Analisis Faktor Orthogonal,

Principal Component Analysis (PCA),

&
Analisis Diskriminan
by:
Ludia Ni’matuzzahroh(06211950015005)
Ardiana Fatma Dewi (06211950015006)
 Analisis Faktor Orthogonal
&
Principal Component Analysis
(PCA)
 Sumber Data
Data diperoleh dari Skripsi dengan judul:

Faktor-faktor yang Mempengaruhi Mahasiswa dalam

Memilih Jurusan Matematika Fakultas Sains dan
Teknologi Universitas Islam Negeri Alauddin Makassar

p (banyak variabel) = 24
n (banyak observasi) = 75

3
Tabulasi Data

Responden x1 x2 x3 … x22 x23 x24

1 2 3 1 2 1 2
2 3 3 3 1 2 4
3 2 1 2 2 2 4
4 1 2 4 4 3 1
5 2 2 3 4 2 4
…
6 2 1 2 4 2 4
7 3 3 3 4 1 2
8 2 1 1 4 1 3
9 2 2 3 3 3 3
10 3 2 2 2 2 4
. . . . . . .
. . . . . . .
. . . . … . . .
. . . . . . .
. . . . . . .
70 2 2 2 4 2 4
71 3 3 4 3 2 3
72 3 2 3 2 2 4
…
73 3 2 2 3 2 4
74 3 2 2 1 3 2
75 3 2 3 2 2 3

4
Simbol Variabel
X1 Jurusan matematika dapat diketahui melalui iklan dan media
massa
X2 Promosi dikemas secara kreatif dan menarik dengan berisi
informasi lengkap tentang jurusan matematika
X3 Sosialisasi jurusan matematika yang dilakukan di sekolah-sekolah
X4 Sosialisasi dari alumni
. .
. .
. .
. .
. .
X21 Latar belakang orang tua yang dari lulusan sarjana sains
X22 Tidak lulus dari jurusan lain
X23 Biaya pendidikan yang murah
X24 Jarang terjadi kriminal seperti tawuran

5
 Analisis Faktor Orthogonal
Uji
  Korelasi dan Kelayakan variabel (Uji Bartlet Spherecity)
- Hipotesis vs
- Statistik Uji

- Keputusan : Tolak
Karena nilai Sig (0.000) < nilai (0.05)
- Kesimpulan : Terdapat hubungan antar variabel X 6

Uji Measure of Sampling Adequancy (MSA)
 
Digunakan untuk mengukur homogenitas antar variabel dan
melakukan penyaringan antar variabel sehingga hanya variabel yang
memenuhi syarat dapat di proses lebih lanjut.
Nilai MSA berkisar antara 0.5-1.0
Jika MSA = 1 variabel dapat diprediksi tanpa kesalahan var. lain
Jika MSA 0.5 variabel dapat di prediksi dan dianalisis lanjut
Jika MSA 0.5 variabel tidak dapat di prediksi dan dikeluarkan
dari variabel lain
- Hipotesis
= variabel tidak layak dan tidak dapat di proses
= variabel layak dan dapat diproses
- Statistik Uji KMO = 0.530
- Keputusan : Tolak karena nilai KMO (0.53) > 0.5
- Kesimpulan : Variabel layak dan dapat di proses lebih lanjut
7

Nilai
  Anti Image Matrices Correlation setelah Uji MSA
Variabel yang memiliki nilai MSA < 0.5 akan dikeluarkan dari
variabel lain, setelah dilakukan pengeluaran variabel berikut hasil yang
sudah sesuai dengan kriteria MSA 0.5

Variabel yang akan dilanjutkan proses analisis nya yaitu

X4, X11, X11, X17, X18 (5 variabel ) memenuhi kriteria

8
 Proses faktoring atau ekstraksi
Dengan menggunakan Metode Principal Component Analysis
(PCA), untuk menentukan banyak faktor (m) dipilih nilai eigen
yang > 1

Dari tabel diatas dapat diketahui bahwa terdapat 2 nilai eigen

yang > 1 sehingga banyak faktor (m) adalah 2
Dari 5 variabel yang memenuhi kriteria diekstraksi menjadi 2
faktor dengan nilai komulatif sebesar 66.79% artinya faktor yang
terbntuk dapat menjelaskan sebesar 66.79% dari variabel asal
9
 Scree Plot
adalah grafik yang menjelaskan dasar perhitungan menentukan jumlah
faktor

Jika perubahan terjadi secara signifikan pada titik 1 ke 2 maka dapat

disimpulkan bahwa jumlah faktor yang terbentuk adalah 2 karena pada titik
2 ke 3, 3 ke 4 dan selanjutnya bergerak secara konstan (tidak terlalu tajam)
10
 Rotasi Faktor
variabel yang telah diekstraksi akan dilakukan proses rotasi karena
biasanya dalam penempatan variabel belum tepat atau tidak sesuai
dengan faktor

Berdasarkan tabel diatas dapat ketahahui bahwa variabel X4, X11, X12
masuk kedalam faktor 1 dan variabel X17, X 18 masuk kedalam faktor 2
11
Kesimpulan Analisis Faktor Ortogonal

Faktor Variabel
X4 (Sosialisasi dari alumni)
Sosial dan X11 (Jurusan Matematika memiliki Lab Komputer yang
Fasilitas memadai)
X12 (Jurusan Matematika memiliki perpustakaan jurusan)
X17 (Prospek dunia kerja Program Studi Matematika
memiliki peluang keja yang baik)
Pekerjaan
X18 (Lulusan jurusan Matematika yang dapat diterima di
berbagai tempat kerja)

Berdasarkan hasil analisis faktor ortogonal dari 24 variabel Faktor-faktor

yang Mempengaruhi Mahasiswa dalam Memilih Jurusan Matematika
Fakultas Sains dan Teknologi Universitas Islam Negeri Alauddin Makassar
dapat diwakili oleh 5 variabel yang terbentuk dalam 2 faktor yaitu sosial
dan fasilitas serta pekerjaan, dengan kemampuan menjelaskan variabilitas
variabel asal sebesar 66.79% , dimana antar faktor saling bebas. 12
 Principal Component Analysis

Uji Korelasi dan Kelayakan variabel (Uji Bartlet Spherecity)
 
- Hipotesis vs
- Statistik Uji

- Keputusan : Tolak
Karena nilai Sig (0.000) < nilai (0.05)
- Kesimpulan : Terdapat hubungan antar variabel X
13
 Reduksi Dimensi Varibel (Ekstraksi PC)
Kriteria untuk menentukan banyak kelompok yaitu
dengan melihan Eigenvalue > 1

Berdasarkan output diatas dapat diketahui bahwa terdapat 9

kelompok yang memenuhi kriteria sehingga m=9, dengan
proporsi variabilitas komulatif yang dijelaskan oleh 9
komponen sebesar 68% dari total variabel asal.
14
 Scree Plot

Berdasarkan gambar diatas dapat diketahui bahwa setelah titik ke 9

mengalami penurunan yang relatif konstan, sehingga sesuai dengan teori
reduksi dimensi menggunakan Eigenvalue (m=9).
Artinya dari 24 variabel awal direduksi menjadi 9 komponen/ kelompok
saja tanpa menghilangkan informasi dari 24 variabel awal. 15
 Skor PC (kombinasi linier variabel asal)

Karena pada ekstraksi PC dihasilkan m=9 maka akan

terbentuk 9 PC seperti output diatas. 16
Penentuan m kelompok variabel dominan

Pilih nilai terbesar dari setiap kolom PC untuk

menentukan kelompok setiap variabel.
17
Pengelompokan variabel dengan PCA serta asumsi
PCA (saling bebas, covariance=0)
Berikut merupakan tabel pengelompokan variabel
dengan PCA
PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 PC9
x5 x2 x1 x20 x4 x6 x7 x10 x3
x11 x8 x19 x22 x16   x9   x14
x12 x21   x23 x18       x24
x13                
x15                
x17                

18
 Resume Perbandingan Antar Metode
Analisis Faktor Ortogonal dan Principal Component
Analysis (PCA)
Analisis Faktor Ortogonal PCA
Digunakan untuk mereduksi variabel Digunakan untuk mereduksi variabel
Terdapat beberapa asumsi yang mengikat, Semua variabel masuk dalam suatu
banyak variabel yang dikeluarkan, kelompok tertentu
sehingga tidak semua variabel
dikelompokkan
Berdasarkan data diatas, proporsi Berdasarkan data diatas, proporsi
variabilitas komulatif yang dihasilkan variabilitas komulatif yang dihasilkan
lebih kecil dari PCA lebih besar dari analisis faktor
Terdapat hubungan antara analisis faktor dengan PCA, dimana analisis faktor
merupakan pengembangan dari PCA. Dalam pengelompokannya, analisis faktor
menggunakan metode pembobot Principal Component yang konsep dasarnya berasal
dari Principal Component Analysis.

19
Analisis Faktor Eksploratori dan Analisis Faktor
Konfirmatori
Analisis Faktor Eksploratori Analisis Faktor Konfirmatori
Metode statistika yang digunakan untuk membangun model struktur yang
terdiri dari banyak variabel .

menggunakan varians dari masing-masing variabel manifest sebagai

representasi ukuran kontribusi terhadap variabel konstruknya

Digunakan dalam kondisi dimana Untuk menguji apakah indikator-

peneliti tidak memiliki informasi indikator yang sudah dikelompokkan
awal atau hipotesis harus berdasarkan variabel latennya
dikelompokkan ke dalam variabel (konstruknya) konsisten berada
mana saja sekumpulan indikator dalam konstruknya tersebut atau
yang telah dibuat tidak
Perbedaan yang mendasar antara Konfirmatori dan Eksploratori adalah pada
konfirmatori peneliti sudah memiliki asumsi awal bahwa indikator-
indikator masuk ke dalam variabel laten tertentu.

20
Analisis Diskriminan Linier
 SUMBER DATA
 Data diperoleh dari jurnal yang berjudul:

ANALISIS DISKRIMINAN PADA DATA FAKTOR-FAKTOR YANG

MEMPENGARUHI KEPUTUSAN BANK MEMBERIKAN PINJAMAN KEPADA
NASABAH
• Variabel prediktor (p)=3
1. Umur (X1): Umur dari nasabah yang melakukan permintaan dana
pinjaman
2. Kepercayaan Konsumen (X2): Indeks yang menunjukkan seberapa
percaya konsumen terhadap produk-produk dari perusahaan milik
nasabah.
3. Jumlah Karyawan (X3): Jumlah karyawan yang dimiliki oleh nasabah
untuk keberlanjutan perusahaan/usaha yang dimiliki oleh nasabah.

• Variabel respon non metric biner (g) =2

Tindakan Bank/Manajemen Bank (Y):
1. Memberikan pinjaman
2. Tidak memberikan pinjaman 22
TABULASI DATA
Y X1 X2 X3

1 37 -26.9 5018

1 52 -31.4 5076

1 68 -26.9 5018

1 36 -40.0 5009

1 57 -36.1 5228

1 33 -46.2 5099

... ... ... ...

... ... ... ...

... ... ... ...

2 34 -46.2 5099

2 60 -50.8 4964

2 37 -41.8 5228

2 47 -36.1 5228

2 28 -38.3 4992

2 36 -41.8 5228
23
PENGUJIAN HOMOGENITAS MATRIKS VARIAN KOVARIAN
Pada
  pengujian asumsi homogenitas ini digunakan untuk mengetahui apakah
matriks kovarian memiliki sifat multivariat homogenitas atau tidak.
Hipotesis:

dimana : g=2
Berikut hasil pengujian menggunakan uji Box’s M:
Test Results

Box's M 18.804

Approx. 6.130

df1 3
F
df2 1728720.000

Sig. .000

Tests null hypothesis of equal population covariance matrices.

Dengan menggunakan taraf signifikansi sebesar 5%, dapat diketahui bahwa P-

value sebesar 0.000 < 0.05, sehingga dapat disimpulkan bahwa matriks varian
kovarian tidak homogen. 24
 PERBEDAAN RATA-RATA DUA KATEGORI

Tabel di atas menunjukkan perbedaan rata-rata dari dua kategori pada

variabel dependen. Hasil rata-rata kedua kategori cukup tinggi pada setiap
variabel.
25
PERBEDAAN RATA-RATA DUA KATEGORI

Dengan menggunakan pengujian F diketahui rata-rata pada kedua

kategori berbeda signifikan pada variabel X2 dan X3.

 Dengan melihat nilai signifikansi sebesar 0.000 yang lebih kecil dari , sehingga
dapat dikatakan bahwa terdapat perbedaan rata-rata antara kategori 1 dan
kategori 2 dengan asumsi perbedaan rata-rata antar kelompok terpenuhi.

26
 HUBUNGAN ANTAR VARIABEL
(UJI MULTIKOLINIERITAS)
Pada pengujian asumsi multikolinieritas ini digunakan untuk mengetahui
hubungan (korelasi) antar variabel prediktor.

Berdasarkan tabel di atas diperoleh nilai korelasi antar variabel:

 Nilai korelasi untuk variabel X1 dengan variabel X2 sebesar 0.061<0.9 yang
mengindikasikan tidak ada kasus multikolinieritas.
 Nilai korelasi variabel X1 dan X3 sebesar 0.029<0.9 yang mengidikasikan tidak ada
kasus multikolinieritas.
 Nilai korelasi untuk variabel X2 dan X3 sebesar -0.077 sehingga dapat disimpulkan
bahwa tidak terindikasi adanya multikolinieritas.
27
 MENETAPKAN VARIABEL YANG MASUK MODEL
DENGAN MENGGUNAKAN METODE STEPWISE

Berdasarkan hasil dari metode stepwise dengan iterasi sebanyak dua kali, telah
didapatkan dua variabel yang signifikan membedakan dua kategori, karena
nilai signifikansinya lebih kecil dari 0.05.
Dengan tingkat residual error yang semakin kecil yang dinyatakan oleh Wilk’s
Lambda mulai dari level 0.709 dan berkurang hingga menjadi 0.680 setelah
kedua variabel tersebut terpilih untuk dimasukkan ke dalam fungsi
diskriminan. Hal ini dapat diartikan bahwa kemampuan diskriminasi dari
fungsi yang dihasilkan semakin meningkat.
28
 MENETAPKAN VARIABEL YANG MASUK MODEL
DENGAN MENGGUNAKAN METODE STEPWISE

Berdasarkan tabel di atas diperoleh variabel-variabel yang digunakan dalam

fungsi diskriminan sesuai dengan metode stepwise adalah variabel X3 dan X2.

29
 KEBAIKAN FUNGSI DISKRIMINAN

Berdasarkan tabel di atas diperoleh kuadrat korelasi kanonik sebesar:

(0.566)2= 0.32
Angka tersebut menjelaskan bahwa kebaikan dari fungsi diskriminan dan
mengindikasikan bahwa fungsi diskriminan dapat menjelaskan variabilitas
kategori tindakan bank/manajemen bank sebesar 32% sedangkan sisanya
sebesar 68% dijelaskan oleh variabel lain yang tidak digunakan dalam fungsi.

30
DISCRIMINANT LOADINGS
Discriminant Loading ini menunujukkan kontribusi
variabel terhadap fungsi diskriminan. Beberapa
peneliti menerangkan bahwa variabel yang memiliki
peran besar dalam klasifikasi adalah yang memiliki
nilai absolut loading > 0.40.

• Sehingga, berdasarkan hasil analisis ini, variabel

yang memiliki kontribusi besar adalah variabel X3
dan X2.

31
 FUNGSI DISKRIMINAN

 Berdasarkan
  tabel di atas dapat diperoleh model
diskriminan sebagai berikut:

32
KLASIFIKASI OBSERVASI BERDASARKAN CUTTING SCORE


Dengan
  menggunakan asumsi probabilitas
prior yang sama:

Sehingga dari hasil yang telah diperoleh di

atas, maka:
Jika nilai score discriminant yang diperoleh
dari fungsi diskriminan < 0, maka akan
diklasifikasikanke kategori 1 yaitu kategori
tindakan bank untuk memberikan deposit.
Jika nilai score discriminant yang diperoleh
dari fungsi diskriminan > 0, maka akan
diklasifikasikanke kategori 2 yaitu kategori
tindakan bank untuk tidak memberikan
deposit.
33
 KETEPATAN KLASIFIKASI
Untuk mengevaluasi ketepatan klasifikasi, maka dapat dilakukan
dengan menggunkan Apperent Error Rates (RATES).

 Dari tabel di atas, maka diperoleh:

Dari fungsi diskriminan yang terbentuk diperoleh kesalahan

pengklasifikasian data sebesar 20% dengan akurasi sebesar 80%. Nilai
cukup besar sehingga fungsi diskriminan tersebut dapat dikatakan sudah
cukup baik dalam menglasifikasikan data tindakan/manajemen bank.34
 PERBANDINGAN ANTARA METODE ANALISIS DISKRIMINAN LINIER,
METODE MANOVA ONE WAY, DAN METODE ANALISIS REGRESI LOGISTIK

35
 PERBANDINGAN ANTARA METODE ANALISIS DISKRIMINAN LINIER,
METODE MANOVA ONE WAY, DAN METODE ANALISIS REGRESI LOGISTIK

37
TERIMA KASIH 