1 PENDAHULUAN
1.1 Latar Belakang Kasus
Gresik merupakan salah satu kabupaten yang terletak di Provinsi Jawa Timur. Gresik dikenal sebagai salah satu sentra perikanan utama di Indonesia. Hal itu dikarenakan adanya akses langsung ke laut dan didukung oleh aktivitas nelayan yang produktif, sektor perikanan merupakan peran penting dalam perekonomian Gresik. Selain memenuhi kebutuhan konsumsi masyarakat lokal, hasil perikanan dari Gresik juga menjadi komoditas yang penting untuk perdagangan antar daerah hingga ekspor.
Namun demikian, dinamika harga ikan di Gresik dipengaruhi oleh berbagai faktor seperti musim penangkapan, cuaca, permintaan pasar, dan biaya operasional nelayan, sehingga fluktuasi harga berdampak pada kesejahteraan nelayan, daya beli masyarakat, dan stabilitas ekonomi lokal. Studi ini bertujuan untuk menganalisis tren harga ikan, mengidentifikasi faktor-faktor penyebab fluktuasi, serta memberikan rekomendasi strategis bagi pemangku kepentingan. Dengan analisis ini, diharapkan dapat mendukung kebijakan pemerintah dan efisiensi usaha pelaku pasar, serta berkontribusi pada pengembangan sektor perikanan yang berkelanjutan di Gresik.
1.2 Latar Belakang Metode
Analisis faktor adalah analisis statistika yang bertujuan untuk mereduksi dimensi data dengan cara menyatakan variabel asal sebagai kombinasi linear sejumlah faktor, sedemikian hingga sejumlah faktor tersebut mampu menjelaskan sebesar mungkin keragaman data yang dijelaskan oleh variabel asal.
Analisis faktor dibagi menjadi dua yaitu analisis faktor ekploratori dan analisis faktor konfirmatori. Analisis faktor eksploratori digunakan untuk mengetahui faktor-faktor yang melandasi sehimpunan variabel atau sehimpunan ukuran. Sedangkan analisis faktor konfirmatori digunakan untuk menguji hipotesis mengenai struktur faktor dalam sehimpunan data.
1.3 Tujuan Penelitian
Tujuan dari penelitian ini sebagai berikut :
Mengetahui indikator apa saja yang dapat dilakukan analisis faktor
Mengidentifikasi tren harga berbagai jenis ikan dan hasil laut di Gresik
Mengetahui faktor-faktor yang mempengaruhi fluktuasi harga
1.4 Tinjauan Pustaka
1.4.1 Model Analisis Faktor
Model analisis faktor adalah :
\[x_1=C_{11}F_1+C_{12}F_2+...+C_{1m}F_m+\varepsilon_1\]
\[x_2=C_{21}F_1+C_{22}F_2+\ldots+C_{2m}F_m+\varepsilon_2\]
\[\vdots\]
\[x_p=C_{p1}F_1+C_{p2}F_2+\ldots+C_{pm}F_m+\varepsilon p\]
Keterangan :
\(x_1,x_2,...,\ x_p\) adalah variabel asal
\(F_1,F_2,...,F_p\) adalah faktor bersama (common factor)
\(C_{ij}\) adalah bobot loading dari variabel asl ke-i pada faktor ke – j
\(\varepsilon_1,\varepsilon_2,...,\varepsilon_p\) adalah error
Besarnya bobot \(C_{ij}\) dapat diduga dengan menggunakan metode maximum likelihood. Nilai dugaan \(C_{ij}\) yang diperoleh dengan metode non-iteratif adalah :
\[C_{ij}\ =\frac{a_{ji}\sqrt{\lambda_j}}{s_{x_i}}\ atau\ C_{ij}\ =a_{ji}\sqrt{\lambda_j}\] untuk variabel asal yang dibakukan.
Keterangan :
\(a_{ji}\) adalah koefisien variabel asal ke-I untuk komponen utama ke-j \(\lambda_j\) adalah eigen value untuk komponen utama ke-j
\(s_{x_i}\) adalah simpangan baku variabel asal ke-j
Besarnya skor faktor dapat dinyatakan sebagai :
\[{F}={C}^\prime{S}^{-1}\left({x}_j-\bar{{x}}\right),\ j\ =\ 1,...,n\]
1.4.2 Measure of Sampling Adequety (MSA)
MSA digunakan untuk mengevaluasi sejauh mana data yang digunakan cocok untuk analisis faktor. MSA mengukur seberapa baik variabel-variabel dalam data berkorelasi satu sama lain dengan nilai 0 hingga 1. Jika nilai \(MSA < 0,5\) maka indikator tidak dapat digunakan untuk analisis komponen utama.
1.4.3 Statistik Kaiser Meyer Olkin (KMO)
Statistik KMO digunakan untuk mengetahui apakah data observasi yang ada tersebut layak dianalisis lebih lanjut dengan analisis faktor atau tidak. Syarat untuk dapat dilakukan analisis faktor adalah data dari peubah-peubah yang dianalisis harus memiliki nilai statistik KMO \(\geq\ 0,5\).
1.4.4 Uji Bartlett
Uji Bartlett digunakan untuk menguji apakah matriks korelasi yang dihasilkan adalah matriks identitas yang mengindikasikan bahwa di antara peubah tidak terdapat korelasi. Nilai sigifikansi uji Bartlett harus kurang dari taraf signifikansi \((\alpha=0,05)\).
1.4.5 Metode Ekstraksi Faktor
Ekstraksi faktor merupakan langkah inti dari analisis faktor dimana mereduksi sejumlah variabel asli (misalkan variabel p) menjadi sejumlah kecil faktor (misalkan k faktor), dimana \(p\le k\).
1.5 Data
Data yang digunakan merupakan dataset harga ikan di Kabupaten Gresik tahun 2016 - 2020. Terdapat 13 variabel dengan masing-masing variabel berjumlah 60. Berikut merupakan cuplikan data penelitian :
| Tanggal | Mas | Tawes | Udang Putih/Vaname | Bandeng | Kakap Putih |
|---|---|---|---|---|---|
| 2016-01-01 | 9000 | 7500 | 60000 | 15000 | 35000 |
| 2016-02-01 | 9500 | 7500 | 55000 | 15000 | 30000 |
| 2016-03-01 | 9500 | 7500 | 55000 | 15000 | 35000 |
| 2016-04-01 | 15000 | 7500 | 60000 | 15000 | 35000 |
| 2016-05-01 | 15000 | 7500 | 60000 | 15000 | 35000 |
| 2016-06-01 | 8000 | 6000 | 50000 | 15000 | 35000 |
| 2016-07-01 | 10000 | 6500 | 50000 | 15000 | 35000 |
| 2016-08-01 | 12500 | 6500 | 50000 | 15000 | 35000 |
2 SOURCE CODE
2.1 Library
2.2 Input Data
Fungsi read_excel() digunakan untuk memuat data dari
Dataset Harga Ikan Gresik dengan argumen yang berisikan
lokasi file data tersimpan. Data tersebut disimpan dengan nama
Dataa. Kemudian digunakan fungsi
data = dataa[, -1] untuk menghilangkan kolom pertama yang
merupakan kolom tanggal, str(Data) untuk melihat struktur
data dan datanew <- data[sapply(data, is.numeric)] untuk
menjadikan tipe data menjadi tipe data numerik.
> dataa <- read_excel("C:/Users/hp/Documents/AAA OMG SEMESTER 5/0. Tugas Sem 5/Anmul/Dilaut Dataset.xlsx")
> data = dataa[, -1]
> str(data)
tibble [60 × 13] (S3: tbl_df/tbl/data.frame)
$ Mas : num [1:60] 9000 9500 9500 15000 15000 8000 10000 12500 12500 15000 ...
$ Tawes : num [1:60] 7500 7500 7500 7500 7500 6000 6500 6500 6500 9000 ...
$ Udang Putih/Vaname: num [1:60] 60000 55000 55000 60000 60000 50000 50000 50000 50000 60000 ...
$ Bandeng : num [1:60] 15000 15000 15000 15000 15000 15000 15000 15000 15000 14000 ...
$ Kakap Putih : num [1:60] 35000 30000 35000 35000 35000 35000 35000 35000 35000 35000 ...
$ Mujair : num [1:60] 10000 11000 11000 17500 17500 18000 18500 20000 20000 20000 ...
$ Kerapu : num [1:60] 0 0 0 80000 80000 80000 80000 80000 80000 120000 ...
$ Patin : num [1:60] 20000 20000 20000 17500 20000 18000 18000 20000 20000 20000 ...
$ Gurami : num [1:60] 23500 23500 23500 23500 23500 23500 23500 23500 23500 23500 ...
$ Lele : num [1:60] 15000 15500 15500 14000 16000 15000 15000 16000 16000 16000 ...
$ Udang Windu : num [1:60] 75000 75000 75000 75000 75000 75000 75000 75000 75000 75000 ...
$ Kepiting : num [1:60] 50000 50000 55000 50000 50000 40000 50000 50000 50000 70000 ...
$ Nila : num [1:60] 8500 8000 8000 14000 14000 12500 16000 17500 17500 18000 ...
> datanew <- data[sapply(data, is.numeric)] Dapat dilihat bahwa terdapat 60 data dengan 13 variabel sudah
memiliki tipe data numerik. Kemudian, untuk menampilkan 6 baris teratas
dari data Dataset Harga Ikan Gresik menggunakan fungsi
head(datanew).
> head(datanew)
# A tibble: 6 × 13
Mas Tawes `Udang Putih/Vaname` Bandeng `Kakap Putih` Mujair Kerapu Patin
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 9000 7500 60000 15000 35000 10000 0 20000
2 9500 7500 55000 15000 30000 11000 0 20000
3 9500 7500 55000 15000 35000 11000 0 20000
4 15000 7500 60000 15000 35000 17500 80000 17500
5 15000 7500 60000 15000 35000 17500 80000 20000
6 8000 6000 50000 15000 35000 18000 80000 18000
# ℹ 5 more variables: Gurami <dbl>, Lele <dbl>, `Udang Windu` <dbl>,
# Kepiting <dbl>, Nila <dbl>2.3 Statistika Deskriptif
Fungsi summary() digunakan untuk menghitung statistika
deskriptif dengan argumen data yang ingin dihitung yaitu
(datanew) dimana statistika deskriptif yang dimaksud adalah
mean, median, minimum, maksimum, dll.
2.4 Menghitung Korelasi
Fungsi cor() digunakan untuk menghitung korelasi antar
variabel dengan argumen data yang dihitung adalah (datanew)
yang disimpan dalam r.
Fungsi corrplo() digunakan untuk membuat plot korelasi
antar variabel. method = jenis yang dipakai untuk
menggambarkan korelasi yaitu number type =
jenis plot yang dipakai yaitu lower
2.5 Uji KMO
Sebelum menjalankan fungsi KMOS() perlu mengaktifkan
packages REdaS terlebih dahulu. Fungsi KMOS()
digunakan untuk menghitung MSA masing-masing variabel. Apabila nilai MSA
< 0,5 maka variabel tersebut tidak dapat dianalisis lebih lanjut.
2.6 Menghilangkan Variabel dengan MSA < 0,5
Fungsi datanew[,-c()] digunakan untuk menghilangkan
kolom tertentu dari data yang tersimpan dalam datanew.
Fungsi data.frame() digunakan untuk membuat dataframe yang
baru dengan argumen datanewww.
2.7 Uji Bartlett
Fungsi bart_spher() digunakan untuk pengujian korelasi
antar variabel yang sebelumnya harus mengaktifkan packages
REdaS terlebih dahulu.
2.8 Scree Plot
Fungsi cor() digunakan untuk menghitung matriks korelasi
antar variabel pada data dengan argumen yang dipakai
dataneww yang kemudian disimpan dalam
korelasi. Fungsi eigen() digunakan untuk
menghitung nilai dan vektor eigen dengan argumen yang dipakai
korelasi kemudian disimpan dalam eigen.
> korelasi = cor(dataneww)
> eigen = eigen(korelasi)
> screeplot = plot(eigen$values, main = "Scree Plot",
+ xlab = "faktor", ylab = "eigen values", pch = 16, type = "o",
+ col= "blue", lwd = 1) + axis(1,at=seq(1,9)) + abline(h=1, col = "red")x = data yang akan dibuat plot
(eigen$value)
main = judul plot (Scree Plot)
xlab = label pada sumbu x (Faktor)
ylab = label pada sumbu y (Eigen Value)
pch = jenis kode yang dipakai untuk mewakili data
(16)
type = jenis plot yang digunakan (o)
col = warna titik dan garis yang digunakan
(blue)
lwd = ketebalan garis (1)
axis() memiliki argumen posisi sumbu dan nilai pada
sumbu 1 dan at=seq(1,9)
abline() memiliki argumen nilai pada sumbu tegak dan
warna garis (h=1, col = "red")
2.9 Ekstraksi Faktor dengan PCA
Sebelum menggunakan fungsi principal() terlebih dahulu
mengaktifkan packages psych.
r = matriks korelasi antar variabel (korelasi)
nfactors = banyak komponen yang diekstrak
(nfactors = 3) rotate = metode rotasi yang
akan digunakan (rotate = "varimax") Fungsi
PCA$communality digunakan untuk menghitung komunalitas
setiap variabel.
2.10 Ekstraksi Faktor dengan PFA
Sebelum menggunakan fungsi fa() terlebih dahulu
mengaktifkan packages psych.
r = matriks korelasi dari data awal yang tersimpan dalam
datanew yang otomotasi akan dibuat matriks korelasinya
nfactors = banyak komponen yang diekstrak
(nfactors = 3) rotate = metode rotasi yang
digunakan (varimax) fm = metode ekstraksi
faktor (pa)
2.11 Visualisasi
Visualiasi dapat dilakukan dengan menggunakan fungsi
fa.diagram() yang sebelumnya sudah mengaktifkan packages
psych.
Fungsi PFA$loadings digunakan untuk menghitung loading
dari PFA yang akan disimpan dalam loads. Fungsi
fa.diagram() dengan argumen loads digunakan
untuk menampilkan hasil visualisasi. Fungsi round() untuk
menampilkan nilai loading dengan argumen
(PFA$loadings[1:6,],4) yang artinya menampilkan loadings
dari 6 variabel teratas dan membulatkan 4
angka dibelakang koma.
3 HASIL DAN PEMBAHASAN
3.1 Statistika Deskriptif
Mas Tawes Udang Putih/Vaname Bandeng
Min. : 7500 Min. : 6000 Min. :40000 Min. : 0
1st Qu.: 8500 1st Qu.: 7000 1st Qu.:50000 1st Qu.:15000
Median :12500 Median : 9500 Median :50000 Median :16000
Mean :11150 Mean :10133 Mean :49083 Mean :15587
3rd Qu.:14000 3rd Qu.:13000 3rd Qu.:50000 3rd Qu.:16775
Max. :15000 Max. :16000 Max. :60000 Max. :18000
Kakap Putih Mujair Kerapu Patin
Min. :25000 Min. : 8000 Min. : 0 Min. :13000
1st Qu.:25000 1st Qu.: 9000 1st Qu.: 80000 1st Qu.:13000
Median :32000 Median :11000 Median : 82000 Median :13000
Mean :30700 Mean :12204 Mean : 86625 Mean :14758
3rd Qu.:35000 3rd Qu.:15000 3rd Qu.:120000 3rd Qu.:15000
Max. :35000 Max. :20000 Max. :150000 Max. :20000
Gurami Lele Udang Windu Kepiting
Min. :18000 Min. :12500 Min. : 75000 Min. : 0
1st Qu.:19000 1st Qu.:12500 1st Qu.: 75000 1st Qu.:30000
Median :23500 Median :15000 Median : 80000 Median :35000
Mean :21642 Mean :14008 Mean : 85550 Mean :33667
3rd Qu.:23500 3rd Qu.:15000 3rd Qu.:100000 3rd Qu.:45000
Max. :24000 Max. :16000 Max. :111000 Max. :85000
Nila
Min. : 8000
1st Qu.:12375
Median :14000
Mean :13167
3rd Qu.:15000
Max. :18000 Berdasarkan output di atas, dapat dilihat nilai minimum, maksimum, median, mean, kuartil 1, dan kuartil 2 dari masing-masing variabel.
3.2 Menghitung Korelasi
Berdasarkan output plot korelasi yang dihasilkan, nilai
korelasi yang mendekati 1 dan -1 mengindikasikan bahwa terdapat korelasi
yang kuat antara variabel tersebut. Dapat dilihat juga berdasarkan
warna, semakin gelap warnanya maka semakin kuat juga korelasinya (warna
biru menandakan korelasi positif dan warna merah menandakan korelasi
negatif).
3.3 Uji KMO
Kaiser-Meyer-Olkin Statistics
Call: KMOS(x = datanew)
Measures of Sampling Adequacy (MSA):
Mas Tawes Udang Putih/Vaname Bandeng
0.8663847 0.9250174 0.5402595 0.5495928
Kakap Putih Mujair Kerapu Patin
0.7467843 0.5880151 0.3856411 0.7003740
Gurami Lele Udang Windu Kepiting
0.6950473 0.7256063 0.7513889 0.5568655
Nila
0.4620158
KMO-Criterion: 0.6987179Berdasarkan output yang dihasilkan, diperoleh statistik KMO sebesar 0.69 > 0.5, sehingga dapat disimpulkan bahwa analisis faktor dapat diterapkan menggunakan matriks korelasi antar variabel data.
Akan tetapi, nilai MSA untuk variabel Kerapu dan Nila memiliki nilai MSA < 0.5 sehingga variabel tersebut tidak dapat dianalisis lebih lanjut.
3.4 Menghilangkan Variabel dengan MSA < 0,5
Mas Tawes Udang.Putih.Vaname Bandeng Kakap.Putih Mujair Patin Gurami Lele
1 9000 7500 60000 15000 35000 10000 20000 23500 15000
2 9500 7500 55000 15000 30000 11000 20000 23500 15500
3 9500 7500 55000 15000 35000 11000 20000 23500 15500
4 15000 7500 60000 15000 35000 17500 17500 23500 14000
5 15000 7500 60000 15000 35000 17500 20000 23500 16000
6 8000 6000 50000 15000 35000 18000 18000 23500 15000
7 10000 6500 50000 15000 35000 18500 18000 23500 15000
8 12500 6500 50000 15000 35000 20000 20000 23500 16000
9 12500 6500 50000 15000 35000 20000 20000 23500 16000
10 15000 9000 60000 14000 35000 20000 20000 23500 16000
11 13000 9000 60000 14000 35000 19000 20000 23500 16000
12 13000 9000 60000 14000 35000 20000 20000 23500 16000
13 14000 13000 50000 16000 25000 9000 13000 18000 15000
14 14000 13000 50000 16000 25000 9000 13000 18000 15000
15 14000 13000 50000 16000 25000 9000 13000 18000 15000
16 14000 16000 50000 16000 25000 11000 13000 19000 15000
17 14000 16000 50000 16000 25000 11000 13000 19000 15000
18 14000 16000 50000 16000 25000 11000 13000 19000 15000
19 7500 7000 40000 15000 32000 8500 13000 23500 12500
20 7500 7000 40000 15000 32000 8500 13000 23500 12500
21 7500 7000 40000 15000 32000 8500 13000 23500 12500
22 8500 7000 40000 17000 35000 15000 15000 24000 12500
23 8500 7000 40000 17000 35000 15000 15000 24000 12500
24 8500 7000 40000 17000 35000 15000 15000 24000 12500
25 14000 13000 50000 16000 25000 9000 13000 18000 15000
26 14000 13000 50000 16000 25000 9000 13000 18000 15000
27 14000 13000 50000 16000 25000 9000 13000 18000 15000
28 14000 16000 50000 16000 25000 11000 13000 19000 15000
29 14000 16000 50000 16000 25000 11000 13000 19000 15000
30 14000 16000 50000 16000 25000 11000 13000 19000 15000
31 7500 7000 40000 15000 32000 8500 13000 23500 12500
32 7500 7000 40000 15000 32000 8500 13000 23500 12500
33 7500 7000 40000 15000 32000 8500 13000 23500 12500
34 8500 7000 40000 17000 35000 15000 15000 24000 12500
35 8500 7000 40000 17000 35000 15000 15000 24000 12500
36 8500 7000 40000 17000 35000 15000 15000 24000 12500
37 14000 13000 50000 17000 25000 9000 13000 18000 15000
38 14000 13000 50000 17000 25000 9000 13000 18000 15000
39 14000 13000 50000 17000 25000 9000 13000 18000 15000
40 14000 14000 50000 16000 25000 11000 13000 20000 14000
41 14000 14000 50000 16000 25000 11000 13000 20000 14000
42 14000 14000 50000 16000 25000 11000 13000 20000 14000
43 7500 7000 50000 15000 32000 8300 13000 23500 12500
44 7500 7000 50000 15000 32000 8300 13000 23500 12500
45 7500 7000 50000 15000 32000 8300 13000 23500 12500
46 8500 10000 50000 18000 35000 15000 15000 24000 12500
47 8500 10000 50000 18000 35000 15000 15000 24000 12500
48 8500 10000 50000 18000 35000 15000 15000 24000 12500
49 14000 13000 50000 16700 30000 14000 13000 20000 15000
50 14000 13000 50000 17500 25000 14200 13000 18000 15000
51 14000 13000 45000 15500 25000 12250 13000 18000 15000
52 14000 13000 50000 15500 30000 9000 13000 18000 15000
53 14000 13000 50000 16500 30000 9000 15000 18000 15000
54 13000 12000 50000 15000 30000 8000 15000 18000 12500
55 7500 7000 50000 15000 35000 10000 13000 23500 12500
56 7500 7000 50000 15000 32000 8900 13000 23500 12500
57 7500 7000 50000 15000 32000 8500 13000 24000 12500
58 8500 10000 50000 0 35000 15000 15000 24000 12500
59 8500 10000 50000 17500 35000 15000 15000 24000 12500
60 8500 10000 50000 17000 35000 15000 15000 24000 12500
Udang.Windu Kepiting
1 75000 50000
2 75000 50000
3 75000 55000
4 75000 50000
5 75000 50000
6 75000 40000
7 75000 50000
8 75000 50000
9 75000 50000
10 75000 70000
11 75000 70000
12 75000 85000
13 100000 30000
14 100000 30000
15 100000 30000
16 100000 30000
17 100000 30000
18 100000 30000
19 75000 45000
20 75000 45000
21 75000 45000
22 75000 45000
23 75000 45000
24 75000 45000
25 100000 30000
26 100000 30000
27 100000 30000
28 100000 30000
29 100000 30000
30 100000 30000
31 75000 45000
32 75000 45000
33 75000 45000
34 75000 45000
35 75000 45000
36 75000 45000
37 100000 30000
38 100000 30000
39 100000 30000
40 111000 30000
41 111000 30000
42 111000 30000
43 80000 45000
44 80000 45000
45 80000 45000
46 80000 45000
47 80000 45000
48 80000 45000
49 100000 0
50 100000 0
51 100000 0
52 80000 0
53 80000 0
54 80000 0
55 80000 0
56 80000 0
57 80000 0
58 80000 0
59 80000 0
60 80000 0Setelah diketahui bahwa variabel Kerapu dan NIla memiliki nilai MSA < 0,5 yang tidak dapat dianalisis lebih lanjut, maka untuk variabel Kerapu dan Nila dihilangkan dan membentuk data frame yang baru tanpa variabel Kerapu dan Nila.
3.5 Uji Bartlett
Bartlett's Test of Sphericity
Call: bart_spher(x = dataneww)
X2 = 743.035
df = 55
p-value < 2.22e-16Hipotesis :
\(H_0:R=I\) (Tidak terdapat korelasi antar variabel)
\(H_0:R\neq I\) (Terdapat korelasi antar variabel)
Keputusan :
Berdasarkan output diatas, \(nilai-p <\alpha(0,05)\), maka keputusan \(Tolak \ H_0.\)
Kesimpulan :
Dengan taraf nyata sebesar 5% dapat disimpulkan bahwa terdapat korelasi yang signifikan antar variabel dan layak untuk dilanjutkan dengan analisis faktor.
3.6 Scree Plot
Berdasarkan output Scree Plot diatas, dapat dilihat bahwa
terdapat 3 titik yang berada di atas garis yang artinya terdapat 3
faktor yang memiliki nilai eigen > 1 sehingga banyak faktor bermakna
yang akan diekstrak sebanyak 3 faktor.
3.7 Ekstraksi Faktor dengan PCA
Mas Tawes Udang Putih/Vaname Bandeng
0.9122880 0.8765777 0.7158619 0.8545975
Kakap Putih Mujair Patin Gurami
0.9300226 0.6512177 0.9294185 0.9276871
Lele Udang Windu Kepiting
0.8769637 0.8709643 0.6068117 Berdasarkan output diatas, dapat dilihat bahwa komunalitas dari setiap variabel memiliki \(nilai < 1\). Hal tersebut mengindikasikan bahwa hilangnya informasi sehingga data kurang representatif. Oleh karena itu, PCA kurang tepat digunakan sebagai metode ektraksi faktor pada kasus ini.
3.8 Ekstraksi Faktor dengan PFA
Factor Analysis using method = pa
Call: fa(r = dataneww, nfactors = 3, rotate = "varimax", fm = "pa")
Standardized loadings (pattern matrix) based upon correlation matrix
PA1 PA2 PA3 h2 u2 com
Mas 0.92 0.22 0.00 0.90 0.099 1.1
Tawes 0.87 -0.30 -0.03 0.85 0.148 1.2
Udang Putih/Vaname 0.42 0.52 0.41 0.61 0.388 2.9
Bandeng 0.11 -0.05 -0.39 0.17 0.833 1.2
Kakap Putih -0.83 0.43 0.28 0.96 0.040 1.8
Mujair -0.17 0.68 0.15 0.52 0.485 1.2
Patin -0.18 0.94 0.26 0.99 0.013 1.2
Gurami -0.89 0.34 0.11 0.92 0.077 1.3
Lele 0.73 0.57 0.04 0.86 0.140 1.9
Udang Windu 0.83 -0.37 -0.17 0.84 0.156 1.5
Kepiting -0.25 0.61 -0.30 0.53 0.471 1.8
PA1 PA2 PA3
SS loadings 4.64 2.89 0.62
Proportion Var 0.42 0.26 0.06
Cumulative Var 0.42 0.68 0.74
Proportion Explained 0.57 0.35 0.08
Cumulative Proportion 0.57 0.92 1.00
Mean item complexity = 1.6
Test of the hypothesis that 3 factors are sufficient.
df null model = 55 with the objective function = 13.63 with Chi Square = 743.03
df of the model are 25 and the objective function was 2.34
The root mean square of the residuals (RMSR) is 0.03
The df corrected root mean square of the residuals is 0.05
The harmonic n.obs is 60 with the empirical chi square 6.53 with prob < 1
The total n.obs was 60 with Likelihood Chi Square = 122.99 with prob < 6.6e-15
Tucker Lewis Index of factoring reliability = 0.674
RMSEA index = 0.255 and the 90 % confidence intervals are 0.213 0.304
BIC = 20.63
Fit based upon off diagonal values = 1
PA1 PA2 PA3
[1,] -0.40172804 1.84454791 1.609766633
[2,] 0.06060376 1.72181395 -0.568916648
[3,] -0.40327226 2.32581696 1.281647223
[4,] 0.03161953 1.18473173 0.449045509
[5,] 0.29183359 2.64277502 0.854323329
[6,] -0.71758631 0.34898020 0.006395065
[7,] -0.52686391 0.83692760 -0.129998836
[8,] -0.10197000 2.29715663 0.002202177
[9,] -0.10197000 2.29715663 0.002202177
[10,] 0.35056618 2.33391483 0.431945505
[11,] 0.15475668 1.94457307 0.511831044
[12,] 0.13450021 1.81753366 0.103230696
[13,] 1.15486721 -0.52744283 -0.374798042
[14,] 1.15486721 -0.52744283 -0.374798042
[15,] 1.15486721 -0.52744283 -0.374798042
[16,] 1.24168767 -0.35861979 -0.384435383
[17,] 1.24168767 -0.35861979 -0.384435383
[18,] 1.24168767 -0.35861979 -0.384435383
[19,] -1.16429188 -0.57938276 -0.848361812
[20,] -1.16429188 -0.57938276 -0.848361812
[21,] -1.16429188 -0.57938276 -0.848361812
[22,] -1.18483611 0.11091013 -0.631183782
[23,] -1.18483611 0.11091013 -0.631183782
[24,] -1.18483611 0.11091013 -0.631183782
[25,] 1.15486721 -0.52744283 -0.374798042
[26,] 1.15486721 -0.52744283 -0.374798042
[27,] 1.15486721 -0.52744283 -0.374798042
[28,] 1.24168767 -0.35861979 -0.384435383
[29,] 1.24168767 -0.35861979 -0.384435383
[30,] 1.24168767 -0.35861979 -0.384435383
[31,] -1.16429188 -0.57938276 -0.848361812
[32,] -1.16429188 -0.57938276 -0.848361812
[33,] -1.16429188 -0.57938276 -0.848361812
[34,] -1.18483611 0.11091013 -0.631183782
[35,] -1.18483611 0.11091013 -0.631183782
[36,] -1.18483611 0.11091013 -0.631183782
[37,] 1.15075843 -0.49419293 -0.484901980
[38,] 1.15075843 -0.49419293 -0.484901980
[39,] 1.15075843 -0.49419293 -0.484901980
[40,] 1.07420759 0.02176710 -0.251454849
[41,] 1.07420759 0.02176710 -0.251454849
[42,] 1.07420759 0.02176710 -0.251454849
[43,] -0.99613408 -1.08266950 -0.249392558
[44,] -0.99613408 -1.08266950 -0.249392558
[45,] -0.99613408 -1.08266950 -0.249392558
[46,] -0.88329625 -0.27163487 0.172767812
[47,] -0.88329625 -0.27163487 0.172767812
[48,] -0.88329625 -0.27163487 0.172767812
[49,] 0.67914403 0.03402669 1.194361123
[50,] 1.27620444 -1.23578884 -0.703018198
[51,] 1.18620147 -0.67470650 -0.380980965
[52,] 0.68349596 -0.67341611 1.188853990
[53,] 0.80473283 0.10564576 1.247966062
[54,] 0.53251063 -0.76436140 1.164836146
[55,] -1.15043917 -1.00266775 1.501342125
[56,] -0.89187092 -1.20770110 0.486276014
[57,] -0.93291217 -0.98425916 0.500906487
[58,] -0.71232405 -0.91080646 2.971996012
[59,] -0.78422766 -0.32893311 1.045177098
[60,] -0.78217327 -0.34555807 1.100229066Berdasarkan output diatas, dapat dilihat bahwa komunalitas dari setiap variabel memiliki \(nilai < 1\). Hal tersebut mengindikasikan bahwa sudah memenuhi syarat komunalitas pada metode PFA yaitu nilai komunalitas tiap variabel \(< 1\). Oleh karena itu, PFA sudah tepat digunakan sebagai metode ektraksi faktor pada kasus ini.
Model analisis faktor yang terbentuk sebagai berikut :
\(Mas\ =\ 0,92PA_1+0,22PA_2+u_1\)
\(Tawes\ =\ 0,87PA_1-0,30PA_2-0,03PA_3+u_2\)
\(Udang\ Putih/Vaname\ =\ 0,42PA_1+0,52PA_2+\ 0,41PA_3+u_3\)
\(Bandeng\ =\ 0,11PA_1-0,05PA_2-0,39PA_3+u_4\)
\(Kakap\ Putih\ =\ -0,83PA_1+0,43PA_2+0,28PA_3+u_5\)
\(Mujair\ =\ -0,17PA_1+0,68PA_2+0,15PA_3+u_6\)
\(Patin\ =\ -0,18PA_1+0,94PA_2+0,26PA_3+u_7\)
\(Gurami\ =\ -0,89PA_1+0,34PA_2+0,11PA_3+u_8\)
\(Lele\ =\ 0,73PA_1+0,57PA_2+0,04PA_3+u_9\)
\(Udang\ Windu\ =\ 0,83PA_1-0,37PA_2-0,17PA_3+u_{10}\)
\(Kepiting\ =\ -0,25PA_1+0,62PA_2-0,30PA_3+u_{11}\)
Pada output bagian Proportion Variance, faktor \(PA_1\) dapat menjelaskan variansi sebesar \(42\%\), faktor \(PA_2\) dapat menjelaskan variansi sebesar \(26\%\) dan faktor \(PA_3\) dapat menjelaskan variansi sebesar \(6\%\), sehingga secara kumulatif kedua faktor dapat menjelaskan variansi sebesar \(74\%\).
3.9 Visualisasi
PA1 PA2 PA3
Mas 0.9247 0.2155 0.0045
Tawes 0.8720 -0.3006 -0.0323
Udang Putih/Vaname 0.4234 0.5163 0.4079
Bandeng 0.1139 -0.0507 -0.3898
Kakap Putih -0.8328 0.4331 0.2804
Mujair -0.1705 0.6810 0.1499Berdasarkan hasil visualisasi di atas, dapat dilihat bahwa faktor \(PA_1\) memiliki korelasi yang signifikan terhadap Ikan Mas, Tawes, Udang Windu, Lele(hubungan Positif), Gurami dan Kakap Putih (hubungan negatif). Faktor \(PA_2\) memiliki korelasi yang signifikan terhadap Ikan Patin, Mujair, Kepiting, Udang Putih/Vename(hubungan positif) dan Faktor \(PA_3\) memiliki korelasi yang signifikan terhadap Bandeng (hubungan negatif).
Hasil dari 11 variabel menghasilkan 3 buah faktor yang dapat dikelompokkan berdasarkan indikator-indikator masing-masing.
Faktor-faktor tersebut diinterpretasikan sebagai faktor ikan premium untuk konsumsi luas, faktor ikan massal dan ekspor dan faktor ikan khas dengan pasar lokal.
4 PENUTUP
4.1 Kesimpulan
Berdasarkan hasil analisis tersebut, dapat ditarik kesimpulan bahwa:
Terdapat 2 variabel (Kerapu dan Nila) dengan nilai \(MSA < 0.5\), sehingga variabel tersebut harus dihapus dan variabel menjadi berjumlah 11 dari yang sebelumnya berjumlah 13 variabel.
Terdapat 3 faktor bermakna yang dapat diekstrak dari 11 variabel Harga Ikan di Gresik.
Faktor-faktor tersebut diinterpretasikan sebagai faktor ikan premium untuk konsumsi luas, faktor ikan massal dan ekspor dan faktor ikan khas dengan pasar lokal.
4.2 Saran
Saran yang dapat diberikan yaitu memperbanyak indikator atau variabel mengenai Harga Ikan di Gresik.
4.3 Daftar Pustaka
Sumber data Kaggle : Dataset Harga Ikan di Gresik
Ir. Sigit Nugroho, M. P. 2008. Statistika Multivariat Terapan. Bengkulu: UNIB PRess.
Hasan, M. I. 2022. Statistika Terapan Univariat dan Multivariat. Makassar: UIN Alauddin.
Purwanto. 2004. Analisis Faktor: Konsep, Prosedur Uji, dan Interpretasi. Jurnal Teknodik, No. 15 Vol. VIII