METODE ANALISIS PERENCANAN DALAM ADE WAHYUDI, ST, MT

PENENTUAN LOKASI KERUANGAN

TEKNIK ANALISIS SCALOGRAM ADE WAHYUDI, ST, MT
ANALISIS SKALOGRAM (1)
❑ Analisis Skalogram merupakan suatu alat analisis yang digunakan untuk
mengetahui kemampuan suatu daerah dalam rangka memberikan pelayanan
kepada masyarakat. Artinya, Semakin tinggi perkembangan suatu wilayah
berarti wilayah tersebut semakin mampu memberikan pelayanan kepada
masyarakatnya.
❑ Pelayanan yang dimaksud dalam hal ini adalah ketersediaan fasilitas-fasilitas
yang ada di daerah itu seperti fasilitas yang berkaitan dengan aktivitas ekonomi,
aktivitas sosial dan pemerintahan. Dengan menggunakan analisis skalogram
dapat ditentukan kecamatan yang dapat dijadikan sebagai pusat pertumbuhan.
❑ Kecamatan yang memiliki kelengkapan fasilitas tertinggi dapat ditentukan
sebagai pusat pertumbuhan (Ermawati, 2010:24).
LANJUTAN
❑ Analisis ini dilakukan untuk mengetahui pusat pelayanan berdasarkan jumlah dan
jenis unit fasilitas pelayanan yang ada dalam setiap daerah. Asumsi yang
digunakan apabila suatu wilayah memiliki ranking tertinggi maka lokasi atau
wilayah tersebut dapat ditetapkan menjadi suatu pusat pertumbuhan (Hesty, 2010).
❑ Analisis skalogram digunakan pada penelitian ini untuk menentukan pusat dan
hierarki suatu wilayah dengan mengindentifikasi fasilitas pelayanan yang ada di
Kota/Kabupaten. Metode ini memberikan hierarki atau peringkat yang lebih tinggi
pada pusat pertumbuhan yang memiliki jumlah jenis dan jumlah unit sarana-
prasarana pembangunan yang lebih banyak.
❑ Metode Skalogram adalah metode paling sederhana yang dapat digunakan untuk
melakukan analisis fungsi wilayah, karena hanya menunjukkan daftar dari komponen-
komponen pendukungnya.
❑ Analisis skalogram digunakan untuk mengetahui hirarki kota berdasarkan
kelengkapan fasilitas yang dimiliki beserta jangkauan pelayanan. Hierarki kota
akan berfungsi sebagai pusat-pusat pelayanan baik skala regional maupun lokal
(Riyadi, 2007:67).
TAHAPAN ANALISIS SCALOGRAM
1. Membuat urutan kota berdasarkan jumlah penduduk pada pada bagian atas tabel.
2. Membuat urutan fasilitas yang ditentukan berdasarkan frekuensi padabagian kiri tabel.
3. Menggambar garis kolom dan baris sehingga lembar kerja tersebut membentuk matriks
yang menampilkan fasilitas yang ada pada masing-masing wilayah kota.
4. Mengunakan tanda (1) pada sel yang menyatakan keberadaan suatu fasilitas pada suatu
wilayah dan tanda (0) pada sel yang tidak memiliki fasilitas.
5. Mengalikan kolom-kolom yang telah disusun dengan nilai indeks sentralitas masing-masing.
6. Langkah terakhir yaitu mengidentifikasi peringkat/hirarki kota yang dapat
diinterpretasikan berdasarkan nilai keberadaan fasilitas pada suatu wilayah. Semakin
tinggi nilainya, maka hirarki kota tersebut akan semakin tinggi.
7. Menyusun ulang baris dan kolom berdasarkan frekuensi keberadaan fasilitas, semakin
banyak fasilitas yang ada pada suatu wilayah kota, maka wilayah tersebut berada di
kolom sebelah kiri, semakin banyak wilayah yang tidak memiliki fasilitas tersebut, maka
jenis fasilitas tersebut berada pada kolom paling bawah.
LANJUTAN
❑ Untuk menentukan orde-orde pusat pertumbuhan maka digunakan metod Sturges.
Rumus untuk mencari banyaknya kelas dari tiap-tiap kecamatan sebagai pusat
pertumbuhan adalah sebagai berikut :
K = 1 + 3.3 log n
Keterangan:
k = banyaknya kelas
n = banyaknya kecamatan
LANJUTAN
Selanjutnya untuk menentukan besarnya interval kelas, dengan cara:

Keterangan:
A = jumlah fasilitas tertinggi
B = jumlah fasilitas terendah
k = banyaknya kelas

Setelah orde didapatkan maka selanjutnya menentukan hierarki dengan menggunakan

orde terkecil sebagai hierarki tertinggi. Jika orde yang lebih tinggi tapi tidak ada daerah
yang memenuhi keriteria tersebut maka daerah dengan orde yang lebih rendah akan
mendapatkan hierarki yang lebih tinggi.
INDEKS SENTRALITAS DALAM SKALOGRAM
❑ Indeks sentralitas dimaksudkan untuk mengetahui struktur/hirarki pusat-pusat
pelayanan yang ada dalam suatu wilayah perencanaan pembangunan, seberapa
banyak fungsi yang ada, berapa jenis fungsi dalam satu satuan wilayah
permukiman (Riyadi, 2003).
❑ Indeks ini digunakan untuk menentukan kecamatan-kecamatan mana saja yang
dapat menjadi pusat pertumbuhan di Kota/Kabupaten, jika dilihat dari fasilitas-
fasilitas perkotaan (sosial, ekonomi dan pemerintahan).
❑ Metode Indeks Sentralitas juga digunakan untuk mengetahui jenis fasilitas dan
jumlah penduduk yang dilayani serta seberapa besar frekuensi keberadaan suatu
fungsi yang menunjukkan jumlah fungsi sejenis yang ada dan tersebar di
Kota/Kabupaten.
TAHAPAN INDEKS SENTRALITAS
1. Kecamatan-kecamatan di Kota/Kabupaten disusun urutannya berdasarkan jumlah
dan jenis fasilitas yang ada pada wilayah tersebut.
2. Fasilitas disusun urutannya berdasarkan kecamatan yang memiliki jenis fasilitas
tersebut.
3. Peringkat fasilitas disusun urutannya berdasarkan total nilai fasilitas.
4. Peringkat kecamatan disusun urutannya berdasarkan jumlah total fasilitas yang
dimiliki oleh masing-masing kecamatan.
5. Setelah didapatkan nilai indeks fungsi (indeks sentralitas) masing-masing
kecamatan, selanjutnya disusun ulang urutannya berdasarkan fungsi dari
kecamatan dengan nilai indeks terbesar sampai yang terkecil (Budiharsono,2005).
LANJUTAN
Rumus Nilai Sentralitas adalah:

Keterangan:
C = bobot dari atribut fungsional suatu fasilitas
t = nilai sentralitas total yaitu 100
T = jumlah total dari atribut dalam system
LANJUTAN
Setelah bobot tiap fasilitas didapat, maka selanjutnya dihitung Indeks Sentralitas
setiap kecamatan dengan rumus:

Keterangan :
F = jumlah tiap fasilitas di masing-masing kecamatan
Cf = bobot per fasilitas.
LANJUTAN
Setelah nilai sentralitas diketahui indeks sentralitas dapat ditentukan
dengan mengalikan nilai sentralitas dengan jumlah fasilitas yang ada.
Berdasarkan range yang kemudian dapat ditentukan hierarki (tingkatan)
masing-masing kecamatan, semakin tinggi jumlahnya maka pusat
pelayanan tersebut hirarkinya semakin tinggi atau berada diurutan paling
atas.
STUDI KASUS ??
?
ANALISIS CLUSTER (2)
ADE WAHYUDI, ST, MT
 ANALISIS CLUSTER (2)
❑ Analisis cluster adalah suatu analisis statistik yang bertujuan memisahkan obyek kedalam
beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang satu dengan yang
lain (minimasi). Dalam analisis ini tiap-tiap kelompok bersifat homogen antar anggota dalam
kelompok atau variasi obyek dalam kelompok yang terbentuk sekecil mungkin/maksimasi
(Prayudho, 2009).
❑ Analisis cluster adalah teknik analisis multivariat yang mempunyai tujuan utama untuk
mengelompokkan objek-objek yang memiliki sifat atau katakteristik yang sama (homogenitas)
atau yang disebut cluster.
❑ Analisis cluster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya
dengan objek lain berada dalam cluster yang sama. Cluster-cluster yang terbentuk memiliki
homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi. Berikut contoh
sederhan dari analisis kluster.
“Konsep Maksimasi Homogenitas Dalam Kelompok & Maksimasi Heterogenitas
antar cluster”
 ANALOGI ANALISIS CLUSTER
Berdasarkan Warna Berdasarkan Ukuran
Data Faktor
TUJUAN ANALISIS CLUSTER
1. Mengelompokkan obyek berdasarkan kesamaan karakteristik di antara
obyek-obyek tersebut.
2. Memaksimumkan homogenitas obyek dalam kelompok.
3. Memaksimumkan heterogenitas antar kelompok.
4. Menggabungkan objek-objek yang memiliki kesamaan kedalam sebuah
kelompok atau cluster, namun untuk mencapai tujuan tersebut kita harus
menjawab tiga pertanyaan, yaitu :
▪ Bagaimana mengukur tingkat kesamaan dalam kelompok ?
▪ Bagaimana kita membentuk kluster ?
▪ Berapa banyak kluster yang akan dibentuk ?
CIRI-CIRI ANALISIS KLUSTER
Ciri-ciri analisis kluster:
❑ Homogenitas internal (within cluster) : adanya kesamaan antar anggota dalam
satu kluster.
❑ Heterogenitas external (between cluster) : perbedaan antara cluster yang satu
dengan cluster yang lain.
❑ Input data nominal atau ordinal

Asumsi analisis kluster :

❑ Repsesentativeness of the sample : sampel yang dapat mewakili populasi yang ada
❑ Multokolinieritas : terdapat hubungan yang linier antar variable.
PROSES PENGAMBILAN KEPUTUSAN ANALISIS
KLUSTER
Pengambilan keputusan dengan analisis cluster memiliki 6 tahapan, yaitu :
1. Menentukan Tujuan Analisis Cluster
2. Menentukan Desain Penelitian Analisis Cluster
3. Menentukan Asumsi Analisis Cluster
4. Menurunkan Cluster-cluster Dan Memperkirakan Overall Fit
5. Menginterpretasi Hasil Analisis Cluster
6. Mengukur Tingkat Validasi Hasil Analisis Cluster.
TAHAPAN ANALISIS KLUSTER

1. Kedekatan pola biasanya diukur dengan fungsi jarak antar dua pasang
pola
2. Representasi pola (pattern representation) jumlah, tipe dan skala ciri/sifat
yang tersedia untuk algoritma clustering.
3. Pemilihan ciri/sifat (feature selection) adalah proses identifikasi ciri/sifat
yang lebih efektif yang digunakan dalam algoritma clustering, sedangkan
ekstraksi ciri/sifat adalah pemakaian satu atau lebih transformasi dari
ciri/sifat yang ada sebelumnya untuk mendapatkan ciri/sifat yang lebih
menonjol.
SKEMA ANALISIS KLUSTER
ANALISIS KLUSTER

METODE NON
METODE HIRARKI HIRARKI
(Sampel < 100) (Sampel >100)

Single Complete Average Wards Centroid K – Means

Lingkage Lingkage Lingkage Method Method Method
METODE HIRARKI

Single Linkage Complete Linkage

Ward’s Method

Average Linkage Centroid Method

JENIS METODE HIRARKI
1. Single Linkage
Didasarkan pada jarak minimum (nearest distance). Dimulai dengan dua objek yang
dipisahkan dengan jarak palin pendek sehingga keduanya ditempatkan pada cluster yang
pertama.

Dsl (Ci , C j ) = min x , y d ( x, y ) x  Ci , y  C j 
2. Complete Linkage
Didasarkan pada jarak maksimum (farthest distance), dalam metode ini seluruh ojek dalam
satu kluster dikaitkan satu sama lain pada jarak maksimum.

Dcl (Ci , C j ) = max x, y d ( x, y) x  Ci , y  C j 
3. Average Linkage
Didasarkan pada jarak rata-rata antar objek, dimana salah satu anggota dari pasangan
berasal dari setiap kluster.
Davg (Ci , C j ) =
1
Ci  C j
 d ( x, y )
xCi , yC j
JENIS METODE HIRARKI (LANJUTAN)
4. Centroid Method
Didasarkan pada jarak centroid antar kluster. Jarak rata-rata klaster A dan klaster B adalah
jarak rata-rata data x dan y dari klaster A dan B.

Dcentroids (Ci , C j ) = d (ri , rj )

5. Ward’s Method
Didasarkan pada jarak antara dua kluster adalah jumlah kuadrat antara dua kluster untuk
seluruh variable.dimana :
𝑛𝐴 𝑛𝐵 𝑠 2 𝐴𝐵
𝑑 𝐴, 𝐵 =
𝑛𝐴 + 𝑛𝐵

nA dan nB masing-masing adalah banyaknya data dalam set A dan B

s2AB adalah jarak antara klaster A dan B menggunakan centroid linkage
Metode ini bertujuan untuk meminimasi jumlah kuadrat dalam cluster (within-cluster sum of
square)
METODE NON-HIRARKI Menentukan Banyaknya
❑ Berbeda dengan metode hirarki, metode ini dimulai cluster (K)
dengan menentukan terlebih dahulu jumlah cluster yang
diinginkan (2 cluster, 3 cluster atau yang lain) Menentukan pusat (centroid
)
❑ Setelah jumlah cluster diketahui, proses dilakukan tanpa
mengikuti proses hirarki Menghitung jarak obyek ke
❑ Metode ini lazim disebut metode k–means cluster. pusat (centroid)
 K-mean Clustering Method : Dimulai dengan menentukan
terlebih dahulu jumlah cluster yang diinginkan (dua, tiga, Mengelompokan obyek
atau yang lain). Setelah jumlah cluster ditentukan, maka berdasarkan jarak minimum
proses cluster dilakukan tanpa mengikuti proses hirarki.
 Kelebihan : Cukup efisien, algoritma berhenti dalam kondisi Terdapat obyek yang harus ya
optimum. dipindahkan
 Kelemahan : Harus menentukan jumlah cluster yang Tidak
dibentuk, tidak dapat menangani data yang mengalami
penyimpangan (outlier). Selesai
 STUDI KASUS ANALISIS KLUSTER –
MENGHITUNG ORDE KOTA
1

Ketik variabel di
Variabel View
 3
Note : Karena satuan dari data
yang diperoleh berbeda, sehingga
data harus di standardized terlebih
dahulu dengan cara :
1. Klik Analyze
2. Descriptive Statistic
3. Descriptive
4. Kemudian masukkan semua
variabel ke kolom variabel
5. Centang Save Standar dized
6. Klik OK
7. Buka Variabel View
 4
Note : Karena satuan dari
data yang diperoleh
berbeda, sehingga data harus
di standardized terlebih
dahulu dengan cara :
1. Klik Analyze
2. classify
3. Statistic Descriptive
4. Hierarchical Cluster
5
6

Klik Statistik
5

Klik Continue
6

Klik Continue
7

Klik Method
8

Klik Continue
9

Klik OK
10
Terbentuk 2 cluster yaitu :
Cluster 1 : Kecamatan Muara
Tami, Heram, Abepura
Cluster 2 : Kecamatan Jayapura
Selatan, Jayapura Utara

Note : Kluster akan menjadi banyak

apabila jumlah kecamatan di
Kota/Kabupaten terdiri dari > 8
kecamatan
 11 Menetukan urutan tingkatan
kemampuan dari fasilitas
Skor Faktor Di Kota Jayapura
Keterangan :
Note : Nilai
dilihat dari
A : Z_Fasilitas Pendidikan
pendukung kelompok kecamatan B : Z_Fasilitas Kesehatan
Z_Score di
yang memiliki kesamaan C : Z_Fasilitas Peribadatan SPSS
D : Z_Fasilitas Perekonomian
karakteristik di Kota Jayapura E : Z_Fasilitas Rekreasi
F : Z_Aksesibilitas

Kluster No Kecamatan A B C D E F G
1 Muara Tami -1,1149 -1,45565 -1,07959 0 -1,25459 -0,94281 -0,53452
1
2 Heram -0,78699 -0,4159 0,58132 0,63246 0,17108 -0,94281 0
Rata-Rata -0,950945 -0,935775 -0,249135 0,31623 -0,541755 -0,94281 -0,26726
2 3 Abepura 1,18049 0,10398 1,41177 1,26491 -0,68432 0,4714 -1,06904
Rata-Rata 1,18049 0,10398 1,41177 1,26491 -0,68432 0,4714 -1,06904
Jayapura
3 4 Selatan 0,85257 0,62385 -0,24914 -0,63246 0,45621 0 1,60357
Rata-Rata 0,85257 0,62385 -0,24914 -0,63246 0,45621 0 1,60357
Jayapura
4 5 Utara -0,13117 1,14373 -0,66436 -1,26491 1,31161 1,41421 0
Rata-Rata -0,13117 1,14373 -0,66436 -1,26491 1,31161 1,41421 0
12 Membuat nilai rata-rata skor
faktor pada setiap cluster yang
terbentuk

Nilai Rata-rata Skor Faktor tiap Cluster

Kluster A B C D E F G

1 -0,950945 -0,935775 -0,249135 0,31623 -0,541755 -0,94281 -0,26726

2 1,18049 0,10398 1,41177 1,26491 -0,68432 0,4714 -1,06904

3 0,85257 0,62385 -0,24914 -0,63246 0,45621 0 1,60357

4 -0,13117 1,14373 -0,66436 -1,26491 1,31161 1,41421 0

 13 Membuat rentang kelas dari masing
– masing nilai faktor

Nilai Rata-rata Skor Faktor tiap Cluster Max

Kluster A B C D E F G
1 -0,950945 -0,935775 -0,249135 0,31623 -0,541755 -0,94281 -0,26726
TINGGI
Batas Atas
2 1,18049 0,10398 1,41177 1,26491 -0,68432 0,4714 -1,06904
SEDANG
3 0,85257 0,62385 -0,24914 -0,63246 0,45621 0 1,60357 Batas Bawah

4 -0,13117 1,14373 -0,66436 -1,26491 1,31161 1,41421 0

RENDAH
Faktor Rentang Kelas Min

Faktor A B C D E F G
Max 1,180 1,144 1,412 1,265 1,312 1,414 1,604 Rentang = Max – Min
Min -0,951 -0,936 -0,664 -1,265 -0,684 -0,943 -1,069 𝑟𝑒𝑛𝑡𝑎𝑛𝑔
Rentang 2,131 2,080 2,076 2,530 1,996 2,357 2,673 X= 3
Batas Atas 0,470 0,451 0,720 0,422 0,646 0,629 0,713 Batas Bawah = min + x
Batas Bawah -0,240 -0,243 0,028 -0,422 -0,019 -0,157 -0,178
Batas Atas = max - x
14 Rentang Kelas tiap Faktor Skor
Kelas A B C D E F G

Tinggi (T) 0.470 SD 1.180 0,451 SD 1,144 0,720 SD 1,412 0,422 SD 1,412 0,646 SD 0,629 SD 1,41 0,713 SD 1,604
1,312

Sedang -0,240 SD 0,470 -0,243 SD 0,451 0,028 SD 0,720 -0,422 SD 0,422 -0,019 SD -0,157 SD 0,62 -0,178 SD
(S) 0,64 0,713

Rendah -0,951 SD 0,470 -0,936 SD -0,243 -0,664 SD 0,028 -1,265 SD -0,422 -0,684 SD - -0,943 -1,069
(R) 0,019 SD -0,157 SD -0,178

Nilai Rata-rata Skor Faktor tiap Cluster (dari tabel slide 64)

Kluster A B C D E F G Kluster A B C D E F G
1 -0,950 -0,935 -0,249 0,316 -0,541 -0,942 -0,267 1 R R R S R R R

2 1,180 0,103 1,411 1,264 -0,684 0,471 -1,069 2 T S T T R S R

3 T T R S S S T
3 0,852 0,623 -0,249 -0,632 0,456 0 1,603
4 S T R R T T S
4 -0,131 1,143 -0,664 -1,264 1,311 1,414 0
 Kluster A B C D E F G
Membuat skalogram awal dan 1 R R R S R R R
iterasi serta hitung koefisien
reproductibility (R) → mengetahui 2 T S T T R S R

derajat error 3 T T R S S S T
4 S T R R T T S
Skalogram Awal
Keterangan:
Tinggi Sedang Rendah
Kluster
A B C D E F G A B C D E F G A B C D E F G 1.Tinggi = 3 poin
1 X X X X X X X
2 X X X X X X X 2.Sedang = 2 poin
3 X X X X X X X
4 X X X X X X X 3.Rendah = 1 poin

Tinggi Sedang Rendah

Kluster Skor Orde Kecamatan
A B C D E F G A B C D E F G A B C D E F G
Muara Tami &
1 2 1 1 1 1 1 1 8 3 Heram
2 3 3 3 2 2 1 1 15 2 Abepura
Jayapura
3 3 3 3 2 2 2 1 16 1 Selatan
4 3 3 3 2 2 1 1 15 2 Jayapura Utara
ANALISIS REGRESI
ADE WAHYUDI, ST, MT
ANALISIS REGRESI
❑ Istilah “regresi” pertama kali dikemukakan oleh Sir Francis Galton (1822-1911), seorang
antropolog dan ahli meteorologi terkenal dari Inggris. Dalam makalahnya yang berjudul
“Regression towards mediocrity in hereditary stature”, yang dimuat dalam Journal of the
Anthropological Institute, volume 15, hal. 246-263, tahun 1885.
❑ Pengertian regresi secara umum adalah sebuah alat statistik yang memberikan penjelasan
tentang prediksi pola hubungan (model) antara dua variabel atau lebih, melihat
hubungan antar variabel, dan melihat seberapa besar pengaruh antara variabel bebas
dan variabel terikat.
❑ Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali
digunakan untuk memprediksi hubungan antara beberapa variabel dan meramal suatu
variabel (Kutner, Nachtsheim dan Neter, 2004).
❑ Analisis yang memiliki variabel bebas lebih dari satu disebut analisis regresi linier
berganda. Teknik regresi linier berganda digunakan untuk mengetahui ada tidaknya
pengaruh signifikan dua atau lebih variabel bebas ) terhadap variabel terikat (Y).
❑ Tujuan utama regresi adalah untuk membuat perkiraan nilai suatu variabel (variabel
dependen) jika nilai variabel yang lain yang berhubungan dengannya (variabel lainnya)
sudah ditentukan.
LANJUTAN
❑ Dalam mengkaji hubungan antara beberapa variabel menggunakan analisis
regresi, terlebih dahulu peneliti menentukan satu variabel yang disebut dengan
variabel tidak bebas dan satu atau lebih variabel bebas
❑ Jika ingin dikaji hubungan atau pengaruh satu variabel bebas terhadap variabel
tidak bebas, maka model regresi yang digunakan adalah model regresi linier
sederhana, contoh : Pengaruh pendapatan petani (Y) terhadap produksi buah
kelapa (X). Dalam hal ini teknik analisa yang digunakan adalah regresi linier
sederhana dikarenakan hanya terdapat satu variabel X (pendapatan).
❑ Sebaliknya, Jika ingin dikaji hubungan atau pengaruh dua atau lebih variabel
bebas terhadap variabel tidak bebas, maka model regresi yang digunakan
adalah model regresi linierberganda (multiple linear regression model). contoh :
Pengaruh pendapatan petani (Y) terhadap produksi buah kelapa (X1), biaya
produksi (X2), luas lahan (X3), jumlah pohon kelapa (X4). Dalam hal ini teknik
analisa yang digunakan adalah regresi linier berganda dikarenakan variabel
bebas lebih dari 1.
BENTUK UMUM REGRESI
❑ Bentuk umum model regresi linier terbagi menjadi 2, yaitu sebagai berikut (Kutner,
Nachtsheim dan Neter, 2004).
❑ Bentuk Regresi Linier Sederhana:

• Y = Variabel terikat
• a = parameter intercep
• b = parameter koefisien regresi variabel bebas
• X = variabel bebas
LANJUTAN
❑ Bentuk Regresi Linier Berganda: Turunan

• Y = Variabel terikat
• b = parameter koefisien regresi variabel bebas
• X = variabel bebas
• n = Ukuran sampel
• E = error (galat)
KETENTUAN DALAM ANALISIS REGRESI
❑ Koefisien Determinasi
Koefisien determinasi dinyatakan dengan untuk pengujian regresi linier berganda
yang mencakup lebih dari dua variabel. Koefisien determinasi adalah untuk
mengetahui proporsi keragaman total dalam variabel tak bebas yang dapat
dijelaskan atau diterangkan oleh variabel – variabel bebas yang ada di dalam
model persamaan regresi linier berganda secara bersama-sama.

Dalam analisis regresi terdapat angka korelasi yang disebut dengan koefisien
determinasi, yang besarnya adalah kuadrat dari koefisien korelasi (R2) (0 sd
1). Koefisien ini disebut sbg koefisien penentu karena varians yang terjadi pada
variabel dependen dapat djelaskan melalui variabel yang terjadi pada variabel
independen.
 LANJUTAN
❑ Koefisien Korelasi
Korelasi adalah derajat hubungan linier antara dua variabel atau lebih dari data hasil pengamatan. Dua
variabel dikatakan berkorelasi apabila perubahan dalam satu variabel diikuti oleh perubahan variabel lain,
baik yang searah maupun tidak. Hubungan antara variabel dapat dikelompokkan menjadi tiga jenis :
▪ Korelasi positif
Apabila perubahan antara variabel yang satu diikuti oleh variabel lainnya dengan arah yang sama (berbanding
lurus). Artinya apabila variabel yang satu meningkat, maka akan diikuti peningkatan variabel lainnya.
▪ Korelasi Negatif
Terjadinya korelasi negative apabila perubahan antara variael yang satu diikuti oleh variabel lainnya dengan
arah yang berlawanan (berbanding terbalik). Artinya apabila variabel yang satu meningkat, maka akan diikuti
penurunan variabel lainnya.
▪ Korelasi Nihil
Terjadinya korelasi nihil apabila perubahan antara variabel yang satu diikuti oleh variabel lainnya dengan arah
yang tidak teratur (acak). Artinya apabila variabel yang satu meningkat, kadang diikuti dengan peningkatan
pada variabel lain dan kadang diikuti dengan penurunan pada variabel lain.
PEDOMAN INTERPRETASI KORELASI
Interval Koefisien Tingkat Hubungan

0.00 – 0.199 Sangat Rendah

0.20 – 0.399 Rendah

0.40 – 0.599 Sedang

0.60 – 0.799 Kuat

0.80 – 1.00 Sangat Kuat

Sugiyono, 2017
ASUMSI REGRESI LINIER BERGANDA
Menurut Gujarati (2003) asumsi-asumsi pada model regresi linier berganda adalah
sebagai berikut:
1. Model regresinya adalah linier dalam parameter.
2. Nilai rata-rata dari error adalah nol.
3. Variansi dari error adalah konstan (homoskedastik).
4. Tidak terjadi autokorelasi pada error.
5. Tidak terjadi multikolinieritas pada variabel bebas.
6. Error berdistribusi normal.
UJI MODEL REGRESI
1. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk menguji apakah dalam sebuah
model regresi terjadi ketidaksamaan varians residual dari satu
pengamatan ke pengamatan yang lain tetap, maka disebut
heteroskedastisitas
2. Uji Normalitas
Tujuan uji normalitas adalah untuk menguji apakah dalam sebuah model
regresi, variabel terikat dan variabel bebas atau keduanya mempunyai
distribusi normal ataukah tidak. Model regresi yang baik adalah
distribusi data normal atau mendekati normal. Deteksi normalitas
dilakukan dengan melihat grafik Normal Probability Plot
LANJUTAN
3. Metode Kuadrat Terkecil
Salah satu prosedur pendugaan model untuk regresi linier berganda
adalah dengan prosedur Least Square (kuadrat terkecil). Konsep dari
metode least Square adalah menduga koefisien regresi dengan
meminimumkan kesalahan (error).
4. Koefisien Determinasi (R2)
Koefisien determinasi ganda (coefficient of multiple determination)
dinotasikan dengan (R2). Koefisien ini disebut sbg koefisien penentu
karena varians yang terjadi pada variabel dependen dapat djelaskan
melalui variabel yang terjadi pada variabel independen.
METODE DALAM ANALISIS REGRESI
1. Metode Enter : Metode enter adalah memasukkan semua prediktor ke dalam analisis
sekaligus.
2. Metode Stepwise : Metode stepwise adalah memasukkan prediktor secara bertahap
berdasarkan nilai F yang signifkan (sig F di bawah 0.05). Setelah dimasukkan lalu
dikeluarkan lagi. Proses memasukkan dikombinasikan dengan mengeliminasi prediktor
yang tidak signifikan (sig F di atas 0.01).
3. Metode Forward : Metode forward adalah memasukkan prediktor secara bertahap
berdasarkan korelasi parsial terbesar. Proses tersebut dihentikan ketika prediktor-
prediktor baru tidak bisa meningkatkan sumbangan efektif secara signifikan (sig di
bawah 0.05).
4. Metode Backward : memasukkan prediktor semuanya kemudian mengeliminasi satu
persatu hingga tersisa prediktor yang signifikan saja. Eliminasi didasarkan pada
prediktor yang memiliki nilai sig F yang di atas 0.1 (lihat tabel di bawah).
UJI ASUMSI REGRESI (HAL TERPENTING)
1. Normalitas Residu: wajib data terdistribusi normal
2. Linearitas : Untuk melihat model akurasi model linier
3. Multikolonieritas: Untuk melihat hubungan antara 2
variabel independen (variabel bebas harus tidak
berhubungan)
4. Homoskedastisitas (Uji Glesjer): untuk melihat varians
residu dipengaruhi oleh faktor2 lain
Source: https://www.youtube.com/watch?v=fJ970b9pvNg
1. UJI NORMALITAS RESIDU
Ini adalah nilai Residu
(Res-1) variabel.
Kemudian akan kita uji
apakah nilai residunya
normal apa tidak, dengan
cara;
• Kolmogrof-Smirnov Wajib Nilai Sig. ≥0,05 • Terlihat kurva terdistribusi normal (coba anda
• Shapiro-Wilk Wajib Nilai Sig. ≥0,05 lihat kurva normal harus seperti Parabola
modelnya)
2.UJI LINIEARITAS (UNTUK MELIHAT APAKAH VARIABEL DEPENDEN (Y)
LINIER DENGAN VARIABEL INDEPENDEN (X)
Nilai SIG ≥ 0,05.
Artinya, penyimpangan dari
linieritasnya tidak signifikan.
Sehingga, asumsi normalitas
terpenuhi.
Nilai SIG ≥ 0,05.
Artinya, penyimpangan dari
linieritasnya tidak signifikan.
Sehingga, asumsi normalitas
terpenuhi/ tidak terjadi
penyimpangan linieritas.
3. UJI MULTIKOLONIERITAS (UNTUK MELIHAT APAKAH ADA
HUBUNGAN ANTARA VARIABEL DEPENDEN DAN INDEPENDEN)
Nilai Pearson Correlation 0,114.
Variabel dikatakan
multikolonieritas apabila nilai
Pearson ≥ 0,8. Artinya, data
kita tidak ada multikolonieritas.
4. UJI HOMOSKEDASTISITAS (UJI GLEYSER) – UNTUK
MELIHAT NILAU UJI RESIDU TERHADAP VARIABEL
 Diketik manual dan tanda
Diketik kurung (
manual
Ini adalah
nilai
absolut
baru dari
nilai residu
SELANJUTNYA, UNTUK UJI GLEYSER TAHAPNYA
Dalam hal ini kita
menggunakan metoda
“enter” karena variabel
yang signifikan
mempengaruhi prestasi
adalah IQ da Motivasi.

Note: Silahkan pelajari

sendiri metoda yang
lainnya berdasarkan
variabel dan teori yang
anda teliti!
Nilai Sig 0,7, artinya
terdapat
homoskedisitas.
Sehingga, agar nilainya
menjadi rendah
(≤0,05), maka:
Terlihat pola titik acak,
sehingga hal ini berarti
variabel yang kita uji
tidak memiliki pola atau
homoskedastisitas (benar)

Jika pola yang kalian

peroleh berbentuk sebuah
pola lurus, diagonal, dan
tidak acak/menyebar
maka terjadi
homoskedastisitas
UJI DAN BUAT MODEL PERSAMAAN REGRESI LINIER
BERGANDA
 Nilai R-square
artinya, sebesar
56% prestasi
dipengaruhi oleh
variable IQ dan
Motivasi.
Sementara
sisanya 46%
dijelaskan oleh
variabel lainnya.

Nilai Sig ≤ 0,05.

Artinya, variabel IQ
dan Motivasi secara
bersama2 berpengaruh
dan signifikan terhadap
prestasi
Nilai VIF ≤ 10.
Nilai diperoleh 1.0
(aman)
Rentang skor Rentang skor 0 sd 1
tergantung data anda
MODEL PERSAMAAN REGRESI
Y = B1*X1 + B2*X2 + C (costanta)
Prestasi = 0,295*Motivasi + 0,119*IQ + 54,92
Artinya: jika seseorang tidak memiliki motivasi (0) dan IQ (0), maka prestasinya adalah
54,92. Sebaliknya, kalau nilai IQ nya 1, maka nilai IQ nya naik menjadi (1*0,119=0,119),
dst. Sehingga, variabel IQ dan Motivasi mampu memprediksi Prestasi dengan nilai di atas.
SUMBANGAN EFEKTIF MODEL
▪ Motivasi = beta* zero order
Maka = 0,579 * 0,626 = 0,362
▪ IQ = beta* zero order
Maka = 0,420*0,486 = 0,204
Jadi (0,362 + 0,204 =0,566), Atau nilai ini sesuai dengan nilai R square sebelumnya
ANALISIS CROSSTAB/TABULASI SILANG
ADE WAHYUDI, ST, MT
ANALISIS CROSSTAB/ TABULASI SILANG (4)
❑ Analisis crosstab atau tabulasi silang merupakan analisis yang digunkan untuk melihat
hubungan (asosiasi) diantara dua atau lebih variabel dengan data berskala nominal
atau ordinal. Tampilan crosstab ini terdiri dari baris dan kolom. Banyaknya baris dan
kolom tergantung pada banyaknya jumlah variabel.
❑ Analisis tabulasi silang (Crosstabs) adalah metode analisis yang paling sederhana
tetapi memiliki daya menerangkan cukup kuat untuk menjelaskan hubungan antar
variabel (asosiasi). Untuk itu ada beberapa prinsip sederhana yang perlu diperhatikan
dalam menyusun tabel silang agar hubungan antara variabel tampak dengan jelas. Untuk
itu maka dalam analisis crosstabs digunakan analisis statistik yaitu Chi Kuadrat
(ChiSquare) yang disimbolkan dengan X2
❑ Dari penjelasan diatas dapat disimpulkan bahwa analisis crosstabs meruapakan suatu
metode analisis statistik yang digunakan untuk melihat keterkaitan/hubungan antara
dua variabel dengan menggunakan chi-square dan koefisien kontigensi. Alat ini pada
praktek statistik bisa diterapkan untuk menguji adatidaknya hubungan antara baris
dan kolom dari sebuah crosstab. Selain chi square, beberapa alat uji lain yang populer
adalah Kendall, Kappa, rank spearman, person correlation,dll.
 JENIS SKALA PENGUKURAN
1. Skala Nominal : Skala pengukuran paling sederhana atau tingkatannya paling
rendah di dalam suatu penelitian. Tujuan skala ini hanyalah untuk memberi label,
simbol, lambang, atau nama pada sebuah kategori sehingga akan mempermudah
pengelompokan data menurut kategorinya. Pada skala nominal ini, peneliti akan
mengelompokkan objek, baik individu atau pun kelompok kedalam kategori
tertentu dan disimbolkan dengan label atau kode tertentu. Namun, tidak ada arti
dalam pengelompokan data tersebut. Contoh : Jenis Kelamin, Nama Kota,
Olahraga, Agama, Suku, dll

Variabel Jenis Kelamin:
1 = Laki-Laki
2 = Perempuan
Artinya, angka di atas tidak
bermakna bahwa laki-laki lebih
baik atau lebih buruk dari
perempuan.
Variabel Nama Kota :
1 = Jakarta
2 = Bandung
3 = Surabaya
Artinya, angka di atas tidak
bermakna bahwa Jakarta lebih
baik dari Bandung dan Surabaya
atau sebaliknya.
Variabel Olahraga :
1 = Taekwondo
2 = Basket
3 = Sepak Bola
Artinya, angka di atas tidak
bermakna bahwa olahraga
Taekwondo lebih baik dari
Basket dan Sepak Bola atau
sebaliknya.
Variabel Suku :
1 = Melayu
2 = Minang
3 = Jawa
Artinya, angka di atas tidak
bermakna bahwa suku Minang
lebih baik dari suku Melayu
dan Jawa atau sebaliknya.
JENIS SKALA PENGUKURAN
1. Skala Ordinal : Skala ordinal merupakan skala pengukuran yang sudah
menyatakan peringkat antar tingkatan (Skala Likert: 1, 2, 3,dst). Jarak atau
interval antar tingkatan juga tidak harus sama. Skala ordinal ini memiliki
tingkatan yang lebih tinggi daripada skala nominal, karena skala ini tidak hanya
menunjukkan kategori saja tetapi juga menunjukkan peringkat. Di dalam skala
ordinal, objek atau kategorinya disusun berdasarkan urutan tingkatannya, dari
tingkat terendah ke tingkat tertinggi atau sebaliknya.
Kebersihan : Status Sosial : Pendidikan:
Tingkat Partisipasi : Prestasi: 1 = Kaya 1 = SD
1 = Sangat Bersih
1 = Tinggi 1 = Juara 1 2 = Sederhana 2 = SMP
2 = Kurang Bersih
2 = Sedang 2 = Juara 2 3 = Miskin 3 = MSMA
3 = Tidak Bersih
3 = Rendah 3 = Juara 3 Artinya, angka di 4 = S1
Artinya, angka di
Artinya, angka di Artinya, angka di atas bermakna Artinya, angka di atas
atas bermakna
atas bermakna atas bermakna peringkat/tingkatan bermakna
peringkat/tingkatan
peringkat/tingkatan peringkat/tingkatan bahwa status soaial peringkat/tingkatan
bahwatingkat
bahwa partisipasi bahwa prestasi yang paling tinggi bahwatingkat jenjang
kebersihan paling
tinggi diberikan paling baik diberikan diberikan angka 1, pendidikan paling tinggi
tinggi diberikan
angka 1, dst. angka 1, dst. dst. diberikan angka 4, dst.
angka 1, dst.
JENIS SKALA PENGUKURAN
1. Skala Interval : Skala Interval merupakan skala pengukuran yang bisas digunakan untuk
menyatakan peringkat untuk antar tingkatan. Jarak atau interval antar tingkatan pun
sudah jelas, hanya saja tidak memiliki nilai 0 (nol) mutlak. Skala interval ini bisa dikatakan
berada diatas skala ordinal dan nominal. Besar interval atau jarak satu data dengan
data yang lainnya memiliki bobot nilai yang sama. Besar interval ini bisa saja di tambah
atau dikurang. Contoh : Pendapatan, IQ, Suhu Ruangan, Pukul (Waktu),
2. Catatan: Nilai 0 (nol) dalam skala interval memiliki arti dan memiliki interval yang
sama.

Tingkat Pendapatan : Usia : Usia : Kecepatan :

1 = 1 juta sd 5 juta
2 = 5 juta sd 10 juta
3 = > 10 juta
Artinya, angka di atas
memiliki interval yang sama
yaitu 5 juta
1 = 10 sd 20 tahun
2 = 20 sd 30 tahun
3 = 30 sd 40 tahun
4 = > 40 tahun
Artinya, angka di atas
memiliki interval yang sama
yaitu 10 tahun
1 = 0 sd 20 tahun
2 = 20 sd 30 tahun
3 = 30 sd 40 tahun
4 = > 40 tahun
Artinya, angka di atas
memiliki interval yang sama
yaitu 10 tahun
1 = 20 sd 40 km/jam
2 = 40 sd 60 km/jam
4 = > 60 tahun
Artinya, angka di atas
memiliki interval yang sama
yaitu 20 km/jam
KRITERIA STATISTIK DAN PENYELESAIAN CROSSTAB
1. Membentuk distribusi frekuensi pada sel-sel dalam tabel untuk masingmasing
variabel, seperti pada contoh berikut ini

2. Membentuk kombinasi tabel frekuensi untuk dua variabel yang ditempatkan pada
baris dan kolom, seperti contoh berikut ini.
 Dalam hal ini, kita ingin melihat
No Jenis Kelamin Jenis Jenis Intelegeni “Hubungan dan Kekuatan Hubungan”
Pendidikan Pekerjaan (IQ) yaitu dalam bentuk pertanyaan spt:
1 Pria S3 Dosen 150 1. Bagaimana hubungan antara Jenis
2 Wanita S2 Peneliti 120 Kelamin terhadap Pendidikan ?
2. Bagaimana hubungan antara Jenis
3 Wanita S1 Perusahaan 110 Kelamin terhadap Pekerjaan ?
4 Pria SMA Wiraswasta 115 3. Bagaimana hubungan antara Jenis
Kelamin terhadap IQ ?
5 Pria SMP Karyawan 105
4. Bagaimana hubungan antara Pendidikan
6 Wanita SD Pedagang 102 terhadap Pekerjaan ?
7 Pria Tidak Sekolah Buruh 100 5. Bagaimana hubungan antara Pendidikan
terhadap IQ ?
Dst - - - -
6. Bagaimana hubungan IQ terhadap
Pekerjaan ?
Note : Variabel yang dianalisis bisa lebih dari 1
7. dst
Sampel data minimal 50 responden
LANJUTAN
3. Mencari nilai korelasi kedua variabel dengan mengunakan teknik korelasi
koefisien kontingensi (untuk data nominal/diskrit). Koefisien Kontingensi adalah
teknik korelasi yang digunakan untuk menghitung hubungan antara variabel bila
datanya berbentuk nominal. Teknik ini mempunyai kaitan erat dengan chi-kuadrat
yang digunakan untuk menguji hipotesis komparatif k sampel independen.
Oleh karena itu rumus yang digunakan mengandung nilai chi-kuadrat (Chi-Square)
dengan syarat-syarat yang perlu diperhatikan adalah sebagai berikut :
a. Sampel data yang dipakai harus lebih dari 20 (>20)
b. Frekuensi data dalam sel atau kotak harus lebih dari 1 (>1)
LANJUTAN
4. Merumuskan Hipotesis :
▪ H0 : Tidak ada hubungan antara variabel
▪ H1 : Ada hubungan antara variabel
5. Membuat kriteria keputusan:
Dengan nilai a = 5% dan Derajat Bebas ( g ) , dk = (k-1) (n-1), maka X2 tabel =
(0.05, (k-1)(n-1))
Dimana :
k = jumlah baris dalam tabulasi.
n = jumlah kolom dalam tabulasi.
Chi Aquare
Nilai Asymp.Sig > 0.05 maka Ho Diterima
Nilai Asymp.Sig < 0.05 maka Ho Ditolak
LANJUTAN
6. Penafsiran koefisien korelasi
Setelah melalui pengujian hipotesis dan hasilnya signifikan, (Ho ditolak), maka untuk
menentukan keeratan hubungan bisa digunakan kriteria berikut ini (Guilford, 1956).

Interval Koefisien Tingkat Hubungan

0.00 – 0.199 Sangat Rendah

0.20 – 0.399 Rendah

0.40 – 0.599 Sedang

0.60 – 0.799 Kuat

0.80 – 1.00 Sangat Kuat

Sumber : Sugiyono, 2017

STUDI KASUS

1. Terdapat pertanyaan penelitian spt berikut :

❑ Bagaimana hubungan antara jumlah industri terhadap jumlah buruh di Kota
Jayapura ?
❑ Bagaimana hubungan antara jumlah industri terhadap pendapatan di Kota
Jayapura ?
❑ Bagaimana hubungan antara jumlah industri terhadap ketersediaan bahan baku di
Kota Jayapura ?
❑ Bagaimana hubungan antara jumlah industri terhadap jumlah pasar di Kota
Jayapura ?
❑ Bagaimana hubungan antara jumlah industri terhadap aksebilitas di Kota
Jayapura ?
1 LANGKAH-LANGKAH ANALISIS CROSSTAB
1. Lakukan input data spt biasa (bisa di copy paste dari excel ke data view):

Diubah menjadi
skala ordinaL
sesuai dengan
data di excel
 LAKUKAN COPY-PASTE DATA KE DATA VIEW
2
 KLIK ANALYZE-CORRELATE-BIVARIATE
3
 MASUKKAN SEMUA VARIABEL KE KOLOM VARIABLES
4
5 LANGKAH-LANGKAH PENGUJIAN
5. Membandingkan angka signifikansi (Industri dgn bahan baku)
Contoh : Industri dgn Bahan baku (nilai sig. 0.829 > 0.05), artinya Ho
diterima, sehingga tidak terdapat hubungan antara industri dengan bahan
baku. Kemudian hubungannya negatif (+0.041), artinya peningkatan
jumlah industri akan mengurangi jumlah bahan baku suatu wilayah.
1. Menentukan hipotesis Penelitian
• H0 = Tidak ada hubungan yang signifikan antara Industri
dengan buruh, pendapatan, bahan baku, pasar dan
aksebilitas
• H1= Ada hubungan yang signifikan antara Industri dengan
buruh, pendapatan, bahan baku, pasar dan aksebilitas
2. Menentukan tingkat signifikansi
Pengujian menggunakan uji dua sisi dengan tingkat
signifikansi a = 5%. (uji dilakukan 2 sisi / two tailed) untuk
mengetahui ada atau tidaknya hubungan yang signifikan, jika
1 sisi digunakan untuk mengetahui hubungan lebih kecil atau lebih
besar).
Tingkat signifikansi dalam hal ini berarti kita mengambil risiko
salah dalam mengambil keputusan untuk menolak hipotesa yang
benar sebanyak-banyaknya 5% (signifikansi 5% atau 0,05
adalah ukuran standar yang sering digunakan dalam
penelitian)
3. Menentukan Kriteria Pengujian
• Ho diterima jika Signifikansi > 0,05
• Ho ditolak jika Signifikansi < 0,05
4. Membandingkan angka signifikansi (Industri dgn Buruh)
Contoh : Industri dgn Buruh (nilai sig. 0.001 < 0.05), artinya Ho
ditolak (Hi diterima), sehingga terdapat hubungan antara industri
dengan buruh. Kemudian hubungannya positif (+0.572), artinya
peningkatan jumlah industri akan meningkatkan jumlah buruh di
suatu wilayah.
6 MENYUSUN TABULASI DATA AGAR DATA LEBIH JELAS DAN AKURAT
7 MASUKKAN VARIABEL INDUSTRI KE ROWS, KEMUDIAN VARIABEL LAINNYA KE
COLOUMN
1 2
3
8 MUNCUL HASIL SEPERTI DIBAWAH INI
Artinya, data tidak ada yang
hilang dan semua responden
menjawab semua pertanyaan
dengan baik (N=30) dan total
100%

INDUSTRI*BURUH
Jadi, analisis crosstab bisa melihat hubungan antara variabel penelitian, signifikansi, keeratan
hubungan dan arah hubungan (Positif atau negatif), kemudian membuat data yang jumlahnya
banyak menjadi lebih informatif dan lebih jelas.
ANALISIS FAKTOR
 Outline Presentasi
1. Latar Belakang
2. Definisi
3. Tujuan
4. Asumsi
5. Tahapan Analisis
 PENDAHULUAN
1. Pada awalnya teknik analisis faktor dikembangkan pada awal abad ke-20.
Teknik analisis ini dikembangkan dalam bidang psikometrik atas usaha ahli
statistikawan Karl Pearson, Charles Spearman, dan lainnya untuk
mendefinisikan dan mengukur intelegensia seseorang.
2. Pada analisis faktor (factor analysis) dapat dibagi dua macam yaitu analisis
komponen utama (Principal Component Analysis = PCA) dan analisis
faktor (Common Factor Analysis = CFA). Kedua analisis di atas bertujuan
menerangkan struktur ragam melalui kombinasi linear dari variabel-variabel
pembentuknya. Sehingga dapat dikatakan bahwa faktor atau komponen
adalah variabel bentukan bukan variabel asli. Secara umum analisis faktor
atau analisis komponen utama bertujuan untuk mereduksi data dan
menginterpretasikannya sebagai suatu variabel baru yang berupa variabel
bentukan.
 1 DEFINISI
Adalah analisis multivariate yang digunakan untuk
menyederhanakan hubungan yang kompleks,
beragam dan kemudian dikemlompokkan kedalam
variabel yang baru yang berkorelasi dan lebih
ringkas variabelnya tanpa menghilangkan makna
atau informasi yang telah ada. Jadi dapat
disimpulkan bahwa didalam analisis faktor kita
melihat berbagai variabel yang kompleks
kemudian direduksi dan masuk kedalam faktor
yang ada sehingga didalam satu faktor memiliki
hubungan keeratan variabel.
Data reduction, yakni setelah melakukan korelasi,
dilakukan proses membuat sebuah variabel set
baru yang dinamakan faktor. Model analisis faktor
adalah :
- X1 = c11 F1 + c12 F2 + c13 F3 + ... + c1m Fm
- X2 = c21 F1 + c22 F2 + c23 F3 + ... + c2m Fm
- X3 = c31 F1 + c32 F2 + c33 F3 + ... + c3m Fm
2 UKURAN SAMPEL
Dalam analisis faktor apabila semakin banyak sampel
(50-100) maka akan semakin bagus tingkat keterkaitan
antar variabel dalam faktor tersebut.
3 TUJUAN
1. Menghilangkan keragaman variabel yang direduksi
dan dikelompokkan dalam kelompok variabel baru
yang saling berkorelasi tanpa mengilangkan makna
dari informasi tersebut.
2. Mengidentifikasi adanya hubungan antarvariabel
penyusun faktor dengan menggunakan pengujian
koefisien korelasi antarfaktor dengan komponen
3. Menguji validitas dan reliabilitas
4. Data summarization untuk variabel-variabel yang
dianalisis, yakni mengidentifikasi adanya hubungan
antar variabel.
 ASUMSI ANALISIS FAKTOR
1. Component faktor analisis (PCA) : suatu teknik analisis faktor yang menguji total variance dalam data
di mana beberapa faktor yang akan terbentuk adalah berupa variabel utama yang belum dapat
ditentukan sebelum analisis dilakukan, asumsi bahwa variabel yang terbentuk bersifat acak,
menganalisis seluruh data dengan tidak memperhatikan common maupun unique varians dalam data,
menemukan/mengeksplorasi hubungan antarvariabel baru atau faktor yang terbentuk An. Faktor
Eksploratori, dimana peneliti tidak atau belum mempunyai pengetahuan atau teori atau suatu
hipotesis yang menyusun struktur faktor-faktor yang akan terbentuk sehingga PCA ini yang
menitikberatkan pada bagian variasi total yang dapat diterangkan oleh faktor bersama yang
terbentuk, di mana item-item pembentuknya berkontribusi dengan item lainnyamembentuk
himpunan variabel baru.
PC1= W11X1+W12X2+ . . . . . . .+ W1pXp
1. Common faktor analisis (CFA) : Memperhatikan common maupun unique varians dalam data, dan
hanya menguji data unique varians saja, pembentukan faktor CFA secara sengaja berdasarkan
teori dan konsep dalam upaya untuk mendapatkan variabel baru yang merupakan variabel
teramati ,kemudian kita sudah tahu dan memiliki tujuan yang pasti dari variabel apa saja yang
termasuk kedalam masing-masing faktor yang akan dibentuk.
ILUSTRASI TERKAIT PCA DAN CFA

Common Unique Teknik principal component analysis (PCA) mengelompokkan variabel

dengan mempertimbangkan informasi yang dimiliki oleh variabel secara
Varians Varians
keseluruhan.

Teknis analisis common factor (CFA) mengelompokkan variabel ke

dalam faktor berdasarkan karakteristik atau keunikan yang
dimilikinya. Asumsi dasar dalam penggunaan teknik ini adalah dimana
variansi data yang dibedakan menjadi bagian umum (common) dan
bagian unik (unique).
 PRINCIPAL COMPONENT ANALYSIS
(PCA)
• Asumsi dalam pendekatan ini adalah •
variansi data tidak terbagi, tidak ada
keunikan dalam data.
• Analisis ini mengubah sejumlah
variabel awal menjadi kumpulan
variabel (komponen, faktor) yang lebih
kecil.
• Data adalah faktor atau variabel.
Persamaan:
Eksploratori | bila teknik analisis faktor
yang digunakan tanpa terlebih dahulu
menentukan batasan-batasan awal dalam
perkiraan jumlah komponen atau faktor
yang akan di ekstraksi
Skala Data : Interval/Ratio
COMMON FAKTOR ANALYSIS
(CFA)
Mengasumsikan bahwa variansi data
dalam variabel dapat dibagi ke dalam
komponen common dan unique.
• Variansi yang unique ditunjukkan dengan
adanya variabel yang apabila ada
perubahan pada variabel lain tidak
menyebabkan variabel tersebut berubah
pula (tidak berkorelasi dengan faktor
common maupun dengan faktor unik
lainnya)
Persamaan:
Konfirmatori | yaitu bila seorang analisis
menggunakan analisis faktor untuk
menguji hipotesis yang berkaitan dengan
pengelompokkan variabel atau jumlah
faktor.
Skala Data : Interval/Ratio
 TAHAPAN ANALIS
Adapun tahapan analisa dalan analisis faktor adalah :
1. Tabulasi data dan uji hipotesa :
Uji KMO bertujuan untuk mengetahui apakah semua data yang telah terambil telah cukup untuk difaktorkan.
Hipotesis dari KMO adalah sebagai berikut :
Ho : Jumlah data cukup untuk difaktorkan
H1 : Jumlah data tidak cukup untuk difaktorkan
Apabila nilai KMO lebih besar dari 0,5 (KMO > 0.5) maka terima Ho sehingga dapat disimpulkan jumlah data telah
cukup difaktorkan.
Uji Bartlett bertujuan untuk mengetahui apakah terdapat hubungan antar variabel dalam kasus multivariat. Jika
variabel X1, X2,…,Xp independent (bersifat saling bebas), maka matriks korelasi antar variabel sama dengan matriks
identitas. Sehingga untuk menguji kebebasan antar variabel ini, uji Bartlett menyatakan hipotesis sebagai berikut:
H0 : ρ = I Matriks korelasi adalah matriks identitas
H1 : ρ ≠ I Matriks korelasi bukan matriks identitas
Jika H0 ditolak maka analisis multivariat layak untuk digunakan terutama metode analisis komponen utama dan
analisis faktor.
2. Penentuan jumlah faktor :
Penentuan jumlah faktor yang terbentuk dapat melalui beberapa cara yaitu :
▪ Penentuan di awal (apriori determination)
▪ Jumlah faktor yang akan diambil telah ditentukan sendiri oleh peneliti
▪ Penentuan dengan eigenvalue
Menentukan banyaknya faktor melalui nilai eigenvalue >1. Variabel dengan nilai eigenvalue
yang lebih dari 1 menunjukkan banyaknya faktor yang terbentuk. Suatu eigenvalue
menunjukkan besarnya sumbangan dari faktor terhadap varian seluruh variabel asli.

3. Ekstraksi factor :
Ekstraksi faktor bertujuan untuk menghasilkan sejumlah faktor dari data yang ada. Terdapat dua
pendekatan dalam mengekstraksi faktor, metode Analisis Utama (Principal Component Analysis)
dan metode Analisis Faktor Umum (Common Factor Analysis).
4. Rotasi Faktor:
Rotasi orthogonal : metode ini bertujuan untuk mengurangi jumlah variabel asli dan
mengelompokannya dalam faktor yang tidak saling berhubungan. Kemudian melihat
sudut dimana letak variable tetap dan dilakukan perputaran sebesar 90º sehingga
kita bisa melihat apakah variable tersebut lebih dekat di factor satu atau factor
dua.
Rotasi obligh : terjadinya irisan antar variable tersebut, namun diharapkan tingklat
korelasi antar variable yang teriris memiliki korelasi yang kecil, karena jika korelasi
antar sumbu factor besar maka lebih baik dua atau lebih factor tersebut digabung
saja agar tidak mengacaukan factor yang lain.
5. Penamaan Faktor
Memberikan nama faktor yang dapat mewakili nama-nama variabel
yang membentuk faktor tersebut. Memberikan nama faktor
berdasarkan variabel yang memiliki nilai factor loading tertinggi. Hal ini
dilakukan apabila tidak dimungkinkan untuk memberikan nama faktor
yang dapat mewakili semua variabel yang membentuk faktor tersebut.
RINGKASAN TAHAPAN ANALISIS FAKTOR
1. Identifikasi Faktor Dasar, yaitu mengidentifikasikan faktor yang mendasari
sejumlah besar variabel.
2. Screening Faktor, yaitu menyaring variabel untuk maksud analisis statistik yang
lain.
3. Meringkas Data, yaitu menyaring sesedikit atau sebanyak faktor yang diinginkan
dari sekumpulan variabel.
4. Sampling Variabel, yaitu menyeleksi suatu kelompok kecil wakil variabel yang
tidak terkorelasi diantara sejumlah besar kumpulan variabel supaya
menyelesaikan persoalan praktis.
5. Pengelompokkan obyek
6. Membuat kelompok obyek dengan karaktersitik yang relatif sama
 Faktor 1
(Persepsi terhadap Wajah)
Variabel :
Bentuk wajah (p1)
Warna kulit wajah(p2)
Wajah mulus(p3)

Variabel (p):
Bentuk wajah (p1)
Warna kulit wajah(p2) Faktor 2
Wajah mulus(p3) (Persepsi terhadap tubuh)
Tinggi/pendek(p4) Variabel:
Bentuk tubuh atletis(p5) Tinggi/pendek(p4)
Berat badan (p6) Bentuk tubuh atletis(p5)
Jenis rambut(p7) Berat badan (p6)
Model rambut (p8)
Warna rambut (p9)

Faktor 3
(Persepsi terhadap rambut)
Variabel:
Jenis rambut(p7)
Model rambut (p8)
Warna rambut (p9)
 Studi kasus !
Faktor apa saja yang mempengaruhi
Tingkat Partisipasi Masyarakat di
Kampung Kreatif Dago Pojok?

?
TAHAP 1
Pada Lembar
Variable View
Input Semua
Variabel
seperti gambar
disamping

Note : Data
dalam Analisis
Faktor harus
berskala
Ordinal atau
Interval
TAHAP 2 – COPYKAN DATA DARI EXCEL KE DATA VIEW
TAHAP 3 – KLIK ANALYZE-DIMENSION REDUCTION-FACTOR
TAHAP 4 – PEMINDAHAN VARIABEL

Pindahkan semua
variabel yang
ada di sebelah
kiri (CTRL+A) ke
kolom variabel
yang ada di
sebelah kanan
TAHAP 5 - DESKRIPTIVE

Klik
TAHAP 6

Perhatikan kolom
apa saja yang di
ceklis !

Klik
TAHAP 7 - EXTRACTION

Klik
TAHAP 8

Perhatikan kolom
apa saja yang di
ceklis !

Klik
TAHAP 9 - ROTATION

Klik
TAHAP 10

Perhatikan kolom
apa saja yang di
ceklis !

Klik
TAHAP 11 - OPTIONS

Klik
TAHAP 12

Perhatikan kolom
apa saja yang di
ceklis !

Klik
TAHAP 13 - OK

Klik
TAHAP 14 – HASIL ANALISIS SPSS #1
1. Analisis Output Data
Setelah semua variabel dimasukkan dihitung dengan menggunakan Software SPSS, maka didaptkan hasil
perhitungan uji KMO dan MSA. Berdasarkan teori, untuk mengetahui varibel yang layak untuk dimasukkan dalam
analisis lanjut, maka bisa dilihat dari nilai KMO (Kaiser Meyer Olkin) dan MSA (Measure of Sampling
Adequency) yaitu >0.5 serta nilai signifikansi sebesar 0.000 yang artinya variabel layak untuk dianalisis. Pada
perhitungan yang telah dilakukan maka, diperoleh nilai KMO MSA adalah 0,610 yang artinya nilai lebih dari
0,5 dan layak untuk dilakukan proses analisis lanjutan. Berikut tabel Uji KMO dan MSA :

Wajib :
Nilai KMO ≥ 0,5
Nilai MSA ≥ 0,5

Jika nilai KMO dan MSA < 5

Maka tidak layak untuk di
analisis dan diperlukan
pengecekan data di lapangan !
TAHAP 14 – INTERPRETASI DATA
2. Analisis Tabel Anti Image
Tabel Anti Image menunjukkan besarnya nilai Measure of Sampling Adequacy (MSA)
dari setiap variabel yang ada, memberikan informasi mengenai tingkat kekuatan
variabel dalam suatu prediksi. Terdapat tiga interpretasi atas nilai MSA suatu
variabel, ketika nilai MSAnya sama dengan 1 (=1) maka artinya variabel tersebut
dapat diprediksi oleh variabel lain tanpa adanya kesalahan, ketika nilai MSA lebih
dari 0.5 (>0.5) artinya variabel tersebut masih dapat diprediksi dan dianalisis lebih
lanjut meskipun memiliki tingkat kesalahan dalam prediksi. Sedangkan ketika nilai
MSA suatu variabel bernilai kurang dari 0.5 (<0.5) maka variabel itu tidak sama
sekali tidak dapat diprediksi ataupun digunakan lebih lanjut karena tingkat
kesalahan prediksinya sangatlah besar. Oleh sebab itu, ketika suatu variabel bernilai
MSA kurang dari 0.5 maka variabel itu harus dikeluarkan dari data yang akan
dianalisis. Berikut tabel Anti Image :
Note : Perhatikan Kolom Anti Image Correlation
Nilai yang terdapat kode (a) merupakan nilai MSA
Jika nilai MSA ≥ 0.5 Maka benar, sebaliknya jika terdapat nilai MSA≤ 0.5 Maka harus dikeluarkan dari variabel !!
Variabel Harus Dikeluarkan MSA≤ 0.5
Variabel Dipertahankan MSA ≥ 0.5
TAHAP 15 – KELUARKAN NILAI MSA ≤ 0,5
 Keluarkan Variabel
TAHAP 16 – KELUARKAN VARIABEL DGN NILAI MSA ≤ 0,5 yang nilai MSA ≤ 0,5
ke sebelah kiri

Klik
TAHAP 17 – HASIL OUTPUT SPSS #2 (SETELAH VARIABEL DIKELUARKAN 1X)

Nilai KMO yang Baru

Note : Jika Masih Terdapat Nilai MSA ≤ 0,5
Maka harus dikeluarkan kembali variabelnya

Note : Lakukan hal yang sama dengan langkah di atas untuk

mengeluarkan variabel
TAHAP 18 – KELUARKAN NILAI MSA ≤ 0,5
TAHAP 19 – HASIL OUTPUT SPSS #3 (SETELAH VARIABEL DIKELUARKAN)

Nilai KMO yang Baru

Semua Variabel di atas telah memiliki Nilai MSA ≥ 0,5 sehingga variabel di atas layak untuk di analisis

* Pada awalnya variabel yang diuji sebanyak 15 variabel. Namun dikarenakan terdapat nilai KMO dan
MSA yang kurang dari 0.5, maka terjadi tahap reduksi data sebanyak 2 kali. Sehingga, didapatkanlah
variabel yang layak untuk dianalisa yaitu lebih dari 0.5 yaitu sebanyak 8 variabel.
3. Analisis Tabel Communalities
Tabel communalities merupakan tabel yang memberikan informasi mengenai tingkat kemampuan suatu
variabel menggambarkan faktor yang akan terbentuk. Setiap variabel memiliki kemampuan yang
berbeda- beda dalam menggambarkan faktor, yang ditunjukkan dengan nilai extraction setiap
variabel. Berdasarkan dapat diatas dilihat bahwa variabel “Usia” memiliki kemampuan yang
paling tinggi dalam menggambarkan faktor yang akan terbentuk dengan nilai sebesar 73%.
Sedangkan variabel yang memiliki kemampuan paling rendah dari data yang ada adalah
variabel kepemimpinan dengan tingkat kemampuan sebesar 38%.
4. Analisis Tabel Total Variance Explained
Tabel Variance Explained merupakan tabel yang memberikan informasi mengenai bagaimana proses
faktoring berlangsung. Suatu faktor dikatakan layak terbentuk ketika memiliki nilai eigenvalue minimal
1. Nilai eigenvalue minimal 1 itu memiliki arti bahwa seminimalnya faktor yang akan terbentuk itu
memiliki 1 variabel. Selain nilai eigenvalue, tabel ini juga menunjukkan banyaknya varian dari
variabel yang ada. Berdasarlan tabel dibawah, maka dapat dilihat nilai masing-masing variabel
yang dianalis yaitu sejumlah 8 variabel. Terdapat dua macam analisis penjelasan variabel, yaitu
Initial Eigenvalues dan Extraction Sums Of Squared Loadings. Pada kolom Extraction Sums Of Squared
Loadings nilainya sebesar 3,297 dan 1.213, 0,874 dst Pada tabel variance explained di atas dapat
terlihat bahwa komponen yang layak terbentuk ialah sebanyak 2 komponen (Eigenvalue ≥ 1) . Karena
ketika terbentuk 2 komponen nilai total initial eigenvaluenya sebesar 1.213. Sedangkan jika dibentuk
3 komponen maka eigenvalue o,874. Jadi, hanya terdapat 2 komponen/faktor yang akan dibentuk.
4. Analisis Grafik Scree Plot
Grafik scree plot memiliki kegunaan yang sama dengan tabel total variance yaitu untuk menunjukan
faktor yang dapat terbentuk dari beberapa variabel yang ada. Jika tabel total variance
menunjukkan jumlah faktor yang layak terbentuk dengan cara ditunjukkan melalui angka, scree
plot menunjukkan banyaknya faktor yang dapat terbentuk melalui titik- titik dari setiap variabel
yang ada (slope dengan kemiringan yang sama), di proyeksikan dalam component number
(horizontal) dan juga eigenvalue (vertical). Ketika ketinggian titik- titik itu hampir sama atau
kemiringannya sangat landai maka titik- titik tersebut dapat dijadikan sebagai 1 faktor. Dari grafik di
atas dapat dilihat bahwa component nomor 1 dan 2 nantinya akan membentuk faktor sendiri.
5. Analisis Rotated Component Matrix
Pada tabel rotated component matrix diatas memperlihatkan nilai korelasi antara variabel dengan faktor yang
terbentuk. Suatu variabel dapat dikatakan memiliki korelasi yang kuat terhadap suatu faktor ketika Nilai Faktor
Loadingnya ≥ 0.5. Tanda positif dan negative pada nilai menunjukkan arah atau sifat dari hubungan antara variabel
dan faktor. Ketika nilainya positif maka artinya variabel dan faktor tersebut bersifat searah, sedangkan ketika nilainya
negative maka artinya variabel dan faktor tersebut memiliki sifat berbalik arah atau berkebalikan.

Nilai faktor loadings ini dapat digunakan untuk menentukan ke faktor manakah suatu variabel akan masuk.
Semakin besar nilai faktor loadings suatu variabel terhadap suatu faktor maka semakin baik variabel itu
dimasukkan ke dalam faktor tersebut. Penentuan tersebut dilakukan tanpa mempertimbangkan nilai positif maupun
negative dari faktor loadings tersebut.
6. Penamaan Faktor
Dengan memperoleh nilai faktor loadings dari data yang ada pada tabel di
atas, maka variabel-variabel yang sudah direduksi menjadi 2 faktor, yaitu:

Faktor Yang Mempengaruhi Tingkat

Partisipasi Masyarakat Kampung Kreatif
Dago Pojok

FAKTOR 1 FAKTOR 2
Karakteristik Individu Modal Sosial

• Pendapatan • Usia Penduduk

• Jumlah Anggota Keluarga • Inovasi Sosial
• Lama Tinggal • Kerjasama
• Kepemimpinan • Kemampuan terhadap
rumah

Note : Penamaaan faktor harus disesuaikan dengan teori yang rekevan

7. Analisis Tabel Componen Transformation Matrix
Tabel Component Transformation Matrix mengandung informasi apakah faktor
yang terbentuk sudah tepat atau belum dengan cara menunjukkan hubungan
antar faktor satu sama lain. Ketika nilai korelasi suatu faktor terhadap faktor itu
sendiri bernilai ≥0.5, artinya faktor tersebut memiliki nilai korelasi yang tinggi,
sehingga dapat dikatakan bahwa faktor tersebut sudah tepat untuk terbentuk.

Jadi, dapat diinterpretasikan bahwa dari banyaknya

variabel-variabel setelah dilakukan tahapan reduksi data
dalam analisa faktor didapatkan 2 faktor utama yang
paling mempengaruhi tingkat partisipasi masyarakat di
Kampung Dago Pojok, yaitu karakter individu dan modal
sosial.
SEKIAN & TERIMAKASIH