ANALISIS FAKTOR TERHADAP STANDAR PELAYAN

N JUDUL

LAPORAN PRAKTIKUM MODUL 3

ANALISIS FAKTOR TERHADAP STANDAR PELAYANAN

MINIMAL PUSKESMAS KOTA SURABAYA DENGAN

MENGGUNAKAN METODE

PRINCIPAL COMPONENT

Oleh : Ahmad Rais Shidiq (1314100098) Bayu Samudra (1314100115) Amri Muhaimin (1314100125)

Asisten Praktikum : Faroh Ladayya (1315201202)

Dosen: Santi Wulan Purnami, M.Si, Ph.D Dr. Bambang Otok Widjanarko

HALAMAN JUDUL

LAPORAN PRAKTIKUM MODUL 3

ANALISIS FAKTOR TERHADAP STANDAR PELAYANAN

MINIMAL PUSKESMAS KOTA SURABAYA DENGAN

MENGGUNAKAN METODE

PRINCIPAL COMPONENT

Oleh : Ahmad Rais Shidiq (1314100098) Bayu Samudra (1314100115) Amri Muhaimin (1314100125)

Asisten Praktikum : Faroh Ladayya (1315201202)

Dosen: Santi Wulan Purnami, M.Si, Ph.D Dr. Bambang Otok Widjanarko

ABSTRAK

Pencapaian kesuksesan pembangunan dalam suatu negara memiliki

hubungan dengan kesuksesan pembangunan daerah dalam negara tersebut. Salah satunya adalah peningkatan kualitas dalam bidang pelayanan kesehatan.

Puskesmas adalah salah satu fasilitas kesehatan di suatu daerah. Misalnya Kota Surabaya, terdapat banyak sekali puskesmas yang tersebar disetiap bagian Surabaya. Tentunya masing – masing puskesmas tersebut mempunyai indikator pelayanan minimal atau standar pelayanan minimal (SPM). Jika rata – rata SPM di Surabaya sudah tinggi, maka dapat dikatakan kesuksesan pembangunan di Kota Surabaya sudah baik khususnya dalam pelayanan kesehatan. Pada SPM tersebut tentunya dipengaruhi oleh banyak faktor. Hal tersebut membuat pemerintah Kota Surabaya kesulitan dalam melakukan pengambilan kebijakan berdasarkan faktor yang mempengaruhi SPM agar pelayanan di Puskesmas dapat ditingkatkan. Data SPM memenuhi asumsi kecukupan data dan korelasi. Dengan menggunakan PCA dan analisis faktor, terbentuk 5 komponen utama dari 15 variabel. Kemudian terbentuk 5 faktor baru, yaitu ibu dan anak, balita, bidan dan neotanus, gizi dan kb, dan perawatan balita.

DAFTAR ISI

HALAMAN JUDUL...i

ABSTRAK...iii

DAFTAR ISI...iv

DAFTAR TABEL...vi

DAFTAR GAMBAR...vii

BAB I PENDAHULUAN...1

1.1 Latar Belakang...1

1.2 Rumusan Masalah...2

1.3 Tujuan...2

1.4 Manfaat...2

BAB II TINJAUAN PUSTAKA...3

2.1 Statistika Deskriptif...3

2.2 Principal Component Analysis...3

2.3 Analisis Faktor...5

2.4 Uji Kayser Mayer Olkin...6

2.5 Uji Bartlett Sphericity...7

2.6 Scree Plot...7

2.7 Standar Pelayanan Minimal (SPM)...8

BAB III METODOLOGI PENELITIAN...10

3.1 Sumber Data...10

3.2 Variabel Penelitian...10

3.3 Struktur Data...11

3.4 Langkah Analisis...11

3.5 Diagram Alir...12

BAB IV ANALISIS DAN PEMBAHASAN...13

4.1 Statistika Deskriptif...13

4.3 Uji Korelasi...14

4.4 Principal Componenet Analysis...14

4.5 Analisis Faktor...17

BAB V KESIMPULAN DAN SARAN...22

5.1 Kesimpulan...22

5.1 Saran...22

DAFTAR PUSTAKA...23

DAFTAR TABEL

Tabel 3.1 Variabel Penelitian SPM...10

Tabel 3.2 Struktur Data...11

Tabel 4.1 Statistika Deskriptif...13

Tabel 4.2 Uji Bartlett’s...14

Tabel 4.3 Uji KMO...14

Tabel 4.4 Varians dan Nilai Eigen...15

Tabel 4.5 Matrix Komponen...16

Tabel 4.6 Komunalitas...18

Tabel 4.7 Komponen Matriks...19

Tabel 4.8 Rotasi Komponen Matriks...20

DAFTAR GAMBAR

BAB I

PENDAHULUAN

1.1 Latar Belakang

Menurut Undang – undang kesehatan adalah keadaan sejahtera dari badan, jiwa, dan sosial yang memungkinkan setiap orang hidup produktif secara sosial, dan ekonomis. Pemeliharaan kesehatan adalah upaya penanggulangan, dan pencegahan gangguan kesehatan yang memerlukan pemeriksaan, pengobatan dan perawatan termasuk kehamilan, dan persalinan (Nafsiah, 2000). Kesehatan juga merupakan investasi untuk mendukung pembangunan ekonomi serta memiliki peran penting dalam upaya penanggulangan kemiskinan.

Pencapaian kesuksesan pembangunan dalam suatu negara memiliki

hubungan dengan kesuksesan pembangunan daerah dalam negara tersebut. Salah satunya adalah peningkatan kualitas dalam bidang pelayanan kesehatan.

Kesehatan merupakan salah satu cara yang telah ditingkatkan pelayanannya oleh pemerintah di seluruh wilayah Indonesia. Dalam upaya peningkatan kesehatan, program yang diperlukan adalah program kesehatan yang lebih “efektif” yaitu program kesehatan yang mempunyai model-model pembinaan kesehatan (Health Development Model) sebagai paradigma pembangunan kesehatan yang

diharapkan mampu menjawab tantangan sekaligus memenuhi program upaya peningkatan kesehatan. Peningkatan pelayanan kesehatan dapat meliputi peningkatan pelayanan dari segi ketersediaan dan mutu fasilitas pelayanan kesehatan, obat dan perbekalan kesehatan, tenaga kesehatan, pembiayaan dan manajemen kesehatan (Candra Wiguna, 2015).

Pada penelitian ini ingin diketahui faktor – faktor yang dominan dengan cara mereduksi faktor yang telah ada sehingga akan terbentuk faktor-faktor baru. Oleh karena itu, metode yang digunakan pada penelitian ini adalah analisis faktor dengan metode principal component. Sebelum menguji komponen-komponen mana yang dominan terlebih dahulu dilakukan pengujian asumsi normal multivariat serta pengujian KMO untuk mengetahui kecukupan data dan

mengetahui faktor-faktor yang dominan dengan cara mereduksi kesembilan faktor yang telah ada sehingga didapatkan faktor-faktor baru.

Penelitian ini menggunakan principle component analysis (PCA) dan analisis faktor dengan tujuan melakukan reduksi terhadap faktor – faktor yang mempengaruhi kesuksesan pelayanan puskesmas di Kota Surabaya. Agar

pemerintah tidak kesulitan dalam menetapkan kebijakan jika didasarkan faktor – faktor yang mempengaruhi pelayanan di Puskesmas Kota Surabaya.

1.2 Rumusan Masalah

Berdasarkan uraian latar belakang diatas, maka dapat dirumuskan suatu rumusan masalah sebagai berikut.

1. Bagaimana statistika deksriptif SPM puskesmas di Kota Surabaya? 2. Bagaimana hasil pengujian kecukupan data pada faktor – faktor yang

mempengaruhi SPM puskesmas di Kota Surabaya?

3. Bagaimana hasil uji korelasi pada data SPM puskesmas di Kota Surabaya? 4. Bagaimana hasil principal component analysis (PCA) pada data SPM

puskesmas di Kota Surabaya?

5. Bagaimana analisis faktor pada data SPM puskesmas di Kota Surabaya?

1.3 Tujuan

Berdasarkan rumusan masalah diatas, tujuan daripada penelitian ini adalah sebagai berikut.

1. Mendapatkan statistika deskriptif pada SPM puskesmas di Kota Surabaya. 2. Mendapatkan uji kecukupan data pada faktor – faktor yang mempengaruhi

SPM puskesmas di Kota Surabaya.

3. Mendapatkan uji korelasi SPM puskesmas di Kota Surabaya. 4. Mendapatkan hasil principal component analysis (PCA) pada SPM

puskesmas di Kota Surabaya.

5. Mendapatkan analisis faktor pada SPM puskesmas di Kota Surabaya.

1.4 Manfaat

BAB II

TINJAUAN PUSTAKA

2.1 Statistika Deskriptif

Statistika deskriptif merupakan bagian statistika yang membahas tentang metode – metode untuk menyajikan data sehingga menarik dan informatif, metode-metode yang ber-kaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna [ CITATION Wal11 \l 1033 ]. Informasi yang didapat dari statsitika deskriptif antara lain adalah rata-rata(mean),

range atau selisih nilai terbesar dan terkecil pada tiap pengamatan, deviasi standar, dan varians.

Rata-rata (mean) dari data dapat diperoleh dengan menjumlahkan nilai setiap subgrup dan membagi dengan banyaknya data pada tiap subgrup. Dalam bentuk umum, formula rata-rata tiap subgrup adalah sebagai berikut.

´

dimana, i adalah subgrup ke-i dan j adalah sampel pengamatan dalam subgrup

i dan k adalah banyaknya pengamatan pada subgrup ke i.

Deviasi standar adalah akar dari varians. Varians adalah ukuran penyebaran data dimana hal ini dinyatakan sebagai keragaman data tiap pengamatan yang

dinyatakan dengan rumus sebagai berikut.

X

dimana X_i adalah rata-rata pada tiap subgrup dengan rumus yang telah dijelaskan pada persamaan (2.1).

2.2 Principal Component Analysis

mereduksi sejumlah besar variabel yang saling berkolerasi ke dalam sejumlah kecil komponen yang saling bebas (independent).

Secara aljabar PC merupakan kombinasi linier dari p variabel random X1, X2, ..., Xp. Secara geometrik, kombinasi-kombinasi linier merupakan sistem koordinat baru yang didapatkan dengan merotasi sistem koordinat semula dengan X1, X2, ..., Xp sebagai sumbu koordinat. Sumbu baru P1, P2, ..., Pp merupakan arah dengan variabilitas maksimum dan memberikan struktur kovariansi yang lebih sederhana (Johnson dan Wichern, 2007).

Misalkan vektor acak X = [ X1, X2, ..., Xp] memiliki matrik kovarian Σ dengan eigenvalue λ1 ≥ λ2 ≥ ... ≥ λp ≥ 0 yang didapatkan dari persamaan |Σ - λI|. Sehingga didapatkan kombinasi linear sebagai berikut.

P1 = e1TX = e11X1 + e12X2 + ... + e1pXp

Pembentukan PC yang merupakan kombinasi linier dari variabel asal X agar mempunyai varian maksimum adalah dengan memilih eigenvectoreT _{= (e}

1, e2,... , ep) sedemikian hingga memaksimumkan Var(Pi) = eiTΣei dan eiTei = 1. PC ke-i

adalah kombinasi linear eiT_{X yang memaksimumkan Var(ei}T_{X) dengan syarat}

eiTei = 1 dan Cov(eiTX, ekTX) = 0 untuk k < i.

Total varians data yang diterangkan setiap PC merupakan proporsi

eigenvalue komponen tersebut terhadap jumlahan eigenvalue atau traceΣsebagai berikut :

∑p

i=1 Var (Xi) = tr(Σ) = λ1 + λ2 + λ3 + λp = ∑pi=1 Var(Pi) (2.4) selanjutnya persamaan (2.4) dapat ditulis dengan

Total varians = σ11 + σ22 + σ33 + σpp = λ1 + λ2 + λ3 + λp (2.5) Persentase keragaman total yang dapat diterangkan oleh PC ke–i adalah:

Apabila PC yang di ambil adalah q dimana q < p, maka persentase keragaman total yang dapat diterangkan secara bersamaan adalah:

λ₁+λ₂+. .. .+λ_p Matrik varian kovarians Σ digunakan jika variabel-variabel yang diamati mempunyai satuan pengukuran yang sama. Namun jika variabel-variabel yang diamati mempunyai satuan pengukuran yang berbeda maka variansi tersebut perlu distandarkan, sehingga PC akan ditentukan dari variabel terstandarisasi tersebut. Variabel terstandarisasi (Z) diperoleh dengan jalan transformasi variabel asal (X) dengan cara (Johnson dan Wichern, 2007):

Z₁=(X1−μ1)

√

σ₁₁

⋮

_(2.8)

Z

_p

=

(

X

p

−

μ

p

)

√

σ

_pp

Dalam notasi matrik, dapat dinyatakan sebagai berikut:

Z = (V1/2)-1 (X-μ) (2.9) dengan V1/2 _{adalah elemen diagonal utama pada matrik standar deviasi Banyaknya}

komponen utama (m) dapat ditentukan dengan berbagai kriteria, salah satu kriteria yang biasa dipakai adalah dengan menggunakan kriteria besarnya varians

komponen utama disyaratkan besarnya λ_i ≥ 1, syarat ini diberlakukan mengingat jika nilainya maka komponen utama ini hanya menjelaskan keragaman yang dijelaskan oleh satu variabel asal[ CITATION Joh07 \l 1057 ].

2.3 Analisis Faktor

faktor. Sebagaimana dijelaskan pada persamaan 2.10 persamaan terhadap model analisis faktor [ CITATION Joh07 \l 1057 ].

X p− µ p= lp1 F1+ lp2 F2+...+ lpm Fm+ ε (2.10) Atau dapat juga ditulis dalam notasi matrix sebagai berikut.

Xpx1=μpx1+LpxmFmx1+εpx1 (2.11)

Dengan,

μi : rata-rata variabel i εi : faktor spesifik ke -i Fj : common faktor ke-j

Lij : loading faktor ke-j dari variabel ke-i

m : banyak faktor yang dibentuk

p : banyak variabel

Bagian dari varian variabel ke – i dari mcommon faktor disebut komunalitas ke – i yang merupakan jumlah kuadrat dari loading variabel ke – i pada mcommon faktor dengan rumus,

hi2= 2i1+ 2i2+...+ 2im (2.12) Faktor – faktor yang didapatkan harus bisa menjelaskan korelasi antar variabel. Oleh sebab itu variabel atau faktor tersebut harus saling berkorelasi satu sama lain. Sehingga perlu dilakukan suatu pengujian untuk mengetahui apakah variabel atau faktor tersebut saling berkorelasi satu sama lain.

2.4 Uji Kayser Mayer Olkin

Uji KMO bertujuan untuk mengetahui apakah semua variabel dari data yang telah diambil cukup untuk difaktorkan. Hipotesis dari KMO adalah sebagai berikut (Rencher, 2002).

j :1,2,3,...,p

rij : Koefisien korelasi antara variabel i dan j aij : Koefisien korelasi parsial antara variabel i dan j

Daerah kritis dari pengujian ini adalah tolak H0 , jika nilai KMO < 0.5 sehingga dapat disimpulkan bahwa jumlah variabel tidak cukup untuk difaktorkan[ CITATION Joh07 \l 1057 ].

2.5 Uji Bartlett Sphericity

Uji Bartlett sphericity dilakukan untuk menguji kebebasan antar variabel dalam kasus multivariat. Tujuannya untuk megetahui apakah terdapat hubungan

antar variabel dalam kasus multivariat. Jika variabel X₁, X₂,..., X_p

independent maka matriks korelasi sama dengan matriks identitas. Hipotesis yang digunakan sebagai berikut.

r

_{k : rata-rata elemen diagonal pada kolom/baris ke-k dari matriks R.}

r

_{: rata-rata keseluruhan dari elemen diagonal.}

Daerah kritis : Tolak H0 jika nilai T > χ(p+1) (p−2)/2;∝

Jika keputusan tolak H0, maka dapat disimpulkan terdapat hubungan antar variabel. Sehinga analisis komponen utama dan analisis faktor dapat diaplikasikan terhadap data tersebut.

2.6 Scree Plot

Scree plot merupakan plot dari eigenvalue sebagai sumbu tegak dan

banyaknya faktor sebagai sumbu datar untuk menentukan banyaknya faktor yang bisa diekstrak [CITATION Sup01 \l 1057 ].

Scree plot dapat digunakan untuk mengetahui berapa banyak jumlah faktor penting yang terbentuk, hal ini dapat dilihat dari bentuk kurva yang terbentuk pada scree plot. Komponen yang terbentuk ditandai dengan bentuk kurva yang menurun tajam.

2.7 Standar Pelayanan Minimal (SPM)

Standar Pelayanan Minimal bidang Kesehatan selanjutnya disebut SPM Kesehatan adalah tolok ukur kinerja pelayanan kesehatan yang diselenggarakan Daerah Kabupaten/Kota. SPM ditetapkan merupakan acuan dalam perencanaan program pencapaian target masing-masing Daerah Kabupaten/Kota berkaitan dengan pelayanan kesehatan yang meliputi jenis pelayanan beserta indikator kinerja dan target tahun 2010 – Tahun 2015:

a. Pelayanan Kesehatan Dasar :

1. Cakupan kunjungan Ibu hamil K4.

2. Cakupan komplikasi kebidanan yang ditangani.

3. Cakupan pertolongan persalinan oleh tenaga kesehatan yang memiliki kompetensi kebidanan.

4. Cakupan pelayanan nifas.

5. Cakupan neonatus dengan komplikasi yang ditangani. 6. Cakupan kunjungan bayi.

7. Cakupan Desa/Kelurahan Universal Child Immunization (UCI). 8. Cakupan pelayanan anak balita.

9. Cakupan pemberian makanan pendamping ASI pada anak usia 6 – 24 bulan keluarga miskin.

10. Cakupan balita gizi buruk mendapat perawatan.

12. Cakupan peserta KB aktif.

13. Cakupan penderita pneumonia pada balita yang ditangani. 14. Cakupan penderita TB Paru BTA positif yang ditangani. 15. Cakupan penderita demam berdarah yang ditangani. 16. Cakupan penderita diare yang ditangani.

17. Cakupan pelayanan kesehatan dasar masyarakat miskin. b. Pelayanan Kesehatan Rujukan

1. Cakupan pelayanan kesehatan rujukan pasien masyarakat miskin. 2. Cakupan pelayanan gawat darurat level 1 yang harus diberikan sarana

kesehatan (RS) di Kabupaten/Kota.

c. Penyelidikan Epidemiologi dan Penanggulangan Kejadian Luar Biasa /KLB Cakupan Desa/ Kelurahan mengalami KLB yang dilakukan penyelidikan epidemiologi < 24 jam.

BAB III

METODOLOGI PENELITIAN

3.1 Sumber Data

Data yang digunakan dalam praktikum ini adalah data sekunder mengenai capaian indikator standar pelayanan minimal bidang kesehatan pada puskesmas di Kota Surabaya. Data tersebut diperoleh dari Dinas Kesehatan Kota Surabaya tahun 2013.

3.2 Variabel Penelitian

Variabel yang digunakan dalam praktikum ini adalah sebagai berikut.

Tabel 3.1 Variabel Penelitian SPM Variab

el Keterangan

X1 Persentase Cakupan Kunjungan Ibu Hamil K4.

X2 Persentase Komplikasi Kebidanan Ditangani.

X3 Persentase Cakupan Persalinan Ditolong Tenaga Kesehatan.

X4 Persentase Cakupan Pelayanan Nifas.

X5 Persentase Neonatus Komplikasi Ditangani.

X6 Persentase Cakupan Kunjungan Bayi (Minimal 4 Kali).

X7 Persentase Cakupan Pelayanan Anak Balita.

X8

Persentase Pemberian Makanan Pendamping ASI pada Anak Usia 6-24 Bulan Keluarga Miskin.

X9 Persentase Cakupan Balita Gizi Buruk Mendapat Perawatan.

X10 Persentase Cakupan Pelayanan Kesehatan Siswa SD dan Setingkat.

X11 Persentase Peserta KB Aktif.

X12 Persentase Penderita Pneumonia pada Balita yang Ditangani.

X13 Persentase Penderita TB Paru BTA Positif yang Ditangani.

X14 Persentase Penderita Diare yang Ditangani.

X15

Persentase Cakupan Kelurahan Mengalami KLB yang Dilakukan Penyelidikan Epidemiologi < 24 Jam.

3.3 Struktur Data

Struktur data yang terbentuk dari variabel adalah sebagai berikut.

Tabel 3.2 Struktur Data

(i) X1 X2

⋯

Xk

⋯

Xp

1 X11 X12

⋮

X1k

⋮

X1p

2 X21 X22 X2k X2p

⋮

⋮

⋮

⋮

⋮

i Xi1 Xi2 Xik Xip

⋮

⋮

⋮

⋮

⋮

n Xn1 Xn2 ⋯ Xnk ⋯ Xnp

Dengan,

i : puskesmas k-i; i=1, 2, 3, ..., n.

k : variabel SPM bidang kesehatan; k=1, 2, 3, ..., p. 3.4 Langkah Analisis

Langkah analisis yang digunakan dalam praktikum yang digunakan adalah sebagai berikut.

1. Membuat rumusan masalah. 2. Menentukan tujuan praktikum. 3. Mencari/mengunduh data. 4. Pre-prosesing data

5. Melakukan analisis statistika deskriptif untuk mengetahui karakteristik dari data tersebut.

6. Melakukan pengujian korelasi sebagai syarat pemenuhan asumsi menggunakan uji Bartlett.

7. Melakukan analisis komponen utama (PCA).

8. Melakukan analisis faktor untuk mengidentifikasi komponen-komponen yang dominan pada data SPM puskesmas di Kota Surabaya.

Mulai

Identifikasi masalah

Menentukan tujuan praktikum

Mencari data sekunder

Asumsikan _Ya

Data SPM Bidang Kesehatan

Selesai

Menganalisis Statistika Deskriptif

Menarik Kesimpulan Uji Asumsi Barlletts dan KMO

Analisis Komponen Utama

Analisis Faktor

Tidak

3.5 Diagram Alir

BAB IV

ANALISIS DAN PEMBAHASAN

4.1 Statistika Deskriptif

Analisis statistika deskriptif dilakukan untuk mengetahui karakteristik Standar Pelayanan Minimal puskesmas di Kota Surabaya. Nilai-nilai statistika deskriptif yang dihitung adalah rata-rata, varians, nilai minimum, dan maksimum.

Tabel 4.1 Statistika Deskriptif

Variabel Minimum Maximum Mean Std.

Deviation Variance

X1 46.35 123.84 82.9665 13.69468 187.544

X2 44.31 139.70 87.4484 18.77809 352.617

X3 51.15 105.17 83.3981 12.38103 153.290

X4 43.72 105.17 80.9781 14.22727 202.415

X5 11.87 128.12 63.5869 30.05033 903.022

X6 49.43 153.76 90.7405 15.62411 244.113

X7 .00 100.00 66.6398 42.73506 1826.285

X8 17.22 118.75 78.2208 20.68634 427.925

X9 .00 100.00 91.9355 27.45122 753.570

X10 86.98 100.00 97.6355 3.46933 12.036

X11 40.93 98.67 73.6763 13.63892 186.020

X12 .00 162.74 18.5066 28.65147 820.906

X13 12.50 154.17 55.0534 30.53375 932.310

X14 13.57 319.24 123.0850 62.51438 3908.048

X15 .00 100.00 72.5806 44.97487 2022.739

Tabel 4.1 menunjukkan statistika deskriptif dari variabel SPM bidang kesehatan. Secara keseluruhan dari 15 variabel masing-masing variabel terdapat 62 sampel didapat nilai mean atau rata-rata sudah lebih dari 70%, sehingga dapat dikatakan standar pelayanannya sudah baik karena rata-rata melayani 70% dari total pasien atau kasus. Namun masih ada yang dibawah 50%, seperti pada variabel X12 yang hanya 12% saja tingkat pelayananya kepada pasien. Sehingga perlu dilakukan penelitian terhadap variabel tersebut mengapa nilai rata-ratanya sangat kecil. Kemudian didapatkan nilai keragaman pada masing-masing variabel secara keseluruhan besar. Namun ada beberapa variabel yang keragamannya kecil seperti variabel X10.

4.2 Uji Korelasi

Tabel 4.2 Uji Bartlett’s Bartlett's Test of Sphericity

Approx. Chi-Square 339.816

df 105

p - value .000

Tabel 4.2 menunjukkan hasil pengujian korelasi dengan metode bartlett’s, didapatkan nilai chi-square sebesar 339.816 dan nilai p-value sebesar 0.000. Dengan menggunakan alfa 5% maka keputusan H0 ditolak karena nilai p-value

kurang dari alfa atau nilai chi-square hitung lebih besar dari χ₍2_{p+1) (p−2)/2;∝} .

Kesimpulannya adalah variabel-variabel tersebut tidak saling bebas atau berkorelasi satu sama lain. Sehingga analisis PCA dan faktor dapat diterapkan pada data.

4.3 Uji Kecukupan Data

Pengujian kecukupan data menggunakan uji KMO dan didapatkan hasil sebagai berikut.

Tabel 4.3 Uji KMO

Test Value

Kaiser-Meyer-Olkin Measure

of Sampling Adequacy. .633

Tabel 4.3 menunjukkan hasil pengujian KMO didapatkan nilai uji sebesar 0.633. Karena nilai tersebut lebih besar dari 0.5, sehingga H0 gagal ditolak. Kesimpulannya adalah asumsi kecukupan data terpenuhi atau data tersebut layak untuk dianalisis dengan menggunakan PCA dan Analisis Faktor.

4.4 Principal Componenet Analysis

PCA dilakukan untuk mengetahui berapa komponen utama yang terbentuk dari 15 variabel tersebut. Penentuan komponen utama tersebut dapat dilihat melalui nilai eigen, scree plot, dan proporsi variabilitas total.

Tabel 4.4 Varians dan Nilai Eigen

Component Total % of Variance Cumulative %

10 .517 3.449 90.434

Tabel 4.4 menunjukkan nilai eigen dan nilai varians proporsi total. Dapat dilihat nilai eigen yang bernilai lebih dari satu adalah komponen 1 hingga komponen 5. Sehingga dapat dikatakan bahwa komponen utama yang terbentuk sebanyak 5 komponen. Pada komponen 1 didapatkan nilai %variance sebesar 25.510, artinya komponen 1 dapat menjelaskan variasi dari data sebesar 25%, kemudian untuk komponen 2 dapat menjelaskan variasi dari data sebesar 12%, komponen 3 dapat menjelaskan variasi dari data sebesar 12%, komponen 4 dapat menjelaskan variasi dari data sebesar 9%, dan komponen 5 dapat menjelaskan variasi dari data sebesar 7%. Kemudian dapat dilihat nilai cumulative % sampai dengan komponen 5 didapatkan nilai 66.909%. Aritnya k-5 komponen utama yang terbentuk tersebut dapat menjelaskan variasi data keseluruhan sebesar 66.909%.

15

Gambar 4.1 Scree Plot

Berdasarkan kedua hasil tersebut maka dapat disimpulkan hanya 5 komponen utama yang terbentuk. Misal ke-5 komponen tersebut adalah PC1 hingga PC5.

Tabel 4.5 Matrix Komponen

Koefisien PC1 PC2 PC3 PC4 PC5

X1 -0.417 0.140 0.093 0.068 0.016

X2 -0.199 0.060 -0.313 -0.341 -0.340

X3 -0.446 -0.066 0.155 0.084 0.165

X4 -0.411 -0.070 0.232 0.093 0.149

X5 -0.347 0.005 -0.022 -0.036 -0.393

X6 -0.255 0.230 -0.368 -0.224 0.112

X7 -0.243 -0.338 -0.104 -0.216 -0.077

X8 -0.337 0.174 0.057 0.343 0.168

X9 0.076 0.387 -0.289 0.229 -0.175

X10 -0.022 -0.126 0.430 0.324 -0.416

X11 0.043 0.108 -0.300 0.540 0.046

X12 0.020 -0.246 -0.200 0.322 -0.524

X13 -0.080 -0.254 -0.437 0.302 0.321

X14 -0.148 -0.484 -0.272 -0.035 -0.057

X15 -0.155 0.483 -0.044 -0.052 -0.215

Tabel 4.5 menunjukkan nilai koefisien pada tiap variabel di masing-masing komponen utama, model yang terbentuk pada tiap komponen adalah sebagai berikut.

Tabel 4.6 Komunalitas

Variabel Initial Extraction

Cakupan Kunjungan Ibu Hamil K4. 1.000 .724

Komplikasi Kebidanan Ditangani. 1.000 .627

Cakupan Persalinan Ditolong Tenaga Kesehatan. 1.000 .853

Cakupan Pelayanan Nifas. 1.000 .792

Neonatus Komplikasi Ditangani. 1.000 .635

Cakupan Kunjungan Bayi (Minimal 4 Kali). 1.000 .681

Cakupan Pelayanan Anak Balita. 1.000 .532

Pemberian Makanan Pendamping ASI pada Anak Usia 6-24 Bulan

Keluarga Miskin. 1.000 .688

Cakupan Balita Gizi Buruk Mendapat Perawatan. 1.000 .565

Cakupan Pelayanan Kesehatan Siswa SD dan Setingkat. 1.000 .710

Peserta KB Aktif. 1.000 .594

Penderita Pneumonia pada Balita yang Ditangani. 1.000 .637

Penderita TB Paru BTA Positif yang Ditangani. 1.000 .737

Penderita Diare yang Ditangani. 1.000 .667

Cakupan Kelurahan Mengalami KLB yang Dilakukan Penyelidikan

Epidemiologi < 24 Jam. 1.000 .592

Tabel 4.6 menunjukkan nilai komunalitas dari masing-masing variabel. Nilai komunalitas adalah nilai seberapa besar komponen mampu menjelaskan variabel tersebut. Pada variabel cakupan kunjungan ibu hamil didapat nilai extraction

sebesar 0.724 atau 72.4%, artinya ke-5 komponen utama yang terbentuk mampu menjelaskan variabel cakupan kunjungan ibu hamil sebesar 72.4% secara keseluruhan, dan seterusnya. Pada Tabel 4.6 ditujukkan nilai extraction terbesar adalah variabel cakupan persalinan ditolong tenaga kesehatan yaitu sebesar 0.853 atau 85.3%, dan nilai terkecil adalah cakupan pelayanan anak balita sebesar 0.532 atau 53.2%.

Tabel 4.7 Komponen Matriks

Variabel Komponen

1 2 3 4 5

Cakupan Kunjungan Ibu Hamil K4. .815 .192 -.12

7 .079 -.016

Komplikasi Kebidanan Ditangani. .390 .082 .425 -.398 .360

Cakupan Persalinan Ditolong Tenaga Kesehatan. .872 -.090 -.211 .098 -.175

Cakupan Pelayanan Nifas. .805 -.096 -.31

4 .108 -.158

Neonatus Komplikasi Ditangani. .678 .006 .029 -.042 .415

Cakupan Kunjungan Bayi (Minimal 4 Kali). .499 .317 .500 -.261 -.118

Cakupan Pelayanan Anak Balita. .476 -.464 .142 -.252 .082

Pemberian Makanan Pendamping ASI pada Anak

Usia 6-24 Bulan Keluarga Miskin. .658 .239

-.07

8 .400 -.177

Cakupan Balita Gizi Buruk Mendapat

Perawatan. -.150 .532 .393 .267 .185

Cakupan Pelayanan Kesehatan Siswa SD dan

Setingkat. .043 -.174

-.58

4 .378 .440

Peserta KB Aktif. -.083 .149 .408 .630 -.049

Penderita Pneumonia pada Balita yang Ditangani. -.039 -.338 .271 .375 .554

Penderita TB Paru BTA Positif yang Ditangani. .156 -.349 .593 .352 -.339

Penderita Diare yang Ditangani. .289 -.665 .369 -.041 .060

Cakupan Kelurahan Mengalami KLB yang

Dilakukan Penyelidikan Epidemiologi < 24 Jam. .304 .664 .059 -.061 .228

Tabel 4.8 Rotasi Komponen Matriks

Variabel Component

1 2 3 4 5

Cakupan Kunjungan Ibu Hamil K4. .798 -.042 .289 -.027 -.022

Komplikasi Kebidanan Ditangani. .033 .173 .755 -.054 -.150

Cakupan Persalinan Ditolong Tenaga Kesehatan. .887 .193 .090 -.141 -.017

Cakupan Pelayanan Nifas. .856 .140 .023 -.190 .054

Neonatus Komplikasi Ditangani. .479 .136 .576 -.057 .227

Cakupan Kunjungan Bayi (Minimal 4 Kali). .282 .044 .534 .138 -.544

Cakupan Pelayanan Anak Balita. .243 .570 .283 -.260 -.016

Pemberian Makanan Pendamping ASI pada Anak Usia 6-24 Bulan Keluarga Miskin.

.779 -.090 .027 .267 -.027

Cakupan Balita Gizi Buruk Mendapat Perawatan.

-.161 -.350 .265 .585 -.068

Cakupan Pelayanan Kesehatan Siswa SD dan Setingkat.

.190 -.102 -.14

9

-.098 .795

Peserta KB Aktif. .013 .018 -.10

1

.764 .011

Penderita Pneumonia pada Balita yang Ditangani. -.170 .373 .216 .372 .532

Penderita TB Paru BTA Positif yang Ditangani. .112 .602 -.13

4

.514 -.283

Penderita Diare yang Ditangani. .058 .800 .153 -.002 .020

Cakupan Kelurahan Mengalami KLB yang Dilakukan Penyelidikan Epidemiologi < 24 Jam.

.245 -.505 .501 .138 -.088

Tabel 4.9 Faktor yang Terbentuk Fakto

r Variabel Nama Faktor Baru

1

Cakupan Kunjungan Ibu Hamil K4.

Ibu dana anak Cakupan Persalinan Ditolong Tenaga Kesehatan.

Cakupan Pelayanan Nifas.

Pemberian Makanan Pendamping ASI pada Anak Usia 6-24 Bulan Keluarga Miskin.

2

Cakupan Pelayanan Anak Balita.

Balita Penderita TB Paru BTA Positif yang Ditangani.

Penderita Diare yang Ditangani.

Cakupan Kelurahan Mengalami KLB yang Dilakukan Penyelidikan Epidemiologi < 24 Jam.

3 Komplikasi Kebidanan Ditangani._{Neonatus Komplikasi Ditangani.} Bidan dan Neonatus

4 Cakupan Balita Gizi Buruk Mendapat Perawatan. _{Peserta KB Aktif.} Gizi dan KB

5

Cakupan Kunjungan Bayi (Minimal 4 Kali).

Perawatan Balita Cakupan Pelayanan Kesehatan Siswa SD dan

Setingkat.

Penderita Pneumonia pada Balita yang Ditangani.

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil analisis dan pembahasan, maka dihasilkan beberapa kesimpulan sebagai berikut.

1. Rata-rata SPM pelayanan bidang kesehatan secara keseluruhan sudah lebih dari 70%. Dengan rata-rata tertinggi adalah pada variabel X14 dan rata-rata terendah pada variabel X12

2. Data SPM bidang kesehatan, khususnya puskesmas di Kota Surabaya memenuhi asumsi kecukupan data berdasarkan hasil pengujian dengan metode KMO.

3. Variabel-variabel yang mempengaruhi SPM bidang kesehatan puskesmas di Kota Surabaya memiliki korelasi atau hubungan satu sama lain.

4. Komponen utama yang terbentuk dari 15 variabel tersebut adalah sebanyak 5 komponen.

5. Analisis faktor menghasilkan 5 faktor baru, yaitu faktor ibu dan anak, balita, bidan dan neonatus, gizi dan kb, dan yang terakhir adalah perawatan balita

5.1 Saran

DAFTAR PUSTAKA

Johnson, R. A., & Wichern, D. W. (2007). Applied Multivariate Statistical Analysis, 6th edition. New Jersey: Pretince Hall.

Supranto, J. (2001). Statistik Teori dan Aplikasi, Cetakan Kedua. Jakarta: Penerbit Erlangga.

Surabaya, D. K. (2013). Sarana Pelayanan Kesehatan. Surabaya: Dinas Kesehatan Kota Surabaya.

LAMPIRAN

Lampiran 1.Data Standar Pelayanan Minimal Bidang Kesehatan Puskesmas Kota Surabaya

NO Puskesmas X1 X2 X3 X4 X5 … X9 X10 X11 X12 X13 X14 X15

1 Tanjungsari 87.45 109.1 83.36 84.91 78.34 … 100 91.7 54.8 12.3 54.6 252.7 100

2 Simomulyo 97.1 98.59 95.02 94.38 77.66 … 100 96.4 65 33 37.2 117.1 100

3 Manukan

Kulon 86.64 63.31 85.55 84.82 52.53 … 100 94.7 66.1 3.15 56.5 192.6 100

4 Balongsari 96.03 98.23 93.88 93.19 96.42 … 100 91.9 54.4 22.5 49 106.5 100

5 Asemrowo 67.01 46.96 66.67 61.27 48.72 … 100 93.9 76.3 9.7 63 104 100

6 Sememi 96.61 96.9 100.3 95.76 98.45 … 100 94.6 92.8 41.5 42.4 97.89 100

7 Benowo 80.31 44.31 74.11 70.9 40.8 … 100 99.9 87.4 1.56 28 45.2 100

8 Jeruk 92.23 93.26 92.9 79.78 42.88 … 100 96.1 95.1 5.06 113 237.3 100

9 Lidah Kulon 97.26 89.04 100.3 100.3 63.39 … 0 100 72.2 0.53 17.2 150.5 100

10 Bangkingan 97.28 98.64 96.4 93.53 86.51 … 0 96.6 88.4 37.9 142 202.9 0

⋮

⋮

⋮

⋮

⋮

⋮

⋮

⋮

⋮

⋮

⋮

⋮

⋮

⋮

⋮

52 Wonokromo 85.82 87.07 85.31 80.79 77.96 … 100 98.6 79.3 37.1 54.1 118.8 100

53 Ngagelrejo 89.13 103.9 90.92 90.78 99.64 … 100 99.5 74.8 7.3 32.7 64.96 100

54 Kedurus 81.12 100.1 96.96 96.96 26.93 … 100 88.1 77.7 9.42 51.9 93.13 0

55 Dukuh

Kupang 74.84 74.46 80.95 80.95 21.12 … 100 100 61.8 1.9 47.1 47.06 100

56 Wiyung 83.38 98.15 93.48 101.2 79.88 … 100 99.2 76.8 5.27 37.7 88.63 100

57 Balas

Klumprik 61.24 95.69 71 63 25.09 … 100 97.4 86.2 5.16 23.1 172.5 0

58 Gayungan 95.05 98.25 95.12 95.12 99.73 … 100 100 59.8 31.3 21.3 119.2 100

59 Jemursari 83.19 49.86 82.69 82.69 53.25 … 100 100 66.4 2.6 83.3 177.4 0

60 Sidoresmo 76.22 108.2 84.68 85.89 86.54 … 100 100 43 4.9 37.2 123.7 0

61 Siwalankert

o 80.39 53.87 93.33 93.33 33.02 … 0 100 41.3 0 35 125.9 0

Lampiran 2.Statistika Deskriptif

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation Variance

X1 62 46.35 123.84 82.9665 13.69468 187.544

X2 62 44.31 139.70 87.4484 18.77809 352.617

X3 62 51.15 105.17 83.3981 12.38103 153.290

X4 62 43.72 105.17 80.9781 14.22727 202.415

X5 62 11.87 128.12 63.5869 30.05033 903.022

X6 62 49.43 153.76 90.7405 15.62411 244.113

X7 62 .00 100.00 66.6398 42.73506 1826.285

X8 62 17.22 118.75 78.2208 20.68634 427.925

X9 62 .00 100.00 91.9355 27.45122 753.570

X10 62 86.98 100.00 97.6355 3.46933 12.036

X11 62 40.93 98.67 73.6763 13.63892 186.020

X12 62 .00 162.74 18.5066 28.65147 820.906

X13 62 12.50 154.17 55.0534 30.53375 932.310

X14 62 13.57 319.24 123.0850 62.51438 3908.048

X15 62 .00 100.00 72.5806 44.97487 2022.739

Valid N (listwise) 62

Lampiran 3.Uji Kecukupan Data dan Uji Korelasi

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .633

Bartlett's Test of Sphericity Approx. Chi-Square 339.816

df 105

Sig. .000

Communalities

Initial Extraction

X1 1.000 .724

X2 1.000 .627

X3 1.000 .853

X4 1.000 .792

X5 1.000 .635

X6 1.000 .681

X7 1.000 .532

X8 1.000 .688

X9 1.000 .565

X10 1.000 .710

X11 1.000 .594

X12 1.000 .637

X13 1.000 .737

X14 1.000 .667

X15 1.000 .592

Extraction Method: Principal Component Analysis.

Total Variance Explained

25.510 25.510 3.827 25.510 25.510 3.301 22.006 22.006

2 1.88

8

12.586 38.096 1.888 12.586 38.096 1.973 13.155 35.161

3 1.84

4

12.293 50.389 1.844 12.293 50.389 1.802 12.011 47.172

4 1.36

1

9.072 59.461 1.361 9.072 59.461 1.578 10.517 57.689

5 1.11

7

7.447 66.909 1.117 7.447 66.909 1.383 9.220 66.909

6 .837 5.583 72.492

Extraction Method: Principal Component Analysis.

Component Matrixa

Component

1 2 3 4 5

X1 .815 .192 -.127 .079 -.016

X2 .390 .082 .425 -.398 .360

X3 .872 -.090 -.211 .098 -.175

X4 .805 -.096 -.314 .108 -.158

X5 .678 .006 .029 -.042 .415

X6 .499 .317 .500 -.261 -.118

X7 .476 -.464 .142 -.252 .082

X8 .658 .239 -.078 .400 -.177

X9 -.150 .532 .393 .267 .185

X10 .043 -.174 -.584 .378 .440

X11 -.083 .149 .408 .630 -.049

X12 -.039 -.338 .271 .375 .554

X13 .156 -.349 .593 .352 -.339

X14 .289 -.665 .369 -.041 .060

X15 .304 .664 .059 -.061 .228

Extraction Method: Principal Component Analysis.

a. 5 components extracted.

Rotated Component Matrixa

X10 .190 -.102 -.149 -.098 .795

X11 .013 .018 -.101 .764 .011

X12 -.170 .373 .216 .372 .532

X13 .112 .602 -.134 .514 -.283

X14 .058 .800 .153 -.002 .020

X15 .245 -.505 .501 .138 -.088

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.

a. Rotation converged in 8 iterations.

Lampiran 8.Syntax R

aku <- function(data,cor = TRUE){

##Menentukan matriks korelasi atau kovarian berdasarkan masukan # user

##Menghitung proporsi varians dan kumulatifnya sumvar <- sum(pc$values)

var <- matrix(c(0),p,1) cumvar <- matrix(c(0),p,1) for(i in 1:p){

Lampiran 9.Output 1 R

[1,] -0.41656434 0.140047673 0.09345917 0.06782173 0.01553768 -0.187295152

[2,] -0.19938802 0.059980009 -0.31265842 -0.34146323 -0.34049093 0.087960349

[3,] -0.44562827 -0.065704363 0.15521340 0.08396991 0.16542327 0.317551994

[4,] -0.41138033 -0.070043275 0.23158827 0.09299041 0.14914342 0.347810224

[5,] -0.34684703 0.004628047 -0.02166097 -0.03641080 -0.39264202 -0.270542902

[6,] -0.25530571 0.230400563 -0.36805593 -0.22363436 0.11175570 -0.101490714

[7,] -0.24333888 -0.337859925 -0.10439200 -0.21572462 -0.07742432 -0.102685382

[8,] -0.33661796 0.173733956 0.05743808 0.34318003 0.16759140 -0.003671603

[9,] 0.07649864 0.386826991 -0.28928021 0.22879201 -0.17536840 0.129946461

[10,] -0.02196011 -0.126277470 0.43037966 0.32396324 -0.41642669 -0.420153389

[11,] 0.04266997 0.108489880 -0.30016906 0.53996084 0.04594842 -0.211718997

[12,] 0.01980697 -0.246075332 -0.19961088 0.32177265 -0.52388387 0.568304853

[13,] -0.07965013 -0.254019815 -0.43698610 0.30176777 0.32111142 -0.144989794

[15,] -0.15528762 0.483244240 -0.04375977 -0.05236220 -0.21547070 -0.069039322

[,7] [,8] [,9] [,10] [,11]

[1,] -0.12186108 -0.0008380155 0.068365766 -0.20433269 0.29471537 [2,] -0.39346961 -0.3265463666 0.253526172 0.38189920 0.12617249 [3,] 0.02846828 -0.0568863879 -0.119701882 0.04212951 -0.08203764 [4,] -0.01549689 -0.0581787149 -0.133662600 -0.15480506 -0.25684614 [5,] -0.32097406 -0.0679374808 -0.154615109 -0.45827621 -0.09309877 [6,] 0.18720922 0.1759063399 0.197770295 0.04093358 -0.65587369 [7,] 0.42961977 -0.2820118789 -0.503057321 0.27241444 0.19569150 [8,] -0.03145059 0.1594854090 0.255345171 0.53404603 0.20371710 [9,] -0.20240750 0.2950124922 -0.668773374 0.20753291 -0.07385410 [10,] -0.01340795 0.1222377692 0.026607654 0.27353850 -0.24115850 [11,] 0.21701474 -0.6328807258 0.048293561 -0.04938853 -0.18385633 [12,] 0.16172597 0.0900786883 0.232476297 -0.12549175 0.01721424 [13,] -0.25622054 0.1654212580 -0.007895497 -0.18176606 0.27155437 [14,] 0.17434551 0.4200738334 0.069083301 0.05655774 -0.05385609 [15,] 0.54332535 0.1782365366 0.091605102 -0.20793246 0.36267915 [,12] [,13] [,14] [,15]

Lampiran 10.Syntax R Anfak

Lampiran 11.Output 2 R $Rotated_loadings anafak <- function (data, factors=NULL, cor=TRUE){

##Menentukan matriks korelasi atau kovarian berdasarkan masukan # user

if (cor == TRUE){mat = cor(data)} else mat = cov(data)

##Menghitung akar dari eigenvalues dan eigenvectors stdev <- sqrt(eigen(mat)$values)

eigenvec <- eigen(mat)$vectors

##Menentukan faktor apabila user tidak memberi inisiasi if (is.null(factors)) factors <- sum(eigen(mat)$values >= 1) ##Menghitung nilai-nilai pada matriks loading factors

loadings <- eigenvec[,1:factors] %*% diag(stdev[1:factors]) ##Melakukan rotasi orthogonal terhadap loading factors, silakan # gunakan metode rotasi lainnya, R menyediakan beberapa fungsi # untuk kepentingan tersebut

rotated.loadings <- varimax(loadings) ##Menghitung nilai communality

communality <- as.matrix(apply(loadings,1,function(x)sum(x^2))) ##Menampilkan output

result <-list(Communality = communality, Rotated_loadings = rotated.loadings, Original_loadings_factor = loadings)

[10,] 0.104 -0.966 0.107 [11,] -0.129 0.977 [12,] -0.115 0.982

[13,] -0.188 -0.950 0.141 0.110 -0.118 [14,] -0.924 -0.205 0.137 0.102 [15,] 0.120 0.952 -0.109 0.101 [,11] [,12] [,13] [,14] [,15]

[1,] 0.286 0.752 [2,] -0.153 0.165 [3,] -0.183 0.117 0.118 -0.180 [4,] 0.147 0.116 0.149 [5,] -0.104 -0.114 0.904 0.158 [6,] -0.907 0.105 [7,] -0.938 0.102 [8,] -0.109 0.150 [9,] [10,] 0.150 [11,] [12,] [13,] [14,] -0.213 [15,] -0.173

[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]

SS loadings 2.218 0.984 1.006 1.008 1.021 1.023 1.042 1.033 1.006 0.970 Proportion Var 0.148 0.066 0.067 0.067 0.068 0.068 0.069 0.069 0.067 0.065 Cumulative Var 0.148 0.213 0.281 0.348 0.416 0.484 0.553 0.622 0.689 0.754 [,11] [,12] [,13] [,14] [,15]

SS loadings 0.961 1.003 1.007 0.662 0.055 Proportion Var 0.064 0.067 0.067 0.044 0.004 Cumulative Var 0.818 0.885 0.952 0.996 1.000 $Rotated_loadings$rotmat

[,1] [,2] [,3] [,4] [,5]

[3,] -0.285847641 0.269080783 0.436912505 -0.301576574 -0.438737606 [4,] -0.145557720 0.037160469 -0.299610092 0.545910041 -0.330307816 [5,] -0.222955605 0.052251869 -0.321239812 0.051805557 0.421978520 [6,] -0.437106753 0.240337273 0.149964744 -0.213484386 0.424475525 [7,] 0.009827994 -0.172846711 0.256377756 0.215200077 0.020913395 [8,] 0.076653108 -0.417840408 -0.174827594 -0.630819000 -0.121417257 [9,] 0.163341608 -0.065920281 0.004463539 0.050883201 -0.024479687 [10,] 0.093959953 -0.054342794 0.175107585 -0.046547465 -0.269197504 [11,] 0.205133979 0.054388199 -0.272670676 -0.178605480 0.230617136 [12,] 0.005057458 -0.511005782 0.519280982 0.209679753 0.270111569 [13,] 0.297061691 0.158813471 0.203386777 -0.075721144 0.305298724 [14,] 0.161513094 0.346878255 -0.088512805 -0.133601404 -0.125422180 [15,] 0.001875329 -0.004206738 -0.005508582 -0.004770994 0.009208638 [,6] [,7] [,8] [,9] [,10] [,11]

[1,] 0.031788021 -0.17634639 0.21746624 -0.074279788 -0.32406717 0.24642015

[2,] -0.259320394 0.49390815 -0.06524578 -0.393272642 0.17569440 -0.22099555

[3,] -0.203897713 -0.04381703 0.31540916 0.288588617 0.04846653 0.35525869

[4,] 0.320386391 -0.05069392 0.34267573 -0.229978146 0.32751716 0.21429339

[5,] -0.528481799 -0.21224296 0.34332610 0.173617017 0.16019404 -0.10439585

[6,] 0.573998659 -0.08088391 -0.07590057 -0.132085476 -0.02718678 0.10524767

[7,] 0.164615982 0.53937660 0.39727483 0.204251548 -0.03568887 -0.18527986

[8,] 0.092535474 0.18018838 0.32678309 -0.296201683 0.16315103 -0.18070295

[9,] 0.227157758 0.10080443 -0.25355983 0.666184768 0.26711318 -0.20134620

[10,] -0.119253570 -0.21182094 -0.37606565 -0.208773701 0.53867896 -0.04273058

[12,] -0.041912818 -0.19731283 0.02805336 -0.157108844 0.01403581 0.17601480

[13,] 0.153993583 -0.24780040 0.33053848 0.091796260 0.51699467 -0.09181222

[14,] 0.227327930 -0.22751182 0.10601820 -0.014893150 -0.11193416 -0.32275053

[15,] -0.006442306 0.01229579 -0.01793313 -0.001912798 0.04472253 0.02181968

[,12] [,13] [,14] [,15]

[1,] 0.23878457 -0.34669321 -0.2933203299 0.0107306793 [2,] 0.33991224 0.01602293 0.1146247886 0.0011808742 [3,] 0.11113992 -0.02100730 0.0625046902 0.0060416223 [4,] 0.21827460 -0.03444559 0.0546935839 -0.0002520281 [5,] 0.08210920 -0.38458981 0.0005740159 -0.0069191873 [6,] 0.10731355 -0.29089930 -0.1890120141 -0.0051701361 [7,] -0.43162964 -0.32514399 -0.1108153502 -0.0085311253 [8,] 0.27767337 -0.06569659 0.0068348986 0.0019709628 [9,] 0.50681853 -0.14657827 0.0752677337 0.0019130717 [10,] -0.27713739 -0.48165287 -0.1901918192 -0.0430340786 [11,] -0.19619855 -0.07272156 0.3011466740 -0.0364331964 [12,] 0.17157418 -0.06566650 0.4701899563 0.0101539004 [13,] -0.18501563 0.46674998 -0.1242059490 -0.0140617866 [14,] -0.22201201 -0.23291415 0.6902414530 0.0245843467 [15,] -0.02567308 -0.01315916 -0.0201750736 0.9978012968 $Original_loadings_factor

[,1] [,2] [,3] [,4] [,5] [,6]

[1,] -0.81486635 0.192425750 0.12691112 0.07911612 0.01642219 -0.171399442

[2,] -0.39003480 0.082412638 -0.42456861 -0.39832729 -0.35987404 0.080495168

[3,] -0.87172004 -0.090277910 0.21076911 0.09795347 0.17484031 0.290601406

[4,] -0.80472560 -0.096239583 0.31448093 0.10847615 0.15763370 0.318291624

[6,] -0.49941873 0.316570781 -0.49979461 -0.26087632 0.11811761 -0.092877213

[7,] -0.47600970 -0.464220134 -0.14175715 -0.25164936 -0.08183185 -0.093970490

[8,] -0.65847847 0.238710763 0.07799695 0.40032998 0.17713187 -0.003359995

[9,] 0.14964356 0.531500969 -0.39282261 0.26689287 -0.18535159 0.118917925

[10,] -0.04295749 -0.173505466 0.58442595 0.37791302 -0.44013259 -0.384495037

[11,] 0.08346927 0.149065288 -0.40760892 0.62988081 0.04856412 -0.193750439

[12,] 0.03874560 -0.338107941 -0.27105783 0.37535762 -0.55370698 0.520072909

[13,] -0.15580838 -0.349023675 -0.59339703 0.35202132 0.33939131 -0.132684533

[14,] -0.28938735 -0.664897564 -0.36921534 -0.04137969 -0.05984848 -0.213289978

[15,] -0.30376738 0.663978439 -0.05942275 -0.06108211 -0.22773679 -0.063179965

[,7] [,8] [,9] [,10] [,11]