PENDAHULUAN

Latar Belakang

Daya beli beras merupakan salah satu indikator ekonomi yang mencerminkan kemampuan masyarakat dalam memenuhi kebutuhan pokoknya. Daya beli masyarakat terhadap beras dipengaruhi oleh berbagai faktor yang saling berkaitan.Penelitian ini menggunakan metode Principal Component Analysis (PCA) untuk mengidentifikasi faktor-faktor utama yang memengaruhi daya beli beras masyarakat. PCA merupakan metode analisis statistik yang bertujuan mereduksi dimensi data dengan mengidentifikasi komponen utama yang paling berpengaruh dari sekumpulan variabel. Dalam penelitian ini, faktor yang dianalisis meliputi harga beras, ketersediaan beras, dan stok beras. Ketiga faktor ini dianggap sebagai variabel penting yang memiliki dampak signifikan terhadap daya beli masyarakat terhadap beras.

Hasil analisis PCA diharapkan dapat mengungkapkan komponen utama yang memberikan pengaruh terbesar terhadap daya beli masyarakat. Informasi ini dapat digunakan sebagai dasar bagi pemerintah atau pihak terkait dalam merancang kebijakan yang efektif untuk menjaga stabilitas daya beli masyarakat terhadap beras sebagai kebutuhan pokok utama. Penelitian ini juga diharapkan dapat memberikan wawasan baru bagi masyarakat mengenai pentingnya memahami faktor-faktor yang memengaruhi daya beli beras di lingkungannya.

Tujuan Penelitian

Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor utama yang memengaruhi daya beli beras masyarakat menggunakan metode Principal Component Analysis (PCA), dengan fokus pada variabel harga beras, ketersediaan beras, dan stok beras. Hasilnya diharapkan dapat memberikan dasar bagi kebijakan yang mendukung stabilitas daya beli masyarakat.

Tinjauan Pustaka

Analisis Multivariat

Analisis multivariat adalah metode statistika untuk menganalisis hubungan atau pola antara banyak variabel secara bersamaan. Tujuan utamanya adalah memahami, menguji, atau mereduksi hubungan antar variabel menjadi komponen yang lebih sederhana.Dalam penelitian ini, metode Principal Component Analysis (PCA) digunakan sebagai salah satu bentuk analisis interdependensi untuk mengidentifikasi faktor utama yang memengaruhi daya beli beras masyarakat, dengan fokus pada variabel harga beras, ketersediaan, dan stok beras. PCA membantu merangkum informasi dari variabel-variabel tersebut ke dalam komponen utama yang lebih mudah dianalisis.

Dalam penelitian ini, metode Principal Component Analysis (PCA) digunakan sebagai salah satu bentuk analisis interdependensi untuk mengidentifikasi faktor utama yang memengaruhi daya beli beras masyarakat, dengan fokus pada variabel harga beras, ketersediaan, dan stok beras. PCA membantu merangkum informasi dari variabel-variabel tersebut ke dalam komponen utama yang lebih mudah dianalisis.

Principal Component Analysis (PCA)

Menurut Johnson dan Dean (1988), PCA menggabungkan variabel secara linier untuk menjelaskan variansi dan kovariansi dalam data. Principal Component Analysis (PCA) adalah metode analisis multivariat yang digunakan untuk mereduksi jumlah variabel menjadi lebih sedikit, tanpa kehilangan informasi penting. Metode ini efektif digunakan ketika variabel-variabel saling berkorelasi.

PCA juga berguna untuk menguji hubungan antar variabel, meskipun tidak cocok untuk menafsirkan variabel independen secara langsung. Metode ini hanya berlaku untuk data numerik dan tidak memerlukan variabel respon. Dalam PCA, dicari kombinasi linier variabel yang membentuk Komponen Utama (KU), yang saling independen, sehingga dapat mengatasi masalah multikolinieritas dalam data.

Beberapa langkah yang digunakan untuk menggunakan metode Principal Component Analysis adalah sebagai berikut.

Persiapkan data yang akan dianalisis menggunakan metode Principal Component Analysis
Hitung mean dari data yang telah ada, dimana mean dihitung dengan rumus berikut : \[ \bar{y} = \frac{\sum y}{n} \]
Melakukan eksplorasi korelasi untuk memeriksa hubungan antar variabel dan memvisualisasikan korelasi tersebut.
Melakukan perhitungan matrik kovarian, dimana varian dihitung dengan rumus berikut : \[ s^2 = \frac{\sum (x_i - \bar{x})^2}{n - 1} \]
Menghitung nilai eigen dan vektor eigen untuk mengidentifikasi komponen utama dan mereduksi dimensi data.
Membuat scree plot untuk menentukan jumlah komponen utama yang dipertahankan.
Menghitung nilai kumulatif eigen untuk mengetahui seberapa banyak keberagaman data dijelaskan oleh komponen utama.
Menginterpretasikan persamaan PCA berdasarkan variabel dengan koefisien tertinggi.

Daya Beli Beras

Daya beli beras adalah kemampuan masyarakat untuk membeli beras yang dipengaruhi oleh berbagai faktor ekonomi, sosial, dan lingkungan. Beberapa faktor utama yang memengaruhi daya beli beras di antaranya adalah harga beras, pendapatan masyarakat, ketersediaan beras, serta faktor-faktor eksternal seperti kebijakan pemerintah dan peraturan pasar.

Data

Data yang digunakan pada penelitian ini adalah data daya beli beras pada masyarakat Kota X.

SOURCE CODE

Library yang Dibutuhkan

> library (readxl)
> library(rmarkdown)
> library(knitr)
> library (corrplot)
> library(factoextra)
> library(FactoMineR)

Import Data

> library(readxl)
> data <- read_excel("~/ANDIKA/semester 6/pkl/LAPORAN/data pkl.xlsx")

Principal Component Analysis (PCA)

Struktur Data

> str(data)

Statistik Deskriptif

> summary(data)

Eksplorasi

> library(corrplot)
> korelasi <- cor(data)
> corrplot(korelasi, method="number")

Matriks Kovarians

Nilai Eigen dan Vektor Eigen

> skala <- scale(data)
> sk<- cov(skala)
> s_eigen <- eigen(sk)
> s_eigen

Scree Plot

> plot(s_eigen$values, xlab="Eigenvalue Number", 
+    ylab="Eigenvalue Size", main="Scree Plot") 
> lines(s_eigen$values)

Nilai Kumulatif

> for (eg in s_eigen$values)
+ {
+    print(eg/sum(s_eigen$values))
+ }

Persamaan PCA

> s_eigen$vectors[,1:2]

Plot PCA

> pca2 = princomp(x=data, cor=T)
> plot(pca2)

Nilai Kontribusi

> pca_contrib = get_pca_var(pca2)
> pca_contrib$contrib

Plot Kontribusi

> pca3 = PCA(data, scale.unit=T, graph=FALSE)
> pca3$eig
> fviz_pca_var(pca3, col.var="contrib", gradient.cols=c("#F08080",
+                                                       "#ADD8E6","#8FBC8F"),
+              axes=c(1,2), repel=T)

HASIL DAN PEMBAHASAN

Statistik Deskriptif

 HARGA BERAS MEDIUM DAYA BELI MASYARAKAT KETERSEDIAAN BERAS MEDIUM
 Min.   :11695      Min.   :13857        Min.   : 19550           
 1st Qu.:12332      1st Qu.:24150        1st Qu.: 56270           
 Median :12519      Median :37255        Median : 73595           
 Mean   :12575      Mean   :36058        Mean   : 68647           
 3rd Qu.:12895      3rd Qu.:47074        3rd Qu.: 93125           
 Max.   :13401      Max.   :72805        Max.   :107863           
      STOK       
 Min.   : 39850  
 1st Qu.: 84480  
 Median :114876  
 Mean   :105546  
 3rd Qu.:141380  
 Max.   :158750

Berdasarkan statistik deskriptif,didapatkan bahwa rentang nilai variabel sangat berbeda antara satu sama lain, yang menunjukkan perbedaan skala antara variabel:

Harga Beras Medium: Berkisar antara 11.695 hingga 13.401.
Daya Beli Masyarakat: Berkisar antara 13.857 hingga 72.805.
Ketersediaan Beras Medium: Berkisar antara 19.550 hingga 107.863.
Stok: Berkisar antara 39.850 hingga 158.750.

Variabel Stok dan Ketersediaan Beras Medium memiliki rentang yang lebih besar dibandingkan dengan Harga Beras Medium dan Daya Beli Masyarakat, yang menunjukkan perbedaan skala yang signifikan antara variabel-variabel tersebut sehingga diperlukan standarisasi.

Ekplorasi

Berdasarkan plot tersebut didapatkan bahwa :

Harga Beras Medium dan Daya Beli Masyarakat: Korelasi sebesar 0.08 menunjukkan bahwa hubungan antara harga beras medium dan daya beli masyarakat sangat lemah, hampir tidak ada korelasi.
Harga Beras Medium dan Ketersediaan Beras Medium: Korelasi -0.45 menunjukkan hubungan negatif sedang, artinya ketika harga beras medium naik, ketersediaan beras medium cenderung turun, meskipun tidak terlalu kuat.
Harga Beras Medium dan Stok: Korelasi -0.31 menunjukkan adanya hubungan negatif yang lemah antara harga beras medium dan stok beras medium.
Daya Beli Masyarakat dan Ketersediaan Beras Medium: Korelasi 0.75 menunjukkan hubungan positif yang cukup kuat, yang berarti saat daya beli masyarakat meningkat, ketersediaan beras medium juga cenderung meningkat.
Daya Beli Masyarakat dan Stok: Korelasi 0.85 menunjukkan hubungan positif yang sangat kuat, berarti semakin tinggi daya beli masyarakat, stok beras medium cenderung semakin besar.
Ketersediaan Beras Medium dan Stok: Korelasi 0.98 menunjukkan hubungan yang sangat kuat antara ketersediaan beras medium dan stok, artinya keduanya cenderung bergerak searah.

Matriks Kovarians

Nilai Eigen dan Vektor Eigen

eigen() decomposition
$values
[1] 2.814926290 1.074925222 0.103487812 0.006660675

$vectors
           [,1]        [,2]       [,3]        [,4]
[1,] -0.2226844  0.88576088  0.4058821 -0.03315168
[2,]  0.5097111  0.44814328 -0.7127878 -0.17690604
[3,]  0.5835111 -0.10811046  0.5048705 -0.62684347
[4,]  0.5917103  0.05392021  0.2688849  0.75807155

Scree Plot

Pada kurva terlihat mulai melandai setelah titik ke-2. Artinya, perubahan nilai eigen menjadi jauh lebih kecil setelah titik ini. Oleh karena itu, gambar tersebut menunjukkan bahwa 2 komponen utama yang digunakan dalam analisis.

Nilai Kumulatif

[1] 0.7037316
[1] 0.2687313
[1] 0.02587195
[1] 0.001665169

Berdasarkan Plot diatas, dapat diketahui bahwa 2 komponen utama (97.25%) sudah mencukupi.

Persamaan PCA

           [,1]        [,2]
[1,] -0.2226844  0.88576088
[2,]  0.5097111  0.44814328
[3,]  0.5835111 -0.10811046
[4,]  0.5917103  0.05392021

Komponen utama yang terbentuk dengan persamaan sebagai berikut : Komponen Utama 1 = -0.222X1 + 0.509X2 + 0.583X3 + 0.591 X4 Komponen Utama 2 = 0.885X1 + 0.448X2 - 0.108X3 + 0.053X4

Plot PCA

Berdasarkan barplot ini, analisis dapat difokuskan pada Comp.1 dan Comp.2, karena keduanya menjelaskan sebagian besar varians dalam data. Komponen lainnya (Comp.3 dan Comp.4) dapat diabaikan karena kontribusinya sangat kecil.

Nilai Kontribusi

                              Dim.1      Dim.2     Dim.3      Dim.4
HARGA BERAS MEDIUM         4.958832 78.4572338 16.474031  0.1099034
DAYA BELI MASYARAKAT      25.980540 20.0832402 50.806645  3.1295745
KETERSEDIAAN BERAS MEDIUM 34.048521  1.1687871 25.489418 39.2932741
STOK                      35.012107  0.2907389  7.229906 57.4672480

Plot Kontribusi

        eigenvalue percentage of variance cumulative percentage of variance
comp 1 2.814926290             70.3731573                          70.37316
comp 2 1.074925222             26.8731306                          97.24629
comp 3 0.103487812              2.5871953                          99.83348
comp 4 0.006660675              0.1665169                         100.00000

Dari plot biplot PCA, variabel STOK dan DAYA BELI MASYARAKAT memiliki kontribusi tinggi dan terletak dekat dengan lingkaran korelasi, yang menunjukkan representasi yang baik pada komponen utama. Sebaliknya, HARGA BERAS MEDIUM dan KETERSEDIAAN BERAS MEDIUM memiliki kontribusi lebih rendah, menandakan bahwa variabel-variabel ini kurang sepenuhnya direpresentasikan oleh komponen utama dan tidak berpengaruh signifikan dalam menjelaskan variabilitas data.

Kesimpulan

Komponen utama 1 menggambarkan faktor-faktor yang lebih terkait dengan harga beras, stok, dan ketersediaan beras di pasar. Komponen utama 2 lebih berfokus pada harga beras dan daya beli masyarakat sebagai faktor penting yang mempengaruhi ketersediaan dan distribusi beras. Dengan demikian, analisis komponen utama ini memberikan wawasan mengenai faktor-faktor yang dominan dalam pasar beras, yaitu ketersediaan dan harga beras, serta pengaruh daya beli masyarakat terhadap kondisi pasar tersebut.

Daftar Pustaka

Hardle, W. (2007). Applied Multivariate SStatistical Analysis. Berlin : Springer Verlag.

Johnson, R.A. & Dean, W. (1988). Applied Multivariate Statistical Analysis. New Jersey. Prentice Hall.

Riswan dan Khairudin. (2013). Statistik Multivariate. Bandar Lampung: AURA

Penggunaan Principal Component Analysis Untuk Mengetahui Faktor-Faktor yang Mempengaruhi Daya Beli Beras pada Masyarakat Kota X

Dwi Andika Rizqiyah

2024-11-27

PENDAHULUAN

Latar Belakang

Tujuan Penelitian

Tinjauan Pustaka

Analisis Multivariat

Principal Component Analysis (PCA)

Daya Beli Beras

Data

SOURCE CODE

Library yang Dibutuhkan

Import Data

Principal Component Analysis (PCA)

Struktur Data

Statistik Deskriptif

Eksplorasi

Matriks Kovarians

Nilai Eigen dan Vektor Eigen

Scree Plot

Nilai Kumulatif

Persamaan PCA

Plot PCA

Nilai Kontribusi

Plot Kontribusi

HASIL DAN PEMBAHASAN

Statistik Deskriptif

Ekplorasi

Matriks Kovarians

Nilai Eigen dan Vektor Eigen

Scree Plot

Nilai Kumulatif

Persamaan PCA

Plot PCA

Nilai Kontribusi

Plot Kontribusi

Kesimpulan

Daftar Pustaka