Keterangan:
A = jumlah fasilitas tertinggi
B = jumlah fasilitas terendah
k = banyaknya kelas
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
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)
Ward’s Method
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
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
Kluster A B C D E F G
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
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
• 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
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.
Variabel Jenis Kelamin: Variabel Nama Kota : Variabel Olahraga : Variabel Suku :
1 = Laki-Laki 1 = Jakarta 1 = Taekwondo 1 = Melayu
2 = Perempuan 2 = Bandung 2 = Basket 2 = Minang
Artinya, angka di atas tidak 3 = Surabaya 3 = Sepak Bola 3 = Jawa
bermakna bahwa laki-laki lebih Artinya, angka di atas tidak Artinya, angka di atas tidak Artinya, angka di atas tidak
baik atau lebih buruk dari bermakna bahwa Jakarta lebih bermakna bahwa olahraga bermakna bahwa suku Minang
perempuan. baik dari Bandung dan Surabaya Taekwondo lebih baik dari lebih baik dari suku Melayu
atau sebaliknya. Basket dan Sepak Bola atau dan Jawa atau sebaliknya.
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.
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).
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
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)
5. Membandingkan angka signifikansi (Industri dgn bahan baku) Contoh : Industri dgn Buruh (nilai sig. 0.001 < 0.05), artinya Ho
Contoh : Industri dgn Bahan baku (nilai sig. 0.829 > 0.05), artinya Ho ditolak (Hi diterima), sehingga terdapat hubungan antara industri
diterima, sehingga tidak terdapat hubungan antara industri dengan bahan dengan buruh. Kemudian hubungannya positif (+0.572), artinya
baku. Kemudian hubungannya negatif (+0.041), artinya peningkatan peningkatan jumlah industri akan meningkatkan jumlah buruh di
suatu wilayah.
jumlah industri akan mengurangi jumlah bahan baku 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 2 UKURAN SAMPEL
Adalah analisis multivariate yang digunakan untuk Dalam analisis faktor apabila semakin banyak sampel
menyederhanakan hubungan yang kompleks, (50-100) maka akan semakin bagus tingkat keterkaitan
beragam dan kemudian dikemlompokkan kedalam antar variabel dalam faktor tersebut.
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 3 TUJUAN
melihat berbagai variabel yang kompleks
kemudian direduksi dan masuk kedalam faktor 1. Menghilangkan keragaman variabel yang direduksi
yang ada sehingga didalam satu faktor memiliki dan dikelompokkan dalam kelompok variabel baru
hubungan keeratan variabel. yang saling berkorelasi tanpa mengilangkan makna
dari informasi tersebut.
2. Mengidentifikasi adanya hubungan antarvariabel
Data reduction, yakni setelah melakukan korelasi, penyusun faktor dengan menggunakan pengujian
dilakukan proses membuat sebuah variabel set koefisien korelasi antarfaktor dengan komponen
baru yang dinamakan faktor. Model analisis faktor
adalah : 3. Menguji validitas dan reliabilitas
- X1 = c11 F1 + c12 F2 + c13 F3 + ... + c1m Fm 4. Data summarization untuk variabel-variabel yang
- X2 = c21 F1 + c22 F2 + c23 F3 + ... + c2m Fm dianalisis, yakni mengidentifikasi adanya hubungan
- X3 = c31 F1 + c32 F2 + c33 F3 + ... + c3m Fm 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
Eksploratori | bila teknik analisis faktor Konfirmatori | yaitu bila seorang analisis
yang digunakan tanpa terlebih dahulu menggunakan analisis faktor untuk
menentukan batasan-batasan awal dalam menguji hipotesis yang berkaitan dengan
perkiraan jumlah komponen atau faktor pengelompokkan variabel atau jumlah
yang akan di ekstraksi faktor.
Skala Data : Interval/Ratio 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
Klik
TAHAP 17 – HASIL OUTPUT SPSS #2 (SETELAH VARIABEL DIKELUARKAN 1X)
* 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 1 FAKTOR 2
Karakteristik Individu Modal Sosial