Tugas UTS software R

1. UTS STATISTIKA LANJUT (TAKE HOME)
EXPLANATORY FACTOR ANALYSIS (EFA)
FAKTOR-FAKTOR YANG BERPENGARUH
TERHADAP PRESTASI BELAJAR SISWA
Oleh:
Prasidananto Nur S 14/375816/PTK/10137
Serifiana Arung Bua’ 14/376478/PTK/10181
PROGRAM PASCASARJANA TEKNIK INDUSTRI
JURUSAN TEKNIK MESIN DAN INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2015

2. Data Variabel yang mempengaruhi prestasi belajar siswa
RESPONDEN
Lingkungan
(V1)
Motivasi
(V2)
Fasilitas
(V3)
Organisasi
(V4)
Finansial
(V5)
Karakter
(V6)
1 4 5 4 4 4 4
2 5 4 4 3 3 5
3 4 4 5 4 3 3
4 3 4 3 4 4 5
5 4 3 5 5 3 3
6 3 3 3 5 5 4
7 3 4 4 5 3 4
8 5 4 3 3 3 3
9 4 4 5 5 4 3
10 3 4 4 4 5 5
11 5 5 3 4 4 5
12 5 3 4 4 3 4
13 3 3 4 3 5 4
14 5 3 5 4 3 4
15 3 5 3 4 4 3
ANALISIS DATA DENGAN SOFTWARE R
1. TAMPILKAN DATA AWAL
> data=read.table("clipboard")
> data
V1 V2 V3 V4 V5 V6
1 4 5 4 4 4 4
2 5 4 4 3 3 5
3 4 4 5 4 3 3
4 3 4 3 4 4 5
5 4 3 5 5 3 3
6 3 3 3 5 5 4
7 3 4 4 5 3 4
8 5 4 3 3 3 3
9 4 4 5 5 4 3
10 3 4 4 4 5 5
11 5 5 3 4 4 5
12 5 3 4 4 3 4
13 3 3 4 3 5 4
14 5 3 5 4 3 4
15 3 5 3 4 4 3

3. 2. KORELASI
> s=cor(data)
> s
V1 V2 V3 V4 V5 V6
V1 1.000000000 -0.01450037 0.1956247 -0.33691014 -0.63409383 -0.006745679
V2 -0.014500370 1.00000000 -0.3769784 -0.11835802 0.05614572 0.104270621
V3 0.195624694 -0.37697840 1.0000000 0.26259873 -0.36567164 -0.343283582
V4 -0.336910141 -0.11835802 0.2625987 1.00000000 0.03388371 -0.245656878
V5 -0.634093834 0.05614572 -0.3656716 0.03388371 1.00000000 0.305970149
V6 -0.006745679 0.10427062 -0.3432836 -0.24565688 0.30597015 1.000000000
3. KMO
> kmo<-function(s)
{
+s<-subset(s,complete.cases(s))
+r<-cor(s)
+r2<-r^2
+i<-solve(r)
+s<-diag(i)
+p2<-(-i/sqrt(outer(s,s)))^2
+diag(r2)<-diag(p2)<-0
+KMO<-sum(r2)/(sum(r2)+sum(p2))
+MSA<-colSums(r2)/(colSums(r2)+colSums(p2))
+return(list(KMO=KMO,MSA=MSA))
+ }
> kmo(data)
$KMO
[1] 0.5515495
$MSA
V1 V2 V3 V4 V5 V6
0.4838657 0.5586592 0.6417336 0.5273015 0.5413443 0.6140041
Nilai KMO dan MSA untuk setiap variabel harus >0,5 agar dapat dilakukan
Faktor Analisis.
Dari hasil diatas maka variabel 1 (Lingkungan) dieleminasi karena nilai
MSA nya 0.4838657 ( < 0,5), dan dilakukan proses analisis kembali dari awal
tanpa melibatkan variabel Lingkungan (V1).
Dari 6 variabel di awal
setelah dihitung KMO dan
MSA-nya maka hanya 5
variabel yang kaitannya erat
karena nilainya >0,5.

4. ANALISIS SETELAH ELEMINASI DATA [ TANPA VARIABEL 1 (Lingkungan) ]
1. TAMPILKAN DATA
> data=read.table("clipboard")
> data
V1 V2 V3 V4 V5
1 5 4 4 4 4
2 4 4 3 3 5
3 4 5 4 3 3
4 4 3 4 4 5
5 3 5 5 3 3
6 3 3 5 5 4
7 4 4 5 3 4
8 4 3 3 3 3
9 4 5 5 4 3
10 4 4 4 5 5
11 5 3 4 4 5
12 3 4 4 3 4
13 3 4 3 5 4
14 3 5 4 3 4
15 5 3 4 4 3
2. KORELASI
> s=cor(data)
> s
V1 V2 V3 V4 V5
V1 1.00000000 -0.3769784 -0.11835802 0.05614572 0.1042706
V2 -0.37697840 1.0000000 0.26259873 -0.36567164 -0.3432836
V3 -0.11835802 0.2625987 1.00000000 0.03388371 -0.2456569
V4 0.05614572 -0.3656716 0.03388371 1.00000000 0.3059701
V5 0.10427062 -0.3432836 -0.24565688 0.30597015 1.0000000
3. KMO
> kmo<-function(s)
+ {
+ s<-subset(s,complete.cases(s))
+ r<-cor(s)
+ r2<-r^2
+ i<-solve(r)
+ s<-diag(i)
+ p2<-(-i/sqrt(outer(s,s)))^2
+ diag(r2)<-diag(p2)<-0
+ KMO<-sum(r2)/(sum(r2)+sum(p2))
+ MSA<-colSums(r2)/(colSums(r2)+colSums(p2))

5. + return(list(KMO=KMO,MSA=MSA))
+ }
> kmo(data)
$KMO
[1] 0.5803492
$MSA
V1 V2 V3 V4 V5
0.5499023 0.5865400 0.5319892 0.5277854 0.6780701
4. EIGENVALUE DAN EIGENVECTORS
> eval=eigen(s) $value
> eigen(s)
$values
[1] 1.9173060 1.0597248 0.9519377 0.6153114 0.4557200
$vectors
[,1] [,2] [,3] [,4] [,5]
[1,] 0.3664453 0.4035081 0.69327045 0.2646489 0.39017440
[2,] -0.5914104 -0.0261752 -0.19308133 0.2978008 0.72359024
[3,] -0.3322564 -0.5920036 0.54539586 0.3848859 -0.30584894
[4,] 0.4087912 -0.6756925 0.05200261 -0.3790293 0.47954347
[5,] 0.4883103 -0.1716609 -0.42653811 0.7412660 -0.02599207
> plot(eval)
Dari nilai eigenvalue dan plot nilai eigenvalue diketahui bahwa nilai eigenvalue yang >1
berjumlah 2 variabel.
Nilai KMO dan nilai MSA
sudah >0.5, maka dapat
dilanjutkan ke pengolahan data
berikutnya, yaitu Bartlett
Sphericity.
Dilihat dari scree plot,
terdapat 2 titik yang berada
diatas nilai 1, dan menjadi
jumlah factornya.

6. 5. UJI BARTLETT
> Bartlett.sphericity.test<-function(s)
+ {
+ method<-"Bartlett's test of sphericity"
+ data.name<-deparse(substitute(s))
+ s<-subset(s,complete.cases(s))
+ n<-nrow(s)
+ p<-ncol(s)
+ chisq<-(1-n+(2*p+5)/6)*log(det(cor(s)))
+ df<-p*(p-1)/2
+ p.value<-pchisq(chisq,df,lower.tail=FALSE)
+ names(chisq)<-"X-squared"
+ names(df)<-"df"
+ return
(structure(list(statistic=chisq,parameter=df,p.value=p.value,method=method,data.name
=data.name),class="htest"))
+ }
> Bartlett.sphericity.test(data)
Bartlett's test of sphericity
data: data
X-squared = 7.036, df = 10, p-value = 0.722
6. FACTANAL
> factanal(x=data,factors=2,rotation="varimax")
Call:
factanal(x = data, factors = 2, rotation = "varimax")
Uniquenesses:
V1 V2 V3 V4 V5
0.797 0.285 0.859 0.005 0.805
Loadings:
Factor1 Factor2
V1 -0.447
V2 -0.369 0.761
V3 0.374
V4 0.997
V5 0.308 -0.316
Dilihat dari nilai factor yang paling besar disetiap
variabel, maka Prestasi Belajar Siswa dipengaruhi
oleh:
1. Factor ke 1 terdiri dari V1 (Motivasi), V4
(Finansial), dan V5 (Karakter), hal ini termasuk
dalam kategori Internal Siswa.
2. Factor ke 2 terdiri dari V2 (Fasilitas) dan V3
(Organisasi), hal ini termasuk dalam kategori
Eksternal Siswa.
P value Bartlett Sphericity
0.722.
hal ini menunjukkan bahwa
data tersebut sudah valid dan
ada korelasi antar factor.
Berdasar perhitungan
eigenvalue dan scree plot,
terdapat 2 Variabel yang
memiliki Nilai eigenvaluenya
> 1, maka faktornya adalah 2.

7. Factor1 Factor2
SS loadings 1.230 1.019
Proportion Var 0.246 0.204
Cumulative Var 0.246 0.450
Test of the hypothesis that 2 factors are sufficient.
The chi square statistic is 0.37 on 1 degree of freedom.
The p-value is 0.544
P value dari factanal
0.544 menunjukkan
bahwa korelasi antar
factor sangatlah erat.