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
• 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
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
 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
• 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
•• 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
• 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
• 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)
• 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
• 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.
 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
• 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.
• 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.
• Skor PC (kombinasi linier variabel asal)

Karena pada ekstraksi PC dihasilkan m=9 maka akan terbentuk 9

PC seperti output diatas.
• Penentuan m kelompok variabel dominan

Pilih nilai terbesar dari setiap kolom PC untuk

menentukan kelompok setiap variabel.
• 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                
 Resume perbandingan antara 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, sehingga kelompok tertentu
tidak semua variabel dikelompokkan
Berdasarkan data diatas, proporsi Berdasarkan data diatas, proporsi
variabilitas komulatif yang dihasilkan lebih variabilitas komulatif yang dihasilkan lebih
kecil dari PCA 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.
• 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 awal indikator yang sudah dikelompokkan
atau hipotesis harus dikelompokkan ke berdasarkan variabel latennya
dalam variabel mana saja sekumpulan (konstruknya) konsisten berada dalam
indikator yang telah dibuat konstruknya tersebut atau 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.