MENILAI VARIABEL (ATRIBUT) YANG LAYAK
Disampaikan Pada Praktikum FE UST Praktikum Statistik Sebagi Salah Satu
Alat Dukung Analisis Data
Instruktur:
Drs. I. B. N. Udayana, MSi
UNIVERSITAS SARJANAWIYATA TAMANSISWA
JURUSAN MANAJEMEN
ANALISIS FAKTOR (1)
MENILAI VARIABEL YANG LAYAK
A. Pengantar
Tahap pertama dalam analisis faktor adalah menilai faktor mana saja variabel yang dianggap layak (appropriateness) untuk dimasukkan dalam analisis selanjutnya. Pengujian ini dilakukan dengan memasukkan semua variabel yang ada, kemudian pada variabel-variabel tersebut dikenakan sejumlah pengujian.
Logika pengujian adalah jika sebuah variabel memang mempunyai kecendrungan mengelompok dan membentuk sebuah faktor, maka variabel tersebut akan mempunyai korelasi yang cukup tinggi dengan variabel lain. Sebaliknya variabel dengan variabel korelasi yang lemah dengan variabel lain cendrung tidak akan mengelompok dalam faktor tertentu.
B. Kasus
Ingin diketahui faktor apa saja yang sebenarnya membuat seseorang ingin membeli sebuah sepeda motor. Untuk itu diambil sampel sebanyak 50 orang, yang kemudian diminta pendapatnya tentang atribut-atribut sepeda motor seperti:
Keiritan bahan bakar sepeda motor Ketersidaan suku cadang (orderdil) Harga sepeda motor
Model dan disain sepeda motor Kombinasi warna sepeda motor
sebuah sepeda motor, akan diuji variabel mana saja yang bisa dilakukan pengujian lanjutan?
C. Langkah-langkah:
1) Buka file
2) Analyze data reduction faktor
D. Pengisian
Masukkan semua variabel / Atribut yang ada pada kotak listing, ke dalam kotak variabels tersebut yakni variabel irit, onderdil, harga, model, warna, awet, promosi, dan kredit.
Descriptifes sehingga di monitor nampak sbb:
Pengisian:
Correlation Matris yang berisi berbagai alat pengujian dengan dasar korelasi antar variabel, untuk keseragaman, pilih KMO and Bartlett’s test of sphecity dan anti-image
continu OK
.507
51.278 28 .005 Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
E. Analisis: (Menentukan kecukupan sampel dalam penelitian)
Angka KMO and Bartlett’s test of sphecity dan anti-image adalah 0,56 dengan signifikansi 0,001. Oleh karena angkat tersebut sudah diatas 0,5 dan signifikansi jauh di bawah 0,05 (0,001<0,05), maka variabel dan sampel yang ada sebenarnya sudah bisa di analisis lebih lanjut.
Angka MSA (Measure of Sampling Adecquacy) berkisar 0 – 1, dengan kriteria:
MSA = 1, variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel yang
lain.
MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut. MSA < 0,5, variabel tersebut tidak dapat diprediksi lebih lanjut, atau dikeluarkan
dari variabel lainnya.
ANTI IMAGE MATRICES (Menentukan variabel yang layak)
Anti-image Matrices
.960 .006 -.027 -.015 .011 -.036 .063 -.134 .006 .574 -.034 -.298 .107 .016 .227 -.139 -.027 -.034 .756 -.187 -.244 -.146 -.053 .082 -.015 -.298 -.187 .559 .011 .130 -.197 -.063 .011 .107 -.244 .011 .785 .094 -.052 -.260 -.036 .016 -.146 .130 .094 .917 -.120 -.044 .063 .227 -.053 -.197 -.052 -.120 .809 .065 -.134 -.139 .082 -.063 -.260 -.044 .065 .782 .618a .008 -.032 -.021 .012 -.039 .071 -.155
irit onderdil harga model warna awet promosi kredit
Perhatikan angka korelasi bertanda a (arah diagonal dari kiri atas ke kanan bawah). Seperti angka MSA untuk variabel irit 0,618, untuk variabel onderdil 0,517 dan seterusnya untuk variabel yang lain. Dengan kriteria angka MSA seperti sudah dibahas di atas, terlihat MSA variabel warna (0,450); awet (0,424); dan promosi (0,384) tidak memenuhi batas 0,5 maka variabel tersebut dikeluarkan satu persatu mulai dari variabel yang memiliki korelasi terkecil dan pengujian diulang lagi, setiap mengeluarkan satu variabel yang memiliki korelasi terkecil, kemudian lihat korelasi anti-image tiap-tiap variabel sampai semua variabel memiliki koefisien korelasi > 0,5.
A. Pengujian Ulang.
B. Buka file faktor
C. Analisis data
Analye Data Reduction Factor…
D. Pengisian
E. OUTPUT:
KMO and Bartlett's Test
.596
28.863 10 .001 Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
.966 -.015 -.026 .004 -.153
-.015 .672 .033 -.323 -.156
-.026 .033 .871 -.239 .006
.004 -.323 -.239 .625 -.060
-.153 -.156 .006 -.060 .882
.602a -.019 -.028 .005 -.166
irit onderdil harga model kredit
F. Analisis:
Angka KMO and Bartlett’s test of sphecity dan anti-image adalah 0,596 dengan signifikansi 0,001. Oleh karena angkat tersebut sudah diatas 0,5 dan signifikansi jauh di bawah 0,05 (0,001<0,05), maka variabel dan sampel yang ada sebenarnya sudah bisa di analisis lebih lanjut.
G. ANTI IMAGE MATRICES
ANALISIS FAKTOR (2)
FACTORING DAN ROTASI
Pengantar
Analisis factor pada tahap awal yakni penyaringan terhadap sejumlah variabel, sehingga didapat sejumlah variabel yang memenuhi syarat untuk didianalisis lebih lanjut. Selanjutnya dilakukan ekstraksi terhadap sekumpulan variabel yang ada, sehingga terbentuk satu atau lebih faktor (segmen).
Metode untuk melakukan ekstraksi adalah Principal Compenent Analysis. Setelah satu atau lebih faktor (segmen) terbentuk dengan sebuah faktor berisi sejumlah variabel, mungkin saja sebuah variabel sulit untuk ditentukan akan masuk ke dalam faktor yang mana. Untuk mengatasi hal ini bisa dilakukan proses rotasi (Rotation) pada faktor yang terbentuk sehingga memperjelas posisi sebuah variabel, akankah masuk pada faktor yg satu ataukah ke faktor yang lain. Rotasi menggunakan metode Varimax (bagian dari Orthogonal).
Kasus 1:
Dari kasus sebelumnya akan dilakukan analisis faktor, apakah variabel tersebut bisa
direduksi menjadi satu atau lebih faktor.
Langkah-kangkah: A. Buka file B. Analisis data
C. Pengisian:
Masukkan variabel yang ada pada kotak listing ke kotak Variables.
Extraction, sehingga di monitor akan muncul:
Pengisian:
Method Principal Compenents Analyze Correlation Matrix
Kemudian klik Rotations, akan muncul dimonitor sbb:
Pengisian:
Method Varimax
Display Rotation dan loading Plot(s) aktifkan Maximum iterations for convergence tetap 25
Output dan analisis:
Extraction Method: Principal Component Analysis.
Communalities pada dasarnya adalah jumlah varians (bisa dalam persentase) dari suatu variabel mula-mula yang bisa dijelaskan oleh faktor yang ada. Untuk variabel irit angka 0,719 artinya sekitar 71,9% varians dari variabel irit dapat dijelaskan oleh
faktor yang terbentuk, atau kemampuan faktor yang terbentuk (segmen) untuk
semakin erat hubungannya dengan faktor yang terbetuk.
Total variance explained
Total Variance Explained
2.006 28.661 28.661 2.006 28.661 28.661 1.734 24.766 24.766 1.242 17.744 46.405 1.242 17.744 46.405 1.344 19.196 43.961 1.071 15.296 61.701 1.071 15.296 61.701 1.173 16.761 60.723 1.011 14.441 76.141 1.011 14.441 76.141 1.079 15.419 76.141
.815 11.650 87.791
Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
Ada tujuh variabel yang dimasukkan dalam analisis faktor, yakni variabel irit onderdil dst. Jika ke tujuh variabel tersebut diringkas menjadi satu faktor (segmen), maka varians yang bisa dijelaskan oleh satu faktor tersebut adalah 2,006/100% = 20%. Jika 7 variabel di-ekstrak (diringkas) menjadi 2 faktor maka: varians faktor pertama adalah 28,661%, varian faktor ke dua adalah 17,744%. Total ke dua faktor akan bisa menjelaskan 46,405% dari variabilitas ke tujuh variabel asli tersebut.
Angka eigenvalues menunjukkan kepentingan relatif masing-masing faktor dalam menghitung varian ke tujuh variabel yang dianalisis. Susunan eigenvalues selalu diurutkan dari yang terbesar sampai terkecil, dengan kriteria bahwa angka eigenvalues dibawah 1, tidak digunakan dalam mengihtung jumlah faktor (segmen)
Scree Plot menampakkan hal tersebut dengan grafik. Terlihat bahwa dari satu ke dua faktor arah garis menurun dengan cukup tajam. Kemudian dari angka 2 ke 3 garis menurun. Pada angka 5 sudah dibawah angka 1 dari sumbu Y (eigenvalues). Hal ini menunjukkan bahwa empat faktor adalah yang paling bagus untuk meringkas ke tujuh variabel tersebut.
.236 .155 .706 .375
.707 -.475 -.020 .204
.543 .438 -.501 .165
.787 -.271 -.249 .110
.392 .688 .006 -.483
-.196 .475 -.114 .735
.586 .167 .496 -.129
irit
Extraction Method: Principal Component Analysis. 4 components extracted.
a.
Setelah diketahui empat faktor adalah paling optimal, maka tabel compenen matrik menunjukkan distribusi ke tujuh variabel tersebut pada empat faktor yang terbentuk. Sedangkan angka-angka yang ada pada tabel tersebut adalah factor loadings, yang menunjukkan besarnya korelasi antara suatu variabel dengan faktor 1, 2, dan 3 atau faktor 4. Proses penentuan variabel mana masuk ke faktor yang mana, dilakukan dengan melakukan perbandingan besar korelasi pada setiap baris. Koefisien korelasi antara variabel onderdil dengan faktor 1, adalah 0,707, diatas 0,5 berarti ada korelasi yang kuat antara variabel onderdil dengan faktor 1, maka variabel onderdil masuk faktor 1.
Rotated Component Matrixa
.014 -.072 .826 .174
.837 -.127 .189 -.125
.453 .585 -.164 .437
.862 .146 .019 -.047
-.083 .910 .129 -.096
-.147 -.047 .081 .887
.237 .360 .636 -.210
irit
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Rotation converged in 7 iterations. a.
Dengan demikian, ke tujuh variabel telah direduksi menjadi empat faktor atau segmen. Faktor 1 terdiri atas variabel : onderdil dan variabel model, faktor 2 terdiri atas variabel harga dan variabel warna, faktor 3 terdiri atas variabel irit dan variabel kredit, dan faktor 4 terdiri atas variabel awet.
Component Transformation Matrix
.825 .450 .330 -.091
-.417 .748 .157 .492
-.293 -.176 .900 -.269
.244 -.455 .237 .823
Component
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Angka-angka yang ada pada diagonal, antara kompenen 1 dengan 1, kompenen 2 dengan 2, kompenen 3 dengan 3, dan kompenen 4 dengan 4 terlihat ke tiga angka tersebut jauh diatas 0,5 (0,825; 0,748; 0,900; 0,823). Hal ini membuktikan ke empat faktor (kompenen) yang terbentuk sudah tepat, karena mempunyai korelasi yang tinggi.
Kesimpulan
Faktor (segmen) yang terbentuk:
tertarik untuk membelinya.
2) Faktor 2: terdiri atas variabel harga dan variabel warna. Jika akan diberi nama, faktor tersebut bisa dinamakan Faktor Internal. Hal ini berarti ada sekelompok konsumen yang membeli sepeda motor disebabkan harga dan warna. Oleh karena korelasi harga dan variabel warna, maka semakin menarik harga dan warna makin membuat konsumen tertarik untuk membelinya.
3) Faktor 3: terdiri atas variabel irit dan kredit. Jika akan diberi nama, faktor tersebut bisa dinamakan Faktor Keunggulan. Hal ini berarti ada sekelompok konsumen yang membeli sepeda motor disebabkan irit dan sistem pembayaran yang dianggapnya menarik. Oleh karena korelasi variabel irit dan variabel kredit positif, maka semakin irit dan sistem pembayaran yang menarik, makin membuat konsumen tertarik untuk membelinya.
ANALISIS FAKTOR (3) VALIDASI FAKTOR
Pengantar
Validasi faktor dimaksudkan untuk mengetahui apakah hasil analisis faktor tersebut bisa digenaralisasikan ke populasi. Uji validasi akan menentukan apakah faktor-faktor pembelian sepeda motor dari semua orang bisa di reduksi menjadi tiga faktor-faktor seperti pada sampel.
Proses validasi dilakukan pada kestabilan faktor yang sudah terbentuk. Untuk mengetahui hal tersebut, sampel akan dipecah menjadi dua bagian, kemudian setiap bagian akan diuji dengan analisis faktor. Kemudian masing-masing hasil diperbandingkan dengan ketentuan, jika sebuah faktor stabil maka hasil-hasil yang ada relatif tidak jauh berbeda, baik jumlah faktor atau angka-angkanya.
Langkah-langkah
1) Split kasus menjadi dua bagian a) Buka file data analisis faktor
c) Based on time or case range Range, sehingga dimonitor akan nampak:
Berarti kasus 26 sampai dengan kasus 50 tidak aktif, jika dilakukan proses tertentu.
2) Analisis faktor untuk kasus 1 – 25 a) Tetap pada file semula
c) Pengisian:
Masukkan variabel yang ada pada kotak listing ke kotak Variables.
Extraction, sehingga di monitor akan muncul:
Pengisian:
Method Principal Compenents Analyze Correlation Matrix
Kemudian klik Rotations, akan muncul dimonitor sbb:
Pengisian:
Method Varimax
Display Rotation dan loading Plot(s) aktifkan Maximum iterations for convergence tetap 25 Continu Ok
Rotated Component Matrixa
.218 -.017
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Rotation converged in 3 iterations. a.
Analisis
3) Analisis faktor untuk kasus 26 – 50 d) Tetap pada file semula
e) Analyze Data Reduction, Factor, di layar tampil kotak dialog sbb:
f) Pengisian:
Masukkan variabel yang ada pada kotak listing ke kotak Variables.
Extraction, sehingga di monitor akan muncul:
Method Principal Compenents Analyze Correlation Matrix
Display Unrotated factor solution dan Scaree Plot Eigen values over 1; continu
Kemudian klik Rotations, akan muncul dimonitor sbb:
Pengisian:
Method Varimax
berarti tidak aktif jika diproses dilakukan.
Extraction Method: Principal Component Analysis. 3 components extracted.
a.
Analisis:
ANALISIS FAKTOR (4) MEMBUAT FAKTOR SCORES
Faktor scores pada dasarnya upaya untuk membuat satu atau beberapa variabel yang lebih sedikit dan berfungsi untuk menggantikan variabel asli yang sudah ada.
Langkah-kangkah:
A. Buka file
B. Analisis data
Analye Data Reduction Factor…
C. Pengisian:
Masukkan variabel yang ada pada kotak listing ke kotak Variables.
Pengisian:
Method Principal Compenents Analyze Correlation Matrix
Display Unrotated factor solution dan Scaree Plot Eigenvalues over 1; continu
Kemudian klik Rotations, akan muncul dimonitor sbb:
Pengisian:
Method Varimax
Display Rotation dan loading Plot(s) aktifkan
MODEL dan WARNA. Demikian juga untuk dua faktor lainnya.
Untuk keguanaan analisis lanjutan, seperti regresi atau diskriminasi, nama ketiga variabel baru bisa diganti dengan cara:
Tetap pada file data faktor