Analisis Komponen Utama Analisis komponen utama 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. Peubahpeubah baru itu disebut sebagai komponen utama (Johnson dan Wichern, 1982). Secara aljabar linier, komponen utama merupakan kombinasi linierkombinasi linier dari p peubah acak x1, x2,x3,...,xp. Secara geometris kombinasi linier ini merupakan sistem koordinat baru yang di dapat dari rotasi sistem semula dengan x1, x2,x3,...,xp sebagai sumbu Koordinat. Sumbu baru tersebut merupakan arah dengan variabilitas maksimum dan memberikan kovariansi yang lebih sederhana. Komponen utama tergantung kepada matriks ragam peragam dan matriks korelasi dari x1, x2, x3,..., xp, dimana pada analisisnya tidak memerlukan asumsi populasi harus berdistibusi normal peubah ganda. Apabila komponen utama diturunkan dari populasi normal peubah ganda, interpretasi dan inferensi dapat dibuat dari komponen sampel. Melalui matriks ragam peragam bisa diturunkan akar ciri-akar ciri (eigen values) yaitu 1 2 ... p 0 dan vektorvektor cirinya yaitu 1, 2, ..., p. Untuk menguji asumsi distribusi normal peubah ganda dapat dilakukan dengan mencari jarak kuadrat untuk setiap observasi (Johnson dan Wichern: 1982). Hipotesis untuk uji ini adalah: H0 : Peubah-peubah berdistribusi normal. H1 : Peubah-peubah tidak berdistribusi normal.

Copysright@2006 Sekolah Tinggi Ilmu Statistik Website: www.youngstatistician.com Milist: stis44@yahoogroups.com

28

Jarak kuadrat dihitung dengan rumus:

d2 j =(X j X )'

(X j X ) ,

(4)

dimana: dj2 = jarak kuadrat observasi ke-j terhadap nilai rataan Xj = nilai observasi ke-j, dimana:
X1 X1 j X X2 2j X = dan X j = M M X nj X n

Secara umum pembentukan komponen utama disusun sebagai berikut : Y1 = a1' X = a11X1 + a21X2 + ...+ apXp Y2 = a2' X = a12X1 + a22X2 + ...+ ap2Xp . . . . . . . . . . . . . . . Yp = ap' X = a1pX1 + a2pX1 + ...+ appXp dengan keragaman masing-masing adalah Var(Yi) = a'i ai = i. dimana: i = 1,2,...,p dan i = akar ciri dari komponen utama ke-i dan keragaman totalnya adalah: Var(Y) = 11+22+...+pp = 1+2+...+p (6)

(5)

dimana: = simpangan baku dan 1+2+...+p adalah akar ciri dari komponen utama. Besarnya proporsi dari keragaman total populasi yang dapat diterangkan oleh komponen utama ke-i adalah:
Proporsi =

1 1 +
2

+ ... +

; i = 1,2,3,...p
p

(7)

Copysright@2006 Sekolah Tinggi Ilmu Statistik Website: www.youngstatistician.com Milist: stis44@yahoogroups.com

29

sehingga nilai proporsi dari keragaman total yang dapat diterangkan oleh komponen utama, kedua atau sampai sejumlah komponen utama secara bersamasama adalah semaksimal mungkin dengan meminimalisasi informasi yang hilang. Meskipun jumlah komponen utama berkurang dari peubah asal tetapi informasi yang diberikan tidak berubah. Menurut Hair, dkk pemilihan komponen utama yang digunakan adalah jika nilai akar cirinya lebih dari 1(i>1).2 Menurut Timm (1975) proporsi keragaman yang dianggap cukup mewakili total keragaman data jika keragaman kumulatif mencapai 70%-80%. Kemudian kita melakukan pengujian terhadap matrik korelasi yang digunakan untuk melihat keeratan hubungan antara peubah satu dengan yang lainnya. Ada dua macam pengujian yang dapat dilakukan terhadap matrik korelasi, yaitu: A. Uji Bartlett Jika sebagian besar dari koefisien kurang dari 0,5 maka dilakukan uji Bartlett. Uji tersebut digunakan untuk melihat apakah matrik uji korelasinya bukan merupakan suatu matrik identitas. Urutan pengujiannya sebagai berikut: 1. Hipotesis H0 : matrik korelasi merupakan matrik identitas. H1 : matrik korelasi bukan merupakan matrik identitas 2. Statistik uji

= [ (N 1)

(2 p + 5) ] ln R 6

(8)

dimana N = jumlah observasi p = jumlah peubah

1.

Hair, Anderson, Tatham , Black, Multivariate Data Analysis Fifth Edition, Prentice Hall International. hlm. 103

Copysright@2006 Sekolah Tinggi Ilmu Statistik Website: www.youngstatistician.com Milist: stis44@yahoogroups.com

30

= determinan dari matrik korelasi

3. Keputusan
2 2 Pengujian Bartlet akan menolak H0 jika nilai : obs > p ( p 1) / 2
.

B. Uji Kaiser Meyer Olkin (KMO) Pengujian ini mengharuskan adanya korelasi yang signifikan antara paling sedikit beberapa peubah.

r
KMO =

2 ij 2 ij

i j

rij2

a
i j

; i = 1, 2, ..., p ; j = 1, 2, ..., p ; i j,

(9)

dimana rij adalah koefisien korelasi antara peubah ke-i dan ke-j dan aij adalah koefisien korelasi parsial antara peubah ke-i dan ke-j. Jika nilai koefisien korelasi parsial adalah kecil dibandingkan dengan koefisien korelasi, maka nilai KMO akan mendekati 1. Nilai KMO yang kecil mengindikasikan bahwa penggunaan analisis faktor harus dipertimbangkan kembali, karena korelasi antar peubah tidak dapat diterangkan oleh peubah lain. Penilaian uji KMO dari matriks antar peubah adalah sebagai berikut : a. 0,9 < KMO 1,0 berarti data sangat baik untuk analisis faktor. b. 0,8 < KMO 0,9 berarti data baik untuk analisis faktor. c. 0,7 < KMO 0,8 berarti data cukup baik untuk analisis faktor. d. 0,6 < KMO 0,7 berarti data lebih dari cukup untuk analisis faktor. e. 0,5 < KMO 0,6 berarti data cukup untuk analisis faktor. f. KMO 0,5 berarti data tidak layak untuk analisis faktor.

Copysright@2006 Sekolah Tinggi Ilmu Statistik Website: www.youngstatistician.com Milist: stis44@yahoogroups.com

31