ANALISIS FAKTOR_Wiwin Windayati_070674

ANALISIS FAKTOR

Tabel 1. Descriptive Statistics




Table ini merupakan gambaran tantang data yang diinput, terdiri atas mean / rata-rata, standar deviasi, dan jumlah data yang dianalisis pada tiap-tiap variable.



Tabel 2. Correlation Matrix


Multikolinearitas adalah korelasi antar variable. Korelasi antarvariabel yang sama (misalnya ALASAN dan ALASAN), yang nilainya 1,000 tidak perlu diperhatikan. Karena variabel-variabel tersebut dikorelasikan dengan ‘dirinya sendiri’. Yang perlu diperhatikan adalah korelasi antarvariabel yang berbeda.


Tabel 3. KMO and Bartlett's Test




Kesimpulan tentang layak-tidaknya analisis factor dilakukan baru sah secara statistic dengan menggunakan uji Kaiser-Meyer-Olkin (KMO) measure of adequancy dan Barlett Test.
KMO uji yang nilainya berkisar antara 0 sampai 1 ini, mempertanyakan kelayakan (appropriateness) analisis factor. Apabila nilai indeks tinggi (berkisar antara 0,5 sampai 1,0) analisis factor layak dilakukan.
Dari di atas terlihat bahwa nilai KMO secara keseluruhan adalah 0,599. Jadi, analisis factor layak dilakukan.
Barlett Test ini merupakan test statistic untuk menguji apakah betul variable-variabel yang dilibatkan berkolerasi. Hipothesis nol (H0) adalah tidak ada korelasi antar variable, sedangkan hipothesis alternative (Ha) adalah terdapat korelasi antarvariabel. Nilai Barlett Test didekati dengan nilai chi-square. Pada table terlihat bahwa nilai chi-square adalah 9,336 , yang untuk derajat kebebasan (degree of freedom, disingkat df) sebesar 10, memiliki signifikasi 0,498 (berarti memiliki tingkat kesalahan sebesar 49,8%) sehingga kita dapat percaya 31,9% bahwa antarvariabel terdapat korelasi.


Tabel 4. Anti-image Matrices


Angka-angka dalam matriks ini menyatakan korelasi parsial antarvariabel, yaitu korelasi yang tidak dipengaruhi oleh variable lain. Seperti telah dijelaskan, metode principal component analysis menggunakan total variance, yang terdiri dari common variance, specific variance, dan eror variance, namun mengusahakan specific dan eror variance terkecil. Dari table 5 terlihat bahwa anti-image covariance dan anti-image correlation pada umumnya kecil. Hal ini berdampak pada nilai KMO setiap variable yang tinggi (diatas 0,500).



Table 5 (communalities) menunjukan beberapa varians yang dapat dijelaskan oleh factor yang diekstrak. Cara memperolehnya adalah korelasi pangkat dua. Setiap variable berkorelasi dengan factor-faktor yang diekstrak. Kalau korelasi tersebut dipangkat dua, diperolehlah communalities.

Tabel 6. Total Variance Explained




Dari 5 component (lihat tabel paling kiri) ternyata yang mempunyai nilai initial eigenvalues di atas 1 ada 2 component. Artinya, bahwa 5 butir pertanyaan tersebut dapat dikelompokkan menjadi 2 kelompok tanpa kehilangan informasi yang berarti.
Component 1 mempunyai nilai 1,707 dan mampu menjelaskan varians sebesar 34,135%
Component 2 mempunyai nilai 1,059 dan mampu menjelaskan varians sebesar 21,188%
Dengan demikian keempat component tersebut mampu menjelaskan varians sebesar 55,323% atau kita kehilangan informasi sebesar 44,677%.


Tabel 7 Scree plot



Scree plot merupakan cara mendeskripsikan eigenvalue secara visual. Pada sisi vertikal dimasukan eigenvalue, sedangkan sumbu horizontal mewakili seluruh faktor. Lalu ditariklah garis yang menghubungkan titik-titik yang mewakili eigenvalue.


Tabel 8. Component Matrix(a)



Tabel ini menunjukan korelasi setiap variable dengan setiap factor (disebut juga component) yang diekstrak. Antara variable 1 (X1) dengan factor 1 nilai korelasi adalah 0,537, sedangkan dengan factor 2, nilai korelasi adalah 0,340. Pangkat-duakanlah kedua nilai korelasi itu, lalu jumlahkan, hasilnya adalah 0,593. Dengan cara demikianlah seluruh communalities diperoleh.
Lihat pada table Component Matrix, kita ambil contoh antara variable 1 (MAKANANNYA TIDAK ENAK) dengan factor 1 (component 1) adalah 0,771, dengan factor 2 adalah 0,109. masing-masing nilai tersebut dipangkat duakan, lalu kemudian dijumlahkan, maka akan dihasilkan nilai communialities sebesar 0,58.
Dari component matrik kita bisa melihat bahwa MAKANANNYA TIDAK ENAK ikut component 1 karena mempunyai loading factor sebesar 0,771 yang lebih besar dari pada loading factor ke component 2 Dengan cara yang sama kita bisa mengelompokkan :
Component 1 : Makanannya tidak enak.
Component 2 : Alasan.


Table 9. Rotated Component Matrix(a)



Melalui component matriks, jelas bagi kita Makanannya tidak enak adalah anggota factor 1 karena variable tersebut memiliki korelasi yang tinggi dengan factor 1, sedangkan dengan factor 2, korelasinya rendah

Table 10. Component Score Coefficient Matrix


Table 11. Component Score Covariance Matrix




Table 12. Component Transformation Matrix


Tabel 13.Component Plot in Rotated Space

REGRESI_Wiwin Windayati_070674

Regression




Mean menunjukan nilai rerata dari Banyak makan, yaitu 3,9667
Mean menunjukan nilai rerata dari Berat badan, yaitu 56,20000
Standar deviasi Banyak makan = 0.80872
Standar deviasi Berat badan = 42,1328
Banyaknya data yang dianalisis (N) = 30
Dengan mengunakan korelasi Pearson diperoleh r= -0,781. Itu berarti hubungan antara nilai Banyak makan terhadap nilai Berat badan sangat kuat. Dari koefesien korelasi yang bertanda – diperoleh arti adanya hubungan searah.Artinya,Bila nilai b Banyak makan tinggi maka nilaiBerat badan tinggi.




Nilai R Square dalam tabel model summary menunjukan besarnya pengaruh kontribusi nilai Banyak makan terhadap nilai Berat badan. Dalam tabel tersebut terlihat bahwa nilai kontribusinya adalah 0,05.
Persamaan regresi adalah Y = a + bX, sehingga dalam tabel coefficient didapatkan persamaan Y = -4,461 + 0,150X.



Analisis Output
Berdasarkan hasil output spss, selanjutnya kita melakukan uji hipotesis yang menyatakan model yang dihadapkan bentuknya linier atau tidak.
Hipotesis :
H0 : b=0 (tidak ada hubungan linier antara Banyak makan dan Berat badan)
H1 : b≠0 (ada hubungan linier antara Banyak makan dan Berat badan)
Dalam output diperoleh nilai Fhit = 43,886 (dalam tabel ANOVA) sedangkan Ftabel = 3,12 (tabel distribusi F dengan taraf signifikasi 5% ), karena nilai Fhit > Ftabel maka disimpulkan bahwa kita dapat menolak H0 artinya ada hubungan linier antara Banyak makan dan Berat badan
Pada tabel model summary diperoleh R2 = 0,610. Artinya variable Banyak makan dapat menerangkan variabilitas sebesar 5% dari variabilitas Berat badan, sedangkan sisanya diterangkan oleh variable lain (dimana R2 merupakan koefisien determinasi)
Untuk penguji signifikan koefisien regresi dapat dilakukan sebagai berikut(lihat tabel coefficients) :
Untuk konstanta
Hipotesis :
H0 : koefisien regresi tidak signifikasi
H1 : koefisien regresi signifikasi
Pada taraf signifikansi 3%. Nilai t hit = 2,229, hal ini bisa dilihat dari nilai sig = 0,000
Untuk koefisien Banyak makan
Hipotesis :
H0 : koefisien regresi tidak signifikasi
H1 : koefisien regresi signifikasi
Pada taraf signifikasi 3% tabel hit = 1,123 hal ini bisa dilihat dari nilai sig = 0,002
Berat badan = Y = -4,461 + 0,150 Banyak makan
Tanda + pada variable Berat badan menunjukan arah searah, artinya bila nilai Banyak makan naik maka Berat badan akan naik, begitu juga sebaliknya.

KORELASI_Wiwin Windayati_070674

KORELASI

Korelasi adalah salah satu tekhnik statistic yang digunakan untuk mencari hubungan antara dua variable atau lebih yang sifatnya kuantitatif. Misalkan kita mempunyai dua variable, variable Y dan X. Kita ingin menguji apakah apakah hubungannya berbanding terbalik atau lurus atau bahkan tidak mempunyai hubuungan sama sekali.

Menurut Young ( 1982:317). Ukuran korelasi adalah sebagai berikut :
1. 0.70 – 1.00 ( Baik plus atau Minus ) menunjukan adanya derajat asosiasi yang tinggi.
2. 0.40 - < style="margin: 0px auto 10px; display: block; text-align: center; cursor: pointer; width: 158px; height: 400px;" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEg-2x00HEpZ1jA6kOXUdE1iCIszQGis9kA09q5pyaXC_d4nwKD23rIGbl6lB-2PXQACMWDBgiWDEy76ibyDdJ0wTkxa9vvYob7GkGYrgEeruXpue9-4LtzmfoP8HrVsqeOMMwCVkipB0-xP/s400/tabel.JPG" alt="" id="BLOGGER_PHOTO_ID_5426231685270322946" border="0">
Korelasi Pearson

Correlations

Mean dari Morfologi Tumbuhan = 2,7000
Mean dari Anatomi Tumbuhan = 3,1000
Standar deviasi Morfologi Tumbuhan = 0,87691
Standar deviasi Anatomi Tumbuhan =0,71197
Banyaknya data yang dianalisis = 30
Dengan mengunakan korelasi Pearson diperoleh r= 0,105. Itu berarti hubungan antara nilai Morfologi Tumbuhan terhadap nilai Anatomi Tumbuhan sangat kuat. Dari koefesien korelasi yang bertanda + diperoleh arti adanya hubungan searah. Artinya,Bila nilai Morfologi Tumbuhan tinggi maka nilai Anatomi Tumbuhan tinggi.

Nonparametric Correlations

1. Dengan menggunakan nilai koefisien kendall’stau_b diperoleh:

• Nilai korelasinya = 0,105 artinya asosiasi antara nilai Morfologi Tumbuhan dengan Anatomi Tumbuhan (bila nilai Morfologi Tumbuhan tinggi maka nilai Anatomi Tumbuhan pun tinggi).
• Hasil output pada Sig. (2-taild) = 0,605 (Nilainya lebih besar dari tingkat signifikasi) Sehingga dapat disimpulkan hasil tersebut signifikan pada taraf signifikasi 5 %,bahkan pada taraf signifikasi 1%.Maka dapat disimpulkan bahwa terdapat hubungan yang signifikan antara nilai Morfologi Tumbuhan dengan Anatomi Tumbuhan
2. Dengan menggunakan nilai koefisien korelasi Spearman diperoleh;
• Nilai korelasinya = 0,105 artinya asosiasi antara Morfologi Tumbuhan dengan Anatomi Tumbuhan searah (bila nilai Morfologi Tumbuhan rendah maka nilai Anatomi Tumbuhan tinggi).
• Hasil dari output dari sig. (2-taild) = 0,610 (nilainya lebih besar dari nilai signifikasi), maka dapat disimpulkan hasil tersebut signifikan pada taraf signifikasi 5%, bahkan pada taraf signifikasi 1%. Maka dapat disimpulkan bahwa terdapat hubungan yang signifikan antara Morfologi Tumbuhan dengan Anatomi Tumbuhan.

Factor Analysis


Nama : Gerhana Pertiwi
Kelas : 3 B (070633)




Table ini merupakan gambaran tantang data yang diinput, terdiri atas mean / rata-rata, standar deviasi, dan jumlah data yang dianalisis pada tiap-tiap variable.



Multikolinearitas adalah korelasi antar variable. Korelasi antarvariabel yang sama (misalnya IRIT dan IRIT), yang nilainya 1,000 tidak perlu diperhatikan. Karena variabel-variabel tersebut dikorelasikan dengan ‘dirinya sendiri’. Yang perlu diperhatikan adalah korelasi antarvariabel yang berbeda.


Kesimpulan tentang layak-tidaknya analisis factor dilakukan baru sah secara statistic dengan menggunakan uji Kaiser-Meyer-Olkin (KMO) measure of adequancy dan Barlett Test.
KMO uji yang nilainya berkisar antara 0 sampai 1 ini, mempertanyakan kelayakan (appropriateness) analisis factor. Apabila nilai indeks tinggi (berkisar antara 0,5 sampai 1,0) analisis factor layak dilakukan.
Dari di atas terlihat bahwa nilai KMO secara keseluruhan adalah 0,511. Jadi, analisis factor layak dilakukan.
Barlett Test ini merupakan test statistic untuk menguji apakah betul variable-variabel yang dilibatkan berkolerasi. Hipothesis nol (H0) adalah tidak ada korelasi antar variable, sedangkan hipothesis alternative (Ha) adalah terdapat korelasi antarvariabel. Nilai Barlett Test didekati dengan nilai chi-square. Pada table terlihat bahwa nilai chi-square adalah 1,358 , yang untuk derajat kebebasan (degree of freedom, disingkat df) sebesar 6, memiliki signifikasi 0,968 (berarti memiliki tingkat kesalahan sebesar 96,8%) sehingga kita dapat percaya 31,9% bahwa antarvariabel terdapat korelasi.


Angka-angka dalam matriks ini menyatakan korelasi parsial antarvariabel, yaitu korelasi yang tidak dipengaruhi oleh variable lain. Seperti telah dijelaskan, metode principal component analysis menggunakan total variance, yang terdiri dari common variance, specific variance, dan eror variance, namun mengusahakan specific dan eror variance terkecil. Dari table 5 terlihat bahwa anti-image covariance dan anti-image correlation pada umumnya kecil. Hal ini berdampak pada nilai KMO setiap variable yang tinggi (diatas 0,500).




Scree plot merupakan cara mendeskripsikan eigenvalue secara visual. Pada sisi vertical dimasukan eigenvalue, sedangkan sumbu horizontal mewakili seluruh factor. Lalu ditariklah garis yang menghubungkan titik-titik yang mewakili eugenvalue.





Dari 5 component (lihat tabel paling kiri) ternyata yang mempunyai nilai initial eigenvalues di atas 1 ada 2 component. Artinya, bahwa 5 butir pertanyaan tersebut dapat dikelompokkan menjadi 2 kelompok tanpa kehilangan informasi yang berarti.
Component 1 mempunyai nilai 1.233 dan mampu menjelaskan varians sebesar 30.822%
Component 2 mempunyai nilai 1,046dan mampu menjelaskan varians sebesar 26157%
Dengan demikian keempat component tersebut mampu menjelaskan varians sebesar 56.979% atau kita kehilangan informasi sebesar 46,01%.

Regression

Nama : Gerhana Pertiwi
Kelas : 3 B (070633)

Data diperoleh dari hasil survey 30 orang Mahasiswa Program Study Pendidikan Biologi mengenai berat badan dengan ukuran baju.
DATA MENTAH
No Berat Badan Ukuran Baju
1 42.00 10.00
2 51.00 20.00
3 43.00 10.00
4 45.00 20.00
5 40.00 10.00
6 60.00 20.00
7 45.00 10.00
8 74.00 30.00
9 53.00 20.00
10 65.00 30.00
11 56.00 20.00
12 49.00 10.00
13 67.00 30.00
14 38.00 10.00
15 81.00 40.00
16 43.00 10.00
17 61.00 30.00
18 40.00 10.00
19 57.00 20.00
20 67.00 30.00
21 49.00 20.00
22 51.00 20.00
23 39.00 10.00
24 62.00 30.00
25 79.00 40.00
26 53.00 20.00
27 65.00 30.00
28 47.00 20.00
29 42.00 40.00
30 39.00 10.00
ket. Ukuran baju S = 10, M = 20, L = 30 dan XL = 40




Mean menunjukan nilai rata dari berat badan, yaitu 53.4333
Mean menunjukan nilai rerata dari ukuran baju, yaitu 21.0000
Standar berat badan = 12.31115.
Standar deviasi ukuran baju = 9.94814
Banyaknya data yang dianalisis (N) =30
Dengan mengunakan korelasi Pearson diperoleh r= 0.807. Itu berarti hubungan antara nilai berat badan terhadap nilai ukuran baju sangat kuat. Dari koefesien korelasi yang bertanda – diperoleh arti adanya hubungan searah. Artinya,Bila nilai b berat badan tinggi maka nilai ukuran baju besar.




Nilai R Square dalam tabel model summary menunjukan besarnya pengaruh kontribusi nilai berat badan terhadap ukuran baju. Dalam tabel tersebut terlihat bahwa nilai kontribusinya adalah 0,05.
Persamaan regresi adalah Y = a + bX, sehingga dalam tabel coefficient didapatkan persamaan Y = 32.455 + 0,999X.





Analisis Output
Berdasarkan hasil output spss, selanjutnya kita melakukan uji hipotesis yang menyatakan model yang dihadapkan bentuknya linier atau tidak.
Hipotesis :
H0 : b=0 (tidak ada hubungan linier antara berat badan dan ukuran baju)
H1 : b≠0 (ada hubungan linier antara berat badan dan ukuran baju)
Dalam output diperoleh nilai Fhit = 52.366 (dalam tabel ANOVA) sedangkan Ftabel = 3,12 (tabel distribusi F dengan taraf signifikasi 5% ), karena nilai Fhit > Ftabel maka disimpulkan bahwa kita dapat menolak H0 artinya ada hubungan linier antara berat badan dan ukuran baju
Pada tabel model summary diperoleh R2 = 0,652. Artinya variable antara berat dapat menerangkan variabilitas sebesar 5% dari variabilitas ukuran baju, sedangkan sisanya diterangkan oleh variable lain (dimana R2 merupakan koefisien determinasi)
Untuk penguji signifikan koefisien regresi dapat dilakukan sebagai berikut(lihat tabel coefficients) :
Untuk konstanta
Hipotesis :
H0 : koefisien regresi tidak signifikasi
H1 : koefisien regresi signifikasi
Pada taraf signifikansi 3%. Nilai t hit = 7.236 hal ini bisa dilihat dari nilai sig = 0,035
Untuk koefisien ukuran baju
Hipotesis :
H0 : koefisien regresi tidak signifikasi
H1 : koefisien regresi signifikasi
Pada taraf signifikasi 3% tabel hit = 7.236 hal ini bisa dilihat dari nilai sig = 0,273
ukuran baju = 32.455 + 0,999 berat badan
Tanda + pada variable berat badan menunjukan arah searah, artinya bila nilai berat badan naik maka nilai ukuran baju akan bertambah, begitu juga sebaliknya.

KORELASI

Nama : Gerhana Pertiwi
Kelas : 3 B (070633)

Korelasi adalah salah satu tekhnik statistic yang digunakan untuk mencari hubungan antara dua variable atau lebih yang sifatnya kuantitatif. Misalkan kita mempunyai dua variable, variable Y dan X. Kita ingin menguji apakah apakah hubungannya berbanding terbalik atau lurus atau bahkan tidak mempunyai hubuungan sama sekali.

Data diperoleh dari hasil survey 30 orang Mahasiswa Program Study Pendidikan Biologi mengenai nilai Kimia Dasar 2 dengan nilai Kimia Organik.
DATA MENTAH
NO Kimia Dasar2 (KIMDAS2) Kimia Organik (KIMOR)
1 4.00 3.00
2 2.00 4.00
3 4.00 4.00
4 1.00 3.00
5 2.00 2.00
6 3.00 2.00
7 3.00 4.00
8 4.00 1.00
9 4.00 2.00
10 2.00 3.00
11 3.00 2.00
12 3.00 3.00
13 3.00 4.00
14 1.00 2.00
15 2.00 2.00
16 3.00 1.00
17 4.00 4.00
18 3.00 4.00
19 2.00 3.00
20 2.00 2.00
21 3.00 2.00
22 2.00 4.00
23 3.00 3.00
24 3.00 2.00
25 4.00 4.00
26 2.00 3.00
27 3.00 3.00
28 2.00 1.00
29 4.00 2.00
30 2.00 2.00



Correlations




Mean dari KIMDAS 2 = 2.7667
Mean dari KIMOR = 2.7000
Standar deviasi KIMDAS 2 = 0,89763
Standar deviasi KIMOR = ,98786
Banyaknya data yang dianalisis = 30
Dengan mengunakan korelasi Pearson diperoleh r= -0,033.Itu berarti hubungan antara nilai KIMDAS terhadap nilai KIMOR sangat kuat. Dari koefesien korelasi yang bertanda – diperoleh arti adanya hubungan tidak searah. Artinya,Bila nilai KIMOR tinggi maka nilai KIMDAS nya rendah dan sebaliknya.

Nonparametric Correlations



1. Dengan menggunakan nilai koefisien kendall’stau_b diperoleh:

• Nilai korelasinya = -0,013 artinya asosiasi antara nilai matematika dengan english (bila nilai KIMDAS 2 tinggi maka nilai KIMOR pun tinggi,begitu pula sebaliknya).
• Hasil output pada Sig. (2-taild) = 0,540 (Nilainya lebih besar dari tingkat signifikasi) Sehingga dapat disimpulkan hasil tersebut signifikan pada tarf signifikasi 5 %,bahkan pada taraf signifikasi 1%.Maka dapat disimpulkan bahwa terdapat hubungan yang signifikan antara nilai KIMDAS 2 dengan KIMOR.

2. Dengan menggunakan nilai koefisien korelasi Spearman diperoleh;
• Nilai korelasinya = -0.013: artinya asosiasi antara nilai KIMDAS 2 dan KIMOR tidak searah (bila nilai KIMDAS 2 rendah maka nilai KIMOR tinggi, begitu pula sebaliknya).
• Hasil dari output dari sig. (2-taild) = 0,549 (nilainya lebih besar dari nilai signifikasi), maka dapat disimpulkan hasil tersebut signifikan pada taraf signifikasi 5%, bahkan pada taraf signifikasi 1%. Maka dapat disimpulkan bahwa terdapat hubungan yang signifikan antara KIMDAS 2 dengan KIMOR.