Laporan Praktikum 2

ANALISIS FAKTOR

(Uji KMO, Uji Barlett’s Test, Eigen Value, dan Proporsi Kemampuan Faktor

pada Sofftware SPSS 17)

Oleh :

Fabian Umay Lantong – 413421025

STATISTIKA B 2021

Dosen Pengampuh : : Siti Nurmardia Abdussamad, S.Stat., M.Stat

Mata Kuliah : Analisis Multivariat (DAD62533)

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI GORONTALO
2022-2023
 2

BAB I

PENDAHULUAN

1.1 Sumber Data

Praktikkan menggunakan data tentang data Sosial dan Kesejahteraan Rakyat
(sekolah) di kota Mojokerto. Variabel yang diambil sebanyak 6 yaitu sekolah, guru,
murid, peserta ebtanas, murid lulus dan murid baru dengan jumlah N sebanyak 18
sesuai dengan jumlah kelurahan yang terdapat di kota Mojokerto. Berikut tampilan
dari datanya beserta sumber data yang digunakan :
1. Variabel sekolah, guru dan murid
 3

2. Variabel peserta ebtanas, murid lulus, dan murid baru

1.2 Analisis Faktor

Dalam studi perilaku dan sosial, peneliti membutuhkan pengembangan
pengukuran untuk bermacam-macam variabel yang tidak dapat diukur secara
langsung, seperti tingkah laku, pendapat, intelegensi, personality dan lain-lain. Faktor
analisis adalah metode yang dapat digunakan untuk pengukuran semacam itu.
(Subash Sharma, 1996).

Tujuan dari analisis faktor adalah untuk menggambarkan hubungan-

hubungan kovarian antara beberapa variabel yang mendasari tetapi tidak teramati,
kuantitas random yang disebut faktor, (Johnson &Wichern, 2002). Vektor random
teramati X dengann p komponen, memiliki rata-rata μ dan matrik kovarian . Model
analisis faktor adalah sebagai berikut :

X 1  1  𝑙 11 F1  𝑙 12 F2  ..... 𝑙 1m Fm   1 (1)

X p   p  𝑙 p1F1  𝑙 p2 F2  ......  𝑙 pm F m   p

Atau dapat ditulis dalam notasi matrik sebagai berikut :

denga
 4

n X pxl  μ( pxl )  L( pxm) F(mxl )  εpxl

i  rata-rata variabel i (2)

 i  faktor spesifik ke – i

Fj  common faktor ke- j

𝑙 i j  loading dari variabel ke – i pada faktor ke-j

 5

Bagian dari varian variabel ke – i dari m common faktor disebut komunalitas ke – i

yang merupakan jumlah kuadrat dari loading variabel ke – i pada m common faktor
(Johnson &Wichern, 2002), dengan rumus :

hi 2  𝑙 2i1  𝑙 2i 2  ....  𝑙 2i m (3)

Tujuan analisis faktor adalah menggunakan matriks korelasi hitungan untuk

1.) Mengidentifikasi jumlah terkecil dari faktor umum (yaitu model faktor yang
paling parsimoni) yang mempunyai penjelasan terbaik atau menghubungkan korelasi
diantara variabel indikator. 2.) Mengidentifikasi, melalui faktor rotasi, solusi faktor
yang paling masuk akal. 3.) Estimasi bentuk dan struktur loading, komunality dan
varian unik dari indikator. 4.) Intrepretasi dari faktor umum. 5.) Jika perlu, dilakukan
estimasi faktor skor. (Subash Sharma, 1996).
1.3 Kaiser Meyer Oikin (KMO)
Uji KMO bertujuan untuk mengetahui apakah semua data yang telah terambil
telah cukup untuk difaktorkan. Hipotesis dari KMO adalah sebagai berikut :
Hipotesis
Ho : Jumlah data cukup untuk difaktorkan
H1 : Jumlah data tidak cukup untuk difaktorkan
Statistik uji :

p p

 r 2
ij
i 1 j 1
KMO = (4)
 r   a 2
p p 2 p p

ij ij
i 1 j 1 i 1 j 1

i = 1, 2, 3, ..., p dan j = 1, 2, ..., p

rij = Koefisien korelasi antara variabel i dan j
aij = Koefisien korelasi parsial antara variabel i dan j
 6

Apabila nilai KMO lebih besar dari 0,5 maka terima Ho sehingga dapat disimpulkan
jumlah data telah cukup difaktorkan.
1.4 Uji Bartlett (Kebebasan Antar Variabel)
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
H1 : ρ ≠ I
Statistik Uji :
rk  p 1  ik
1 p r , k = 1, 2,...,p
i 1

2
p( p 1) 
r rik (5)
ik

ˆ 
 
( p 1)2 1  (1  r)2
p  ( p  2)(1  r)2
Dengan :
r k = rata-rata elemen diagonal pada kolom atau baris ke k dari matrik R (matrik
korelasi)
r = rata-rata keseluruhan dari elemen diagonal
Daerah penolakan :
tolak H0 jika
(n  1)  2
p
2
2
T 2   ik
(r  r)   ˆ k  ( p 1)( p  2) / 2;
(r  r)   (6)
(1  r)  i  k k 1 
Maka variabel-variabel saling berkorelasi hal ini berarti terdapat hubungan
antar variabel. Jika H0 ditolak maka analisis multivariat layak untuk digunakan
terutama metode analisis komponen utama dan analisis faktor.

Sumber : https://54ud1.files.wordpress.com/.../analisis-faktor
 7

BAB II

DESKRIPSI KERJA

Pada praktikum kali ini praktikan akan menyelesaiakan kasus statistika

multivariate terapan dengan menggunakan Analisis Factor pada data Kesehatan
lingkungan di Kabupaten Cilacap tahun 2013 dengan software SPSS.Berikut datanya
:

Tabel 2.1 Data kesehatan lingkungan di kabupaten Cilacap tahun 2013

Peserta Murid Murid

Sekolah Guru Murid
Ebtanas Lulus Baru
1 9 56 53 53 37
1 37 734 209 209 225
0 0 0 0 0 0
1 33 420 171 171 129
0 0 0 0 0 0
1 36 679 218 218 224
0 0 0 0 0 0
1 8 99 44 44 47
1 54 990 286 286 321
0 0 0 0 0 0
0 0 0 0 0 0
2 44 764 227 227 235
2 82 1399 753 434 445
2 69 1094 345 345 361
1 8 63 9 9 33
0 0 0 0 0 0
2 31 605 203 203 207
3 102 1620 495 495 454
 8

Berikut langkah-langkah penyelesaian dengan menggunakan program SPSS :

1. Klik All-program pilih program SPSS 17. Seperti gambar berikut.

Gambar 2.1 SPSS Statistics 17.0

2. Pada lembar kerja SPSS, pilih dan klik Variabel view untuk membuat variabel
dari data kasus. Seperti gambar berikut.

Gambar 2.2 Variabel View

 9

3. Langkah selanjutnya yakni pilih dan klik Data view kemudian masukkan data
kasus. Seperti gambar berikut.

Gambar 2.3 Data View

4. Kemudian klik analyze  dimensieon reduction  factor. Seperti gambar
berikut :

Gambar 2.4 Analisis fact

 10

5. Pada kotak dialog factor Analysis masukkan variabel Sekolah, Guru, Murid,
Peserta Ebtanas, Murid Lulus, dan Murid Baru pada bagian variabels. Seperti
gambar berikut.

Gambar 2.5 Factor Analysis

6. Langkah selanjutnya yakni, klik Descriptives pada kolom statistics beri
centang initial solution dan pada kolom correlation matrix beri centang KMO
& Barlett’s test of sphericity. Seperti pada gambar berikut.

Gambar 2.6 Descriptives

7. Kemudian klik Continue  kemudian OK.
 11

BAB III

PEMBAHASAN

Pada bab sebelumnya praktikkan telah menjelaskan langkah-langkah

menyelesaikan data kasus maka pada bab ini praktikan akan membahas langkah-
langkah penyelesaian kasus di atas. Kasus pada data Sosial dan Kesejahteraan Rakyat
(sekolah) di kota Mojokerto di atas diselesaikan dengan menggunakan analisis faktor.
Analisis faktor ini digunakan untuk menggambarkan hubungan-hubungan kovarian
dari variabel sekolah, guru, murid, peserta ebtanas, murid lulus, murid baru, yang
mendasari tetapi tidak teramati, kuantitas random yangdisebut faktor.

Dalam analisis faktor yang dilakukan terlebih dahulu yakni melakukan uji
KMO (Kaiser Meyer Oikin). Uji ini digunakan untuk mengetahui apakah semua data
Sosial dan Kesejahteraan Rakyat (sekolah) di kota Mojokerto telah cukup untuk di
faktorkan atau melebihi dari 50%. Praktikkan mendapatkan output sebagai berikut.

Tabel 3.1 Output KMO dan Barlett’s Test

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .864

Bartlett's Test of Sphericity Approx. Chi-Square 258.247

df 15

Sig. .000

Maka, dari hasil ouput di atas dilakukan pengujian sebahai berikut.

a. Hipotesis
H0 : Jumlah data cukup untuk di faktorkan
 12

H1 : Jumlah data tidak cukup untuk di faktorkan

b. Tingkat Signifikansi
α = 0.05 %
c. Daerah kritis
Nilai KMO < α maka, tolak H0
d. Statistik Uji
p p

 r 2
ij
i 1 j 1
KMO =
 r   a 2
p p 2 p p

ij ij
i 1 j 1 i 1 j 1

i = 1, 2, 3, ..., p dan j = 1, 2, ..., p

rij = Koefisien korelasi antara variabel i dan j
aij = Koefisien korelasi parsial antara variabel i dan j
Daerah penolakan :
Nilai KMO (0.864) > α (0.05) maka, gagal tolak H0
e. Keputusan
Gagal Tolak H0
f. Kesimpulan
Berdasarkan tingkat kepercayaan 95%, nilai KMO > α maka mendapatkan
keputusan gagal tolak H0 yang artinya jumlah data cukup untuk di faktorkan
atau dengan kata lain jumlah data Sosial dan Kesejahteraan Rakyat (sekolah)
di kota Mojokerto cukup untuk di faktorkan karena melebihi 50 %.

Dari hasil uji KMO di dapatkan kesimpulan bahwa data yang ada cukup untuk
difaktorkan kemudian dilakukan uji Barlett’s Test. Uji ini digunakan untuk
mengetahui apakah terdapat hubungan antar variabel di dalam kasus multivariate jika
X1 , X2,…, XP independent (saling bebas) maka matriks korelasi antar variabel sama
dengan matriks identitasnya.

a. Hipotesis
 13

H0 : ρ = I (independent) atau tidak korelasi antar variabel

H1 : ρ ≠ I (saling korelasi) ada korelasi antar variabel
b. Tingkat Signifikansi
α = 0.05 %
c. Daerah kritis
P-value < α maka, tolak H0
d. Statistik Uji

rk  p 1  rik , k = 1, 2,...,p
1 p
i 1

2
r
p( p 1)
 r ik
ik

ˆ 

( p 1)2 1  (1  r)2 
p  ( p  2)(1  r) 2

r k = rata-rata elemen diagonal pada kolom atau baris ke k dari matrik R

(matrik korelasi)
r = rata-rata keseluruhan dari elemen diagonal
P-value (0.000) < α (0.05) maka, tolak H0
e. Keputusan
Tolak H0
f. Kesimpulan
Berdasarkan tingkat kepercayaan 95% dapat diketahui bahwa P-value < α
sehingga tolak H0 yang artinya variabel yang ada pada data saling berkorelasi
atau dengan kata lain analisis multivariate layak untuk digunakan terutama
dengan analisis faktor.
 14

3.3 Menentukan jumlah faktor

Dalam menentukan jumlah faktor yang akan di ambil dari data kasus ini dapat di
lihat dari eigen value. Berikut hasil output dari SPSS.

3.3.1 Eigen Value

Tabel 3.2 Total Variance Explained

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings

Compo
nent Total % of Variance Cumulative % Total % of Variance Cumulative %

1 5.670 94.493 94.493 5.670 94.493 94.493

2 .234 3.895 98.388

3 .076 1.267 99.655

4 .015 .247 99.902

5 .004 .060 99.963

6 .002 .037 100.000

Extraction Method: Principal Component Analysis.

Dari hasil output di atas dapat dilihat bahwa ada 1 faktor yang nilai eigen
valuenya ≥ 1, yakni pada faktor 1 dengan kata lain variabilitas dari ke 6 variabel
tersebut dapat diterangkan oleh ke 1 faktor sampai dengan 94,493 %. Faktor 2, 3, 4,
5, dan 6 tidak diambil karena nilai eigen valuenya < 1.

3.3.2 Proporsi kemampuan factor

Untuk mengetahui proporsi kemampuan faktor yang mampu menerangkan

kasus dapat dilihat nilai pada tabel component matrix dan communalities
 15

Tabel 3.3 Component Matrixa

Component Matrixa

Component

Sekolah .901

Guru .993

Murid .993

Peserta_Ebtanas .953

Murid_Lulus .996

Murid_Baru .992

Extraction Method: Principal

Component Analysis.

a. 1 components extracted.

Dari tabel component matrix di atas dapat dilihat tidak ada nilai yang kurang dari
0.5 sehingga tidak perlu untuk dilakukan rotasi pada data tersebut. Rotasi perlu
dilakukan ketika ada nilai faktor yang > 0.5 Jadi dapat dilihat hasilnya yakni faktor
kepadatan penduduk, PHBS, Rumah Sehat, JAMBAN, Tempat Sampah, dan Limbah
masuk pada component 1 atau faktor 1 karena faktor-faktor tersebut memiliki nilai
yang paling besar pada faktor 1.

Tabel 3.4 Communalities

Communalities

Initial Extraction

Sekolah 1.000 .813

Guru 1.000 .986

Murid 1.000 .986

Peserta_Ebtanas 1.000 .909

Murid_Lulus 1.000 .992

Murid_Baru 1.000 .984

Extraction Method: Principal Component

Analysis.

Berdasarkan tabel 3.4 communalities di atas dapat di ketahui nilai

komunalitas merupakan proporsi dari varian untuk masing-masing variabel yang
 16

diterangkan oleh ke 1 faktor yang nilainya berkisar 0 – 1.

Variabel sekolah dijelaskan oleh 1 faktor yang terbentuk besarnya 81.3%,

variabel guru dijelaskan oleh 1 faktor yang terbentuk besarnya 98.6%, variabel murid
dijelaskan oleh 1 faktor yang terbentuk besarnya 98.6%, variabel peserta ebtanas
dijelaskan oleh 1 faktor yang terbentuk besarnya 90.9%, variabel murid lulus
dijelaskan oleh 1 faktor yang terbentuk besarnya 99.2%, variabel murid baru
dijelaskan oleh 1 faktor yang terbentuk besarnya 98.4%.

Dari penjelasan sebelumnya maka dapat diketahui, variabel murid lulus yang
memiliki nilai paling besar yang dijelaskan oleh 1 faktor yang terbentuk dengan nilai
sebesar 99.2% atau dari 1 faktor yang ada yang memiliki keragaman data yang
tertinggi ada pada variabel murid lulus.
 17

BAB IV

PENUTUP

Berdasarkan hasil pembahasan kasus di atas dapat di simpulkan bahwa :

1. Berdasarkan output uji KMO Jumlah data cukup untuk di faktorkan atau dengan
kata lain jumlah data Sosial dan Kesejahteraan Rakyat (sekolah) di kota Mojokerto
cukup untuk di faktorkan karena melebihi 50 %.

Berdasarkan uji Barlett’s Test data Sosial dan Kesejahteraan Rakyat (sekolah)
di kota Mojokerto saling berkorelasi atau dengan kata lain analisis
multivariate layak untuk digunakan terutama dengan analisis faktor.
2. Variabilitas dari ke 6 variabel tersebut dapat diterangkan oleh ke 1 faktor
sampai dengan 94.493%.
3. Faktor 1 mampu Variabel sekolah dijelaskan oleh 1 faktor yang terbentuk besarnya
81.3%, variabel guru dijelaskan oleh 1 faktor yang terbentuk besarnya 98.6%,
variabel murid dijelaskan oleh 1 faktor yang terbentuk besarnya 98.6%, variabel
peserta ebtanas dijelaskan oleh 1 faktor yang terbentuk besarnya 90.9%, variabel
murid lulus dijelaskan oleh 1 faktor yang terbentuk besarnya 99.2%, variabel murid
baru dijelaskan oleh 1 faktor yang terbentuk besarnya 98.4%.
4. Sehingga dari 1 faktor yang ada yang memiliki keragaman data yang tertinggi
ada pada variabel murid lulus.
 18

DAFTAR PUSTAKA

Kariyam.2004.Modul Praktikum Analsis Multivariat.Yogyakarta: Universitas Islam

Indonesia.

http://referensi.dosen.narotama.ac.id/files/2011/12/Panduan-Lengkap-Menguasa
SPSS-16.pdf. di akses pada tanggal 3 Juni 2015 pukul 19.00 WIB.

https://mojokertokota.bps.go.id/. di akses pada tanggal 18 Oktober 2022 pukul

13.15 WITA.