LAPORAN PRAKTIKUM ANALISIS FAKTOR Metode Analisis Perencanaan I
Dosen Pembimbing :
Widiyanto Hari Subagyo Widodo, ST., M. Sc Endratno Budi Santoso, ST.,MT
Penyusun : Ester Parmanes / 2224034
PROGRAM STUDI PERENCANAAN WILAYAH DAN KOTA FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL MALANG 2023
Kata Pengantar
Puji syukur kehadirat Tuhan Yang Maha Esa yang telah memberikan rahmat dan karunia- Nya sehingga kami diberikan kelancaran dalam menyelesaikan Laporan yang berjudul
“Laporan Praktikum Analisis Faktor” yang mana merupakan bagian dari tugas individu Mata Kuliah dari Metode Analisis Perencanaan I. Dalam proses penyusunan laporan ini diselesaikan dengan baik dan berkat bantuan serta bimbingan dari berbagai pihak. Oleh karena itu kami ingin menyampaikan rasa terimakasih kepada:
1. Bapak Widiyanto Hari Subagyo Widodo, ST., M. Sc dan Bapak Endratno Budi Santoso, ST.,MTselaku dosen pembimbing Mata Kuliah Metode Analisis Perencanaan.
2. Kakak-kakak tingkat dan juga Alumni yang telah yang telah memberikan informasi dan masukan mengenai Mata Metode Analisis Perencanaan I berdasarkan pengalaman yang mereka miliki.
3. Orang tua dan keluarga yang telah memberikan dukungan, baik dalam doa, motivasi, serta finansial.
4. Teman-teman atas semangat, kerjasama, dan kekompakannya serta teman-teman seperjuangan PWK Angkatan 2022 (Ataraksa) atas semangat, kerja keras, dan kekompakannya
Menyadari bahwa dalam Menyusun laporan memiliki keterbatasan oleh karena itu kami sangat mengharapkan adanya kritik dan saran yang membangun demi kesempurnaan laporan ini.
Malang, 12 Desember 2023
Penyusun
DAFTAR ISI
DAFTAR ISI...iv
BAB I PENDAHULUAN...15
1.1 Latar Belakang...1
BAB II ANALISIS FAKTOR...3
2.1 Definisi Analisis Faktor...3
2.2 Jenis – jenis Analisis Faktor...5
2.3 Implementasi Analisis Faktor...6
BAB III UJI ANALISIS...8
3.1 Studi Kasus...8
3.2 Analisis Faktor EFA...9
3.2.1 Communalities...9
3.2.2 Total Variance Explained...9
3.2.3 Scree Plot...11
3.2.4 Component Matrix...11
3.25 Rotated Component Matrix...12
3.2.6 Component Transformation Matrix...14
BAB IV PENUTUP...15
5.1 Kesimpulan...15
DAFTAR GAMBAR
Gambar 1 Analisa Faktor...4
Gambar 2 Pemodelan Analisis Faktor...4
Gambar 3 Model Analisis Faktor...5
Gambar 4 Tabel Standartisasi Z Score...9
Gambar 5 Tabel Uji Korelasi...9
Gambar 6 Tabel Scree Plot...11
Gambar 7 Tabel Component Matrix...11
Gambar 8 Rotated Component Matrix...12
Gambar 9 Tabel Component Transformation Matrix...14
BAB I PENDAHULUAN 1.1 Latar Belakang
Perencanaan adalah suatu proses memutuskan sebelumnya mengenai apa yang harus dilakukan dimasa mendatang, bagaimana, kaoaan, dan oleh siapa dengan memepertimbangkan semua faktor – faktor yang memeperngaruhi ( Koontz dan O’Donnell, 1976). Perencanaan adalah suatu proses penyusunan tujuan – tujuan dan pengaturan sumber daya untuk mencapai tujuan tersebut secara efektif dan efisien.
(Chester I. Barndard). perencanaan adalah bahwa itu merupakan suatu proses yang melibatkan keputusan sebelumnya mengenai tindakan apa yang akan dilakukan di masa depan, bagaimana cara melakukannya, kapan, dan oleh siapa. Proses ini mempertimbangkan semua faktor yang dapat mempengaruhi implementasi rencana tersebut. Selain itu, perencanaan juga melibatkan penetapan tujuan dan alokasi sumber daya untuk mencapai tujuan tersebut dengan cara yang efektif dan efisien.
Proses perencanaan harus berjalan secara berkelanjutan dan berkesinambungan.
Memahami hal-hal yang perlu diperhatikan adalah sangat penting dalam perencanaan.
Tahap krusial dalam proses ini adalah pengambilan keputusan mengenai tindakan terbaik untuk mencapai perubahan atau pengembangan, beserta cara pelaksanaannya.
Tujuan dari perencanaan adalah mencapai target spesifik yang telah diidentifikasi atau ditetapkan sebelum memulai suatu proyek (Conyer dan Hills, 1984). Perencanaan adalah suatu kegiatan yang menghubungkan pengetahuan dengan tindakan yang terstruktur dengan baik. Oleh karena itu, Perencanaan Wilayah dan Kota adalah proses untuk merumuskan rencana terkait wilayah dan kota, yang akan menjadi landasan bagi perubahan dan pengembangan wilayah serta kota menuju masa depan yang lebih baik. Proses ini bergantung pada keterkaitan antara pengetahuan dan tindakan yang akan dilaksanakan. Dalam proses pengambilan keputusan, diperlukan bantuan dari berbagai metode analisis untuk mengidentifikasi karakteristik khusus dari wilayah dan kota, baik di masa lalu, sekarang, maupun kecenderungannya di masa yang akan datang. Dengan cara ini, dapat diperoleh pemahaman yang dapat diandalkan sebagai dasar untuk membuat keputusan terkait tindakan di masa mendatang. Hal ini kemudian akan menghasilkan rencana yang efektif sebagai hasil dari proses tersebut.
Analisis adalah kegiatan berpikir untuk menguraikan suatu keseluruhan menjadi komponen sehingga dapat mengenal tanda – tanda komponen, hubungannya
satu sama lain dan fungsi masing – masing dalam saty keseluruhan yang terpadu.
(Komaruddin, 2001). Analisis diartikan sebagai suatu proses untuk memecahkan sesuatu kedalam bagian yang saling berkaitan. (Goys Keraf). Analisi merupakan suatu cara untuk membantu perencana dalam mendukung dan proses suatu renacana.
Metode Analisis Perencanaan adalah seperangkat teknik atau alat bantu yang membantu perencana dalam melakukan analisis untuk mendukung proses perencanaan wilayah dan kota. Metode ini terdiri dari dua pendekatan berbeda, yaitu analisis kuantitatif dan analisis kualitatif, dan keduanya memiliki kepentingan yang sama. Selain dari perspektif pendekatan ini, Metode Analisis Perencanaan juga mempertimbangkan elemen-elemen utama wilayah dan kota yang perlu dipahami dengan baik, seperti elemen fisik, elemen sosial-budaya, elemen ekonomi, dan elemen interaksi spasial. Karena perencanaan adalah suatu proses, Metode Analisis Perencanaan juga mencakup teknik yang mendukung setiap tahap di dalam proses perencanaan, yang secara umum meliputi kegiatan mendeskripsikan karakteristik, peramalan masa depan, dan membuat keputusan.
Dalam penelitian dan perencanaan, analisis merupakan proses memecah suatu keseluruhan menjadi komponen yang saling terkait, untuk memahami tanda-tanda komponen tersebut, hubungannya, dan fungsi masing-masing dalam kesatuan yang terpadu. Analisis juga merupakan cara untuk memecahkan sesuatu menjadi bagian yang berkaitan satu sama lain. Pentingnya analisis dalam perencanaan terutama tercermin dalam penggunaan metode analisis Faktor. Metode ini Tujuan utamanya adalah mendeskripsikan atau menggambarkan hubungan antara banyak variable yang tidak teramati kuantitasnya yang disebut dengan factor umum atau variable laten (Jhonson, 1956). berfungsi untuk mereduksi dimensi data dengan cara menyatakan variable asal sebagai kombinasi linear sejumlah factor umum atau common factor ditambahkan dengan factor khusus atau spesifik factor, sedemikian hingga sejumlah factor umum tersebut mampu menjelaskan semaksimal mungkin keragaman data yang dijelaskan oleh variabel asal.
BAB II
ANALISIS FAKTOR 2.1 Definisi Analisis Faktor
Menurut Charles Spearman memandang analisis faktor sebagai suatu metode statistik yang bertujuan untuk mengidentifikasi faktor-faktor umum yang menjadi dasar variasi variabel dalam suatu dataset. Menurut Louis Leon Thurstone, analisis faktor diartikan sebagai suatu metode untuk mengenali dimensi-dimensi yang mendasari hubungan antar variabel dalam dataset. David J. Bartholomew memandang analisis faktor sebagai suatu metode untuk memahami hubungan antara variabel terikat dan variabel bebas dalam dataset. J. Scott Armstrong, sementara itu, menginterpretasikan analisis faktor sebagai metode untuk memisahkan variabel yang dipengaruhi oleh kesalahan pengukuran dari variabel yang benar-benar relevan dalam dataset. Dengan demikian, para ahli ini memberikan pandangan yang berbeda-beda namun konvergen tentang esensi analisis faktor dalam merinci hubungan antar variabel dalam suatu konteks data.
Analisis faktor ni merupakan salah satu analisis yang bertujuan untuk menemukan hubungan antara sejumlah variabel yang saling bebas satu sama lain, sehingga dapat dibentuk satu atau beberapa set variabel yang lebih sedikit dari jumlah variabel awal.
Proses ini melibatkan pengelompokan variabel berdasarkan korelasi terbesar, membentuk suatu set variabel yang disebut faktor. Analisis faktor Confirmatory (CFA) digunakan untuk mengonfirmasi atau menguji model pengukuran yang dirumuskan dari teori. Model ini dapat digunakan untuk berbagai tujuan, seperti evaluasi psikometrik, deteksi efek metode, membangun validitas, dan mengevaluasi varian pengukuran.
Tujuan utamanya adalah menguji apakah indikator-indikator yang telah dikelompokkan berdasarkan variabel laten atau konstruknya konsisten dalam konstruk tersebut. Dalam CFA, peneliti menguji kesesuaian data dengan model yang telah dibentuk sebelumnya.
Sebaliknya, Penelitian Exploratory Factor Analysis (EFA) dilakukan tanpa dugaan teoritis mengenai jumlah faktor atau pengelompokan variabel. Metode ini digunakan untuk membangun model struktural dari satu set atau banyak variabel, mengidentifikasi hubungan antara variabel manifest atau indikator untuk membangun suatu konstruk.
EFA berguna ketika peneliti tidak memiliki informasi awal atau hipotesis mengenai kelompokan variabel atau ketika variabel laten memiliki indikator yang belum jelas.
Dalam EFA, peneliti memulai dengan indikator (manifest) dan membentuk variabel, memungkinkan overlap antara indikator satu variabel laten dengan indikator variabel
laten lainnya. Secara keseluruhan, analisis faktor merupakan studi tentang keterhubungan antar variabel untuk menemukan variabel baru atau laten, yang juga disebut faktor laten..
Gambar 1 Analisa Faktor
Gambar 2 Pemodelan Analisis Faktor
Gambar 3 Model Analisis Faktor
2.2 Jenis – jenis Analisis Faktor
Metode analisis data memiliki berbagai jenis, dan berikut adalah beberapa jenis analisis faktor yang umum digunakan:
1. Analisis Faktor Eksploratori (Exploratory Factor Analysis/EFA),
Digunakan ketika peneliti ingin mengidentifikasi faktor-faktor dalam suatu data tanpa memiliki hipotesis terkait jumlah atau sifat faktor.Membantu mengungkapkan struktur internal data dengan menghasilkan faktor-faktor yang menjelaskan variasi dalam data.
2. Analisis Faktor Konfirmatori (Confirmatory Factor Analysis/CFA)
Digunakan ketika peneliti memiliki hipotesis jelas tentang struktur faktor yang ada dan ingin menguji apakah model yang diusulkan sesuai dengan data.Memeriksa sejauh mana data mendukung struktur faktor yang telah diajukan sebelumnya.
3. Analisis Faktor Rasch (Rasch Factor Analysis)
Metode khusus dalam pengukuran psikometrik untuk menguji dan memvalidasi skala pengukuran.Memeriksa kesesuaian data dengan model Rasch dan menghasilkan faktor yang memisahkan antara individu yang diukur dan tingkat kesulitan item.
4. Analisis Faktor Tersirat (Implicit Factor Analysis/IFA)
Digunakan untuk mengidentifikasi faktor-faktor di balik konstruk yang tidak dapat diukur langsung. Mencoba menemukan faktor-faktor tersembunyi di balik fenomena seperti motivasi, sikap, atau persepsi.
5. Analisis Faktor Spesifik (Specific Factor Analysis/SFA)
Digunakan untuk memisahkan variasi dalam data menjadi faktor-faktor umum (shared factors) dan faktor-faktor spesifik (specific factors) Faktor-faktor umum mempengaruhi semua variabel, sementara faktor-faktor spesifik hanya mempengaruhi beberapa variabel tertentu.
6. Analisis Faktor Hierarkis (Hierarchical Factor Analysis)
Digunakan untuk memodelkan struktur faktor dalam beberapa tingkatan hierarkis., Memungkinkan identifikasi faktor-faktor global (tingkat tinggi) dan faktor-faktor spesifik (tingkat rendah) yang saling terkait.
2.3 Implementasi Analisis Faktor
Pada Analisis Faktor ini memiliki Impelementasi fungsi pada penggunaan Analisis faktor, antara lain :
1. Reduksi Dimensi
Analisis faktor memiliki peran utama dalam mereduksi dimensi data dengan mengidentifikasi faktor-faktor yang menjadi dasar variasi dalam variabel terkait.
Dengan memperbolehkan penggabungan variabel yang saling terkait menjadi faktor-faktor yang lebih inklusif, analisis faktor meminimalisir kompleksitas data dengan menggantikan sejumlah besar variabel dengan sejumlah faktor yang lebih sedikit, tetapi tetap memuat informasi yang signifikan. Dengan demikian, reduksi dimensi mempermudah interpretasi data, analisis lebih lanjut, dan visualisasi data.
2. Pemahaman Struktur Data
Analisis faktor dapat meningkatkan pemahaman struktur data dengan mengidentifikasi pola dan hubungan yang muncul di antara variabel-variabel.
Dengan mengekstraksi faktor-faktor yang mendasarinya, analisis faktor membuka wawasan terhadap aspek-aspek krusial atau dimensi-dimensi yang terlibat dalam data. Ini memberikan kesempatan kepada peneliti untuk mendapatkan wawasan yang lebih mendalam tentang struktur data dan interkoneksi antar variabel.
3. Identifikasi Variabel Penting
Analisis faktor mendukung identifikasi variabel-variabel paling signifikan
Analisis faktor memungkinkan pengelompokan variabel-variabel yang terkait ke dalam faktor-faktor yang lebih besar, mempermudah pengelompokan dan klasifikasi data. Dengan mengelompokkan variabel-variabel yang memiliki hubungan erat ke dalam faktor-faktor yang sama, peneliti dapat memperoleh pemahaman yang lebih rinci tentang pola dan korelasi antar variabel dalam analisis data.
5. Uji Validitas dan Reliabilitas
Analisis faktor dapat diaplikasikan untuk menguji validitas dan reliabilitas suatu instrumen pengukuran. Dengan menganalisis faktor-faktor yang muncul dari data instrumen, peneliti dapat menilai sejauh mana faktor-faktor tersebut sesuai dengan teori yang diusulkan dan apakah instrumen tersebut secara konsisten mengukur variabel yang dimaksud. Aspek ini menjadi krusial dalam mengukur konstruk seperti kepribadian, kepuasan pelanggan, atau faktor-faktor lain yang sulit diukur secara langsung..
BAB III UJI ANALISIS 3.1 Studi Kasus
Jakarta, secara resmi dikenal sebagai Daerah Khusus Ibukota Jakarta atau DKI Jakarta, merupakan ibu kota Indonesia dan merupakan daerah otonom setingkat provinsi. Terdiri dari lima kota administrasi dan satu kabupaten administrasi, Jakarta secara umum dianggap sebagai sebuah kota metropolitan. Terletak di pesisir barat laut Pulau Jawa, Jakarta memiliki luas wilayah sekitar 664,01 km² (dengan lautan mencakup 6.977,5 km²) dan dihuni oleh sekitar 11.240.000 penduduk pada tahun 2023. Sebagai pusat kegiatan bisnis, politik, dan kebudayaan, Jakarta menjadi markas besar untuk kantor-kantor pusat BUMN, perusahaan swasta, dan perusahaan asing. Selain itu, kota ini juga menjadi lokasi lembaga-lembaga pemerintahan dan kantor sekretariat ASEAN. Untuk memahami Jakarta lebih dalam, kita dapat meneliti jumlah penduduk, Indeks Pembangunan Manusia (IPM), TPT, JPM, PDRB, PPK, TPK, dan pendidikan sebagai studi kasus.
Tabel 1 Kebutuhan Data
KAB. / KOTA
JUMLAH
PEND. IPM TPT
JUMLH PEND MISKIN
PDRB PPK TPAK PENDIDIKAN
Kep Seribu 28925 72.79 8.47 3.67 10134.63 292214.00 58.61 7
Jakarta
Utara 1793550 80.81 8.04 133.73 730224.71 299330.00 67.92 224
Jakarta
Timur 3083883 83.45 8.39 126.63 546877.29 163795.00 64.88 262
Jakarta
Selatan 2244623 85.21 5.63 81.11 794935.80 682994.00 63.75 111
Jakarta
Pusat 1079995 82.11 5.88 44.72 540696.90 202371.00 65.2 281
Jakarta
3.2.1 Communalities
Gambar 4 Tabel Standartisasi Z Score
Pada Tabel Communalities ini menunjukkan nilai variabel yang diteliti apakah mampu untuk menjelaskan faktor atau tidak. Variabel dianggap mampu menjelaskan faktor jika nilai Extraction lebih besar dari 0,50.
Berdasarkan output di atas, diketahui nilai Extraction untuk semua variabel adalah lebih besar dari 0,50. Dengan demikian dapat disimpulkan bahwa semua variabel dapat dipakai untuk menjelaskan faktor.
3.2.2 Total Variance Explained
Gambar 5 Tabel Uji Korelasi
Tabel Total Variance Explained menunjukkan nilai masing-masing variabel yang di analisis. Dalam penelitian ini ada 8 variabel berarti ada 8 Component yang di analisis. Ada dua macam analisis untuk menjelaskan suatu varian, yaitu Initial Eigenvalues dan Extraction Sums of Squared Loadings. Pada varian Initial Eigenvalues menunjukkan faktor yang
terbentuk. Apabila semua faktor dijumlahkan menunjukkan jumlah variabel
( 4.711 + 1.939 + 0.904 + 0.415 + 0.031 + 3.23E-16 + 1.588E- 16 + (-1.831E-16)) = 8 variabel).
Sedangkan pada bagian Extraction Sums of Squared Loadings menunjukkan jumlah variasi atau banyaknya faktor yang dapat terbentuk, pada hasil output di atas ada 2 (dua) variasi faktor, yaitu 4.711 dan 1.939.
Berdasarkan tabel output Total Variance Explained pada bagian
"Initial Eigenvalues", maka ada 2 (dua) faktor yang dapat terbentuk dari 8 variabel yang di analisis. Dimana syarat untuk menjadi sebuah faktor, maka nilai Eigenvalue harus lebih besar 1. Nilai Eigenvalue Component 1 sebesar 4.711 atau >1 maka menjadi faktor 1 dan mampu menjelaskan 58.887% variasi. Sedangkan nilai Eigenvalue Component 2 sebesar 1.939 atau > 1 maka menjadi faktor 2 dan mampu menjelaskan 24.236% variasi.
Jika faktor 1 dan faktor 2 dijumlahkan mampu menjelaskan 83.123%
variasi.
Sedangkan untuk nilai total component 3,4,5, dan 6 tidak dihitung karena nilai Eigenvalue Componentnya < 1 maka tidak menjadi faktor.
3.2.3 Scree Plot
Gambar 6 Tabel Scree Plot
Pada Gambar Scree Plot ini dapat juga menunjukkan jumlah faktor yang terbentuk. Caranya dengan melihat nilai titik Component yang memiliki nilai Eigenvalue > 1. Dari gambar Scree Plot di atas ada 2 titik Component yang memiliki nilai Eigenvalue > 1 maka dapat diartikan bahwa ada 2 faktor yang dapat terbentuk.
3.2.4 Component Matrix
Communalities adalah suatu konsep dalam analisis faktor atau analisis komponen utama (PCA) yang digunakan untuk mengukur seberapa besar varians dari suatu variabel yang dapat dijelaskan oleh faktor-faktor atau komponen-komponen yang diekstraksi. Dalam konteks output yang Anda berikan, nilai communalities mencerminkan sejauh mana variabilitas dari setiap variabel awal dapat dijelaskan oleh komponen utama yang diekstraksi.
Gambar 7 Tabel Component Matrix
Pada Gambar Tabel Component Matrix ini menunjukkan nilai korelasi atau hubungan antara masing-masing variabel dengan faktor yang akan terbentuk. Dalam output tersebut, terdapat dua kolom yang menunjukkan communalities: "Initial" dan "Extraction." Berikut adalah interpretasi dari kedua kolom tersebut:
1. Initial Communalities:
- Ini adalah communalities sebelum dilakukan ekstraksi faktor atau komponen utama.
- Nilai communalities awal untuk setiap variabel adalah 1.000, yang artinya semua variabilitas dari setiap variabel dapat dijelaskan oleh faktor-faktor atau komponen-komponen awal sebelum ekstraksi.
2. Extraction Communalities:
- Ini adalah communalities setelah dilakukan ekstraksi faktor atau komponen utama menggunakan metode Principal Component Analysis (PCA).
- Nilai communalities ini menunjukkan seberapa besar variabilitas dari setiap variabel yang dapat dijelaskan oleh komponen utama yang diekstraksi.
- Nilai-nilai ini cenderung lebih rendah dari 1.000, karena hanya sebagian dari variabilitas asli yang dijelaskan oleh komponen utama yang diekstraksi.
- Semakin tinggi nilai communalities setelah ekstraksi, semakin baik variabel tersebut dijelaskan oleh komponen utama yang terpilih.
Dengan demikian, nilai-nilai communalities Extraction memberikan gambaran tentang sejauh mana informasi dari variabel asli dapat dijelaskan oleh faktor-faktor atau komponen-komponen utama yang diekstraksi menggunakan metode PCA. Nilai-nilai yang lebih tinggi menunjukkan bahwa komponen utama tersebut memberikan kontribusi yang lebih besar dalam menjelaskan variabilitas variabel awal.
3.25 Rotated Component Matrix
Untuk memastikan suatu variabel masuk dalam kelompok faktor mana, maka dapat ditentukan dengan melihat nilai korelasi terbesar antara variabel dengan faktor (Component) yang terbentuk.
Variabel :
JUMLAH PENDUDUK : nilai korelasi faktor 1 yaitu 0.846 dan faktor 2 yaitu 0.123 , nilai korelasi faktor 1 > faktor 2 sehingga termasuk dalam faktor 1.
IPM : nilai korelasi faktor 1 yaitu 0.829 dan faktor 2 yaitu 0.505 , nilai korelasi faktor 1 > faktor 2 sehingga termasuk dalam faktor 1.
TPT : nilai korelasi faktor 1 yaitu -0.140 dan faktor 2 yaitu -0.844 , nilai korelasi faktor 1 > faktor 2 sehingga termasuk dalam faktor 1.
JPM : nilai korelasi faktor 1 yaitu 0.904 sehingga termasuk dalam faktor 1.
PDRB : nilai korelasi faktor 1 yaitu 0.836 dan faktor 2 yaitu 0.517 , nilai korelasi faktor 1 > faktor 2 sehingga termasuk dalam faktor 1.
PPK : nilai korelasi faktor 1 yaitu -0.137 dan faktor 2 yaitu 0.914 , nilai korelasi faktor 1 < faktor 2 sehingga termasuk dalam faktor 2.
TPK : nilai korelasi faktor 1 yaitu 0.898 sehingga termasuk dalam faktor 1.
PENDIDIKAN : nilai korelasi faktor 1 yaitu 0.864 dan faktor 2 yaitu -0.215 , nilai korelasi faktor 1 > faktor 2 sehingga termasuk dalam faktor 1.
Pada Rotated Component Matrix kita melihat nilai korelasi variabel yang paling besar untuk mengetahui variabel tersebut masuk dalam faktor 1 atau faktor 2. Maka dari pembahasan serta penentuan faktornya dapat disimpulkan analisis faktor sebagai berikut:
Ø Faktor 1 = Jumlah Penduduk, TPT, JPM, PDRB, TPK, dan PEND.
Ø Faktor 2 = PPK
3.2.6 Component Transformation Matrix
Gambar 9 Tabel Component Transformation Matrix
Berdasarkan tababel Component Transformation Matrix menunjukkan bahwa :
1. Component 1 nilai korelasinya adalah sebesar 0.963 > 0,5, dan component 2 nilai korelasinya sebesar 0.269 > 0,5.
2. Component 1 nilai korelasinya adalah sebesar 0.269 > 0,5, dan component 2 nilai korelasinya sebesar -0.963 > 0,5.
Karena nilai korelasi semua component > 0,5 maka kedua faktor yang terbentuk ini dapat disimpulkan layak untuk merangkum kedelapan variabel yang dianalisis.
BAB IV PENUTUP 5.1 Kesimpulan
Analisis Faktor (AF) pada data Jakarta dilakukan untuk merinci dan menyederhanakan dimensi dari beragam variabel sosio-ekonomi yang melibatkan Jumlah Penduduk, IPM, TPT, JPM, PDRB, PPK, TPK, dan Pendidikan. Pada langkah awal, communalities dievaluasi, dan semua variabel ditemukan memiliki nilai communalities Extraction di atas 0,50, menunjukkan kemampuan variabel tersebut untuk menjelaskan faktor. Analisis selanjutnya menghasilkan dua faktor yang dapat menjelaskan sekitar 83,12% variasi dalam data.
Melalui Scree Plot, dikonfirmasi bahwa dua faktor tersebut signifikan. Component Matrix menunjukkan bahwa Faktor 1 melibatkan variabel seperti Jumlah Penduduk, IPM, TPT, JPM, PDRB, dan TPK, mencerminkan karakteristik sosio-ekonomi, sementara Faktor 2 berkaitan dengan variabel PPK. Rotated Component Matrix mengonfirmasi penempatan variabel dalam faktor yang benar, dengan Faktor 1 menunjukkan korelasi positif pada variabel tersebut, dan Faktor 2 khususnya terfokus pada indikator PPK.
Dengan merinci faktor-faktor ini, analisis membantu menyederhanakan pemahaman struktur hubungan antar variabel di tingkat kota Jakarta. Faktor-faktor yang teridentifikasi, terutama terkait dengan aspek sosio-ekonomi dan PPK, memberikan wawasan berharga yang dapat digunakan dalam pengambilan keputusan terkait perencanaan dan pengembangan wilayah serta kota.
