Muharti Apriana

H051191024

“Tugas Praktikum 2 PCA dan Analisis Faktor”

 Analisis Komponen Utama (PCA)

Analisis komponen utama digunakan untuk menjelaskan struktur matriks
varianskovarians dari suatu set variabel melalui kombinasi linier dari variabel-variabel tersebut.
Secara umum komponen utama dapat berguna untuk reduksi dan interpretasi variabelvariabel.
Misalkan saja terdapat p buah variabel yang terdiri atas n buah objek. Misalkan pula bahwa dari
p buah variabel tersebut dibuat sebanyak k buah komponen utama (dengan k <= p) yang
merupakan kombinasi linier atas p buah variabel tersebut. k komponen utama tersebut dapat
menggantikan p buah variabel yang membentuknya tanpa kehilangan banyak informasi
mengenai keseluruhan variabel. Umumnya analisis komponen utama merupakan analisis
intermediate yang berarti hasil komponen utama dapat digunakan untuk analisis selanjutnya.
Dengan menggunakan software R syntaks yang digunakan untuk analisi komponen
utama adalah sebagai berikut :

Mendefinisikan variabel-variabel yang akan digunakan. kemudian menginputnya denganmenggunakan

software R seperti berikut ini :

x1<- c(78,103,103,105,109,123,123,133,133,133,134,136,138,138,141,147,149,153,155,155,
158,159,162,177,93,94,96,101,102,103,104,106,107,112,113,114,116,117,117,119,120,
120,121,125,127,128,131,135)

x2<- c(71,84,86,86,88,92,95,99,102,102,100,102,98,99,105,108,107,107,115,117,115,118,12
4,132,74,78,80,84,85,81,83,83,82,89,88,86,90,90,91,93,89,93,95,93,96,95,95,106)

x3<- c(48,38,42,42,44,50,46,51,51,51,48,49,51,51,53,57,55,56,63,60,62,63,61,67,37,35,35,3
9,38,37,39,39,38,40,40,40,43,41,41,41,40,44,42,45,45,45,46,47)

Y<- c(31,34,20,44,12,52,25,49,62,52,22,42,77,32,32,10,61,65,15,47,55,28,24,32,74,78,20,4
4,25,61,13,53,52,39,18,66,50,40,51,23,59,33,55,43,26,55,25,56)

Langkah kedua, melakukan transformasi sederhana terhadap data pada variabel x1, x2 dan x3 dengan
menggunakan fungsi log seperti berikut :

n<-length(x1)

y1<-log(x1)

y2<-log(x2)

y3<-log(x3)

y<-data.frame(y1,y2,y3)

y
OUTPUT :
 Syntaks :

Menghitung nilai dan vektor eigen menggunakan fungsi seperti berikut :

r<-cor(y, use='complete.obs')

R<-matrix(r, 3, 3)

OUTPUT :

Syntaks :
eigen(R)$value

eigen(R)$vector

OUPUT :

Interpretasi :
Berdasarkan hasil output diatas nilai eigen sudah diurutkan dari yang tertinggi
ke terendah. Nilai ini biasanya digunakann untuk melihat besarnya varians yang dapat
dijelaskan komponen utama tersebut, sedangkan untuk vektor eigen sendiri adalah
untuk membuat persamaan komponen utama tersebut.

.
Analisis dapat dilakukan dengan menggunakan fungsi princomp()berikut:
fit_pca<-princomp(y, cor=FALSE)

summary(fit_pca)

OUTPUT :

Interpretasi:
Berdasarkan output diatas maka dapat dilihat bahwa proporsi varians kumulatif
kompenen pertama telah mampu menjelaskan 93.83% kergaman data, yang artinya jika kita
hanya mengambil satu komponen saja yaitu komponen pertama sudah mencukupi.

Syntaks :
L<-loadings(fit_pca)
plot(fit_pca,type="lines")
fit_pca$loadings

Untuk menampilkan nilai (score) dari

komponen utama, digunakan fungsi berikut:

fit_pca$scores
Output :

Interpretasi :
Berdasarkan dengan output screeplot yang telah diperoleh menunjukkan nilai eigen
yang terbentuk dari keempat komponen utama, Dari scratterplot juga dapat dilihat bahwa kurva
mulai landau pada titik Comp.2 yang artinya bahwa dengan satu komponen saja sudah
mencukupi untuk mewakili ketigas variabel. Maka akan terbentuk persamaan komponen utama
sebagai berikut :

𝐾𝑈1 = 0.626 + 0.488 + 0.609

𝐾𝑈2 = 0.556 + 0.269 − 0.787

𝐾𝑈3 = 0.548 − 0.830 + 0.103

o Komponen utama 𝐾𝑈1 merupakan kombinasi linier dari seluruh variabel yang diamati
dan memiliki varians terbesar.
o Komponen utama yang kedua 𝐾𝑈2 merupakan kombinasi linier dari seluruh variabel
yang diamati yang bersifat orthogonal terhadap 𝐾𝑈1 dan memiliki varians kedua
terbesar
o Komponen utama yang ketiga 𝐾𝑈3 merupakan kombinasi linier dari seluruh variabel
yang diamati yang bersifat orthogonal terhadap 𝐾𝑈1 maupun 𝐾𝑈2 dan memiliki
varians kedua terbesar
 Analisis Faktor
Analisis Faktor adalah suatu cara menjelaskan suatu set variabel berdasarkan dimensi
yang lebih umum. Pada dasarnya analisis faktor bertujuan untuk memudahkan interpretasi
melalui struktur pola hubungan atau untuk mereduksi variabel.
Hal ini dilakukan dengan cara mengidentifikasi struktur yang terdapat dalam set
variabel yang terobservasi. Secara umum ada tiga kegunaan utama dari Analisis Faktor
yaitu:
- Eksplorasi (disebut Eksploratory factor analysis (EFA)) yaitu membentuk
variabel baru yang diperoleh melalui reduksi variabel
- Konfirmasi (disebut Confirmatory Factor Analysis (CFA)) yaitu menguji
struktur variabel yang dihipotesiskan berdasarkan banyaknya faktor yang
signifikan dan besarnya faktor loading
- Alat Pengukur (model measurment) yaitu pembentukan indeks-indeks yang
akan digunakan sebagai pengamatan baru dalam analisa selanjutnya.
-
Analisis Faktor dalam R

Sebelum analisis dilakukan, langkah awal yang dilakukan yaitu dengan

mendefenisikan variabel-variabel yang akan digunakan kemudian menginput
data menggunakan software R seperti berikut:

x1<-
c(78,103,103,105,109,123,123,133,133,133,134,136,138,138,141,147,149,153,155,
155,158,159,162,177,93,94,96,101,102,103,104,106,107,112,113,114,116,117,117,
119,120,120,121,125,127,128,131,135)
x2<-
c(71,84,86,86,88,92,95,99,102,102,100,102,98,99,105,108,107,107,115,117,115,1
18,124,132,74,78,80,84,85,81,83,83,82,89,88,86,90,90,91,93,89,93,95,93,96,95,
95,106)
x3<-
c(48,38,42,42,44,50,46,51,51,51,48,49,51,51,53,57,55,56,63,60,62,63,61,67,37,
35,35,39,38,37,39,39,38,40,40,40,43,41,41,41,40,44,42,45,45,45,46,47)
x4<-
c(12,13,20,14,14,15,9,11,11,21,8,9,11,12,13,17,15,16,13,10,12,20,9,7,37,35,35
,39,38,37,39,39,38,40,40,40,43,41,41,41,40,44,42,45,45,45,46,47)
x5<-
c(8,10,42,42,44,50,46,51,51,51,48,49,51,51,53,57,55,56,63,60,62,63,61,67,37,3
5,35,39,38,37,39,39,38,40,40,40,43,41,41,41,40,44,42,45,45,45,46,47)
Y<-
c(31,34,20,44,12,52,25,29,62,52,22,42,77,32,32,10,61,65,15,47,55,28,24,32,74,
78,20,44,25,61,13,53,52,39,18,66,50,40,51,23,59,33,55,43,26,55,25,56)
y<-data.frame(x1,x2,x3,x4,x5)
y
Output :

Setelah menginput data, maka data diinput menjadi matriks korelasi dengan
cara berikut:

r<-cor(y, use='complete.obs')
r
R<-matrix(r, 5, 5)
R
fit<-factanal(factors=2, covmat=R)
fit
OUTPUT :

Interpretasi

Dari output diatas, dapat dilihat bahwa Faktor 1 dan Faktor 2 beranggotakan
semua variabel yang ada, yaitu variabel 1, variabel 2, variabel 3, variabel 4 dan variabel
5. Diperoleh nilai SS loading untuk kedua faktor yaitu 2.919 dan 1.385, di mana keduanya
memiliki nilai yang lebih dari satu, sehingga dapat disimpulkan bahwa kedua faktor ini layak
dipertahankan.

Analisis Faktor juga dapat dikerjakan dengan perintah factanal dalam R yaitu sebagai berikut :

FA<factanal(~x1+x2+x3+x4+x5,factors=2,data=y,
rotation="varimax",scores="regression)
Output :

Interpretasi :
Berdasarkan output diatas menunjukkan bahwa nilai uniquenesses berada dikisaran 0
sampai 1, yaitu (0.005 0.034 0.012 0.441 0.204), tidak terdapat nilai uniquenesse yang tinggi
pada setiap variabel tersebut, maka faktor-faktor yang dibentuk dapat menjelaskan
variabilitasnya dengan baik. dan diperoleh untuk nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.528. Karena nilai 𝑝 −
𝑣𝑎𝑙𝑢𝑒 = 0.528 > 𝛼 = 0,05, maka 𝐻0 ditolak. Karena 𝐻0 pada kasus ini yeng berarti bahwa data
cukup dimodelkan dengan 2 faktor, sehingga dapat disimpulkan bahwa dua faktor cukup untuk
menggambarkan data.