Nama
: Fadhilatus Shoimah
NIM : 135060601111023
Kelas
: B
Mata
Kuliah : Metode Analisis Perencanaan
Tugas
: Analisis Faktor | Principal Component Analysis
Di Kelurahan
Tunggulwulung diadakan sebuah penelitian untuk mendapatkan data mengenai
faktor-faktor utama yang berpengaruh terhadap banyaknya genangan air dengan
menggunakan analisis faktor utama dengan variabel sebagai berikut:
x1 =
jumlah sumur resapan per RW (buah)
x2 = jumlah biopori per RW (buah)
x3 = curah hujan per tahun (mm)
x4 = ketinggian (m)
x5 = luas catchment area (m2)
x6 = luas lahan kosong (m2)
x7 = luas saluran conveyor (m2)
x8 = luas saluran collector (m2)
y = untuk mengetahui faktor-faktor yang
mempengaruhi banyaknya genangan air di Kelurahan Tunggulwulung atau mereduksi
variabel-variabel yang mempengaruhi banyaknya genangan air di Kelurahan
Tunggulwulung
Berikut ini data-data
variabel x1 sampai x8 :
No.
|
X1
|
X2
|
X3
|
X4
|
X5
|
X6
|
X7
|
X8
|
1
|
4
|
2
|
2168
|
583
|
183
|
200
|
2596
|
2821
|
2
|
4
|
7
|
2851
|
585
|
183
|
152
|
2505
|
2314
|
3
|
5
|
4
|
2467
|
566
|
151
|
91
|
2242
|
2539
|
4
|
4
|
3
|
1575
|
553
|
136
|
144
|
2465
|
2324
|
5
|
1
|
9
|
2117
|
519
|
177
|
86
|
2192
|
2870
|
6
|
4
|
8
|
1847
|
574
|
221
|
85
|
2188
|
2931
|
7
|
2
|
7
|
2052
|
552
|
217
|
123
|
2074
|
2396
|
8
|
4
|
2
|
1698
|
581
|
219
|
89
|
2585
|
2936
|
9
|
3
|
9
|
1631
|
487
|
121
|
72
|
2234
|
2454
|
10
|
3
|
1
|
2915
|
599
|
157
|
64
|
2602
|
2290
|
11
|
4
|
8
|
2697
|
490
|
244
|
163
|
2070
|
2363
|
12
|
4
|
2
|
1553
|
501
|
220
|
110
|
2088
|
2411
|
13
|
2
|
2
|
2880
|
497
|
234
|
62
|
2624
|
2004
|
14
|
5
|
3
|
2216
|
598
|
104
|
142
|
2915
|
2069
|
15
|
3
|
10
|
2039
|
560
|
91
|
190
|
2903
|
2450
|
16
|
2
|
3
|
2104
|
498
|
243
|
83
|
2470
|
2711
|
17
|
2
|
8
|
1644
|
575
|
212
|
187
|
2551
|
2628
|
18
|
1
|
4
|
2512
|
540
|
151
|
90
|
2458
|
2527
|
19
|
1
|
6
|
1868
|
468
|
120
|
82
|
2795
|
2790
|
20
|
3
|
8
|
1700
|
485
|
108
|
190
|
2224
|
2260
|
21
|
4
|
8
|
2768
|
572
|
102
|
199
|
2273
|
2067
|
22
|
1
|
7
|
2901
|
570
|
242
|
122
|
2028
|
2946
|
23
|
1
|
2
|
1952
|
488
|
152
|
194
|
2688
|
2838
|
24
|
3
|
10
|
2503
|
598
|
144
|
126
|
2119
|
2022
|
25
|
4
|
3
|
2491
|
519
|
143
|
130
|
2592
|
2144
|
26
|
5
|
9
|
2246
|
465
|
161
|
123
|
2149
|
2630
|
27
|
3
|
4
|
2611
|
594
|
204
|
193
|
2835
|
2628
|
28
|
1
|
4
|
2775
|
459
|
123
|
61
|
2711
|
2729
|
29
|
3
|
2
|
1679
|
600
|
247
|
70
|
2951
|
2091
|
30
|
3
|
4
|
2454
|
507
|
155
|
147
|
2129
|
2020
|
·
Intrepetasi
Output
Descriptive Statistics
|
|||
|
Mean
|
Std. Deviation
|
Analysis N
|
jumlah sumur resapan per RW
|
2.97
|
1.299
|
30
|
jumlah biopori per RW
|
5.30
|
2.902
|
30
|
curah hujan per tahun
|
2230.47
|
451.780
|
30
|
ketinggian wilayah
|
539.43
|
46.785
|
30
|
luas catchment area
|
172.17
|
48.831
|
30
|
luas lahan kosong
|
121.97
|
51.487
|
30
|
luas saluran conveyor
|
2441.87
|
287.384
|
30
|
luas saluran collector
|
2473.43
|
306.387
|
30
|
Tabel descriptive statistics menunjukkan bahwa jumlah titik genangan air
adalah 30 titik. Pada tabel tersebut didapatkan mean dan standar deviasi tiap-tiap variabel. Variabel yang paling
mempengaruhi banyaknya genangan air adalah variabel x8 yaitu luas saluran collector.
Correlation Matrixa
|
|||||||||
|
|
jumlah
sumur resapan per RW
|
jumlah
biopori per RW
|
curah
hujan per tahun
|
ketinggian
wilayah
|
luas
catchment area
|
luas
lahan kosong
|
luas
saluran conveyor
|
luas
saluran collector
|
Correlation
|
jumlah
sumur resapan per RW
|
1.000
|
-.034
|
-.070
|
.309
|
-.098
|
.082
|
-.097
|
-.336
|
jumlah
biopori per RW
|
-.034
|
1.000
|
-.026
|
-.091
|
-.220
|
.115
|
-.451
|
.053
|
|
curah
hujan per tahun
|
-.070
|
-.026
|
1.000
|
.111
|
.008
|
-.030
|
-.057
|
-.221
|
|
ketinggian
wilayah
|
.309
|
-.091
|
.111
|
1.000
|
.140
|
.286
|
.214
|
-.138
|
|
luas
catchment area
|
-.098
|
-.220
|
.008
|
.140
|
1.000
|
-.193
|
-.200
|
.247
|
|
luas
lahan kosong
|
.082
|
.115
|
-.030
|
.286
|
-.193
|
1.000
|
.104
|
-.118
|
|
luas
saluran conveyor
|
-.097
|
-.451
|
-.057
|
.214
|
-.200
|
.104
|
1.000
|
-.028
|
|
luas
saluran collector
|
-.336
|
.053
|
-.221
|
-.138
|
.247
|
-.118
|
-.028
|
1.000
|
|
Sig. (1-tailed)
|
jumlah
sumur resapan per RW
|
|
.430
|
.356
|
.048
|
.303
|
.333
|
.306
|
.035
|
jumlah
biopori per RW
|
.430
|
|
.446
|
.316
|
.122
|
.272
|
.006
|
.391
|
|
curah
hujan per tahun
|
.356
|
.446
|
|
.280
|
.484
|
.438
|
.383
|
.120
|
|
ketinggian
wilayah
|
.048
|
.316
|
.280
|
|
.231
|
.063
|
.128
|
.233
|
|
luas
catchment area
|
.303
|
.122
|
.484
|
.231
|
|
.154
|
.145
|
.094
|
|
luas
lahan kosong
|
.333
|
.272
|
.438
|
.063
|
.154
|
|
.293
|
.267
|
|
luas
saluran conveyor
|
.306
|
.006
|
.383
|
.128
|
.145
|
.293
|
|
.442
|
|
luas saluran collector
|
.035
|
.391
|
.120
|
.233
|
.094
|
.267
|
.442
|
|
|
a. Determinant
= ,308
|
|
|
|
|
|
|
|
|
Tabel correlation matrix merupakan tabel yang menunjukkan korelasi antar variabel-variabel yang ada. Tabel correlation matrix merupakan salah satu
proses untuk mereduksi faktor sehingga dari kedelapan faktor yang ada dapat
ditemukan faktor yang dapat mewakili faktor lain.
Total Variance Explained
|
|||||||||
Component
|
Initial Eigenvalues
|
Extraction Sums of Squared Loadings
|
Rotation Sums of Squared Loadings
|
||||||
Total
|
% of Variance
|
Cumulative %
|
Total
|
% of Variance
|
Cumulative %
|
Total
|
% of Variance
|
Cumulative %
|
|
1
|
1.763
|
22.035
|
22.035
|
1.763
|
22.035
|
22.035
|
1.490
|
18.621
|
18.621
|
2
|
1.494
|
18.680
|
40.715
|
1.494
|
18.680
|
40.715
|
1.388
|
17.356
|
35.977
|
3
|
1.228
|
15.353
|
56.068
|
1.228
|
15.353
|
56.068
|
1.309
|
16.357
|
52.334
|
4
|
1.125
|
14.061
|
70.129
|
1.125
|
14.061
|
70.129
|
1.296
|
16.202
|
68.536
|
5
|
1.008
|
12.595
|
82.724
|
1.008
|
12.595
|
82.724
|
1.135
|
14.188
|
82.724
|
6
|
.615
|
7.692
|
90.416
|
|
|
|
|
|
|
7
|
.486
|
6.069
|
96.485
|
|
|
|
|
|
|
8
|
.281
|
3.515
|
100.000
|
|
|
|
|
|
|
Extraction
Method: Principal Component Analysis.
|
|
|
|
|
|
|
Proporsi keragaman data yang
dijelaskan tiap komponen setelah dilakukan rotasi terlihat lebih merata
dibandingkan dengan sebelum dilakukan rotasi. Faktor pertama menerangkan
keragaman data awal dengan proporsi, yaitu 22,035% menurut metode ekstraksi
dengan analisis faktor (sebelum rotasi) dan dengan analisis faktor (setelah
rotasi) keragaman data awal dapat dijelaskan sebesar 18,621 %. Faktor kedua
menerangkan keragaman data dengan proporsi, yaitu 40,715% menurut metode
ekstraksi dengan analisis faktor (sebelum rotasi) dan dengan analisis faktor
(setelah rotasi) keragaman data awal dapat dijelaskan sebesar 35,977%. Faktor
ketiga menerangkan keragaman data dengan proporsi, yaitu 56,068% menurut metode
ekstraksi dengan analisis faktor (sebelum rotasi) dan dengan analisis faktor
(setelah rotasi) keragaman data awal dapat dijelaskan sebesar 52,334%. Faktor
keempat menerangkan keragaman data dengan proporsi, yaitu 70,129% menurut
metode ekstraksi dengan analisis faktor (sebelum rotasi) dan dengan analisis
faktor (setelah rotasi) keragaman data awal dapat dijelaskan sebesar
68,536%. Faktor kelima
menerangkan keragaman data dengan proporsi, yaitu 82,724% menurut metode
ekstraksi dengan analisis faktor (sebelum rotasi) dan dengan analisis faktor
(setelah rotasi) data tetap menjadi 82,724%.
Scree plot merupakan salah satu alternatif yang dapat digunakan untuk membantu
penelitian dalam menentukan berapa banyak faktor terbentuk yang dapat mewakili
keragaman peubah-peubah asal. Scree plot
dapat menunjukkan komponen apa saja yang memiliki angka lebih dari satu
sehingga akan menjadi komponen baru yang mewakili komponen yang lain. Jika
kurva masih curam, akan ada petunjuk untuk menambahkan komponen. Jika kurva
sudah landai, akan ada petunjuk untuk menghentikan penambahan komponen.
Walaupun penilaian curam atau landai bersifat subjektif peneliti. Berdasarkan scree plot diatas, terlihat pada saat
titik pertama kurva menunjukkan garis yang tidak begitu curam, begitu juga pada
saat di titik ke dua kurva menunjukkan garis yang tidak begitu curam, pada saat
di titik ke tiga kurva menunjukkan garis yang semakin landai dari dua titik
sebelumnya. Pada saat di titik ke empat kurva menunjukkan garis yang sama
landai dibanding dengan titik ke tiga. Kemudian
pada saat di titik ke lima kurva menunjukkan garis yang lebih curam dibanding
titik ke empat. Dari penjelasan diatas, dapat ditarik kesimpulan yaitu lima
komponen atau faktor yang terbentuk. Berdasarkan nilai eigen value > 1 menunjukkan faktor yang bermakna yaitu faktor 1,
faktor 2, faktor 3, faktor 4, dan faktor 5.
Component Matrixa
|
|||||
|
Component
|
||||
|
1
|
2
|
3
|
4
|
5
|
ketinggian wilayah
|
.644
|
|
.338
|
.394
|
|
luas saluran collector
|
-.639
|
|
|
.455
|
|
jumlah sumur resapan per RW
|
.582
|
|
.346
|
|
-.542
|
luas lahan kosong
|
.501
|
|
|
.428
|
.461
|
jumlah biopori per RW
|
|
-.820
|
|
|
|
luas saluran conveyor
|
.400
|
.659
|
-.509
|
|
|
luas catchment area
|
-.330
|
.416
|
.699
|
|
|
curah hujan per tahun
|
|
|
.374
|
-.647
|
.566
|
Extraction
Method: Principal Component Analysis.
|
|
|
|||
a. 5 components extracted.
|
|
|
|
|
Tabel component matrix menunjukkan besarnya korelasi tiap variabel dalam
faktor yang terbentuk. Nilai-nilai koefisien korelasi antara variabel dengan
faktor-faktor yang terbentuk (loading
factor) dapat dilihat pada tabel component
matrix. Kelima faktor tersebut mengahasilkan matriks loading factor yang nilai-nilainya merupakan koefisien antara
variabel dengan faktor-faktor tersebut. Jika dilihat variabel-variabel yang
berkolerasi terhadap setiap faktornya, ternyata loading factor yang dihasilkan belum mampu memberikan arti
sebagaimana yag diinginkan peneliti. Hal ini terlihat dari variabel jumlah
sumur resapan per RW sebesar -542 (tanda negatif hanya menunjukkan arah
korelasi) pada komponen kelima sedangkan pada komponen ke dua sebesar 582.
Sehingga peneliti sulit untuk menentukan apakah variabel jumlah sumur resapan
per RW termasuk komponen 2 atau komponen lima. Tiap faktor belum dapat
diinterpretasikan dengan jelas sehingga perlu dilakukan rotasi dengan metode
varimax. Rotasi varimax adalah rotasi orthogonal yang membuat jumlah varian loading factor dalam masing-masing
faktor akan menjadi maksimum, dimana nantinya peubah asal hanya akan mempunyai
korelasi yang tinggi dan kuat dengan faktor tertentu saja (korelasinya
mendekati satu) dan tentunya memiliki korelasi yang lemah dengan faktor yang
lainnya (korelasinya mendekati nol). Hal yang demikian belum tercapai pada
tabel component matrix diatas. Tabel component matrix menunjukkan beban dari
delapan faktor terhadap lima komponen baru yang terbentuk. Jadi lima komponen
adalah jumlah yang paling optimal untuk mereduksi kedelapan variabel bebas
tersebut. Semakin tinggi nilai dari suatu faktor terhadap komponen yang baru
semakin tinggi kontribusi dari faktor pada komponen tersebut.
Rotated Component Matrixa
|
|||||
|
Component
|
||||
|
1
|
2
|
3
|
4
|
5
|
luas saluran conveyor
|
-.851
|
|
|
|
|
jumlah biopori per RW
|
.843
|
|
|
|
|
jumlah sumur resapan per RW
|
|
.896
|
|
|
|
luas saluran collector
|
|
-.657
|
|
.363
|
-.417
|
luas lahan kosong
|
|
|
.838
|
|
|
ketinggian wilayah
|
|
.337
|
.715
|
.345
|
|
luas catchment area
|
|
|
|
.921
|
|
curah hujan per tahun
|
|
|
|
|
.955
|
Extraction
Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
|
|
|
|||
a. Rotation
converged in 7 iterations.
|
|
|
|
Setelah dilakukan
rotasi faktor dengan metode varimax, diperoleh tabel seperti yang ada diatas
yaitu rotated component matrix.
Terdapat perbedaan nilai korelasi variabel dengan setiap faktor sebelum dan
sesudah dilakukan rotasi varimax. Terlihat bahwa loading factor yang dirotasi
telah memberikan arti sebagaimana mestinya dan setiap faktor sudah dapat
diinterpretasikan dengan jelas. Terlihat pula bahwa setiap variabel hanya
berkorelasi kuat dengan salah satu faktor saja (tidak ada variabel yang
korelasinya < 0.5 di kelima faktor). Dengan demikian, lebih tepat digunakan loading factor yang telah dirotasi sebab
setiap faktor sudah dapat menjelaskan keragaman variabel awal dengan tepat.
Kesimpulan:
Jadi, dapat disimpulkan
bahwa dari kedelapan faktor dapat direduksi menjadi lima komponen yaitu:
- Faktor
satu, beberapa variabel yang memiliki korelasi yang kuat dengan faktor
satu, yaitu variabel luas saluran conveyor
dan jumlah biopori per RW.
- Faktor dua,
beberapa variabel yang memiliki korelasi yang kuat dengan faktor dua,
yaitu variabel jumlah sumur resapan per RW dan luas saluran collector.
- Faktor
tiga, beberapa variabel yang memiliki korelasi yang kuat dengan faktor
tiga, yaitu variabel luas lahan kosong dan ketinggian wilayah.
- Faktor
empat, variabel yang memiliki korelasi yang kuat dengan faktor empat,
yaitu variabel luas catchment area.
- Faktor
lima, variabel yang memiliki korelasi yang kuat dengan faktor lima, yaitu
variabel curah hujan per tahun.
Kelima komponen diatas
merupakan faktor yang paling optimal untuk mereduksi ke delapan variabel
tersebut.