PCA Principal Component Analysis

Communalities menunjukkan berapa varians yang dapat dijelaskan oleh factor yang diekstrak faktor yang terbentuk.Cara memperolehnya adalah dengan mengkuadratkan nilai korelasi yang terdapat pada tabel 4.6Component Matrix.Setiap variabel berkorelasi dengan faktor-faktor yang terbentuk.Misalkan untuk variabel pegal diperoleh nilai sebesar 0.715. Hal ini berarti sekitar 71,5 variabel pegal dapat dijelaskan oleh faktor yang terbentuk. Untuk variabel nyeri sendi, diperoleh nilai sebesar 0,867. Hal ini berarti sekitar 86,7 variabel nyeri sendi dapat dijelaskan oleh faktor yang terbentuk. c. Total Variance Explained Tabel 4.5: Total Variance Explained Total of Variance Cumulativ e Total of Variance Cumulativ e 1 2.978 11.454 11.454 2.978 11.454 11.454 2 2.414 9.284 20.739 2.414 9.284 20.739 3 2.255 8.672 29.410 2.255 8.672 29.410 4 1.692 6.508 35.919 1.692 6.508 35.919 5 1.551 5.967 41.885 1.551 5.967 41.885 6 1.450 5.578 47.464 1.450 5.578 47.464 7 1.320 5.077 52.540 1.320 5.077 52.540 8 1.168 4.493 57.033 1.168 4.493 57.033 9 1.121 4.313 61.346 1.121 4.313 61.346 10 1.070 4.115 65.461 1.070 4.115 65.461 11 1.028 3.954 69.415 1.028 3.954 69.415 12 .987 3.796 73.211 13 .927 3.564 76.775 Compone nt Initial Eigenvalues Extraction Sums of Squared Loadings Kemampuan setiap factor mewakili variabel-variabel yang dianalisis ditunjukkan oleh besarnya varians yang dijelaskan, yang disebut dengan eigenvalue.Varians yang dimaksud adalah varians variabel-variabel yang sudah distandardisasi.Dengan standardisasi, nilai rata-rata setiap variabel menjadi nol dan variansnya menjadi satu.Karena varians setiap variabel adalah satu, maka varians totalnya ada 26 karena dalam kasus ini ada 26 variabel bebas. Eigenvalues menunjukkan kepentingan relatif masing-masing factor dalam menghitung varians ketiga variabel yang dianalisis. Susunan eigenvalues selalu diurutkan dari yang terbesar sampai ke yang terkecil, dengan kriteria bahwa angka eigenvalues di bawah 1 tidak digunakan dalam menghitung jumlah faktor yang terbentuk Dari tabel 4.5 di atas terlihat bahwa hanya 11 factor yang terbentuk, karena angka eigenvalues memiliki nilai di atas 1. Sehingga proses factoring seharusnya berhenti pada 11 faktor saja. Faktor 1 memiliki eigenvalue sebesar 2,978 artinya faktor 1 ini dapat menjelaskan 2,978 atau 11,454 dari total communalities

d. Component Matrix

Tabel 4.6: Conponent Matrix 1 2 3 4 5 6 7 8 9 10 11 Pegal -.144 .369 -.204 -.207 .430 .414 -.277 .022 .128 -.148 -.049 NyeriSendi .022 .724 .000 .022 -.174 -.292 .377 .212 .114 -.109 -.124 Normalotot -.037 -.834 .193 -.077 -.121 -.236 -.231 -.114 -.102 .112 .112 Linulinu .274 .087 -.131 .376 -.006 .507 .239 -.208 -.226 .237 -.057 Muntah .148 .102 .459 -.145 -.181 .076 .170 .156 .406 -.045 .422 Diare .080 .040 .112 -.727 -.254 .126 .037 -.074 -.101 .208 -.175 Kembung -.229 -.086 .042 -.225 .421 -.013 .317 -.246 .156 .061 .363 mual .065 -.226 .237 .423 -.093 .206 .262 .438 .042 .194 -.009 Component Tabel ini berisikan factor loading nilai korelasi antara variabel-variabel analisis dengan faktor yang terbentuk.Berdasarkan tabel 4.6 di atas, terlihat bahwa ada 11 faktor yang terbentuk dari 26 variabel.Hal ini menunjukkan bahwa 11 factor adalah jumlah yang paling optimal untuk mereduksi ketiga variabel bebas tersebut.

e. Component Score Coefficient Matrix

Setelah mendapatkan faktor yang terbentuk melalui proses reduksi, maka perlu dicari persamannya. Dengan persaman tersebut, dapat diperoleh skor setiap faktor secara manual.Persamaan yang dibuat mirip dengan regresi linier berganda, hanya dalam persamaan faktornya tidak terdapat konstanta.Skor-skor faktor yang dihasilkan dapat digunakan untuk menggantikan skor-skor pada varibel bebas yang asli. Hasil skor faktor yang diperoleh ditunjukkan pada tabel 4.7 dan hasilComponent Score Coefficient Matrix ditunjukkan pada tabel 4.8 dibawah ini :