.9. Analisis Faktor tanpa Rotasi ............................................................. 5
Gambar ‎2.10. Plot Komponen ............................................................................... 5
Gambar ‎3.1. Dimensi Data .................................................................................... 6
Gambar ‎3.2. Ringkasan Data dengan Nilai Missing .............................................. 6
Gambar ‎3.3. Ringkasan Data tanpa Nilai Missing................................................ 7
Gambar ‎3.4 Nilai Korelasi .................................................................................... 7
Gambar ‎3.5 Hasil Uji KMO ................................................................................. 8
Gambar ‎3.6 Hasil Uji Bartlett............................................................................... 9
Gambar ‎3.7 Eigen Value...................................................................................... 9
Gambar ‎3.8 Matriks Faktor ............................................................................... 10

iii
1 Pendahuluan

1.1 Analisis Faktor dengan Metode Principal Component Analysis (PCA)

Analisis faktor adalah salah satu analisis yang banyak digunakan pada
statistik peubah ganda, diperkenalkan pertama kali oleh Spearman (1904), dan
dikembangkan oleh Thurstone (1947), Thomson (1951), Lawley (1940, 1941) dan
lainnya. Pada awalnya analisis ini tergolong sulit dan kontroversial, namun dalam
perkembangaannya dirasakan menjadi alat yang sangat berguna. Terutama setelah
perkembangan komputer dan paket-paket piranti lunak statistik., serta pada tahun
1970-an banyak terbit buku dan publikasi lain yang mambahas penerapannya di
berbagai bidang seprti biologi, kimia, ekologi, ekonomi, pendidikan, ilmu politik,
psikologi, dan sosiologi. Penerapan tentang analisis ini secara detail di berbagai
bidang dapat dirujuk pada berbagai terbitan (Muhajir M. , 2018).

Principal Component Analysis (PCA). Menurut Santosa (2007), Principal

Component Analysis (PCA) adalah suatu teknik handal untuk mengekstraksi
struktur dari suatu set data dengan dimensi yang cukup banyak. Metode PCA
digunakan pada penelitian ini dikarenakan tujuan dari penelitian ini adalah
berusaha meringkas data dengan jumlah variabel yang lebih kecil. Hal ini telah
dijelaskan oleh Ilmaniati dan Putro (2019) bahwa metode Principal Component
Analysis (PCA) lebih tepat digunakan jika tujuan penelitian adalah untuk
meringkas data dengan jumlah variabel yang lebih kecil, maka metode Principal
Component Analysis (PCA) lebih tepat untuk digunakan, sedangkan jika tujuan
penelitian adalah untuk menjelaskan korelasi antar variabel dan memeriksa
struktur data maka metode Confirmatory Factor Analysis (CFA) lebih tepat
digunakan. Permasalahan dalam PCA adalah menemukan eigen value dan eigen
vectors. Prosedur atau langka-hlangkah dari penelitian Principal Component
Analysis (PCA), ini meliputi (Ilmaniati & Putro, 2019)
1. Pengujian nilai KMO untuk melihat kecukupan sampel secara
keseluruhan.

1
2. Bartlett’s test untuk mengetahui ada tidaknya korelasi antar variabel.
3. Pengujian nilai matriks korelasi anti image untuk melihat kecukupan
sampel setiap variabel.
4. Perbaikan model dengan eliminasi variabel (jika diperlukan)
5. Analisis komponen utama (PCA)
6. Interpretasi hasil (Saepurohman & Putro, 2019).

2
2 Deskripsi Kerja

2.1 Studi Kasus

The data is a set of responses from a personality questionnaire. For general

public edification the data collected through the personality tests onthe website is
dumped here. All data is anonymous. Users were informed at the beginning of the
test that their answers would be used for research and were asked to confirm that
their answers were accurate and suitable for research upon completion (those
that did not have been removed from these datasets). Each question was a
statement followed by a five-point Likert scale ranging from ‘strongly disagree’
,'disagree', ‘neither', 'agree' , to ‘strongly agree’.
Berdasarkan data tersebut, lakukan analisis faktor sebagai berikut :
1. Jika anda sebagai peneliti, berapa banyak faktor yang akan anda bentuk,
sertakan alasannya!
2. Bagaimana hasil bentukan faktor baru berdasarkan poin 1 tersebut?(pilih
salah satu metode tanpa rotasi atau dengan rotasi yang anda pilih, sertakan
alasannya!)
3. Berikan penamaan terhadap masing-masing faktor yang terbentuk!

2.2 Langkah Kerja

Berikut diberikan langkah kerja untuk analisis faktor.
1. Membaca data dengan menggunakan perintah data =
read.delim(‘clipboard’) pada program R (data di copy terlebih
dahulu).
2. Ambil data yang akan dideteksi dengan sintaks modul4 =
data[,1:44)dan tampilakan dimensi data menggunakan perintah
dim(modul4).
3. Melakukan pengecekkan data missing dengan perintah
summary(modul4). Jika terdapat data missing, maka perlu dihilangkan
dengan fungsi na.omit() seperti pada gambar berikut.

3
 Gambar ‎2.1. Mendeteksi Data Missing
4. Membuat fungsi kmo() untuk uji KMO dengan menggunakan sintaks
pada Gambar 2.2 berikut.

Gambar ‎2.2. Membuat Fungsi Uji KMO

5. Membuat fungsi uji_bart() untuk melakukan uji uji Bartlett seperi
pada Gambar 2.3 berikut.

Gambar ‎2.3. Uji Bartlett

6. Hitunglah korelasi dengan menggunakan fungsi cor() seperti berikut

Gambar ‎2.4. Menghitung Korelasi

7. Lakukan uji KMO menggunakan fungsi kmo() yang telah dibuat pada
langkah 4.

Gambar ‎2.5. Uji KMO

4
8. Lakukan uji Bartlett menggunakan fungsi uji_bart() yang telah dibuat
pada langkah 5.

Gambar ‎2.6. Uji Bartlett

9. Hitung eigen value dari nilai korelasi menggunakan sintaks berikut.

Gambar ‎2.7. Uji Bartlett

10. Sebelum melakukan analisis faktor, aktifkan terlebih dahulu packages
yang dibutuhkan menggunakan fungsi library() seperti pada Gambar 2.8
berikut.

Gambar ‎2.8. Load Package

11. Lakukan analisis faktor tanpa rotasi menggunakan fungsi principal().

Gambar ‎2.9. Analisis Faktor tanpa Rotasi

12. Untuk melihat plot komponen yang terbentuk, gunakan fungsi plot()
berikut.

Gambar ‎2.10. Plot Komponen

5
3 Pembahasan

Pada bagian ini akan dijelaskan hasil analisis Faktor dari data kuisoner yang
telah dilakukan pada bagian sebelumnya. Berikut diberikan output dimensi data
kusioner pada Gambar 3.1.

Gambar ‎3.1. Dimensi Data

Berdasarkan Gambar 3.1, dapat diketahui bahwa data yang akan dianalisis
terdiri dari 459 baris dan 44 kolom. Jumlah kolom sebanyak 44 menunjukkan 44
variabel pertanyaan.

3.1 Deteksi Data Missing

Sebelum masuk dalam proses analisis, perlu dilakukan beberapa pengecekan
salah satunya adalah deteksi data missing. Pada Gambar 3.2 berikut, diberikan
hasil ringkasan data yang dapat menunjukkan data missing.

Gambar ‎3.2. Ringkasan Data dengan Nilai Missing

Dari Gambar 3.2, dapat dilihat bahwa terdapat data missing pada 44 variabel.
Sehingga data missing ini perlu dihilangkan untuk mempermudah analisis. Pada

6
Gambar 3.3 berikut, dapat dilihat ringkasan data yang telah dihilangkan data
missing-nya.

Gambar ‎3.3. Ringkasan Data tanpa Nilai Missing

3.2 Matriks Korelasi

Pada Gambar 3.4 berikut, dapat dilihat hasil perhitungan korelasi antar variabel.
Nilai korelasi menunjukkan seberapa kuat hubungan antar variabel. Korelasi
berada di rentang nilai -1 sampai 1. Jika nilai korelasi y semakin mendekati -1
atau 1, maka hubungan antar variabel dikatakan kuat, baik korelasi negatif
maupun korelasi positif. Korelasi akan bernilai 1 atau korelasi yang sangat kuat
dan positif, jika variabel tersebut berhubungan dengan dirinya sendiri.

Gambar ‎3.4 Nilai Korelasi

3.3 Uji Kaiser Meyer Olkin (KMO)

Uji KMO digunakan untuk melihat kecukupan sampel secara keseluruhan.

i. Hipotesis

7
 : Jumlah data telah cukup untuk difaktorkan
: Jumlah data tidak cukup untuk difaktorkan
ii. Tingkat Signifikansi
= 0.05
iii. Daerah Kritis
Tolak jika p-value <
iv. Statistik Uji

Gambar ‎3.5 Hasil Uji KMO

v. Keputusan
Karena nilai p-value = 0.838 >  = 0.05, maka gagal tolak
vi. Kesimpulan
Dengan menggunakan tingakat kepercayaan 95%, diperoleh kesimpulan
gagal tolak yang artinya data yang ada mendukung hipotesis yang
menyatakan bahwa jumlah data telah cukup untuk difaktorkan.

3.4 Uji Bartlett

Bartlett Test digunakan untuk mengetahui ada tidaknya korelasi antara variabel.
i. Hipotesis
: Tidak terdapat korelasi dari semua pertanyaan
: paling sedikit ada satu korelasi
ii. Tingkat Signifikansi
= 0.05
iii. Daerah Kritis
Tolak jika p-value <
iv. Statistik Uji

8
 Gambar ‎3.6 Hasil Uji Bartlett
v. Keputusan
Karena nilai p-value = 2.2e-16 <  = 0.05, maka tolak
vi. Kesimpulan
Dengan menggunakan tingakat kepercayaan 95%, diperoleh kesimpulan
tolak yang artinya data yang ada mendukung hipotesis yang
menyatakan bahwa paling sedikit ada satu korelasi.

3.5 Eigen Value

Dengaan melihat Eigen Value, dapat membantu mengetahui jumlah faktor

yang akan terbentuk atau layak untuk digunakan.

Gambar ‎3.7 Eigen Value

Berdasarkan Eigen Value pada Gambar 3.7, faktor yang akan terbentuk
adalah sebanyak 10 faktor. Hal ini dtandai dengan adanya 10 nilai eigen yang
lebih dari 1.

3.6 Analisis Faktor tanpa Rotasi

Pada analisis kali ini, akan digunakan salah satu metode pendekatan untuk
analisis faktor yaitu Principal Component Analysis (PCA) untuk
mengelompokkan 44 pertanyaan menjadi 10 faktor. Berikut adalah hasil matriks
faktor (factor pattern matrix) yang dibuat berdasarkan hasil matriks korelasi.

9
 Gambar ‎3.8 Matriks Faktor

Gambar 3.8 menunjukkan hasil matriks faktor yang menggambarkan

hubungan antara variabel dan faktor. Suatu variabel dikatakan dominan atau kuat
hubungannya dengan suatu faktor, jika nilai korelasinya  0.5. berdasarkan
matriks faktor pada Gambar 3.8 diatas, maka dapat dibentuk tabel komponen
pada Tabel 3.1 berikut.

Tabel ‎3.1. Komponen Dominan

PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 PC9 PC10
Q1 V
Q2 V
Q3 V
Q4 V
Q5 V
Q6 V
Q7 V
Q8 V
Q9 V
Q10 V
Q11 V
Q12 V V
Q13 V
Q14 V
Q15 V
Q16 V
Q17 V
Q18 V
Q19 V

10
 Q20 V
Q21 V
Q22 V
Q23 V V
Q24 V
Q25 V
Q26 V
Q27 V
Q28 V
Q29 V
Q30 V
Q31 V
Q32 V
Q33 V
Q34 V
Q35 V
Q36 V
Q37 V
Q38 V
Q39 V
Q40 V
Q41 V
Q42 V
Q43 V
Q44 V

Berdasarkan tabel komponen diatas, maka diperoleh 10 faktor yaitu

PC1,PC2, PC3, PC4, PC5, PC6, PC8, PC9, dan PC10 dengan masing-masing
variabel yang masuk didalamnya. Pada PC7 tidak terdapat variabel yang dominan
di dalamnya.

1. PC1 dengan 18 variabel pertanyaan: talkative, does a thorogh job,

original, helpful, relaxed, reliable, tense, generates enthusiasm in others,
trusting, emotionally stable, assertive, perseveres, values artistic
experiences, considerate, outgoing, sticks to plans, reflective, co-operative
2. PC2 dengan 5 variabel pertanyaan: reserved, worries, quiet, shy, nervous
3. PC3 dengan 7 variabel pertanyaan: curious, tense, imaginative, lazy,
inventive, ditractable, sophisticated in art & music
4. PC4 dengan 1 variabel pertanyaan: calm in tense situations
5. PC5 dengan 3 variabel pertanyaan: finds fault, starts quarrels, efficient
6. PC6 dengan 5 variabel pertanyaan: careless, full of energy, forgiving,
disorganized, prefers routine work
7. PC8 dengan 1 variabel pertanyaan: few artistic interests

11
8. PC9 dengan 6 variabel pertanyaan: starts quarrels, ingenious, lazy, cold
and aloof, moody, sometimes rude
9. PC10 dengan 1 variabel pertanyaan: depressed

12
4 Penutup

4.1 Kesimpulan

Berdasarkan hasil analisis faktor yang telah dilakukan pada bagian

sebelumnya, maka dapat disimpulkan bahwa:
1. Berdasarkan hasil eigen value, diketahui bahwa faktor yang terbentuk
dari 44 variabel pertanyaan adalah 10 faktor.
2. Berdasarkan tabel komponen, diketahui bahwa faktor yang tidak
memiliki variabel dominan adalah faktor PC7. Sehingga hasil akhirnya
hanya diperoleh 9 faktor dengan variabel yang dominan di dalamnya.
3. Berikut adalah penamaan untuk setiap faktor.
10. PC1 dengan 18 variabel pertanyaan: talkative, does a thorogh job,
original, helpful, relaxed, reliable, tense, generates enthusiasm in others,
trusting, emotionally stable, assertive, perseveres, values artistic
experiences, considerate, outgoing, sticks to plans, reflective, co-operative
11. PC2 dengan 5 variabel pertanyaan: reserved, worries, quiet, shy, nervous
12. PC3 dengan 7 variabel pertanyaan: curious, tense, imaginative, lazy,
inventive, ditractable, sophisticated in art & music
13. PC4 dengan 1 variabel pertanyaan: calm in tense situations
14. PC5 dengan 3 variabel pertanyaan: finds fault, starts quarrels, efficient
15. PC6 dengan 5 variabel pertanyaan: careless, full of energy, forgiving,
disorganized, prefers routine work
16. PC8 dengan 1 variabel pertanyaan: few artistic interests
17. PC9 dengan 6 variabel pertanyaan: starts quarrels, ingenious, lazy, cold
and aloof, moody, sometimes rude
18. PC10 dengan 1 variabel pertanyaan: depressed

13
5 Daftar Pustaka

Ilmaniati, A., & Putro, B. E. (2019). Analisis Komponen Utama Faktor-Faktor

Pendahulu (Antecendents) Berbagi Pengetahuan Pada Usaha Mikro, Kecil,
dan Menengah (UMKM) di Indonesia. Jurnal Teknologi, Vol. 11.
Muhajir, M. (2018). Modul Praktikum Statistika Multivariate Terapan.
Yogyakarta: Statistika FMIPA UII.
Saepurohman, T., & Putro, B. E. (2019). Analisis Principal Component Analysis
(PCA) untuk Mereduksi Faktor-Faktor yang Mempengaruhi Kualitas Kulit
Kikil Sapi. Seminar dan Konferensi Nasional IDEC. Surakarta.

14