5.2 Analisis Komponen Utama.
Analisis komponen utama atau Principal Component Analysis PCA merupakan suatu teknik analisis statistik untuk mentransformasi peubah-peubah
asli yang masih saling berkorelasi satu dengan yang lain menjadi satu set peubah baru yang tidak berkorelasi lagi. Peubah-peubah baru itu disebut sebagai
komponen utama. Johnson dan Wichern 1982 diacu dalam Sekolah Tinggi Ilmu Statistik 2006
Berdasarkan analisis komponen utama menggunakan software SPSS 1.6. didapatkan 5 komponen utama. Dari kelima komponen utama tersebut digunakan
2 komponen utama yang dianggap mampu menerangkan keragaman total data dengan persentasi total sebesar 84,506 dan nilai total akar ciri telah melebihi
angka 1. Menurut Timm 1975 diacu dalam Sekolah Tinggi Ilmu Statistik 2006 proporsi keragaman yang dianggap cukup mewakili total keragaman data jika
keragaman kumulatif mencapai 70-80, sedangkan menurut Wuensch 2005 pemilihan komponen utama yang digunakan adalah jika nilai akar cirinya lebih
dari 1. Nilai dari total akar ciri yang dimiliki oleh kedua komponen tersebut digunakan sebagai bobot dalam pemetaan kesesuian habitat R. patma. Keragaman
total komponen utama dijelaskan pada Tabel 6. Tabel 6 Keragaman total komponen utama
Komponen utama
Akar ciri Total
Keragaman Kumulatif keragaman
1
3,077 61,539
61,539 2
1,148 22,967
84,506 3
0,43 8,605
93,111 4
0,224 4,478
97,589 5
0,121 2,411
100
Keeratan hubungan antara kelima variabel habitat kesesuaian R. patma dengan komponen utama dapat dilihat dari vektor ciri dari PCA yang disajikan dalam
Tabel 7.
Tabel 7 Vektor ciri dari PCA Variabel
Komponen Utama 1
2 kemiringan lereng
-0,914 0,022
Ketinggian -0,879
0,048
Kelompok tanah
0,834 -0,463
Jarak dari sungai 0,831
0,217 LAI
0,286 0,940
Dari vektor ciri variabel habitat dengan komponen utama dapat dilihat bahwa variabel kelompok tanah dan jarak dari sungai mempunyai hubungan yang
positif dan tinggi dengan komponen utama pertama, variabel kemiringan lereng dan ketinggian memiliki hubungan potisif yang rendah dengan komponen utama
kedua, sedangkan LAI mempunyai hubungan yang positif dan tinggi dengan komponen utama kedua. Bobot dalam tiap variabel dalam pemodelan kesesuaian
habitat didapatkan dari skor total PCA masing-masing komponen utama yang memiliki hubungan positif dengan variabel pemodelan kesesuaian habitat.
Besanya nilai bobot tiap varibel pemodelan kesesuaian habitat R. patma dapat dilihat dalam Tabel 8.
Tabel 8 Bobot masing-masing varibel
No Variabel
Nilai bobot 1
Jarak dari sungai 3,077
2 Kelompok tanah
3,077 3
Ketinggian 1,148
4 Kemiringan lereng
1,148 5
LAI 1,148
5.3 Kesesuaian Habitat Rafflesia patma