Tugas mandiri kd 4

TUGAS MANDIRI ANALISIS FAKTOR DAN ANALISIS KORESPONDENSI DENGAN SPSS

  Paper Disusun Untuk Memenuhi Tugas Mata Kuliah Komputasi Statistik Dosen Pengampu :

  Oleh: Istiqomah H Nim :K1312042 FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN UNIVERSITAS SEBELAS MARET SURAKARTA TUGAS MANDIRI

  1. Suatu penelitian dilakukan untuk mengetahui ada tidaknya komentar pelanggan dengan ekspresi pelanggan ketika dilakukan tretmen facial pada wajahnya. Diketahui data seperti Tabel berikut:

  Komentar Tidak

  Ekspresi/ Komentar Sakit Sakit Tidak

  Sakit

  17

  40 Ekspresi Sakit

  3

  29 Dari data diatas melalui analisis menggunakan SPSS diperoleh :

  Chi-Square Tests

  Asymp. Sig. (2- Exact Sig. (2- Exact Sig. (1- Value df sided) sided) sided) _a

  Pearson Chi-Square 4.919 _b 1 .027 Continuity Correction 3.816 1 .051 Likelihood Ratio 5.461 1 .019 Fisher's Exact Test

  .034 .022 Linear-by-Linear Association 4.864 1 .027 N of Valid Cases

  89 a. 0 cells (0.0%) have expected count less than 5. The minimum expected count is 7.19.

  b. Computed only for a 2x2 table

  2 Dari tabel Chi-Square test diperoleh nilai = 4.919 dengan derajat bebas (df) = 1 dan  χ

  Asymp.Sig.(2-sided) = 0.027 Jika α = 0.05 dan nilai 0.005 < 0.027 maka dapat dianalisis bahwa ekspresi pelanggan  tidak berhubungan dengan komentar pelanggan. Dengan kata lain keterkaitan antara ekspresi pelangan dengan komentar dari pelanggan tidak signifikan.

   Symmetric Measures Asymp. Std. _{a b} Value Error Approx. T Approx. Sig. _c N of Valid Cases

  89 a. Not assuming the null hypothesis.

  Dari tabel symmetric Measures diatas diketahui nilai contingency Coefficient atau C =  0.235 dengan Aprox. Sig = 0.027. Menurut Iqbal Hasan (2003) untuk C= 0.235 dapat dikategorikan terdapat korelai yang lemah. Dengan demikian terdapat hubungan antara ekspresi pelanggan dengan komentar dari pelanggan namun hubungan tersebut lemah.

  Dari hasil analisis tabel Chi-Square test sebelumnya, dapat dianalisis bahwa terdapat  hubungan antara ekspresi pelanggan dengan kometar pelanggan namun hubungan tersebut bersifat lemah. Dengan tingkat signifikansi 5 % hubungan ini tidak signifikansi berpengaruh. Jadi sebenarnya terdapat keterkaitan antara ekspresi pelanggan dengan komentar pelanggan namun keterkaitan ini tidak signifikan berpengaruh terhadap komentar pelanggan.

  a. Menurut saya, data di atas dapat dianalisis dengan menggunakan analisis korespondensi karena variabel data berskala nominal dan data memperagakan baris dan kolom secara serempak dari suatu table kontingensi dwi arah. .

  b. 1 Dengan nilai c=0.027 artinya terdapat keterkaitan antara ekspresi pelanggan dengan komentar pelanggan namun keterkaitan ini tidak signifikan berpengaruh terhadap komentar pelanggan. Jadi sebenarnya terdapat keterkaitan/ hubungan antara ekspresi pelanggan dengan komentar pelanggan namun keterkaitan ini tidak signifikan berpengaruh terhadap komentar pelanggan. Dengan demikian iya terdapat hubungan. b.2 bagaimana profil ekspresi pelanggan dengan komentar? Apakah sudah sesuai?

  

Row Profiles

  komentar ekspresi tidak sakit Sakit Active Margin Mass .225 .775 Untuk row profile : Tebel berisi frekuensi relatif dari variabel baris  Dari aplikasi ANKOR diatas variabel barisnya adalah komentar pelanggan. Dari tabel  Row profiles nampak bahwa jumlah masing – masing dari tingkat baris adalah satu. Hal ini sudah sesuai dengan sifat fungsi densitas probabilitas.

  Dari Tabel di atas diperoleh bahwa : 

  1. Probabilitas seseorang dengan ekspresi wajah tidak sakit dengan komentar pelanggan pada saat tidak sakit sebesar 0,298.

  2. Probabilitas seseorang dengan ekspresi wajah tidak sakit dengan komentar pelanggan pada saat sakit sebesar 0,702.

  3. Probabilitas seseorang dengan ekspresi wajah sakit dengan komentar pelanggan pada saat tidak sakit sebesar 0,094.

  4. Probabilitas seseorang dengan ekspresi wajah sakit dengan komentar pelanggan pada saat sakit sebesar 0,775.

  Column Profiles

  Komentar ekspresi tidak sakit Sakit Mass tidak sakit .850 .580 .640 sakit .150 .420 .360 Active Margin 1.000 1.000

  Untuk coloumn profile: Merupakan tabel yang berisi frekuensi relatif dari variabel kolom

  Dalam aplikasi ANKOR diatas varibel kolomnya adalah nilai kecerdasan. Dari tebel  column profiles nampak bahwa jumlah masing-masing dari tingkat kolom adalah satu hal ini sesuai dengan sifat fungsi densitas probabilitas.

  

Summary

  Confidence Proportion of Inertia Singular Value

  Standard Dimension Singular Value Inertia Chi Square Sig. Accounted for Cumulative Deviation 1 .235 .055 1.000 1.000 .087 _a

  Total .055 4.919 .027 1.000 1.000

  a. 1 degrees of freedom Hasil analisis summary: Dari tabel diatas nampak bahwa persentase proporsi kumulatif dua akar ciri utama sebesar 100 %, artinya dua vektor baris dan kolom mampu menjelaskan variabilitas data asal sebesar 100 % inersia total. Berarti gambar yang dihasilkan mampu menjelaskan sebesar 100 % variabilitas atau keanekaragaman data sebenarnya. Dari tabel yang sama dapat dianalisis bahwa : Dimensi 1, menjelaskan variabilitas data sebesar 100% Dimensi 2, menjelaskan variabilitas data sebesar 100% Dari analisis diatas diperoleh bahwa profil ekspresi pelanggan dengan komentar sudah sesuai.

  Jadi, dari hasil analisis menggunakan software SPSS, profil antara ekspresi wajah  pelanggan dengan komentar pelanggan ketika dilakukan tretmen facial pada wajahnya sudah sesuai. Hal ini dapat dilihat dari Tabel Row Profiles nampak bahwa jumlah masing- masing dari tingkat baris adalah satu dan Tabel Column Profiles nampak bahwa jumlah masing-masing dari tingkat kolom adalah satu. Dimana hal tersebut sudah sesuai dengan sifat dari fungsi densitas probabilitas.

  2. Dilakukan penelitian untuk mengetahui pengaruh faktor X

  1

  sampai X

  7 dan D terhadap Y.

  Menurut Anda apakah semua faktor perlu dipertimbangkan dalam berat sapi (output, dalam kg)? Dengan menggunakan aplikasi SPSS, akan dilakukan analisis Faktor dari data tersebut di atas. Dari hasil komputasi pada SPSS, berikut hasil output dan analisis

  Descriptive Statistics

  Mean Std. Deviation Analysis N Missing N Beratbibit 1016.5294 466.40841

  34 hijauan 29562.3529 12587.92087 34 jerami 12153.5294 5180.28131 34 dedak 757.6471 352.30031 34 suplemen 26.1503 14.05317 34 obat 3.7941 1.82208 34 tenagakerja 118.8676 27.40988 34 jeniskandang .1176 .32703

  34 Dari Tabel di atas berisi tentang statistika deskriptif variabel yang mempengaruhi berat badan sapi. Nampak bahwa rata-rata tertinggi dari variabel yang telah didefinisikan adalah Varibel hijauan yaitu sebesar 29562.3529

  

Correlation Matrix

^a

  Beratbibit hijauan jerami dedak suplemen obat tenaga kerja jeniskandang

  Correlation Beratbibit 1.000 .967 .769 .714 .774 .534 .503 -.373 hijauan .967 1.000 .799 .791 .845 .604 .606 -.208 jerami .769 .799 1.000 .894 .916 .799 .830 .212 dedak .714 .791 .894 1.000 .951 .815 .852 .339 suplemen .774 .845 .916 .951 1.000 .827 .834 .260 obat .534 .604 .799 .815 .827 1.000 .855 .449 tenagakerja .503 .606 .830 .852 .834 .855 1.000 .528 jeniskandang -.373 -.208 .212 .339 .260 .449 .528 1.000

  Sig. (1- tailed) Beratbibit .000 .000 .000 .000 .001 .001 .015 hijauan .000 .000 .000 .000 .000 .000 .119 jerami .000 .000 .000 .000 .000 .000 .114 dedak .000 .000 .000 .000 .000 .000 .025 suplemen .000 .000 .000 .000 .000 .000 .069 obat .001 .000 .000 .000 .000 .000 .004 tenagakerja .001 .000 .000 .000 .000 .000 .001 jeniskandang .015 .119 .114 .025 .069 .004 .001 a. Determinant = 2.343E-7

  Nilai korelasi antar variabel sangat tinggi kecuali korelasi antar variabel berat bibit dengan jenis kandang, hijauan dengan jenis kandang, jerami dengan jenis kandang, dedek dengan jenis kandang, suplemen dengan jenis kandang dan obat dengan jenis kandang, tenaga kerja dengan jenis kandang, dan output dengan jenis kandang terlihat bahwa semua variabel berkorelasi rendah dengan jenis kandang.

  Indikasi adanya signifikansi korelasi akan dapat ditunjukkan dari nilai determinan = Determinant = 2.343E-7 . Karena 0,0000002343 lebih kecil dari 0,00001 maka mengindikasikan bahwa multikolinier signifikan.

  KMO and Bartlett's Test

  Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .764 Bartlett's Test of Sphericity Approx. Chi-Square 450.362

  Df

  28 Sig. .000 Tabel di atas merupakan nilai statistika KMO untuk indikasi kecukupan jumlah sampel.

  Berdasarkan pedoman dari Kaiser (1974) dan Hutcheson dan Sofroniou (1999) yaitu membuat kisaran nilai KMO minimum 0,5 dan kisaran lain seperti seperti tabel berikut.

  KMO Keterangan Sampel 0.5 – 0.7 Sedang 0.7-0.8 Baik 0.8-0.9 Lebih Baik >0.9 Sangat Baik

  Karena dari output diperoleh nilai Kaiser-Meyer-Olkin Measure of Sampling Adequacy sebesar 0.764, maka dapat dikatakan bahwa indikasi kecukupan jumlah sampel adalah baik. Uji bartlett dilakukan untuk mengetahui apakah matrik korelasi merupakan matrik identitas atau tidak. Karena 0.05 > sig=0 maka matrik R bukan merupakan matrik identitas sehingga dengan kata lain analisis faktor dapat digunakan pada data.

  Keterangan bahwa matrik R bukan merupakan matrik identitas juga dapat dilihat dari tabel

  Inverse of Correlation Matrix

  Beratbibit Hijauan jerami dedak suplemen obat tenagakerja Jeniskandang Beratbibit

• 11.27
• 23.847
• 25.996 -10.867

  135.361 -60.600

• 3.171 61.287 hijauan -60.600 40.745 11.393 7.775 -3.438 5.278 -1.373 -19.919 jerami -23.847 11.393 12.010 2.925 -2.069 1.413 -2.046 -9.076 Dedak -25.996 7.775 2.925 18.599 -5.123 2.576 .011 -14.832 suplemen
• 10.867 -3.438 -2.069 -5.123 20.819
• 1.249
• 1.641
• 3.171 -1.373 -2.046 .011 1.759
• 5.577
• 4.754 33.845
• .003 -.004 -.023

  8

  1.759 -8.366 Obat -11.278 5.278 1.413 2.576 -1.249 5.547 -1.641 -5.577 tenagakerja

  7.565 -4.754 jeniskandang 61.287 -19.919 -9.076 -14.832 -8.366

  

Anti-image Matrices

  Beratbibit hijauan jerami dedak suplemen obat tenagakerja jeniskandang Anti-image Covariance

  Beratbibit .007 -.011 -.015 -.010 -.004 -.015 -.003 .013 hijauan -.011 .025 .023 .010 -.004 .023 -.004 -.014 jerami -.015 .023 .083 .013 -.008 .021 -.023 -.022 dedak -.010 .010 .013 .054 -.013 .025 7.710E-5 -.024 suplemen -.004 -.004 -.008 -.013 .048 -.011 .011 -.012 obat -.015 .023 .021 .025 -.011 .180 -.039 -.030 tenagakerja

  7.710E-

  5 .011 -.039 .132 -.019 jeniskandan g

  .013 -.014 -.022 -.024 -.012 -.030 -.019 .030 a

  Anti-image hijauan -.816 .719 .515 .282 -.118 .351 -.078 -.536 Correlation _a jerami -.591 .515 .817 .196 -.131 .173 -.215 -.450 _a dedak -.518 .282 .196 .833 -.260 .254 .001 -.591 _a suplemen -.205 -.118 -.131 -.260 .943 -.116 .140 -.315 _a obat -.412 .351 .173 .254 -.116 .850 -.253 -.407 _a tenagakerja -.099 -.078 -.215 .001 .140 -.253 .941 -.297 jeniskandan _a

  .905 -.536 -.450 -.591 -.315 -.407 -.297 .307 g a. Measures of Sampling Adequacy(MSA) • Nilai KMO per-variabel juga dapat dilihat dari diagonal matrik anti-image correlation.

• Nilai KMO ini disarankan lebih dari 0,5 untuk setiap variabelnya.
• Dari tabel nampak terdapat satu variabel dengan nilai kurang dari 0,5 yaitu Variabel jenis kandang dengan nilai 0.307.  Karena dijumpai nilai KMO pada variable kandang kurang dari 0,5 maka disarankan untuk mengeluarkan variabel tersebut, kemudian melakukan analisis faktor tanpa variabel yang dimaksud.

  Total Variance Explained

  Component Initial Eigenvalues Extraction Sums of Squared Rotation Sums of Squared

  Cumulative % of % of Cumulative Total % of Variance % Total Variance Cumulative % Total Variance % 1 5.774 72.178 72.178 5.774 72.178 72.178 5.458 68.222 68.222

  2 1.694 21.169 93.347 1.694 21.169 93.347 2.010 25.125 93.347 3 .202 2.522 95.869 4 .133 1.666 97.535 5 .110 1.375 98.909 6 .049 .609 99.518 7 .034 .420 99.938 8 .005 .062 100.000 Extraction Method: Principal Component Analysis.

• Tabel berisi tentang nilai eigen yang berasosiasi dengan setiap komponen linier (faktor) sebelum ekstraksi, setelah ekstraksi dan setelah rotasi.
• Sebelum ekstraksi, diidentifikasikan terdapat 8 komponen linier pada data.

  Nilai eigen yang berasosiasi pada tiap faktor merepresentasikan variansi yang dijelaskan oleh faktor tersebut .

   Jadi faktor 1 menjelaskan 72.178 % dari total variansi. Jika dibandingkan dengan nilai yang lain misal 21,169; 2.522; 1.666; 1.375; 0.609; 0.420; 0.062. Nampak bahwa faktor 1 lebih dominan dalam total variansi, disusul faktor ke 2 dengan menjelaskan 21,169% dari total variansi. Nilai eigen untuk faktor 1 dan 2 setelah ekstraksi tetap sama sebesar72.178 % dan 21.169 %. Sedangkan nilai eigen untuk factor 1 dan 2 setelah rotasi mengalami perubahan yaitu dengan nilai 68.222% dan 25.125 % hal ini dikarenakan terdapat factor yang terekstrasi > 1.

  Initial Extraction Beratbibit 1.000 .996 Hijauan 1.000 .961 Jerami 1.000 .906 Dedak 1.000 .930 suplemen 1.000 .952 Obat 1.000 .845 tenagakerja 1.000 .907 jeniskandang 1.000 .971 Extraction Method: Principal Component Analysis.

  Untuk menentukan berapa faktor yang dapat diekstrak dapat dilihat dari nilai communalities kolom extraction. Karena semua nilainya lebih dari 0,7 atau variabelnya kurang dari 30 variabel maka pilihan faktor ekstraksi dapat dilakukan.

  Selain itu , Dari tabel memuat nilai communalities sebelum dan setelah ekstraksi. communalities merupakan proporsi variansi keseluruhan antar variabel.  communalities sebelum ekstraksi dilihat dari nilai initial sebesar 1 pada setiap variabel. setelah ekstraksi nilai communalities dapat dilihat dari nilai extraction. Rata-rata communalities diperoleh dari :

  0.996+0.961+0.906+0.930+0.952+0.845+0.907+0.971 ´

  communalities=

  = 0.9335

  8 Karena rata-rata communalities sebesar 0.9335 > 0,6 maka ekstraksi dapat dilakukan. Tanda panah pada Gambar mengindikasikan titik belok pada plot.Jadi factor ke 3 merupakan titik belok plot.

  Untuk mengetahui kebaikan model dapat diperhatikan dari selisih korelasi observasi dengan  korelasi model. Atau dari output tabel di atas sudah disajikan residual tiap korelasi. Untuk model yang baik, diharapkan nilai residu yang kecil.  Untuk nilai yang dianjurkan adalah kurang dari 0,05. SPSS juga menampilkan ringkasan  jumlah data yang mempunyai nilai lebih dari 0,05. Dari Tabel nampak tidak ada residual yang bernilai lebih besar dari 0,05. Nilai ‘nonredundant  residual with absolute values’= 0 yang lebih besar dari 0,05. Karena persentase nilai residual SETELAH VARIABEL JENIS KANDANG DIKELUARKAN Tabel di atas merupakan nilai statistika KMO untuk indikasi kecukupan jumlah sampel.

  Berdasarkan pedoman dari Kaiser (1974) dan Hutcheson dan Sofroniou (1999), kisaran nilai KMO minimum 0,5 dan kisaran lain seperti tabel berikut.

  Tabel Kisaran KMO KMO Keterangan Sampel

  0.5 – 0.7 Sedang 0.7-0.8 Baik 0.8-0.9 Lebih Baik

  >0.9 Sangat Baik Karena dari output diperoleh nilai Kaiser-Meyer-Olkin Measure of Sampling Adequacy sebesar 0.834, maka dapat dikatakan bahwa indikasi kecukupan jumlah sampel adalah Lebih

  Baik.

  Uji bartlett dilakukan untuk mengetahui apakah matrik korelasi merupakan matrik identitas atau tidak. Karena 0.05 > sig=0 maka matrik R bukan merupakan matrik identitas sehingga dengan kata lain analisis faktor dapat digunakan pada data.

  Keterangan bahwa matrik R bukan merupakan matrik identitas juga dapat dilihat dari tabel invers matrik korelasi berikut. Nilai KMO per-variabel juga dapat dilihat dari diagonal matrik anti-image correlation. Nilai KMO ini disarankan lebih dari 0,5 untuk setiap variabelnya. Dari Tabel tersebut ternyata dari tujuh sub-variabel pengukuran atau dimensi yang difaktorkan menunjukkan semua nilainya > 0,5 sehingga tidak perlu ada yang dikeluarkan.

  Jadi, dari hasil pengerjaan SPSS diperoleh tidak semua faktor perlu dipertimbangkan dalam  berat sapi (output, dalam kg) dari 8 faktor yang perlu dipertimbangkan hanya 7 faktor dimana satu faktor yang harus dikeluarkan yaitu faktor D atau jenis kandang.