IMPLEMENTASI ANALISIS KOMPONEN UTAMA UNTUK

MEREDUKSI DIMENSI FAKTOR INFLASI BERDASARKAN

INDEKS HARGA KONSUMEN KOTA DUMAI

KARYA ILMIAH

OLEH

FITRI ANGGREANI DESLIANA

NIM. 1603136950

PROGRAM STUDI S1 STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS RIAU
PEKANBAR
U 2021
 IMPLEMENTASI ANALISIS KOMPONEN UTAMA UNTUK
MEREDUKSI DIMENSI FAKTOR INFLASI
BERDASARKAN INDEKS HARGA KONSUMEN KOTA
DUMAI

Fitri Anggreani Desliana, Bustami

Program Studi S1 Statistika

Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau
Kampus Bina Widya, Pekanbaru 28293

fitri.anggreani6950@student.unri.ac.id

ABSTRACT

The Consumer Price Index (CPI) is one of the important indicators that used as basis
for determining the rate of inflation. In this study, the data that used are Dumai City’s
CPI from January 2016 until December 2019. The CPI consist of seven subgroups that
affect inflation in Dumai City. The seven subgroups are Foodstuff; Processed Food,
Baverage, Cigaretts, and Tobacco; Housing, Electricity, Water, and Gas; Clothing;
Health; Education, Recreation, and Sports; Transportation, Communication, and
Financial Services. These factors will be reduced using Principal Component Analysis
to identify the main factor that most contribute in determining the inflation rate. This
study shows that seven dimension of factors can be reduced into two main factors, they
are Primary Needs Factor and Complementary Needs Factor with a total variant
91.996%.
Keywords: Consumer price index, inflation, principal component analysis, matrices

ABSTRAK
Indeks Harga Konsumen adalah salah satu indikator penting yang digunakan sebagai
dasar dalam menentukan laju inflasi. Pada penelitian ini data yang digunakan berasal
dari data IHK Kota Dumai periode Januari 2016 sampai Desember 2019. Data IHK ini
terdiri dari tujuh subkelompok yang merupakan faktor-faktor yang diduga
mempengaruhi inflasi di Kota Dumai. Tujuh subkelompok tersebut terdiri dari Bahan
Makanan, (Makanan Jadi, Minuman, Rokok, dan Tembakau), (Perumahan, Listrik, Air,
Gas, dan Bahan bakar), Sandang, Kesehatan, (Pendidikan, Rekreasi, dan Olahraga) dan
(Transportasi, Komunikasi, serta Jasa Keuangan). Tujuh dimensi faktor ini direduksi
menggunakan Analisis Komponen Utama untuk mengetahui faktor utama dalam
penentuan laju inflasi. Hasil penelitian ini menunjukkan bahwa tujuh dimensi tersebut
dapat direduksi menjadi dua dimensi faktor utama yaitu Faktor Kebutuhan Primer dan
Faktor Kebutuhan Komplementer dengan total variansi 91.996%.
Kata kunci: indeks harga konsumen, inflasi, analisis komponen utama, matriks

1
 1. PENDAHULUAN

Indeks Harga Konsumen (IHK) adalah salah satu indikator yang penting untuk
memberikan informasi mengenai pertumbuhan harga barang dan jasa yang dibayar oleh
konsumen. Perhitungan IHK ditujukan untuk mengetahui perubahan harga dari
sekelompok tetap barang dan jasa yang biasanya dikonsumsi masyarakat. Persentase
pergantian IHK ini lebih dikenal dengan sebutan inflasi ataupun deflasi (Badan Pusat
Statistik, 2009). Presentase pegantian IHK yang mengalami kenaikan disebut dengan
inflasi.
Secara universal, inflasi di Kota Dumai dipengaruhi oleh beberapa faktor yang
telah dikelompokkan oleh Badan Pusat Statistik dalam tujuh subkelompok yaitu Bahan
Makanan, (Makan Jadi, Minuman, Rokok, dan Tembakau), (Perumahan, Air, Gas,
Listrik dan Bahan Bakar), Sandang, Kesehatan, (Pendidikan, Rekreasi dan Olahraga),
(Transportasi, Komunikasi, dan Jasa Keuangan). Untuk menyederhanakan faktor
tersebut, dapat dilakukan dengan mereduksi dimensi subkelompok menjadi lebih kecil
menggunakan metode Analisis Komponen Utama atau Principal Component Analysis
(PCA).
Penelitian sebelumnya tentang PCA telah dilakukan oleh Olawale & Garwe
(2010) yang melakukan kajian tentang faktor penghambat pada pertumbuhan Usaha
Kecil dan Menengah (UKM) baru di Afrika Selatan. Berdasarkan hasil penelitian, dari
tiga puluh variabel penghambat berhasil direduksi menjadi lima variabel. Penelitian lain
tentang reduksi variabel ini dilakukan oleh Van Delsen et al. (2017). Hasil penelitiannya
menunjukkan bahwa dari sepuluh variabel yang digunakan, dapat direduksi menjadi
satu variabel sebagai faktor utama, yaitu faktor kebutuhan ekonomi dengan total varians
mencapai 77.778%.
Pada penelitian ini dibahas mengenai proses reduksi dimensi untuk faktor-faktor
yang mempengaruhi inflasi di Kota Dumai. Tahapan pertama dimulai dengan
melakukan analisis pengujian kelayakan data menggunakan uji Bartlett dan uji KMO,
kemudian membentuk model matriks kovariansi sehingga dapat diperoleh nilai eigen
dan vektor eigen yang akan digunakan dalam pembentukan kombinasi linear. Setiap
kombinasi linear merupakan Komponen Utama atau Principal Component (PC) dari
variabel asal, selanjutnya untuk menentukan PC yang paling berkontribusi terhadap
inflasi di Kota Dumai, dilakukan perhitungan tingkat kontribusi PC.

2. MATRIKS, NILAI EIGEN DAN VEKTOR EIGEN, SERTA ANALISIS

KOMPONEN UTAMA

Suatu matriks 𝑛 × 𝑝 adalah susunan bilangan dalam bentuk segi empat yang terdiri dari
𝑛 baris dan 𝑝 kolom. Setiap bilangan-bilangan yang menyusun matriks tersebut disebut
entri dari maktriks (Anton & Rorres, 2005).
Sebuah matriks 𝐴 yang berukuran 𝑛 × 𝑛 dapat dilakukan proses diagonalisasi
apabila diketahui matriks 𝑃 yang dapat dibalik sedemikian rupa sehingga 𝑃−1𝐴𝑃
merupakan matriks diagonal, sehingga dapat dikatakan bahwa matriks 𝑃
mendiagonalisasi matriks 𝐴, yang dinyatakan dalam persamaan berikut (Anton &

2
Rorres, 2005):
𝐷 = 𝑃−1𝐴𝑃, (1)

dan diasumsikan bahwa matriks 𝐴 memiliki 𝑛 vektor eigen 𝑝1, 𝑝2, 𝑝3, … , 𝑝𝑛 yang
bebas linear terhadap nilai eigen 𝜆1, 𝜆2, 𝜆3,, … , 𝜆𝑛 yang saling bersesuaian. Berdasarkan
persamaan (1) dapat dikatakan bahwa:

𝐴𝑃 = 𝑃𝐷, (2)

sehingga menghasilkan matriks 𝐴𝑃 yang diagonal utamanya menyatakan nilai eigen

dari matriks tersebut.
Pada matriks bujur sangkar, nilai eigen adalah konstanta 𝜆 yang memenuhi
persamaan berikut ini:

𝐴𝗑 = 𝜆𝗑, (3)

dengan 𝐴 adalah matriks berukuran 𝑛 × 𝑛 dan 𝗑 adalah matriks 𝑛 × 1, dimana 𝗑

merupakan vektor eigen yang bersesuaian dengan nilai eigen 𝜆. Untuk memperoleh
nilai eigen dari matriks 𝐴, maka persamaan (3) dapat ditulis menjadi:

𝐴𝗑 = 𝜆𝐼𝗑, (4)

dengan 𝐼 adalah matriks identitas. Secara ekuivalen persamaan (4) dapat ditulis sebagai
berikut:
(𝐴 − 𝜆𝐼)𝗑 = 0. (5)

Nilai eigen 𝜆 merupakan solusi tak nol dari persamaan (5), dengan syarat:

det(𝐴 − 𝜆𝐼) = 0, (6)

sehingga vektor eigen dapat diperoleh dengan mensubstitusikan nilai eigen yang telah di
dapat dari persamaan (4) ke dalam persaman (3).
Metode PCA pertama kali ditemukan oleh Karl Pearson pada tahun 1901 yang
digunakan pada bidang biologi (Manly & Alberto, 2017). PCA digunakan untuk
menyederhanakan deskripsi dari suatu dataset variabel yang terkait. Tekniknya dapat
diringkas menjadi sebuah metode yang mentransformasikan variabel asli menjadi
variabel baru yang saling bebas. Variabel baru ini disebut juga sebagai PC. Ukuran
jumlah informasi yang disampaikan oleh masing-masing PC ditinjau dari nilai
variansinya. Masing-masing PC diatur dalam urutan variansi dari yang terbesar hingga
yang terkecil, sehingga PC dinilai paling informatif jika memiliki nilai variansi paling
besar. Hal ini mendasari bahwa dengan menggunakan PCA tidak perlu cemas akan
informasi yang di abaikan, karena salah satu keunggulan metode ini adalah dapat
mereduksi suatu dimensi data tanpa kehilangan banyak informasi yang berarti (Afifi et
al. 2020).
Jhonson & Wicehrn (2007), memaparkan dalam bukunya, jika dimisalkan
𝑋 = [X1 X2 X3 … X𝑛] adalah vektor random yang berukuran 𝑝 × 1, dan
'

setiap
3
element 𝑋' merupakan variabel random dengan masing-masing distribusi marginal
probabilitasnya mempunyai vektor rata-rata (𝜇i; 𝜇𝑘), variansi (𝜎i2), dan kovariansi (𝜎i𝑘)
yang didefinisikan sebagai berikut:

𝜇i = 𝐸(𝑋i) dan 𝜇𝑘 = 𝐸(𝑋𝑘),

𝜎i2 = 𝐸[(𝑋i − 𝜇i)2],
𝜎i𝑘 = 𝐸(𝑋i − 𝜇i)(𝑋𝑘 − 𝜇𝑘),

dengan

𝜇i = ∑ 𝑥i𝑝i(𝑥i) ,
𝑎𝑙𝑙 𝑥i

𝜎i = ∑ (𝑥i − 𝜇i)2𝑝i(𝑥i) ,
2

𝑎𝑙𝑙 𝑥i

untuk 𝑥i menyatakan variabel random diskrit.

Setiap pasangan variabel random 𝑋i dan 𝑋𝑘 memenuhi kovariansi berikut:

𝜎i𝑘 = ∑ ∑ (𝑥i − 𝜇i)(𝑥𝑘 − 𝜇𝑘)𝑝i𝑘(𝑥i, 𝑥𝑘) ,

𝑎𝑙𝑙 𝑥i 𝑎𝑙𝑙 𝑥𝑘

dengan 𝜇i dan 𝜇𝑘, serta i, 𝑘 = 1,2,3, … 𝑝 merupakan marginal rata-rata, jika i = 𝑘, maka
menjadi marginal variansi.
Rata-rata dan kovariansi dari vektor random 𝑋 dapat dibentuk menjadi sebuah
matriks. Kovariansi tersebut tersusun dalam matriks varian-kovarian yang simetris pada
matriks ∑ = 𝐸(𝑋 − 𝜇)(𝑋 − 𝜇)' sebagai berikut:
𝜎 𝜎12 𝜎13 … 𝜎1𝑝
𝖥I 𝜎11
21 𝜎22 𝜎23 … 𝜎2𝑝 1I
∑= 𝜎 31 𝜎 32 𝜎33 … 𝜎3𝑝 (7)
I I.
I ⁝ ⁝ ⁝ … ⁝ I
[𝜎𝑃1 𝜎𝑃2 𝜎𝑃3 … 𝜎𝑃𝑝]

Luo et al. (2018) menyatakan bahwa secara umum nilai eigen mengalami
penurunan nilai secara berkala (𝜆1 > 𝜆2 > ⋯ > 𝜆𝑝). Berdasarkan persamaan (2),
terdapat suatu matriks diagonal 𝐸 yang dapat memenuhi persamaan berikut:
𝜆1
𝖥 1
𝐸 ∑E = I
−1 𝜆2
I.
I I
[ 𝜆𝑝]

Matriks 𝐸 adalah matriks orthogonal dari vektor eigen −𝑝 sesuai dengan 𝑝 −nilai eigen
dari matriks kovariansi, dimana 𝐸𝑇𝐸 = 𝐼. 𝑇
Diketahui
𝐸 bahwa = (𝑒 , , … , ) dan 𝑌 = (𝑌 , 𝑌 , … , )𝑇 sebagai vektor
𝑒 𝑒 𝑌
i 1i 2i 𝑝i 1 1 𝑚

4
PC, maka 𝑌1, 𝑌2, … , 𝑌𝑚 bisa dianggap sebagai PC dengan syarat (𝑚 < 𝑝), sehingga 𝑌
dapat dirumuskan sebagai berikut:

𝑌 = 𝐸𝑇𝑋, (8)

dimana 𝑌 perlu memenuhi dua syarat, yaitu:

1. 𝑌i, 𝑌j (i G j; i, j = 1, 2, … , 𝑚) harus saling bebas, yang artinya 𝑐𝑜𝑣(𝑌i, 𝑌j) =
0, (i G j);
2. 𝑌1, 𝑌2, … 𝑌𝑚 harus memenuhi pengurangan variansi, yang berarti 𝑉𝑎𝑟 (𝑌1) >
𝑉𝑎𝑟(𝑌2) > ⋯ > 𝑉𝑎𝑟(𝑌𝑚). Hal ini mencerminkan bahwa jumlah informasi yang
terkandung dalam variabel PC berkurang secara bertahap.
Variansi nilai komponen utama sama dengan nilai eigen masing-masing, sehingga
dapat dikatakan bahwa 𝑉𝑎𝑟(𝑌𝑘) = 𝜆𝑘 (𝑘 = 1, 2, … , 𝑚), maka ingkat kontribusi varian
PC dapat dirumuskan sebagai berikut:
𝜆𝑘 (9)
𝛼 = (𝑘 = 1, 2, … 𝑚).
𝑘
∑𝑚
𝑘=1 𝜆𝑘

Setiap nilai 𝛼𝑘 mengalami peningkatan, maka tingkat kontribusi variansi dari PC

𝑌𝑘 lebih besar dari pada yang lain, oleh karena itu 𝑌𝑘 dapat mengintegrasi informasi 𝑋
dengan lebih baik, sebaliknya 𝑌1, 𝑌2, … , 𝑌𝑚 kemampuannya dalam mengintegrasi
informasi 𝑋 akan mengalami penurunan secara progressive (berkala), sehingga untuk
memilih komponen 𝑚 (ti𝑚ngk<at𝑝)kontribusi kumulatif dapat di aplikasikan
menggunakan formula berikut:
∑𝑚 𝜆i (10)
i=1
.
∑𝑝i=1 𝜆i

Secara umum dapat diasumsikan bahwa nilai 𝑚 membuat tingkat kontribusi

kumulatif lebih besar dari 85% dan pengaruhnya lebih baik. Komponen utama 𝑚 dapat
berisi informasi paling banyak dari 𝑝 variabel 𝑋.

3. METODOLOGI PENELITIAN

Penelitian ini menggunaan data IHK Kota Dumai periode Januari 2016 sampai
Desember 2019, yang diperoleh dari Badan Pusat Statistik Kota Dumai serta beberapa
artikel tambahan yang berasal dari publikasi Badan Pusat Statistik Kota Dumai.
Terdapat beberapa variabel yang dikelompokkan oleh Badan Pusat Statistik ke dalam
tujuh subkelompok, yaitu bahan makanan; makan jadi, minuman, rokok, dan tembakau;
perumahan, air, gas, listrik dan bahan bakar; sandang; kesehatan; pendidikan, rekreasi
dan olahraga; transportasi, komunikasi, dan jasa keuangan. Berikut langkah-langkah
penelitian yang digunakan:
(i) Memilih data IHK Kota Dumai
(ii) Menguji kelayakan data
(iii) Membuat model matriks kovariansi
(iv) Menentukan nilai eigen dan vektor eigen

5
 (v) Pembentukan kombinasi linear
(vi) Menentukan Principal Component
(vii) Kesimpulan

4. MEREDUKSI DATA IHK KOTA DUMAI MENGGUNAKAN PCA

Pada tahap reduksi dimensi menggunakan PCA, data yang digunakan harus memenuhi
kriteria pengujian, yakni uji Bartlett dan uji Kaiser Meyer Olkin. Pada uji Bartlett
hipotesis yang digunakan adalah:
𝐻0: 𝜎2 = 𝜎2 = 𝜎2 = ⋯ = 𝜎2 (varians bersifat homogen),
1 2 3 𝑛
𝐻1: paling sedikit memiliki satu 𝜎2 G 𝜎2, untuk setiap i = 1, 2, 3, … , 𝑛 dan j =
i j
1, 2, 3, … , 𝑛 (varians tidak bersifat homogen),
sehingga diperoleh hasil uji Bartlett dengan nilai Chi Square hitung sebesar 494,93.
Diketahui dari tabel 32, nilai 32 = 31,4 yang menunjukkan bahwa 32 ≥ 32 ,
𝑡𝑎𝑏𝑒𝑙 ℎi𝑡𝑢𝑛g 𝑡𝑎𝑏𝑒𝑙
maka 𝐻0 ditolak dengan pernyataan bahwa tidak terdapat homogenitas pada data,
sehingga dapat disimpulkan bahwa pada data IHK Kota Dumai terdapat hubungan
dengan kasus multivariat.
Berdasarkan kesimpulan uji Bartlett yang menyatakan bahwa terdapat kasus
multivariat pada data, maka data IHK Kota Dumai layak untuk dilakukan uji
selanjutnya, yaitu uji Kaiser Meyer Olkin-Measuring Sampling Adequacy (MSA).
Berdasarkan perhitungan menggunakan Rstudio dihasilkan nilai MSA sebesar 0,79,
maka dapat dikatakan bahwa data IHK Kota Dumai baik atau layak untuk direduksi
menggunakan PCA.
Tahap pertama dalam mereduksi data adalah membentuk model matriks
kovariansi menggunakan persamaan (2.7), namun dalam hal ini karena dimensi data
yang digunakan cukup besar, maka digunakan software Rstudio sehingga diperoleh
matriks kovariansi sebagai berikut:
26,0876 25,1186 20,0022 23,0029 20,3785 3,7013 21,3452
𝖥 1
II 25,1186 42,7195 28,3005 32,3714 17,3643 6,2624 28,4683I
20,0022 28,3005 29,603 23,9002 18,3799 3,5395 22,8837I
(11)
∑ = I23,0029 32,3714 23,9002 29,3148 20,3572 5,7543 25,4283I
I20,3785 17,3643 18,3799 20,3572 24,3028 3,2637 19,4778I
I 3,7013 6,2624 353952 5,75425 3,26369 1,6778 4,31607I
[21,3452 28,4683 22,8837 25,4283 19,4778 4,3161 23,7652]

Elemen diagonal matriks kovariansi ∑ pada persamaan (11) merupakan variansi

dari data yang ditunjukkan oleh 𝜎11, 𝜎22, 𝜎33, … , 𝜎77 dan sisanya merupakan kovariansi
antar variabel. Matriks kovariansi ini digunakan untuk memperoleh nilai eigen dan
vektor eigen. Hal ini dapat dilakukan dengan mensubstitusikan persamaan (11) ke
dalam matriks 𝐴 yang terdapat pada persamaan (2.3)-(2.6), sehingga diperoleh nilai
eigen dan vektor eigen sebagai berikut:

6
 Tabel 4.1. Nilai eigen
Nilai Eigen
𝜆1 147,8750
𝜆2 15,3915
𝜆3 7,7833
𝜆4 4,3322
𝜆5 1,0703
𝜆6 0,8516
𝜆7 0,1673

Tabel 4.2. Nilai Vektor eigen

[1] [2] [3] [4] [5] [6] [7]
X1 -0,3754 0,3250 0,3820 0,7521 -0,1940 0,0461 -0,0469
X2 -0,4953 -0,6111 0,2170 0,0438 0,4298 -0,3810 0,0484
X3 -0,3987 -0,0620 -0,8623 0,2173 -0,1995 -0,0769 -0,0273
X4 -0,4327 -0,0771 0,2087 -0,4216 -0,5922 0,1469 0,4618
X5 -0,3262 0,7118 -0,0288 -0,3434 0,3267 -0,3975 0,0580
X6 -0,0763 -0,0613 0,1382 -0,2214 -0,4298 -0,3346 -0,7910
X7 -0,3942 0,0284 0,0038 -0,2012 0,3093 0,7451 -0,3904

Berdasarkan hasil nilai eigen dan vektor eigen pada Tabel 4.1 dan 4.2 diperoleh
bahwa setiap nilai eigen berbeda beda (𝜆1 G 𝜆2 G 𝜆3 G ⋯ G 𝜆7), sehingga dapat
dikatakan bahwa masing-masing PC bersifat unik. Vektor eigen yang besesuaian
dengan nilai eigen digunakan sebagai koefisien pada setiap PC, sehingga dapat
membentuk kombinasi linear sebagai berikut:

𝑌 = 𝐸𝑇𝑋
𝑌1 = −0,3754X1 − 0,4953X2 − 0,3987X3 − 0,4327X4 − 0,3262X5
−0,0763X6 − 0,3942X7, (12)
𝑌2 = 0,325X1 − 0,6111X2 − 0,062X3 − 0,0771X4 − 0,7118X5−0,0613X6
0,0284X7 , (13)
𝑌3 = 0,382X1 + 0,217X2 − 0,8623X3 + 0,2087X4 − 0,0288X5 + 0,1382X6
+0,0038X7,
𝑌4 = 0,7521X1 + 0,0438X2 + 0,2173X3 − 0,4216X4 − 0,3434X5 − 0,2214X6
−0,2012X7 ,
𝑌5 = −0,194X1 + 0,4298X2 − 0,1995X3 − 0,5922X4 + 0,3267X5 − 0,4298X6
+0,3093X7,
𝑌6 = 0,0461X1 − 0,381X2 − 0,0769X3 + 0,1469X4 − 0,3975X5 − 0,3346X6
+0,7451X7,
𝑌7 = −0,0469X1 + 0,0484X2 − 0,0273X3 + 0,4618X4 + 0,058X5 − 0,791X6
−0,3904X7 .

Setiap PC memiliki tingkat kontribusi variansi terhadap total keseluruhannya.

Berdasarkan persamaan (2.10-2.11), dapat diperoleh hasil tingkat kontribusi variansi
dan kumulatif variansi yang disajikan ke dalam Tabel 4.3 berikut ini:

7
 Tabel 4.3. Tingkat kontribusi variansi PC
Tingkat Kontribusi Tingkat Kontribusi
Nilai Eigen
variansi PC Kumulatif variansi PC
1 147,8750 0,8332 0,8332
2 15,3915 0,0867 0,9199
3 7,7833 0,0439 0,9638
4 4,3322 0,0244 0,9882
5 1,0703 0,0060 0,9942
6 0,8516 0,0048 0,9990
7 0,1673 0,0009 1

Berdasarkan pendekatan Tabel 4.3 maka dapat diambil keputusan bahwa pada
penelitian ini terdapat dua PC yang dapat mewakili tujuh komponen asal, dengan
tingkat variansi kumulatifnya sebesar 91,996%,. Hal ini berarti bahwa dari gabungan
antara kedua komponen ini dapat menjelaskan informasi yang diperoleh data asal
mencapai 91,996%, sehingga dapat dikatakan bahwa dua komponen ini sangat baik
untuk mewakilli seluruh informasi yang tersedia dalam data IHK dan Inflasi Kota
Dumai. Untuk mempermudah dalam penentuan variabel yang paling berkontribusi pada
setiap komponennya perhatikan persamaan (12) dan persamaan (13), sehingga didapat
bahwa pada PC 1 variabel yang berkontribusi terdiri dari Bahan Makanan; Perumahan,
Air, Listrik, Gas, dan Bahan Bakar; Sandang; Pendidikan, Rekreasi, dan Olahraga; serta
Transpor, Komunikasi, dan Jasa Keuangan. Pada PC 2 variabel yang memiliki derajat
hubungan tertinggi adalah Kesehatan, lalu disusul oleh variabel Makanan Jadi,
Minuman, Rokok, dan Tembakau.

5. KESIMPULAN
Berdasarkan hasil analisis yang telah dilakukan, maka dapat disimpulkan bahwa telah
terjadi reduksi dimensi pada data IHK Kota Dumai, yang mula-mula memiliki tujuh
komponen menjadi dua komponen utama. Pada komponen utama 1 terdiri dari variabel
Bahan Makanan; Perumahan, Air, Listrik, Gas, dan Bahan Bakar; Sandang; Pendidikan,
Rekreasi, dan Olahraga; serta Transpor, Komunikasi, dan Jasa Keuangan. Komponen
utama 2 meliputi variabel Kesehatan, lalu disusul oleh variabel Makanan Jadi,
Minuman, Rokok, dan Tembakau. Kedua variabel ini secara simultan dapat
menjelaskan 91,996% dari keseluruhan data, untuk mempermudah dalam penyebutan
nama faktor inflasi maka diberi label pada Komponen Utama 1 sebagai faktor
kebutuhan primer dan PC kedua sebagai faktor kebutuhan komplementer.

8
 6. DAFTAR PUSTAKA
Afifi, A., May, S., Donatello, R. A., & Clark. V. A. (2020). Practical multivariate
analysis (6th ed.). Boca Raton: CRC Press.

Anton, H. & Rorres, C. (2005). Elementary linear algebra (9th ed.).New Jersey: Jhon
Wiley & Sons, Inc.

Badan Pusat Statistik. (2009). Pedoman survei statistik harga konsumen. Jakarta: BPS.

Chrispoher Catfield & Collins, A. J. (1980). Introduction to multivariate analysis.

London: Chapman & Hall/CRC.

Islam, R., A. Ghani, A. B., Mahyudin, E., & Manickam, N. (2017). Determinants of
factors that affecting inflation in Malaysia. International Journal of Economics and
Financial Issues, 7(2), 355–364.

Jhonson, R. A., & Wicehrn, D. W. (2007). Applied multivariate statistcal analysis (5th
ed.). New Jersey: Pearson Education, Inc.

Luo, S., Chen, T., & Jian, L. (2018). Using principal component analysis and least
squares support vector machine to predict the silicon content in blast furnace
system. International Journal of Online Engineering, 14(4), 149–162.

Manly, B. F. J., & Alberto, J. A. N. (2017). Multivariate statistical methods (4th ed.).
Boca Raton: CRC Press.

Van Delsen, M. S. N., Wattimena, A. Z., & Saputri, S. (2017). Penggunaan metode
analisis komponen utama untuk mereduksi faktor-faktor inflasi di Kota Ambon.
BAREKENG: Jurnal Ilmu Matematika Dan Terapan, 11(2), 109–118.

Olawale, F., & Garwe, D. (2010). Obstacles to the growth of new SMEs in South
Africa: A principal component analysis approach. African Journal of Business
Management, 4(5), 729–738.