Lampiran 1. Produk Domestik Regional Bruto (PDRB) Provinsi Sumatera Utara Menurut Kabupaten/Kota Atas Dasar Harga Konstan (ADHK)
Tahun 2013 (Juta Rupiah)
No. Kabupaten/Kota Pertanian Pertambangan dan Penggalian
1 Nias 306733.52 22666.52 6392.31 785.02 45742.37 37302.26 17564.16 23588.44 156098.09 2 Mandailing Natal 1084272.51 38746.69 80384.63 5859.22 293456.48 415825.57 97003.77 49172.27 383258.41 3 Tapanuli Selatan 632571.54 3706.94 773436.89 1399.86 95821.55 323453.31 40542.64 10577.12 217493.94
4 Tapanuli Tengah 623843.98 10468.09 154863.13 10730.78 80279.08 185289.26 38500.42 53460.98 289938.58 5 Tapanuli Utara 963456.63 1579.06 38493.57 14372.10 141802.85 260000.29 72376.65 63173.66 359160.36 6 Toba Samosir 719812.43 7096.05 707639.88 22666.12 100221.06 198296.94 74574.35 61143.43 166033.13
7 Labuhan Batu 711872.36 63327.55 1688092.01 16180.36 123230.96 678768.48 166999.84 64112.42 366421.59 8 Asahan 2160309.90 17023.78 2060305.06 82610.24 174710.27 1056042.90 243402.62 184419.71 366426.42
9 Simalungun 3699274.24 24649.75 952691.18 35569.31 123076.06 552217.62 171284.05 158879.20 814259.35 10 Dairi 1548461.19 1771.88 7712.33 7084.80 81586.62 376140.83 102151.47 28700.81 246842.28 11 Karo 2275338.99 15037.25 28331.69 11365.98 137721.42 605915.29 347903.94 69221.21 505878.48
12 Deli Serdang 2731163.64 231332.64 6442205.22 40856.93 545943.44 3655447.10 1577841.64 655161.71 2529844.61 13 Langkat 4608280.78 452977.18 918648.77 29984.54 252325.74 1371969.16 194856.78 180625.08 517676.21 14 Nias Selatan 581195.31 18838.60 23884.70 3058.55 170568.67 334696.75 88445.71 66479.25 143861.90
15 Humbang Hasundutan 621517.00 2811.99 3300.05 4511.39 49070.91 226249.84 57501.24 40096.18 193296.30 16 Pakpak Bharat 121257.03 114.47 481.49 467.03 22499.90 22645.85 2620.82 3163.27 22875.98 17 Samosir 851942.15 455.51 16238.40 1978.98 5167.55 112666.26 14521.51 27135.80 236452.87
18 Serdang Bedagai 2086274.91 79829.81 991861.34 36046.16 576633.29 862787.52 40440.18 194975.42 548368.28 19 Batu Bara 1315408.07 10305.48 4360267.06 56730.77 164002.76 2001227.59 196213.16 129387.56 149264.76
20 Paluta 579280.14 4610.56 37902.38 952.65 92343.41 98935.33 11467.18 5191.44 114515.18 21 Palas 526439.49 6729.38 39304.61 1144.95 97068.36 96873.43 26639.43 5831.80 100559.71 22 Labuhan Batu Utara 1238607.76 47682.54 1381402.53 8825.36 96817.96 644078.62 110347.09 48537.92 224072.87
No. Kabupaten/Kota Pertanian Pertambangan dan Penggalian
Industri Pengolahan
Listrik, Gas, dan Air Bersih
Bangunan
Perdagangan, Hotel, dan
Restoran
Pengangkutan dan Komunikasi
Keuangan, Persewaan, dan Jasa Perusahaan
Jasa-Jasa
25 Nias Barat 207580.93 10768.79 4243.19 352.27 9502.53 20439.46 8388.29 11053.07 28868.82 26 Sibolga 205975.86 56.38 69298.51 5438.63 43097.82 174042.42 131697.89 76015.67 161205.91
27 Tanjung Balai 337033.67 51476.21 265976.69 9611.70 131234.54 371415.30 131195.42 93413.28 215673.13 28 Pematang Siantar 66941.92 409.80 259881.02 25554.42 185154.66 831156.64 392776.95 324464.12 316764.02 29 Tebing Tinggi 20152.77 1149.15 194322.10 5749.80 120958.24 374276.81 254968.51 136077.17 311345.53
30 Medan 834423.85 534.75 5332919.42 555266.22 4952401.41 12361898.76 7856490.90 6649690.62 4760330.46 31 Binjai 164467.20 139758.12 494543.33 37337.27 251425.73 387382.23 131059.97 382258.05 437855.45
Lampiran 2. Produk Domestik Regional Bruto (PDRB) Provinsi Sumatera Utara Menurut Kabupaten/Kota Atas Dasar Harga Berlaku (ADHB)
Tahun 2013 (Juta Rupiah)
No. Kabupaten/Kota Pertanian Pertambangan dan Penggalian
1 Nias 924102.51 60944.85 16462.67 2962.97 116595.98 68539.27 49683.36 66811.15 332731.09 2 Mandailing Natal 2546697.65 69061.38 196319.52 22203.19 502538.12 1025824.54 310599.73 111752.88 788136.48 3 Tapanuli Selatan 2114841.87 15409.66 1106633.54 3885.85 150833.33 561520.50 119087.85 23147.29 390573.17 4 Tapanuli Tengah 1283302.62 20604.03 469681.07 30375.71 195538.97 403618.03 82510.04 116150.10 702500.73 5 Tapanuli Utara 2587168.99 7549.70 83058.98 46600.60 373573.54 814160.30 213788.90 183614.68 811587.82
6 Toba Samosir 1128935 22269 2196922 50380 388736 514416 147873 138852 422603
No. Kabupaten/Kota Pertanian Pertambangan dan Penggalian
Industri Pengolahan
Listrik, Gas, dan Air Bersih
Bangunan
Perdagangan, Hotel, dan
Restoran
Pengangkutan dan Komunikasi
Keuangan, Persewaan, dan Jasa Perusahaan
Jasa-Jasa
Lampiran 3. Hasil Print Out SPSSAnalisis Faktor PDRB
1. Uji Kecukupan Data dan Korelasi Antar Variabel
a. PDRB ADHB
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .693
Bartlett's Test of Sphericity Approx. Chi-Square 720.427
df 36
Sig. .000
b. PDRB ADHK
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .681
Bartlett's Test of Sphericity Approx. Chi-Square 701.252
df 36
c. Korelasi Antar Variabel PDRB ADHB
Correlation Matrixa
X1 X2 X3 X4 X5 X6 X7 X8 X9
Correlation X1 1.000 0.683 0.374 0.121 0.094 0.200 0.073 0.034 0.262
X2 0.683 1.000 0.161 0.012 0.010 0.058 -0.018 -0.019 0.105
X3 0.374 0.161 1.000 0.497 0.502 0.743 0.538 0.477 0.721
X4 0.121 0.012 0.497 1.000 0.986 0.939 0.984 0.989 0.917
X5 0.094 0.010 0.502 0.986 1.000 0.947 0.991 0.993 0.934
X6 0.200 0.058 0.743 0.939 0.947 1.000 0.962 0.939 0.981
X7 0.073 -0.018 0.538 0.984 0.991 0.962 1.000 0.994 0.947
X8 0.034 -0.019 0.477 0.989 0.993 0.939 0.994 1.000 0.923
X9 0.262 0.105 0.721 0.917 0.934 0.981 0.947 0.923 1.000
Sig. (1-tailed) X1 0.000 0.016 0.252 0.302 0.133 0.344 0.426 0.070
X2 0.000 0.185 0.473 0.479 0.374 0.461 0.459 0.280
X3 0.016 0.185 0.002 0.001 0.000 0.001 0.003 0.000
X4 0.252 0.473 0.002 0.000 0.000 0.000 0.000 0.000
X5 0.302 0.479 0.001 0.000 0.000 0.000 0.000 0.000
X6 0.133 0.374 0.000 0.000 0.000 0.000 0.000 0.000
X7 0.344 0.461 0.001 0.000 0.000 0.000 0.000 0.000
X8 0.426 0.459 0.003 0.000 0.000 0.000 0.000 0.000
X9 0.070 0.280 0.000 0.000 0.000 0.000 0.000 0.000
Lanjutan Lampiran 3.
d. Korelasi Antar Variabel PDRB ADHK
Correlation Matrixa
X1 X2 X3 X4 X5 X6 X7 X8 X9
Correlation X1 1.000 0.666 0.341 0.075 0.043 0.148 0.044 0.010 0.238
X2 0.666 1.000 0.280 -0.017 -0.001 0.099 0.003 -0.021 0.173
X3 0.341 0.280 1.000 0.601 0.571 0.736 0.627 0.568 0.748
X4 0.075 -0.017 0.601 1.000 0.985 0.968 0.976 0.987 0.896
X5 0.043 -0.001 0.571 0.985 1.000 0.970 0.987 0.994 0.915
X6 0.148 0.099 0.736 0.968 0.970 1.000 0.984 0.970 0.957
X7 0.044 0.003 0.627 0.976 0.987 0.984 1.000 0.993 0.945
X8 0.010 -0.021 0.568 0.987 0.994 0.970 0.993 1.000 0.914
X9 0.238 0.173 0.748 0.896 0.915 0.957 0.945 0.914 1.000
Sig. (1-tailed) X1 0.000 0.026 0.339 0.407 0.205 0.405 0.478 0.092
X2 0.000 0.058 0.462 0.498 0.291 0.494 0.453 0.167
X3 0.026 0.058 0.000 0.000 0.000 0.000 0.000 0.000
X4 0.339 0.462 0.000 0.000 0.000 0.000 0.000 0.000
X5 0.407 0.498 0.000 0.000 0.000 0.000 0.000 0.000
X6 0.205 0.291 0.000 0.000 0.000 0.000 0.000 0.000
X7 0.405 0.494 0.000 0.000 0.000 0.000 0.000 0.000
X8 0.478 0.453 0.000 0.000 0.000 0.000 0.000 0.000
X9 0.092 0.167 0.000 0.000 0.000 0.000 0.000 0.000
Lanjutan Lampiran 3.
Tabel Eigenvalue, Variance, Cumulative, PDRB ADHB
Faktor (Component)
Initial Eigenvalues Extraction Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
Tabel Eigenvalue, Variance, Cumulative, PDRB ADHK
Faktor (Component)
Initial Eigenvalues Extraction Sums of Squared Loadings
Lanjutan Lampiran 3.
Tabel Faktor Loading Variabel PDRB ADHB Sebelum dirotasi
Variabel Faktor (Component)
1 2
X1 0.204 0.902
X2 0.075 0.877
X3 0.668 0.327
X4 0.970 -0.113
X5 0.975 -0.127
X6 0.992 0.011
X7 0.982 -0.145
X8 0.968 -0.178
X9 0.982 0.068
Extraction Method: Principal Component Analysis. a. 2 components extracted.
Tabel Faktor Loading Variabel PDRB ADHB Setelah dirotasi
Variabel Faktor (Component)
1 2
X1 0.089 0.920
X2 -0.036 0.879
X3 0.621 0.409
X4 0.976 0.011
X5 0.983 -0.003
X6 0.983 0.137
X7 0.992 -0.019
X8 0.982 -0.054
X9 0.966 0.192
Lanjutan Lampiran 3.
Tabel Faktor Loading Variabel PDRB ADHK Sebelum dirotasi
Variabel Faktor (Component)
1 2
X1 0.162 0.889
X2 0.102 0.890
X3 0.726 0.344
X4 0.972 -0.133
X5 0.974 -0.148
X6 0.997 -0.006
X7 0.986 -0.132
X8 0.974 -0.175
X9 0.968 0.098
Extraction Method: Principal Component Analysis. a. 2 components extracted.
Tabel Faktor Loading Variabel PDRB ADHK Setelah dirotasi
Variabel Faktor (Component)
1 2
X1 0.052 0.902
X2 -0.008 0.896
X3 0.678 0.431
X4 0.981 -0.013
X5 0.985 -0.027
X6 0.990 0.117
X7 0.995 -0.010
X8 0.988 -0.054
X9 0.948 0.216
Lanjutan Lampiran 3.
Tabel Residual antara Observed Correlation dan Reproduced Correlationi Variabel PDRB ADHB
Reproduced Correlations
X1 X2 X3 X4 X5 X6 X7 X8 X9
Reproduced Correlation
X1 0.855a 0.806 0.432 0.096 0.084 0.213 0.070 0.038 0.262
X2 0.806 0.774a 0.337 -0.026 -0.038 0.085 -0.053 -0.083 0.134
X3 0.432 0.337 0.553a 0.610 0.609 0.666 0.608 0.588 0.678
X4 0.096 -0.026 0.610 0.953a 0.960 0.961 0.968 0.958 0.945
X5 0.084 -0.038 0.609 0.960 0.967a 0.966 0.976 0.966 0.949
X6 0.213 0.085 0.666 0.961 0.966 0.984a 0.972 0.958 0.975
X7 0.070 -0.053 0.608 0.968 0.976 0.972 0.985a 0.976 0.954
X8 0.038 -0.083 0.588 0.958 0.966 0.958 0.976 0.968a 0.938
X9 0.262 0.134 0.678 0.945 0.949 0.975 0.954 0.938 0.969a
Residualb X1 -0.123 -0.058 0.024 0.009 -0.013 0.002 -0.004 0.000
X2 -0.123 -0.176 0.038 0.048 -0.027 0.035 0.064 -0.028
X3 -0.058 -0.176 -0.114 -0.107 0.077 -0.071 -0.111 0.043
X4 0.024 0.038 -0.114 0.026 -0.021 0.015 0.031 -0.028
X5 0.009 0.048 -0.107 0.026 -0.018 0.015 0.026 -0.014
X6 -0.013 -0.027 0.077 -0.021 -0.018 -0.011 -0.019 0.006
X7 0.002 0.035 -0.071 0.015 0.015 -0.011 0.018 -0.007
X8 -0.004 0.064 -0.111 0.031 0.026 -0.019 0.018 -0.015
X9 0.000 -0.028 0.043 -0.028 -0.014 0.006 -0.007 -0.015
Extraction Method: Principal Component Analysis. a. Reproduced communalities
Tabel Residual antara Observed Correlation dan Reproduced Correlationi Variabel PDRB ADHK
Reproduced Correlations
X1 X2 X3 X4 X5 X6 X7 X8 X9
Reproduced Correlation
X1 0.816a 0.807 0.424 0.039 0.027 0.157 0.043 0.002 0.244
X2 0.807 0.803a 0.381 -0.019 -0.032 0.097 -0.017 -0.057 0.186
X3 0.424 0.381 0.645a 0.660 0.656 0.722 0.670 0.646 0.736
X4 0.039 -0.019 0.660 0.963a 0.967 0.970 0.976 0.970 0.928
X5 0.027 -0.032 0.656 0.967 0.971a 0.973 0.980 0.975 0.928
X6 0.157 0.097 0.722 0.970 0.973 0.995a 0.984 0.972 0.964
X7 0.043 -0.017 0.670 0.976 0.980 0.984 0.990a 0.983 0.941
X8 0.002 -0.057 0.646 0.970 0.975 0.972 0.983 0.979a 0.925
X9 0.244 0.186 0.736 0.928 0.928 0.964 0.941 0.925 0.946a
Residualb X1 -0.142 -0.082 0.036 0.016 -0.008 0.001 0.008 -0.006
X2 -0.142 -0.101 0.002 0.031 0.003 0.020 0.035 -0.013
X3 -0.082 -0.101 -0.058 -0.085 0.014 -0.043 -0.079 0.012
X4 0.036 0.002 -0.058 0.018 -0.002 0.000 0.017 -0.032
X5 0.016 0.031 -0.085 0.018 -0.002 0.007 0.020 -0.013
X6 -0.008 0.003 0.014 -0.002 -0.002 0.000 -0.002 -0.008
X7 0.001 0.020 -0.043 0.000 0.007 0.000 0.009 0.004
X8 0.008 0.035 -0.079 0.017 0.020 -0.002 0.009 -0.011
X9 -0.006 -0.013 0.012 -0.032 -0.013 -0.008 0.004 -0.011
Extraction Method: Principal Component Analysis. a. Reproduced communalities
Lanjutan Lampiran 3.
Tabel Anti-image Matrices Untuk Data PDRB ADHB
X1 X2 X3 X4 X5 X6 X7 X8 X9
Anti-image Covariance
X1 0.091 -0.127 0.015 -0.018 -0.005 -0.002 -0.003 0.009 -0.026
X2 -0.127 0.300 -0.011 0.023 0.006 0.000 0.010 -0.013 0.026
X3 0.015 -0.011 0.020 -0.003 0.005 -0.006 0.003 0.002 -0.005
X4 -0.018 0.023 -0.003 0.005 0.000 -6.868E-6 0.001 -0.002 0.006
X5 -0.005 0.006 0.005 0.000 0.009 -0.002 0.001 -0.001 0.000
X6 -0.002 0.000 -0.006 -6.868E-6 -0.002 0.002 -0.002 -9.151E-5 -8.830E-5
X7 -0.003 0.010 0.003 0.001 0.001 -0.002 0.003 0.000 0.000
X8 0.009 -0.013 0.002 -0.002 -0.001 -9.151E-5 0.000 0.001 -0.003
X9 -0.026 0.026 -0.005 0.006 0.000 -8.830E-5 0.000 -0.003 0.015
Anti-image Correlation
X1 0.220a -0.767 0.340 -0.832 -0.157 -0.114 -0.174 0.825 -0.699
X2 -0.767 0.237a -0.138 0.583 0.112 -0.026 0.349 -0.639 0.381
X3 0.340 -0.138 0.594a -0.251 0.341 -0.919 0.437 0.310 -0.308
X4 -0.832 0.583 -0.251 0.680a 0.034 -0.002 0.229 -0.827 0.690
X5 -0.157 0.112 0.341 0.034 0.927a -0.361 0.150 -0.285 -0.014
X6 -0.114 -0.026 -0.919 -0.002 -0.361 0.793a -0.591 -0.050 -0.014
X7 -0.174 0.349 0.437 0.229 0.150 -0.591 0.835a -0.480 -0.017
X8 0.825 -0.639 0.310 -0.827 -0.285 -0.050 -0.480 0.663a -0.556
X9 -0.699 0.381 -0.308 0.690 -0.014 -0.014 -0.017 -0.556 0.769a
Lanjutan Lampiran 3.
Tabel Anti-image Matrices Untuk Data PDRB ADHK
X1 X2 X3 X4 X5 X6 X7 X8 X9
Anti-image Covariance
X1 0.168 -0.085 0.046 -0.023 0.005 -0.008 0.004 0.008 -0.037
X2 -0.085 0.315 0.019 0.022 0.011 -0.011 0.012 -0.010 -0.013
X3 0.046 0.019 0.035 -0.006 0.007 -0.008 0.004 0.002 -0.018
X4 -0.023 0.022 -0.006 0.007 0.000 0.000 0.001 -0.002 0.005
X5 0.005 0.011 0.007 0.000 0.007 -0.002 0.002 -0.001 -0.004
X6 -0.008 -0.011 -0.008 0.000 -0.002 0.002 -0.001 0.000 0.004
X7 0.004 0.012 0.004 0.001 0.002 -0.001 0.002 0.000 -0.004
X8 0.008 -0.010 0.002 -0.002 -0.001 0.000 0.000 0.002 0.000
X9 -0.037 -0.013 -0.018 0.005 -0.004 0.004 -0.004 0.000 0.020
Anti-image Correlation
X1 0.257a -0.367 0.599 -0.668 0.133 -0.442 0.218 0.507 -0.646
X2 -0.367 0.338a 0.179 0.461 0.242 -0.407 0.518 -0.453 -0.163
X3 0.599 0.179 0.532a -0.375 0.482 -0.884 0.523 0.254 -0.702
X4 -0.668 0.461 -0.375 0.758a -0.037 0.042 0.221 -0.754 0.421
X5 0.133 0.242 0.482 -0.037 0.815a -0.540 0.476 -0.414 -0.376
X6 -0.442 -0.407 -0.884 0.042 -0.540 0.694a -0.745 0.058 0.575
X7 0.218 0.518 0.523 0.221 0.476 -0.745 0.710a -0.543 -0.626
X8 0.507 -0.453 0.254 -0.754 -0.414 0.058 -0.543 0.762a -0.088
X9 -0.646 -0.163 -0.702 0.421 -0.376 0.575 -0.626 -0.088 0.713a
Lanjutan Lampiran 3.
Tabel Component Transformation Matrix Data PDRB ADHB
Tabel Component Transformation Matrix Data PDRB ADHB
Component 1 2
1 0.992 0.126
2 -0.126 0.992
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Component 1 2
1 0.992 0.123
2 -0.123 0.992
Lampiran 4. Perhitungan Analisis Faktor Dengan Menggunakan Matriks
1. PDRB ADHB
Matriks Korelasi Sederhana
X1 X2 X3 X4 X5 X6 X7 X8 X9
X1 1,000 0.683 0.374 0.121 0.094 0.200 0.073 0.034 0.262
X2 0.683 1,000 0.161 0.012 0.010 0.058 -0.018 -0.019 0.105
X3 0.374 0.161 1,000 0.497 0.502 0.743 0.538 0.477 0.721
X4 0.121 0.012 0.497 1,000 0.986 0.939 0.984 0.989 0.917
Σ = X5 0.094 0.010 0.502 0.986 1,000 0.947 0.991 0.993 0.934
X6 0.200 0.058 0.743 0.939 0.947 1,000 0.962 0.939 0.981
X7 0.073 -0.018 0.538 0.984 0.991 0.962 1,000 0.994 0.947
X8 0.034 -0.019 0.477 0.989 0.993 0.939 0.994 1,000 0.923
X9 0.262 0.105 0.721 0.917 0.934 0.981 0.947 0.923 1,000
Matriks Korelasi Parsial
X1 X2 X3 X4 X5 X6 X7 X8 X9
X1 -0.767 0.340 -0.832 -0.157 -0.114 -0.174 0.825 -0.699
X2 -0.767 -0.138 0.583 0.112 -0.026 0.349 -0.639 0.381
X3 0.340 -0.138 -0.251 0.341 -0.919 0.437 0.310 -0.308
X4 -0.832 0.583 -0.251 0.034 -0.002 0.229 -0.827 0.690
A = (aij) = X5 -0.157 0.112 0.341 0.034 -0.361 0.150 -0.285 -0.014
X6 -0.114 -0.026 -0.919 -0.002 -0.361 -0.591 -0.050 -0.014
X7 -0.174 0.349 0.437 0.229 0.150 -0.591 -0.480 -0.017
X8 0.825 -0.639 0.310 -0.827 -0.285 -0.050 -0.480 -0.556
X9 -0.699 0.381 -0.308 0.690 -0.014 -0.014 -0.017 -0.556
Untuk Menghitung nilai Kaiser Meyer Olkin (KMO) maka maka nilai – nilai dari matriks korelasi sederhana dan matriks korelasi parsial harus dikuadratkan terlebih dahulu. Hasil dari kuadrat nilai – nilai tersebut adalah sebagai berikut :
X1 X2 X3 X4 X5 X6 X7 X8 X9 Jumlah
Setelah nilai – nilai dari matriks korelasi sederhana dan matriks korelasi parsial dikuadratkan dan kemudian dilakukan penjumlahan, maka tahap selanjutnya adalah menghitung nilai Kaiser Meyer Olkin (KMO). Proses perhitungannya adalah sebagai berikut :
KMO = ∑ ∑ r
Lanjutan Lampiran 4.
Tahapan selanjutnya adalah melakukan uji Bartlett dengan pendekatan
statistik chi square untuk menguji apakah matriks korelasi bukan merupakan
suatu matriks identitas. Langkah – langkah pengujiannya adalah sebagai berikut :
a. Hipotesis
H0 : Matriks korelasi merupakan matriks identitas
H1 : Matriks korelasi bukan merupakan matriks identitas
Statistik uji,
𝜒𝜒2 =− �(𝑁𝑁 −1)−(2𝑝𝑝+ 5)
6 � 𝑙𝑙𝑙𝑙|R|
b. χ2hitung > χ2α, p(p−1)/2
α = 5% = 0.05
p = 9
df =p(p−1)
2 =
9(9−1) 2 = 36 χ2
(0.05),(36) = 50.998
c. Kriteria pengujian : Tolak H0 jika χ2hitung >χ2(0.05),(36) = 50.998
d. Perhitungan χ2
Det (R) = 0,0000000000078
𝜒𝜒2 =− �(33−1)−(2(9) + 5)
6 � 𝑙𝑙𝑙𝑙|0,0000000000078| = −[32−3.83](−25,577)
= −(28,17)(−25,577)
= 720.504
e. Kesimpulan
Dari hasil perhitungan diperoleh χ2hitung = 720.504 >χ2(0.05),(36) = 50.998,
sehingga H0 ditolak. Dengan demikian, matriks korelasi sederhana bukan
2. PDRB ADHK
Matriks Korelasi Sederhana
X1 X2 X3 X4 X5 X6 X7 X8 X9
X1 1,000 0.666 0.341 0.075 0.043 0.148 0.044 0.010 0.238
X2 0.666 1,000 0.280 -0.017 -0.001 0.099 0.003 -0.021 0.173
X3 0.341 0.280 1,000 0.601 0.571 0.736 0.627 0.568 0.748
X4 0.075 -0.017 0.601 1,000 0.985 0.968 0.976 0.987 0.896
Σ = X5 0.043 -0.001 0.571 0.985 1,000 0.970 0.987 0.994 0.915
X6 0.148 0.099 0.736 0.968 0.970 1,000 0.984 0.970 0.957
X7 0.044 0.003 0.627 0.976 0.987 0.984 1,000 0.993 0.945
X8 0.010 -0.021 0.568 0.987 0.994 0.970 0.993 1,000 0.914
X9 0.238 0.173 0.748 0.896 0.915 0.957 0.945 0.914 1,000
Matriks Korelasi Parsial
X1 X2 X3 X4 X5 X6 X7 X8 X9
X1 -0.367 0.599 -0.668 0.133 -0.442 0.218 0.507 -0.646
X2 -0.367 0.179 0.461 0.242 -0.407 0.518 -0.453 -0.163
X3 0.599 0.179 -0.375 0.482 -0.884 0.523 0.254 -0.702
X4 -0.668 0.461 -0.375 -0.037 0.042 0.221 -0.754 0.421
A = (aij) = X5 0.133 0.242 0.482 -0.037 -0.540 0.476 -0.414 -0.376
X6 -0.442 -0.407 -0.884 0.042 -0.540 -0.745 0.058 0.575
X7 0.218 0.518 0.523 0.221 0.476 -0.745 -0.543 -0.626
X8 0.507 -0.453 0.254 -0.754 -0.414 0.058 -0.543 -0.088
X9 -0.646 -0.163 -0.702 0.421 -0.376 0.575 -0.626 -0.088
Lanjutan Lampiran 4.
Setelah nilai – nilai dari matriks korelasi sederhana dan matriks korelasi parsial dikuadratkan dan kemudian dilakukan penjumlahan, maka tahap selanjutnya adalah menghitung nilai Kaiser Meyer Olkin (KMO). Proses perhitungannya adalah sebagai berikut :
KMO = ∑ ∑ r
Lanjutan Lampiran 4.
Tahapan selanjutnya adalah melakukan uji Bartlett dengan pendekatan
statistik chi square untuk menguji apakah matriks korelasi bukan merupakan
suatu matriks identitas. Langkah – langkah pengujiannya adalah sebagai berikut :
a. Hipotesis
H0 : Matriks korelasi merupakan matriks identitas
H1 : Matriks korelasi bukan merupakan matriks identitas
Statistik uji,
𝜒𝜒2 =− �(𝑁𝑁 −1)−(2𝑝𝑝+ 5)
6 � 𝑙𝑙𝑙𝑙|R|
b. χ2hitung > χ2α, p(p−1)/2
α = 5% = 0.05
p = 9
df =p(p−1)
2 =
9(9−1) 2 = 36 χ2
(0.05),(36) = 50.998
c. Kriteria pengujian : Tolak H0 jika χ2hitung >χ2(0.05),(36) = 50.998
d. Perhitungan χ2
Det (R) = 0,0000000000154
𝜒𝜒2 =− �(33−1)−(2(9) + 5)
6 � 𝑙𝑙𝑙𝑙|0,0000000000154| = −[32−3.83](−24,897)
= −(28,17)(−24,897)
= 701.348
e. Kesimpulan
Dari hasil perhitungan diperoleh χ2hitung = 701.348 >χ2(0.05),(36) = 50.998,
sehingga H0 ditolak. Dengan demikian, matriks korelasi sederhana bukan
Lanjutan Lampiran 4.
1. PDRB ADHB
Nilai eigen value dan nilai eigen vector dari matriks korelasi sederhana (Σ) diperoleh dengan menggunakan software MATLAB R2010a. Hasilnya
adalah sebagai berikut :
Matriks Eigen Value
X1 X2 X3 X4 X5 X6 X7 X8 X9
X1 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
X2 0.000 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000
X3 0.000 0.000 0.007 0.000 0.000 0.000 0.000 0.000 0.000
X4 0.000 0.000 0.000 0.009 0.000 0.000 0.000 0.000 0.000
λ = X5 0.000 0.000 0.000 0.000 0.038 0.000 0.000 0.000 0.000
X6 0.000 0.000 0.000 0.000 0.000 0.279 0.000 0.000 0.000
X7 0.000 0.000 0.000 0.000 0.000 0.000 0.656 0.000 0.000
X8 0.000 0.000 0.000 0.000 0.000 0.000 0.000 1.775 0.000
X9 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 6.233
Matriks Eigen Vector
X1 X2 X3 X4 X5 X6 X7 X8 X9
X1 0.093 -0.018 0.065 -0.043 -0.029 -0.721 -0.005 0.677 0.082
X2 -0.032 0.019 0.001 0.016 -0.013 0.619 -0.425 0.658 0.030
X3 0.187 0.185 -0.117 -0.031 -0.252 0.277 0.803 0.246 0.268
X4 -0.355 0.108 -0.328 0.481 -0.556 -0.118 -0.209 -0.085 0.388
V = X5 -0.065 0.156 -0.375 -0.792 -0.022 -0.042 -0.199 -0.095 0.391
X6 -0.418 -0.650 0.447 -0.147 -0.038 0.066 0.136 0.009 0.397
X7 0.063 0.610 0.659 0.042 0.068 -0.009 -0.131 -0.108 0.393
X8 0.791 -0.367 -0.034 0.141 -0.066 0.022 -0.216 -0.133 0.388
X9 -0.150 0.024 -0.316 0.308 0.785 -0.006 0.097 0.051 0.393
X1 X2 X3 X4 X5 X6 X7 X8 X9
X1 0.031 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
X2 0.000 0.035 0.000 0.000 0.000 0.000 0.000 0.000 0.000
X3 0.000 0.000 0.082 0.000 0.000 0.000 0.000 0.000 0.000
X4 0.000 0.000 0.000 0.097 0.000 0.000 0.000 0.000 0.000
√λ = X5 0.000 0.000 0.000 0.000 0.195 0.000 0.000 0.000 0.000
X6 0.000 0.000 0.000 0.000 0.000 0.528 0.000 0.000 0.000
X7 0.000 0.000 0.000 0.000 0.000 0.000 0.810 0.000 0.000
X8 0.000 0.000 0.000 0.000 0.000 0.000 0.000 1.332 0.000
X9 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 2.497
Dengan mengalikan matriks eigen value dengan akar dari matriks eigen value maka akan diperoleh nilai dari matriks Loading factor (L). Secara
matematis dapat ditulis : L = V x √λ . Hasil perkalian tersebut adalah sebagai berikut :
X1 X2 X3 X4 X5 X6 X7 X8 X9
X1 0.003 -0.001 0.005 -0.004 -0.006 -0.381 -0.004 0.902 0.205
X2 -0.001 0.001 0.000 0.002 -0.003 0.327 -0.345 0.877 0.075
X3 0.006 0.007 -0.010 -0.003 -0.049 0.146 0.650 0.327 0.668
X4 -0.011 0.004 -0.027 0.047 -0.108 -0.062 -0.169 -0.113 0.970
L = X5 -0.002 0.005 -0.031 -0.077 -0.004 -0.022 -0.161 -0.127 0.975
X6 -0.013 -0.023 0.037 -0.014 -0.008 0.035 0.110 0.012 0.992
X7 0.002 0.022 0.054 0.004 0.013 -0.005 -0.106 -0.144 0.982
X8 0.024 -0.013 -0.003 0.014 -0.013 0.012 -0.175 -0.178 0.968
X9 -0.005 0.001 -0.026 0.030 0.153 -0.003 0.078 0.068 0.982
Pada matriks diatas, angka yang dicetak tebal merupakan nilai dari factor loading yang memiliki nilai eigen value yang lebih besar dari satu.
Dengan mengalikan matriks factor loading dengan matriks transformasi (Component Transformation Matrix) maka diperoleh nilai rotasi faktor. Secara matematis dapat ditulis : Lrotated = L x R
1 2
1 0.902 0.205
2 0.877 0.075
3 0.327 0.668
4 -0.113 0.970
L = 5 -0.127 0.975
6 0.012 0.992
7 -0.144 0.982
8 -0.178 0.968
9 0.068 0.982
Sehingga,
0.902 0.205 0,869 0,317
0.877 0.075 0,861 0,185
0.327 0.668 0,240 0,704
-0.113 0.970 -0,234 0,948
Lrotated = -0.127 0.975
x 0.992 0.126 = -0,249 0,951
0.012 0.992 -0.126 0.992 -0,113 0,986
-0.144 0.982 -0,267 0,956
-0.178 0.968 -0,299 0,938
0.068 0.982 -0,056 0,983
Lanjutan Lampiran 4.
1 2
R = 1 0.992 0.126
Nilai eigen value dan nilai eigen vector dari matriks korelasi sederhana (Σ) diperoleh dengan menggunakan software MATLAB R2010a. Hasilnya
adalah sebagai berikut :
Matriks Eigen Value
X1 X2 X3 X4 X5 X6 X7 X8 X9
X1 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
X2 0.000 0.002 0.000 0.000 0.000 0.000 0.000 0.000 0.000
X3 0.000 0.000 0.008 0.000 0.000 0.000 0.000 0.000 0.000
X4 0.000 0.000 0.000 0.010 0.000 0.000 0.000 0.000 0.000
λ = X5 0.000 0.000 0.000 0.000 0.076 0.000 0.000 0.000 0.000
X6 0.000 0.000 0.000 0.000 0.000 0.334 0.000 0.000 0.000
X7 0.000 0.000 0.000 0.000 0.000 0.000 0.462 0.000 0.000
X8 0.000 0.000 0.000 0.000 0.000 0.000 0.000 1.798 0.000
X9 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 6.310
Matriks Eigen Vektor
X1 X2 X3 X4 X5 X6 X7 X8 X9
X1 0.006 0.070 0.003 0.080 -0.029 0.726 -0.135 0.663 0.065
X2 -0.031 -0.002 -0.024 -0.039 -0.071 -0.668 -0.322 0.664 0.041
X3 -0.044 0.191 0.057 -0.050 -0.203 -0.121 0.866 0.257 0.289
X4 -0.185 -0.301 -0.304 -0.597 -0.481 0.106 -0.155 -0.099 0.387
V = X5 -0.165 0.133 0.855 -0.031 -0.116 0.009 -0.218 -0.110 0.388
X6 0.375 -0.637 0.004 0.532 -0.104 -0.030 0.030 -0.005 0.397
X7 -0.660 0.211 -0.342 0.457 0.137 -0.022 -0.105 -0.098 0.393
X8 0.595 0.612 -0.235 0.019 -0.086 -0.022 -0.202 -0.131 0.388
X9 0.076 -0.160 -0.013 -0.374 0.819 -0.001 0.061 0.073 0.385
X1 X2 X3 X4 X5 X6 X7 X8 X9
X1 0.030 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
X2 0.000 0.042 0.000 0.000 0.000 0.000 0.000 0.000 0.000
X3 0.000 0.000 0.091 0.000 0.000 0.000 0.000 0.000 0.000
X4 0.000 0.000 0.000 0.102 0.000 0.000 0.000 0.000 0.000
√λ = X5 0.000 0.000 0.000 0.000 0.275 0.000 0.000 0.000 0.000
X6 0.000 0.000 0.000 0.000 0.000 0.578 0.000 0.000 0.000
X7 0.000 0.000 0.000 0.000 0.000 0.000 0.680 0.000 0.000
X8 0.000 0.000 0.000 0.000 0.000 0.000 0.000 1.341 0.000
X9 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 2.512
Dengan mengalikan matriks eigen value dengan akar dari matriks eigen value maka akan diperoleh nilai dari matriks Loading factor (L). Secara
matematis dapat ditulis : L = V x √λ . Hasil perkalian tersebut adalah sebagai berikut :
X1 X2 X3 X4 X5 X6 X7 X8 X9
X1 0.000 0.003 0.000 0.008 -0.008 0.419 -0.092 0.889 0.162
X2 -0.001 -0.000 -0.002 -0.004 -0.019 -0.386 -0.219 0.890 0.102
X3 -0.001 0.008 0.005 -0.005 -0.056 -0.070 0.589 0.344 0.726
X4 -0.006 -0.013 -0.028 -0.061 -0.132 0.061 -0.105 -0.133 0.972
L = X5 -0.005 0.006 0.078 -0.003 -0.032 0.005 -0.148 -0.148 0.974
X6 0.011 -0.027 0.000 0.054 -0.028 -0.017 0.020 -0.006 0.997
X7 -0.020 0.009 -0.031 0.047 0.038 -0.013 -0.071 -0.132 0.986
X8 0.018 0.026 -0.021 0.002 -0.024 -0.013 -0.137 -0.175 0.974
X9 0.002 -0.007 -0.001 -0.038 0.225 -0.000 0.041 0.098 0.968
Pada matriks diatas, angka yang dicetak tebal merupakan nilai dari factor loading yang memiliki nilai eigen value yang lebih besar dari satu.
Dengan mengalikan matriks factor loading dengan matriks transformasi (Component Transformation Matrix) maka diperoleh nilai rotasi faktor. Secara matematis dapat ditulis : Lrotated = L x R
1 2
1 0.889 0.162
2 0.890 0.102
3 0.344 0.726
4 -0.133 0.972
L = 5 -0.148 0.974
6 -0.006 0.997
7 -0.132 0.986
8 -0.175 0.974
9 0.098 0.968
Sehingga,
0,889 0,162 0,862 0,270
0,890 0,102 0,870 0,211
0,344 0,726 0,252 0,763
-0,133 0,972 -0,251 0,948
Lrotated = -0,148 0,974
X 0,992 0,123
=
-0,267 0,948
-0,006 0,997 -0,123 0,992 -0,129 0,988
-0,132 0,986 -0,252 0,962
-0,175 0,974 -0,293 0,945
0,098 0,968 -0,022 0,972
1 2
R = 1 0.992 0.123
Tabel Perhitungan korelasi antara variabel Pertanian (X1) dan variabel
Pertambangan dan Penggalian (X2) untuk data PDRB ADHB.
No. X1 X2 X1X2 X1
2
X2 2
Lanjutan Lampiran 4.
Tabel Perhitungan korelasi antara variabel Pertanian (X1) dan variabel
Pertambangan dan Penggalian (X2) untuk data PDRB ADHK.
No. X1 X2 X1X2 X1
2
X2 2