EXPLORATORY AND

CONFIRMATORY
FACTOR ANALYSIS

BY
JAHJA UMAR PhD
 ANALISIS FAKTOR
• ANALISIS MULTIVARIAT UNTUK MENGUNGKAPKAN
STRUKTUR DARI SUATU MATRIK KOVARIANS ATAU
KORELASI.

• DALAM BENTUK YANG TRADISIONAL YANG

DIANALISIS UMUMNYA ADALAH MATRIK KORELASI.

• METODA INI PERTAMA KALI DIKEMUKAKAN OLEH

SPEARMAN (1904), DIGUNAKAN UNTUK
MENEMUKAN/ MERUMUSKAN STRUKTUR
KEMAMPUAN MENTAL YANG BERSIFAT UMUM
(GENERAL ABILITY).
 ANALISIS FAKTOR
• KONSEP FA BERASAL DARI SPEARMAN
(1904), KEMUDIAN DIKEMBANGKAN OLEH
BURT, KELLEY, THURSTONE, THOMSON,
AND HOLZINGER; DIIKUTI OLEH
GUILFORD, HARMAN, AND CATELL.

• DARI SEGI MATEMATIS FA BERAKAR DARI

PEMIKIRAN PEARSON (1901). NAMUN FA
TAK DIANGGAP SEBAGAI METODA
STATISTIKA SAMPAI KETIKA LAWLEY DAN
MAXWELL MENERBITKAN TULISAN
MEREKA TAHUN 1971.
 ANALISIS FAKTOR

KEGIATANNYA TERDIRI DARI TIGA LANGKAH YAITU:

(1) MENENTUKAN BANYAKNYA FAKTOR YANG

MENDASARI HUBUNGAN ANTAR VARIABEL YANG
DIANALISIS,
(2) ME ROTASI MATRIKS KOEFISIEN MUATAN
FAKTOR AGAR DAPAT DITETAPKAN VARIABEL MANA
YANG JADI ANGGOTA MASING2 FAKTOR, DAN
(3) MEMBUAT PENAFSIRAN ATAU NAMA UNTUK
SETIAP FAKTOR.
 ANALISIS FAKTOR
• ANALISIS FAKTOR SEPERTI DI ATAS DISEBUT
“EXPLORATORY FACTOR ANALYSIS” (EFA).

• ANALISIS FAKTOR YANG LEBIH MODERN ADALAH

“CONFIRMATORY FACTOR ANALYSIS” (CFA) YANG
KEGIATANNYA DIAWALI DENGAN MERUMUSKAN
MODEL TEORETIS (HYPOTHESES) TENTANG
PENGUKURAN VARIABEL LATEN, KEMUDIAN MODEL
TERSEBUT DIUJI KEBENARANNYA SECARA
STATISTIKAL DENGAN MENGGUNAKAN DATA.
 JENIS ANALISIS FAKTOR:
EXPLORATORY FACTOR ANALYSIS (EFA):
TUJUAN: UNTUK MENEMUKAN APAKAH ADA SATU ATAU LEBIH
FAKTOR (mis: KONSTRUK PSIKOLOGI ) YANG MELATAR
BELAKANGI INTER-KORELASI ANTARA SEHIMPUNAN
VARIABEL (# FAKTOR < # VARIABEL; IDEALNYA FAKTOR2 TSB
TAK SALING BERKORELASI).

CONFIRMATORY FACTOR ANALYSIS (CFA):

TUJUAN: (1) UNTUK MENGUJI HYPOTHESIS TENTANG SATU
ATAU LEBIH FAKTOR (mis: KONSTRUK PSIKOLOGI) SERTA
SALING KETERKAITAN ANTAR FAKTOR TERSEBUT SESUAI
MODEL TEORI YANG DITETAPKAN, DAN (2) UNTUK MENGUJI
VALIDITAS DARI SETIAP INDIKATOR YANG DIGUNAKAN
UNTUK MENGUKUR FAKTOR/ KONSTRUK TERSEBUT (mis:
ITEMS, ATAU SUB-TESTS).
 FACTOR ANALYSIS (2)

CONFIRMATORY FACTOR ANALYSIS (CFA):

DIANGGAP LEBIH “SCIENTIFIC” KARENA ADA
HIPOTESIS TENTANG SUATU MODEL TEORETIS SERTA
PENGUKURANNYA, YANG DAPAT DIUJI
KEBENARANNYA SECARA EMPIRIK DENGAN
MENGGUNAKAN METODA STATISTIKA.

PERSAMAAN MATEMATIS UNTUK CFA DISEBUT JUGA

“MEASUREMENT EQUATIONS” ATAU
“MEASUREMENT MODEL”.
 FACTOR ANALYSIS (3)

• DI AWAL PENGEMBANGANNYA METODA CFA

HANYA TEPAT JIKA DIGUNAKAN UNTUK DATA
VARIABEL KONTINUM.

• CFA UNTUK VARIABEL KATEGORIK

(POLYTOMOUS) PERTAMA KALI DIRINTIS OLEH
MUTHÉN (1978). SAAT INI, KEBANYAKAN
PERANGKAT LUNAK S.E.M. MENGADOPTASI
MODEL MUTHEN TERSEBUT, TERMASUK
MISALNYA PRELIS, YANG MERUPAKAN
BAGIAN PENTING DARI LISREL.
 PATH DIAGRAM FOR CFA:
A UNI-DIMENSIONAL MODEL

THE LINEAR EQUATION IS: X= λξ+δ

l1 x1 d1

l2 x2 d2
x l3
x3 d3
l4
 43
x4 d4
 PATH DIAGRAM FOR CFA:
A MULTI-DIMENSIONAL MODEL

l1.1 x1 d1
l 2.1 x2 d2
x1
x3 d3
l 3.2
f2.1 x4 d4
f 3.1 x2 x5 d5
l 6.3 x6 d6
f 3.2
x7 d7
x3
x8 d8
x9 d9
x10 d10
 PATH DIAGRAM FOR CFA:
A 2nd ORDER UNI-DIMENSIONAL MODEL

l 1.1 x1 d1
l 2.1 x2 d2
x1
x3 d3
l 3.2
x4 d4
G
x2 x5 d5
l 6.3 x6 d6
x7 d7
x3
x8 d8
x9 d9
x10 d10
 KONSEP DASAR STATISTIKA
SEBELUM MEMBAHAS ANALISIS FAKTOR AKAN
DIRINGKAS DULU PENGERTIAN MENGENAI
KONSEP DASAR YANG RELEVAN YAITU:

(1) UKURAN SENTRALITAS,

(2) UKURAN VARIABILITAS,
(3) SATUAN UKURAN/ SKALA BAKU,
(4) KO-VARIASI,
(5) ANALISIS REGRESI,
(6) KONTROL STATISTIK (KORELASI PARTIAL),
(7) PENGUKURAN VARIABEL LATEN, DAN
(8) MODELING DENGAN STATISTIKA.
 UKURAN SENTRALITAS

YANG PALING PENTING ADALAH ARITHMATIC

MEAN:

• TITIK AWAL (NOL) SEBAGIAN BESAR STATISTIK

• JUMLAH PENYIMPANGAN KANAN-KIRI = 0

• SEBAGAI NILAI EKSPEKTASI (HARAPAN)

• SEBAGIAN BESAR KOEFISIEN STATISTIK

DALAM
BENTUK MEAN
UKURAN SENTRALITAS

MEAN:

1
X  X
N

( X  X )  0

16
MEAN: Group Data

17
 MEAN, VARIANS DAN STANDAR DEVIASI

MEAN: 1
X  X ( X  X )  0
N
VARIABILITAS: Mean Square

1

2
MS X  VAR ( X )  S X2  ( X  X )
n
STANDARDIZED UNIT OF MEASUREMENT:

STANDAR DEVIASI =
S X  S X2
zx  0
X X
ZX  sz2x  szx  1
SX 18
 UKURAN VARIABILITAS

PADA DASARNYA SEMUA ANALISIS

STATISTIKA ADALAH ANALISIS
VARIANS DARI BERBAGAI VARIABEL
SEPERTI: REGRESI, RESIDUAL,
MEASUREMENT ERROR,
PERBEDAAN ANTAR KELOMPOK,
DLL.
 VARIANS

VARIABILITAS: Mean Square

1
MS X  VAR( X )  S   ( X  X )
2 2
X
n

BILANGAN KUADRAT (=LUAS, ATAU PROPORSI)

20
 SATUAN UKURAN BAKU
• SATUAN UKURAN BAKU DISEBUT
“STANDAR DEVIASI”, SELALU
DIPERLUKAN KETIKA BERBAGAI
VARIABEL DENGAN SKALA UKURAN
YANG BERBEDA-BEDA HARUS
DIPERBANDINGKAN.

• SETIAP VARIABEL YANG DILAPORKAN

DALAM SATUAN UKURAN STANDAR
DEVIASI ( DINAMAKAN “Z-SCORES” )
MEMILIKI MEAN=0 DAN VARIANS = 1.
 STANDAR DEVIASI

STANDARDIZED UNIT OF MEASUREMENT:

STANDAR DEVIASI =

SX  S 2
X

X X
zx  0
ZX 
SX s  szx  1
2
zx
22
 COMPOSITE SCORES

Misalkan: X1 , X2 , dan X3 skalanya berbeda:

X1 dengan skala 1 – 10
X2 dengan skala 1 – 100
X3 dengan skala 1 – 1000

Skor Total: XT = X1 + X2 + X3

Yang benar:
ZxT = Zx1+ Zx2+ Zx3
23
 KO-VARIASI
ADALAH MEAN DARI PERKALIAN ANTAR DUA
VARIABEL YANG MENUNJUKKAN ADA TIDAKNYA/
BESAR KECILNYA HUBUNGAN ANTAR VARIABEL
TSB, DIMANA MEAN MASING-MASING DIJADIKAN
TITIK NOL SKALA UKURAN, SEHINGGA
DIPEROLEH INFORMASI TENTANG ARAH DARI
HUBUNGAN TERSEBUT (POSITIF ATAU NEGATIF).

KO-VARIASI DALAM SKALA UKURAN BAKU

DISEBUT “KORELASI”.
 KOVARIANS DAN KORELASI

KOVARIASI: ARAH DAN BESARAN HUBUNGAN

1
COV ( XY )  S XY   ( X  X )(Y  Y )
n

STANDARDIZED COVARIANCE=CORRELATION:
1
S Z X ZY 
n
 ( Z X  Z X )(ZY  Z Y )

1

n
 Z X ZY  rxy  product  moment

25
MATRIKS KOVARIANS DAN KORELASI

3 variabel X:
 s11 s12 s13 
 
S x   s21 s22 s23 
s s32 s33 
 31

1 r12 r13 
 
RX   r21 1 r23 
r r32 1 
 31

26
 KOVARIASI ANTARA X DAN Y

1
COV ( XY )  S XY 
n
 ( X  X )(Y  Y )

Y

III 
II   
    
    
 
      
  
   
Y         
   
    
   
   
I IV
X
0
X

27
 ANALISIS REGRESI
• DILANDASI KONSEP HUBUNGAN
KAUSAL ANTAR VARIABEL, WALAUPUN
TAK DAPAT DIJADIKAN BUKTI ADANYA
HUBUNGAN KAUSAL.

• Y=f(X), JIKA LINIER, Y= a+bX+e

Y DISEBUT DEPENDENT ATAU
OUTCOME VARIABEL,
SEDANGKAN X DISEBUT INDEPENDENT
ATAU PREDICTOR VARIABEL, DAN e
ADALAH RESIDUAL (PENYIMPANGAN
DARI REGRESI.
 REGRESSI y TERHADAP X

Y y  a  bx


   
   
    
 
      
  
   
Y         
   
    
   
 

a
X
0
X

29
 ANALISIS REGRESI
• VARIABEL Y TERDIRI DARI 2
KOMPONEN ( JUGA BERUPA VARIABEL)
YAITU “REGRESI” (a+bX) DAN
“RESIDUAL” (e), SERTA 1 KONSTAN
YAITU MEAN DARI Y.

• JIKA NILAI F, YAITU RATIO VARIANS

REGRESI TERHADAP VARIANS RESIDUAL
SANGAT DOMINAN (SIGNIFIKAN),
DISIMPULKAN
ADA DAMPAK X TERHADAP Y, YANG
BESARNYA DITUNJUKKAN OLEH R2
(PROPORSI VARIANS Y TERKAIT DGN
PENGARUH X ).
Komponen dari Y:
y= mean + reg + res y  y  ( y  y )  ( y  y )
( y  y )  ( y   y )  ( y  y )

Y y  a  bx
Y1 
 residual
Y3
 
Y1  Y2
  regressi

Y 

Y
X

SS res    Y  Y  
2
 SSreg    Y   Y 
2
 SSY    Y  Y 
2

31
PROPORSI VARIANS EXPLAINED
DAN UJI SIGNIFIKAN

SSreg    Y   Y 
2

R 2
SSY    Y  Y 
2

SSreg / k msreg
SSres / ( N  k  1)
 msres
 Fk , N k 1

32
 DISTRIBUSI Y UNTUK SETIAP HARGA X

Regresi adalah:
E ( y |X )
y

y  a  bx
Total Group

y x 3
yx2
y x 1 E ( y |X )
Y

0
1
2
3
x
X 33
 DIAGRAM REGRESI

REGRESI SATU I.V. (simple regression)

b
X Y

Y  bX  e
REGRESI BERGANDA

x1
b1
e
x2 b2
b3 y
x3

bp

xp
Y  a  b1 X 1  b2 X 2  b3 X 3    b p X p  e
REGRESI MULTIVARIAT
Y1  a1  b11 X 1  b12 X 2  b13 X 3    b1 p X p  e1

x1 b11 e1
b21 y1
b12
x2 b31 e2
b13 b22
b23 y2
x3 e3
b1 p bq1 y3
b2 p
eq
bqp yq
xp
Yq1  Bq p X p1  eq1
 REGRESI BERSTRUKTUR
(Path Analysis)

1 2
X1
 11
 21
21  12 Y1 Y2

X2
 KONTROL STATISTIK

YANG RELEVAN DENGAN ANALISIS

FAKTOR ADALAH

“KORELASI PARTIAL”
 PARTIAL CORRELATION

2
r
x1 y
X1

X2

rx22 y
 PARTIAL CORRELATION

r12=0.50 r12=0.70 r12.3=0.46

r13=0.60 r13.2 = - 0.10

r13=0.50 r12.3=0.24
r23=0.90 r23.1=0.84
r23=0.70

r12=0.25

r13=0.50 r12.3=0.00

r23=0.50
 PARTIAL CORRELATION

X1
Y1

X2 Y2
 KONTROL STATISTIK

JIKA VARIABEL Y1 DAN Y2

DIPENGARUHI OLEH X, MAKA
KORELASI PARTIAL ORDE KE 1 ANTARA
Y1 DAN Y2 ADALAH KORELASI ANTARA
RESIDUAL e1 DAN e2 DARI PERSAMAAN
REGRESI Y1=a1+b1X+e1 dan
Y2=a2+b2X+e2.
 PARTIAL CORRELATION

Y1 e1

Y2 e2
 PARTIAL CORRELATION

X1 Y1 e1

X2
Y2 e2
 VARIABEL LATEN

• ADALAH VARIABEL YANG TAK DAPAT

DIAMATI ATAU DIUKUR SECARA
LANGSUNG,

• HAMPIR SEMUA KONSTRUK PSIKOLOGI

ADALAH VARIABEL LATEN.

• PENGUKURANNYA MELALUI ANALISIS

SATISTIK ATAS HUBUNGANNYA DENGAN
VARIABEL YANG JADI INDIKATORNYA.
 VARIABEL LATEN

• SKOR VARIABEL LATEN DISEBUT

SEBAGAI “TRUE SCORES” SEDANGKAN
SKOR VARIABEL INDIKATORNYA
DISEBUT “OBSERVED SCORES” ATAU
“RAW SCORES”.

• ANALISIS FAKTOR DAN TEORI TES

PADA
UMUMNYA ADALAH TENTANG
HUBUNGAN ANTARA KEDUA JENIS
VARIABEL INI.
 VARIABEL LATEN (FAKTOR)

THE LINEAR EQUATION IS: X= λξ+δ

l1 x1 d1

l2 x2 d2
x l3
x3 d3
l4
 43
x4 d4
 STATISTICAL MODELING

ADALAH RUMUSAN SECARA MATEMATIS

TENTANG SUATU MODEL TEORI YANG
MENGGAMBARKAN HUBUNGAN ANTAR
VARIABEL UNTUK DIUJI KEBENARANNYA
(SECARA STATISTIKAL) DENGAN
MENGGUNAKAN DATA.

BIASANYA DALAM BENTUK PERSAMAAN :

DATA = TEORI + ERROR/ RESIDUAL.
 STATISTICAL MODELING

ADALAH RUMUSAN SECARA MATEMATIS

TENTANG SUATU MODEL TEORI YANG
MENGGAMBARKAN HUBUNGAN ANTAR
VARIABEL UNTUK DIUJI KEBENARANNYA
(SECARA STATISTIKAL) DENGAN
MENGGUNAKAN DATA.

BIASANYA DALAM BENTUK PERSAMAAN :

DATA = TEORI + ERROR/ RESIDUAL.
 STATISTICAL MODELING

JIKA RESIDUAL (KETIDAK SESUAIAN

ANTARA DATA DENGAN TEORI) SANGAT
KECIL, MAKA DISEBUT MODEL TEORI ITU
“FIT” DENGAN KENYATAAN (DATA),

YANG BERARTI MODEL TSB BESERTA

PARAMETER NYA DAPAT DIGUNAKAN
UNTUK MEMBUAT PREDIKSI MAUPUN
UNTUK MENJELASKAN FENOMENA YANG
DIMODELKAN.
CFA SEBAGAI STATISTICAL MODEL

PERSAMAAN DASAR:
X= λξ+δ

X = VECTOR OF OBSERVED VARIABLES,

ξ = VECTOR OF FACTORS (CONSTRUCTS,

OR LATENT VARIABLES) TO BE
MEASURED VIA X, IN WHICH λ IS
THE COEFFICIENTS OF FACTOR LOADINGS,

δ = VECTOR OF RESIDUALS (ERRORS OF

MEASUREMENT).
  s11 s12 s13 s14   s11  1 
s s22 s23 s24   s21 s22  .72 1 
S   21   
 s31 s32 s33 s34   s31 s32 s33  .44 .47 1 
     
 s41 s42 s43 s44   s41 s42 s43 s44  .47 .50 .36 1

1 X1
1 X 1  1 F  1
2 2
X2
X 2  2 F   2
3 F X 3  3 F   3
3 X3

X 4  4 F   4
4 X4
4
 PERSAMAAN UNTUK CFA (2)

MATRIKS KORELASI VARIABEL X (DI POPULASI), Σ, :

Σ = ΛΦΛ΄ + θ

Σ = CORRELATION MATRIX OF X VARIABLES,

Λ = MATRIX OF COEFFICIENT λ (FACTOR LOADINGS)
Φ = CORRELATION MATRIX OF ξ (FACTORS)
θ = CORRELATION MATRIX OF δ (MEASUREMENT-
ERRORS)

EACH ELEMENT OF Σ IS STATED IN TERM OF λ, φ, AND θ.

e.g., IN A UNDIMENTIONAL MODEL: σ21 = λ1λ2
  11 
  
   21 22 
 31  32  33 
 
 41  42  43  44 

 11  (1 F  1 ) 2  12  11

 21  (2 F   2 )(1 F  1 )  2 1
X 1  1 F  1  22  22   22
X 2  2 F   2  31  31
X 3  3 F   3  32  32
X 4  4 F   4  33  32  33
 41  41
 42  4 2
 43  43
 44  42   44
 UJI HIPOTESIS: MODEL TEORI

• OBSERVED SAMPLE CORRELATION MATRIX OF X

VARIABLES, i.e., S, IS USED AS AN “ESTIMATE” OF Σ
(EACH ELEMENT OF Σ IS EQUATED WITH ITS RESPECTIVE
ELEMENT IN S)

• THE NULL HYPOTHESIS TO BE TESTED IS:

S = Σ, OR, (S - Σ = 0). IF NOT REJECTED (NON SIGNIFICANT)
MEANS THE THEORETICAL MODEL IS SUPPORTED BY DATA,
HENCE, ITS USES IS JUSTIFIED.

• THIS MODEL TESTING IS REFERRED TO AS:

“TEST OF GOODNESS OF FIT”.

 1  ˆ11 
.72 1  ˆ ˆ 22 
S  ˆ   21 
.44 .47 1  ˆ 31 ˆ 32 ˆ 33 
   
.47 .50 .36 1  ˆ 41 ˆ 42  43 ˆ 44 

ˆ11  1  12  11 1  32  33

.72  2 1 .47  4 1
1  22   22
.50  4 2
.44  31 .36  4 3

.47  32 1  42   44

 Hasil LISREL untuk Data dan Model di atas:

ˆ1  .82  ˆ11  .33  ˆ11  12  11  .822  .33  1

   
ˆ
2  .87  ˆ
 22  .24 ˆ 21  2 1  .87  .82  .71
ˆ  ˆ 
3  .54  33  .70  ˆ 22  22   22  ..87 2  .24  1
ˆ  ˆ 

 4  .58  
 44  .66 
ˆ 31  31  .54  .82  .44

ˆ 32  32  .54  .87  .47 ˆ 33  32  33  .542  .70  1

ˆ 41  41  .58  .82  .48 ˆ 42  42  .58  .87  .51

ˆ 43  43  .58  .54  .31 ˆ 44  42   44  .582  .66  1

 RESIDUAL

1  1 
.72 1  .72 1 
S  ˆ   
.44 .47 1  .45 .48 1 
   
.47 .50 .36 1 .48 .51 .32 1 

 0 
 0 0 
S  ˆ   
 .01 .01 0 
 
 .01  .01 .04 0 

 (2)
2
 2.55  p  0.279
RMSEA  0.024
 UJI HIPOTESIS: λ

• ONLY WHEN THE MODEL IS “FIT”, THEN

THE NULL HYPOTHESES λ = 0, WORTH
TO BE TESTED.

• WHEN A NULL HYPOTHESIS REGARDING

AN λ IS REJECTED (SIGNIFICANT), THE
RESPECTIVE X IS CONSIDERED AS A
VALID INDICATOR (MEASURE) OF THE ξ
(FACTOR).
 MODEL DUA FAKTOR
 s11  1 
s s  .72 1 
S   21 22  
 s31 s32 s33  .44 .47 1 
   
 s41 s42 s43 s44  .47 .50 .36 1

1 X1 11
X 1  11 F1  1
21 F1
2 X2 X 2  21 F1   2
21
3 32
X3
F2 X 3  32 F2   3
4 X4 42 X 4  42 F2   4
 1 11
X1 X 1  11 F1  1
21 F1
2 X2 X 2  21 F1   2
21
3 X3
32 X 3  32 F2   3
F2
4 X4 42 X 4  42 F2   4

 11  (11 F1  1 ) 2  112  11  33  32  33

 21  (21 F1   2 )(11 F1  1 )  2111  41  (42 F2   4 )(11 F1  1 )  422111
 22  212   22
 42  (42 F2   4 )(21 F1   2 )  422121
 31  (32 F2   3 )(11 F1  1 )  322111
 43  (42 F2   4 )(32 F2   3 )  4232
 32  (32 F2   3 )(21 F1   2 )  322121
 44  42   44
 HASIL LISREL
• LAMBDA-X

• F1 F2

• X1 0.82 --
• X2 0.88 -- 0 
• X3 -- 0.58 .00 0 
• X4 -- 0.62 S  ˆ   
.00 .00 0 
 
PHI
.00 .00 .00 0 
•
•
• Ksi1 Ksi2
•
•
-------- --------
Ksi1 1.00
  0.29  p  0.59
2
(1)
• Ksi2 0.93 1.00
 DATA INPUT LISREL:

1. DATA MENTAH (RAW DATA) ASCII LALU

DIUBAH OLEH LISREL JADI KOVARIANS

2. DATA MENTAH DARI PRELIS (psf) LALU

DIUBAH OLEH LISREL JADI KOVARIANS

3. DATA MENTAH IMPORT OLEH PRELIS LALU

DIUBAH OLEH LISREL JADI KOVARIANS
 DATA INPUT LISREL:

• DATA ASCII DAN PSF DAPAT DILETAKKAN DALAM FILE

TERPISAH

• DATA DALAM FORMAT ASCII DAPAT LANGSUNG DILETAKKAN

DI DALAM PROGRAM/ SYNTAX LISREL ATAU PRELIS

• DATA PELENGKAP SEPERTI NAMA VARIABEL, STATISTIK

UNIVARIAT SETIAP VARIABEL, ANGKA-ANGKA STARTING
VALUES, DSB, (DALAM FORMAT ASCII) DAPAT DISIMPAN DI
FILE TERPISAH

• DATA MATRIK KOVARIANS DALAM BENTUK ASCII