35 KK ke +1 dan -1, maka semakin kuat korelasinya. Jika KK bernilai 0
maka kedua variabel tidak menunjukkan adanya korelasi, sedangkan bila KK bernilai +1 atau -1 maka kedua variabel menunjukkan korelasi
yang sempurna. Untuk menentukan keeratan hubungan atau korelasi antar variabel tersebut, maka digunakan patokan sebagai berikut
Hasan, 2003: 1 KK=0 tidak ada korelasi
2 0KK≤0.20 korelasi sangat rendahlemah
3 0.20KK≤0.40 korelasi rendahlemah tapi pasti
4 0 .40KK≤0.70 korelasi yang cukup berarti
5 0.70KK≤0.90 korelasi yang tinggi dan kuat
6 0.90KK1.00 korelasi sangat tinggi, kuat sekali, dapat diandalkan
7 KK=1 korelasi sempurna Uji korelasi Pearson pada penelitian ini dilakukan dengan
menggunakan software Minitab 15.0. Uji ini juga digunakan untuk mendapatkan kesimpulan hasil meta-analisis antar senyawa yang
diidentifikasi pada penelitian ini.
d. Analisis Komponen Utama PCA
Analisis komponen utama principal component analysis merupakan teknik statistik yang dapat digunakan untuk menjelaskan
struktur variansi-kovariansi dari sekumpulan variabel melalui beberapa variabel baru dimana variabel baru ini saling bebas, dan merupakan
kombinasi linier dari variabel asal. Selanjutnya variabel baru ini dinamakan komponen utama principal component.
Secara umum tujuan dari analisis komponen utama adalah mereduksi dimensi data dan untuk kebutuhan interpretasi. Komponen
utama dibentuk berdasarkan matriks korelasi. Hal ini dilakukan jika variabel-variabel bebas yang diamati mempunyai perbedaan range
yang sangat besar. Salah satu tujuan dari analisis komponen utama adalah mereduksi dimensi data asal yang semula terdapat p variabel
bebas menjadi k komponen utama dimana k p . Kriteria pemilihan k
36 yaitu: 1 Proporsi kumulatif keragaman data asal yang dijelaskan oleh
k komponen utama minimal 80 , dan proporsi total variansi populasi bernilai cukup besar; 2 Dengan menggunakan scree plot yaitu plot
antara i dengan i , pemilihan nilai k berdasarkan scree plot ditentukan dengan melihat letak terjadinya belokan dengan menghapus komponen
utama yang menghasilkan beberapa nilai eigen kecil membentuk pola garis lurus Rencher, 1998.
Output yang dihasilkan dari pengujian dengan PCA ini adalah data analisis eigen dari matriks korelasi yang berupa nilai akar cirri
eigen value, proporsi dan kumulatif. Dari nilai akar ciri dapat diidentifikasi komponen utama yang diperoleh, yakni variabel yang
memiliki dua nilai akar ciri terbesar nilai lebih dari 1, kemudian nilai proporsi menggambarkan persentase keragaman data yang dapat
diterangkan oleh masing-masing komponen utama, dan nilai kumulatif menggambarkan keseluruhan persentase keragaman data yang dapat
diterangkan oleh kedua komponen utama. Selain itu, dihasilkan pula grafik biplot untuk kebutuhan interpretasi data. Analisis komponen
utama ini dilakukan dengan menggunakan software Minitab 15.0.
4. Analisis Potensi
