Library:

> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")
> library(knitr)
> library(rmarkdown)
> library(prettydoc)
> library(equatiomatic)

1 PENDAHULUAN

1.1 Latar Belakang

Indeks Pembangunan Manusia (IPM) merupakan indikator komposit tunggal yang mengukur tiga dimensi pokok pembangunan manusia yang dinilai mampu mencerminkan kemampuan dasar (basic capabilities) penduduk (Setiawan & Hakim, 2013). Ketiga kemampuan dasar itu adalah umur panjang dan sehat, berpengetahuan dan berketerampilan, serta akses terhadap sumber daya yang dibutuhkan untuk mencapai standar hidup layak. Ketiga dimensi tersebut memiliki pengertian sangat luas karena terkait banyak faktor. Setiap indikator komponen penghitungan IPM dapat dimanfaatkan untuk mengukur capaian pembangunan kualitas hidup manusia (BPS, 2021).

Dimensi umur panjang dan hidup sehat diukur dengan indikator umur harapan hidup saat lahir. Dimensi pengetahuan diukur dengan gabungan indikator harapan lama sekolah dan rata-rata lama sekolah. Adapun untuk mengukur dimensi standar hidup layak digunakan indikator kemampuan daya beli. Kemampuan daya beli masyarakat terhadap sejumlah kebutuhan pokok yang dilihat dari rata-rata besarnya pengeluaran rill per kapita sebagai pendekatan pendapatan yang mewakili capaian pembangunan untuk standar hidup layak.

Semakin tinggi angka IPM, semakin baik kualitas hidup masyarakat di wilayah tersebut. Namun, terdapat disparitas IPM antarwilayah yang menunjukkan adanya ketimpangan pembangunan. Untuk mengatasi hal ini, diperlukan analisis yang mendalam guna mengidentifikasi faktor-faktor utama yang memengaruhi IPM dan menentukan prioritas perbaikan bagi wilayah yang tertinggal.

1.2 Latar Belakang Metode

Indeks Pembangunan Manusia (IPM) merupakan indikator penting dalam pengukuran tingkat keberhasilan pembangunan kualitas hidup manusia (Sikana & Wijayanto, 2021). Dalam pengukuran Indeks Pembangunan Manusia (IPM), terdapat keterkaitan erat antar indikator, seperti Angka Harapan Hidup (AHH), Harapan Lama Sekolah (HLS), Rata-rata Lama Sekolah (RLS), Pengeluaran per Kapita (PK) serta Pertumbuhan. Hubungan yang kompleks ini sering kali menyebabkan tantangan dalam analisis data, terutama ketika indikator saling berkorelasi atau memiliki dimensi yang tinggi. Oleh karena itu, diperlukan metode statistik yang mampu menyederhanakan data dan menggali informasi mendalam dari struktur variabel yang ada.

Analisis Komponen Utama (Principal Component Analysis) dan Analisis Faktor (Factor Analysis) adalah dua metode yang dapat digunakan untuk mengatasi permasalahan tersebut. PCA bertujuan untuk mereduksi dimensi data dengan mengubah variabel yang saling berkorelasi menjadi sejumlah kecil komponen utama yang independen. Sementara itu, FA digunakan untuk menemukan struktur laten dalam data, dengan mengelompokkan variabel ke dalam faktor-faktor tersembunyi yang mendasari hubungan antarindikator.

Dengan menggunakan PCA dan FA, dimensi data IPM yang kompleks dapat disederhanakan, sehingga faktor-faktor utama yang berpengaruh terhadap kualitas pembangunan manusia dapat diidentifikasi. Penerapan metode ini tidak hanya membantu memahami pola dalam data, tetapi juga memungkinkan perumusan kebijakan pembangunan yang lebih efektif dan efisien.

1.3 Principal Component Analysis

Analisis Komponen Utama (Principal Component Analysis) adalah analisis multivariate yang mentransformasi variabelvariabel asal yang saling berkorelasi menjadi variabel-variabel baru yang tidak saling berkorelasi dengan mereduksi sejumlah variabel tersebut sehingga mempunyai dimensi yang lebih kecil namun dapat menerangkan sebagian besar keragaman variable aslinya (Rufaidah & Effindi, 2017).

Banyaknya komponen utama yang terbentuk sama dengan banyaknya variabel asli. Pereduksian (penyederhanaan) dimensi dilakukan dengan kriteria persentase keragaman data yang diterangkan oleh beberapa komponen utama pertama. Apabila beberapa komponen utama pertama telah menerangkan lebih dari 75% keragaman data asli, maka analisis cukup dilakukan sampai dengan komponen utama tersebut.

1.4 Faktor Analysis

Analisis faktor yaitu suatu metode reduksi data untuk menemukan variabel baru yang disebut faktor yang jumlahnya lebih sedikit dibandingkan dengan jumlah aslinya, yang tidak berkorelasi satu sama lainnya, variabel baru tersebut memuat sebanyak mungkin informasi yang terkandung di dalam variabel asli (Puspitasari dkk., 2011)

1.5 Rumusan Masalah

Rumusan masalah dalam penelitian ini adalah sebagai berikut.

Bagaimana menentukan komponen utama yang dapat menjelaskan keragaman terbesar dari indikator-indikator pembangunan manusia menggunakan analisis komponen utama?
Faktor apa saja yang dapat direpresentasikan dari hubungan antarindikator pembangunan manusia menggunakan analisis Faktor (FA)?

1.6 Tujuan Penelitian

Berdasarkan masalah yang telah dirumuskan, tujuan penelitian ini antara lain:

Menentukan jumlah faktor yang bermakna berdasarkan nilai eigen ≥ 1.
Mengidentifikasi komponen utama yang dapat menjelaskan keragaman terbesar dari indikator-indikator pembangunan manusia menggunakan PCA.
Menginterpretasikan faktor-faktor yang terbentuk berdasarkan hubungan antarindikator pembangunan manusia melalui analisis faktor.

1.7 Batasan Masalah

Batasan masalah yang digunakan pada penelitian ini adalah sebagai berikut.

Data yang digunakan adalah data sekunder Indeks Pembangunan Manusia pada kabupaten/kota di Jawa Timur tahun 2021 yang didapatkan dari situs resmi Badan Pusat Statistik (BPS) Jawa Timur.

1.8 Data

Data yang digunakan berasal dari data 38 Kabupaten/Kota di Jawa Timur pada tahun 2021 yang diperoleh dari situs resmi Badan Pusat Statistik (BPS) Jawa Timur yang meliputi sejumlah indikator Indeks Pembangunan Manusia (IPM), yakni Angka Harapan Hidup (AHH), Harapan Lama Sekolah (HLS), Pengeluaran per Kapita (PK), Rata-rata Lama Sekolah (RLS) dan Pembangunan.

Adapun data tersebut dapat dilihat pada tabel berikut:

Indikator Indeks Pembangunan Manusia (IPM) terdiri dari 5 indikator, yaitu:

\(X_1\) : Angka Harapan Hidup (Tahun)
\(X_2\) : Harapan Lama Sekolah (Tahun)
\(X_3\) : Pengeluaran per Kapita (Rupiah)
\(X_4\) : Rata-rata Lama Sekolah (Tahun)
\(X_5\) : Pembangunan (%)

2 SOURCE CODE

2.1 Library

Digunakan untuk membaca file excel dengan format file spreadsheet Microsoft Excel (xlsx).

> library(readxl)

Digunakan untuk visualisasi matriks korelasi antar indikator.

> library(corrplot)

Digunakan untuk uji KMO dan Bartlett.

> library(REdaS)

Digunakan untuk analisis faktor dengan rotasi.

> library(psych)

Digunakan untuk membuat tabel interaktif yang mudah digunakan dalam analisis data

> library(DT)

2.2 Import Data

Mengimpor data dari file excel dengan cara membaca file Excel menggunakan fungsi read_excel(), lalu menyimpannya dalam “data”

> data <- read_excel("D:/LAPRAK NAZWA/Data IPM Jawa Timur 2021.xlsx")
> data
# A tibble: 38 × 6
   `Kabupaten/Kota`        AHH   HLS    PK   RLS Pertumbuhan
   <chr>                 <dbl> <dbl> <dbl> <dbl>       <dbl>
 1 Kabupaten Pacitan      72.1  12.6  8887  7.61        0.26
 2 Kabupaten Ponorogo     72.8  13.7  9851  7.55        0.35
 3 Kabupaten Trenggalek   73.9  12.5  9743  7.56        0.46
 4 Kabupaten Tulungagung  74.2  13.3 10807  8.34        0.21
 5 Kabupaten Blitar       73.6  12.6 10757  7.5         0.67
 6 Kabupaten Kediri       72.6  13.4 11127  8.08        0.71
 7 Kabupaten Malang       72.6  13.2 10163  7.43        0.34
 8 Kabupaten Lumajang     70.2  11.9  9203  6.67        0.93
 9 Kabupaten Jember       69.3  13.4  9410  6.49        0.31
10 Kabupaten Banyuwangi   70.7  13.1 12217  7.42        1.08
# ℹ 28 more rows
> View(data)

2.3 Stuktur Data

Digunakan untuk menampilkan struktur objek data seperti tipe data objek, jumlah elemen dalam objek, dan informasi lainnya. Struktur data digunakan untuk memastikan tipe data yang akan dianalisis sudah benar.

str(data[,2:6])

2.4 Statistika Deskriptif

Digunakan untuk memberikan pemahaman awal mengenai data yang akan diuji. Menampilkan statistik deskriptif (informasi seperti mean, median, maksimum, minimum, dan kuartil) dari tiap variabel yang ada.

summary(data[,2:6])

2.5 Uji KMO

Uji KMO dihitung dengan fungsi KMOS(). Menghitung kecukupan sampel keseluruhan (KMO-Criteration) dengan KMOS > 0.5 dan kecukupan sampel tiap indikator MSA > 0.5 yang menyatakan bahwa data cocok untuk dilakukan ekstraksi PCA dan PFA.

KMOS(data)

2.6 Bartlett’s Test of Sphericity

Uji Bartlett digunakan untuk memeriksa apakah terdapat korelasi antar indikator. Apabila p-value ≤ 0.05 data cocok untuk analisis faktor.

bart_spher(data_baru)

2.7 Eksplorasi Korelasi

Fungsi corrplot() digunakan untuk visualisasi matriks korelasi. Fungsi ini membantu menganalisis hubungan antar indikator IPM dengan menampilkan korelasi dalam bentuk visual yang informatif.

korelasi<-cor(data_baru)
corrplot(korelasi, method="number", type="lower")

2.8 Nilai eigen

Diambil eigen yang bernilai > 1 untuk dilakukan analisis PCA dan FA.

nilaieigen <- eigen(korelasi)$values
nilaieigen

2.9 Scree Plot

Digunakan untuk menentukan jumlah komponen utama atau faktor dalam analisis.

Plot ini membantu memvisualisasikan kontribusi relatif dari setiap komponen atau faktor dalam menjelaskan variansi data.

Menambahkan garis horizontal pada nilai eigen 1, yang menunjukkan batas umum untuk menentukan faktor, dimana apabila nilai eigen merupakan banyaknya faktor bermakna yang akan diesktrak.

scrplot <- plot(nilaieigen, main = "Scree Plot", xlab = "Factors", ylab="Eigen Values", pch = 20, col = "blue", type = "o")
axis(1, at = seq(1,28))
abline(h = 1, col = "red", lty = 2, lwd = 1.5)

2.10 Analisis Komponen Utama (PCA)

Digunakan untuk melakukan analisis PCA dengan mereduksi dimensi data multidimensi.

analisis_pca <- prcomp(data_baru, center = TRUE, scale. = TRUE)
analisis_pca

Digunakan untuk memberikan ringkasan hasil analisis PCA yang mencakup informasi mengenai proporsi variansi, kumulatif proporsi, standar deviasi.

summary(analisis_pca)

2.11 Analisis Faktor (FA)

Melakukan Analisis Faktor dengan menggunakan fungsi fa() dan rotasi varimax.

PFA = fa(r = korelasi, nfactors = 1, rotate = "varimax")
PFA

2.12 Visualisasi

Digunakan untuk membuat diagram agar visualiasi dari hubungan antar-variabel dengan masing-masing faktor yang dihasilkan dari analisis faktor.

loads=PFA$loadings
fa.diagram(PFA)

3 HASIL DAN INTERPRETASI

3.1 Stuktur Data

> str(data[,2:6])
tibble [38 × 5] (S3: tbl_df/tbl/data.frame)
 $ AHH        : num [1:38] 72.1 72.8 73.9 74.2 73.6 ...
 $ HLS        : num [1:38] 12.6 13.7 12.5 13.3 12.6 ...
 $ PK         : num [1:38] 8887 9851 9743 10807 10757 ...
 $ RLS        : num [1:38] 7.61 7.55 7.56 8.34 7.5 8.08 7.43 6.67 6.49 7.42 ...
 $ Pertumbuhan: num [1:38] 0.26 0.35 0.46 0.21 0.67 0.71 0.34 0.93 0.31 1.08 ...

Interpretasi: Berdasarkan output diatas, dapat dilihat bahwa tipe data pada variabel AHH sampai dengan Pertumbuhan adalah numerik.

3.2 Statistika Deskriptif

> summary(data[,2:6])
      AHH             HLS              PK             RLS        
 Min.   :66.89   Min.   :11.73   Min.   : 8673   Min.   : 4.860  
 1st Qu.:70.44   1st Qu.:12.72   1st Qu.:10038   1st Qu.: 7.200  
 Median :72.45   Median :13.32   Median :11260   Median : 7.695  
 Mean   :71.72   Mean   :13.40   Mean   :11569   Mean   : 8.061  
 3rd Qu.:72.84   3rd Qu.:13.77   3rd Qu.:12723   3rd Qu.: 9.220  
 Max.   :74.18   Max.   :15.75   Max.   :17862   Max.   :11.370  
  Pertumbuhan    
 Min.   :0.1000  
 1st Qu.:0.3175  
 Median :0.4750  
 Mean   :0.4937  
 3rd Qu.:0.6675  
 Max.   :1.0800

Interpretasi: Berdasarkan statistika deskriptif di atas, didapatkan informasi:

Kabupaten/Kota yang memiliki angka harapan hidup tertinggi adalah Kota Surabaya sebesar 74.18 tahun dan terendah adalah Kabupaten Bondowoso sebesar 66.89 tahun. Sebagian besar Kabupaten/Kota di Jawa Timur tahun 2021 memiliki angka harapan hidup sebesar 71.72 tahun.
Kabupaten/Kota yang memiliki harapan lama sekolah tertinggi adalah Kota Malang sebesar 15.75 tahun dan terendah adalah Kabupaten Bangkalan sebesar 11.73 tahun. Sebagian besar Kabupaten/Kota di Jawa Timur tahun 2021 memiliki harapan lama sekolah sebesar 13.40 tahun.
Kabupaten/Kota yang memiliki pengeluaran per kapita tertinggi adalah Kota Surabaya sebesar Rp 17.862 dan terendah adalah Kabupaten Bangkalan sebesar Rp 8.673. Sebagian besar Kabupaten/Kota di Jawa Timur tahun 2021 memiliki pengeluaran per kapita sebesar Rp 11.569.
Kabupaten/Kota yang memiliki rata-rata lama sekolah tertinggi adalah Kota Madiun sebesar 11.37 tahun dan terendah adalah Kabupaten Sampang sebesar 4.86 tahun. Sebagian besar Kabupaten/Kota di Jawa Timur tahun 2021 memiliki rata-rata lama sekolah sebesar 8.06 tahun.
Kabupaten/Kota yang memiliki pertumbuhan tertinggi adalah Kabupaten Banyuwangi sebesar 1.08 persen dan terendah adalah Kota Surabaya sebesar 0.1 persen. Sebagian besar Kabupaten/Kota di Jawa Timur tahun 2021 memiliki pertumbuhan sebesar 0.4937 persen.

3.3 Uji KMO

> KMOS(data[,2:6])

Kaiser-Meyer-Olkin Statistics

Call: KMOS(x = data[, 2:6])

Measures of Sampling Adequacy (MSA):
        AHH         HLS          PK         RLS Pertumbuhan 
  0.6521186   0.8756855   0.7254774   0.6441153   0.3413266 

KMO-Criterion: 0.7076663

Interpretasi: Dari hasil diatas diperoleh nilai KMO-Criterion sebesar 0.7076663 menunjukkan sampel secara keseluruhan sudah cukup baik sehingga analisis faktor dan analisis komponen utama dapat diterapkan. Nilai MSA pada indikator Pertumbuhan bernilai < 0,5 sehingga harus dihilangkan.

3.4 Menghilangkan Indikator Pertumbuhan

> data_baru = data[,2:5]
> data_baru
# A tibble: 38 × 4
     AHH   HLS    PK   RLS
   <dbl> <dbl> <dbl> <dbl>
 1  72.1  12.6  8887  7.61
 2  72.8  13.7  9851  7.55
 3  73.9  12.5  9743  7.56
 4  74.2  13.3 10807  8.34
 5  73.6  12.6 10757  7.5 
 6  72.6  13.4 11127  8.08
 7  72.6  13.2 10163  7.43
 8  70.2  11.9  9203  6.67
 9  69.3  13.4  9410  6.49
10  70.7  13.1 12217  7.42
# ℹ 28 more rows

3.5 Uji KMO Kembali

> KMOS(data_baru)

Kaiser-Meyer-Olkin Statistics

Call: KMOS(x = data_baru)

Measures of Sampling Adequacy (MSA):
      AHH       HLS        PK       RLS 
0.6638541 0.8733258 0.7274289 0.6435159 

KMO-Criterion: 0.714109

Interpretasi: Dari hasil diatas diperoleh nilai KMO-Criterion sebesar 0.714109 menunjukkan sampel secara keseluruhan sudah cukup baik sehingga analisis faktor dan analisis komponen utama dapat diterapkan. Nilai MSA pada setiap indikator bernilai > 0,5 sehingga semua indikator tersebut (AHH, HLS, PK dan RLS) dapat digunakan.

3.6 Bartlett’s Test of Sphericity

> bart_spher(data_baru)
    Bartlett's Test of Sphericity

Call: bart_spher(x = data_baru)

     X2 = 114.357
     df = 6
p-value < 2.22e-16

Keputusan:

Diperoleh p-value (2,22e-16) < alpha (0,05), maka tolak \(H_{0}\).

Interpretasi:

Dengan taraf nyata 5% dapat dibuktikan bahwa terdapat korelasi yang signifikan antar variabel, sehingga data layak digunakan untuk analisis faktor.

3.7 Eksplorasi Korelasi

> korelasi<-cor(data_baru)
> corrplot(korelasi, method="number", type="lower")

Interpretasi: Berdasarkan plot korelasi di atas, semakin mendekati 1 atau -1 maka mengindikasikan adanya korelasi yang kuat antar Indikator. Dapat dilihat bahwa semua korelasi berawarna biru yang menandakan korelasi positif.

3.8 Nilai eigen

> nilaieigen <- eigen(korelasi)$values
> nilaieigen
[1] 3.08195834 0.57690835 0.25996737 0.08116594

Interpretasi: Banyaknya faktor yang dapat diambil untuk analisis PCA dan FA apabila memiliki nilai eigen ≥ 1. Dari output diatas, dapat dilihat pada bahwa terdapat satu nilai eigen yang lebih besar sama dengan satu, sehingga terdapat 1 faktor bermakna yang akan diekstrak.

3.9 Scree Plot

> scrplot <- plot(nilaieigen, main = "Scree Plot", xlab = "Factors", ylab="Eigen Values", pch = 20, col = "blue", type = "o")
> axis(1, at = seq(1,28))
> abline(h = 1, col = "red", lty = 2, lwd = 1.5)

Interpretasi: Berdasarkan scree plot di atas, terdapat 1 faktor yang memiliki nilai eigen lebih dari sama dengan satu, dimana dapat diketahui dari titik yang berada diatas garis merah, sehingga terdapat 1 faktor bermakna yang akan diekstrak.

3.10 Analisis Komponen Utama (PCA)

> analisis_pca <- prcomp(data_baru, center = TRUE, scale. = TRUE)
> analisis_pca
Standard deviations (1, .., p=4):
[1] 1.7555507 0.7595448 0.5098700 0.2848964

Rotation (n x k) = (4 x 4):
           PC1         PC2        PC3        PC4
AHH -0.4335482 -0.84148370  0.1450180 -0.2879425
HLS -0.4926598  0.43022165  0.7431361 -0.1412246
PK  -0.5152932  0.32569619 -0.6232558 -0.4898440
RLS -0.5511761 -0.02713866 -0.1956292  0.8106772

Interpretasi:

Persamaan yang terbentuk:

\[ PC_1 = -0.4335482X_1 - 0.4926598X_2 - 0.5152932X_3 - 0.55117X_4 \]

> summary(analisis_pca)
Importance of components:
                          PC1    PC2     PC3     PC4
Standard deviation     1.7556 0.7595 0.50987 0.28490
Proportion of Variance 0.7705 0.1442 0.06499 0.02029
Cumulative Proportion  0.7705 0.9147 0.97971 1.00000

Interpretasi: Berdasarkan output di atas, komponen utama pertama (PC1) dapat menjelaskan keragaman dari 4 indikator sebesar 77,05%.

3.11 Analisis Faktor (FA)

> PFA = fa(r = korelasi, nfactors = 1, rotate = "varimax")
> PFA
Factor Analysis using method =  minres
Call: fa(r = korelasi, nfactors = 1, rotate = "varimax")
Standardized loadings (pattern matrix) based upon correlation matrix
     MR1   h2     u2 com
AHH 0.65 0.42  0.580   1
HLS 0.80 0.64  0.363   1
PK  0.87 0.76  0.237   1
RLS 1.01 1.01 -0.015   1

                MR1
SS loadings    2.83
Proportion Var 0.71

Mean item complexity =  1
Test of the hypothesis that 1 factor is sufficient.

df null model =  6  with the objective function =  3.28
df of  the model are 2  and the objective function was  0.21 

The root mean square of the residuals (RMSR) is  0.04 
The df corrected root mean square of the residuals is  0.08 

Fit based upon off diagonal values = 1

Interpretasi: Berdasarkan hasil analisis PFA, persamaan yang terbentuk:

\[ \begin{align*} X_1 (\text{AHH}) &= 0,65 MR_1 + \epsilon_1 \\ X_2 (\text{HLS}) &= 0,80 MR_1 + \epsilon_2 \\ X_3 (\text{PK}) &= 0,87 MR_1 + \epsilon_3 \\ X_4 (\text{RLS}) &= 1,01 MR_1 + \epsilon_4 \\ \end{align*} \]

3.12 Visualisasi

> loads=PFA$loadings
> fa.diagram(PFA)

Interpretasi:

Faktor MR1

RLS (Rata-rata Lama Sekolah) memiliki nilai loading sebesar 1, menunjukkan hubungan yang paling kuat terhadap faktor MR1.
PK (Pengeluaran per Kapita) memiliki nilai loading sebesar 0.9, menunjukkan hubungan yang kuat dengan MR1.
HLS (Harapan Lama Sekolah) memiliki nilai loading sebesar 0.8, menunjukkan hubungan yang kuat dengan MR1.
AHH (Angka Harapan Hidup) memiliki nilai loading sebesar 0.6, memiliki hubungan lebih rendah dibandingkan indikator lainnya tetapi tetap memiliki hubungan yang kuat dengan MR1.

Dari hasil analisis faktor, MR1 dapat diinterpretasikan sebagai faktor yang merepresentasikan indeks pembangunan manusia, karena indikator-indikatornya terkait dengan pendidikan, ekonomi, dan kesehatan, yang merupakan komponen utama dalam pengukuran pembangunan manusia. Faktor ini menggambarkan tingkat kesejahteraan dan kualitas hidup masyarakat berdasarkan indikator-indikator yang dianalisis. Semua indikator mempunyai hubungan yang positif dengan MR1, dengan indikator dominan adalah RLS (Rata-rata Lama Sekolah)

4 PENUTUP

4.1 Kesimpulan

Berdasarkan hasil analisis, dapat ditarik kesimpulan:

Terdapat 1 faktor bermakna yang dapat diekstrak dari 4 indikator.
Analisis komponen utama menghasilkan 1 komponen utama dengan persamaan sebagai berikut:

\[ PC_1 = -0.4335482X_1 - 0.4926598X_2 - 0.5152932X_3 - 0.55117X_4 \]

Berdasarkan analisis faktor (FA), faktor- faktor tersebut diinterpretasikan sebagai faktor indeks pembangunan manusia.

4.2 Saran

Berdasarkan analisis yang sudah dilakukan, dapat dilakukan analisis lanjutan dengan memperbanyak indikator-indikator lain terkait faktor indeks pembangunan manusia.

5 Daftar Pustaka

BPS. (2021). Indeks Pembangunan Manusia 2021. Jakarta: Badan Pusat Statistik.

Puspitasari, N. B., Suliantoro, H., Erlianna V. (2021). ANALISIS FAKTOR YANG MEMPENGARUHI KONSUMEN DALAM PEMAKAIAN PRODUK LAYANAN SELULER DENGAN MEMPERTIMBANGKAN ASPEK 7P’S OF MARKETING (STUDI KASUS : PT. TELKOM AREA BLORA). J@TI Undip. 6(2), hal 95-96.

Rufaidah, A. & Effendi, M. A. (2017). ANALISIS KOMPONEN UTAMA PADA PENERAPAN APLIKASI PEMBELAJARAN METODE GLENN DOMAN. Jurnal Ilmiah Edutic. 3(2), hal 108.

Setiawan, M. B. & Hakim, A. (2013). INDEKS PEMBANGUNAN MANUSIA INDONESIA. Jurnal Economica. 9(1), hal 20.

Sikana, A. M. & Wijayanto, A. W. (2021). Analisis Perbandingan Pengelompokan Indeks Pembangunan Manusia Indonesia Tahun 2019 dengan Metode Partitioning dan Hierarchical Clustering . Jurnal Ilmu Computer. 14(2), hal 67.

Penerapan PCA dan FA dalam Analisis Indeks Pembangunan Manusia di Jawa Timur Tahun 2021

Nazwa Anindya Putri

27 November 2024

1 PENDAHULUAN

1.1 Latar Belakang

1.2 Latar Belakang Metode

1.3 Principal Component Analysis

1.4 Faktor Analysis

1.5 Rumusan Masalah

1.6 Tujuan Penelitian

1.7 Batasan Masalah

1.8 Data

2 SOURCE CODE

2.1 Library

2.2 Import Data

2.3 Stuktur Data

2.4 Statistika Deskriptif

2.5 Uji KMO

2.6 Bartlett’s Test of Sphericity

2.7 Eksplorasi Korelasi

2.8 Nilai eigen

2.9 Scree Plot

2.10 Analisis Komponen Utama (PCA)

2.11 Analisis Faktor (FA)

2.12 Visualisasi

3 HASIL DAN INTERPRETASI

3.1 Stuktur Data

3.2 Statistika Deskriptif

3.3 Uji KMO

3.4 Menghilangkan Indikator Pertumbuhan

3.5 Uji KMO Kembali

3.6 Bartlett’s Test of Sphericity

3.7 Eksplorasi Korelasi

3.8 Nilai eigen

3.9 Scree Plot

3.10 Analisis Komponen Utama (PCA)

3.11 Analisis Faktor (FA)

3.12 Visualisasi

4 PENUTUP

4.1 Kesimpulan

4.2 Saran

5 Daftar Pustaka