Kelompok 12

 Indah Puspita Sari 200110500004

 Nuraisya 200110501008

Kelas : Geografi

Analisis Faktor dan Teknik Terkait

15.1 PENDAHULUAN

Tujuan bab ini adalah untuk memperkenalkan aspek praktis yang terkait dengan
penerapan analisis faktor, daripada membahas secara rinci masalah teoretis apa
pun. Akibatnya, sebagian besar aplikasi dan contoh didasarkan pada penggunaan
program komputer yang tersedia, seperti SPSS. Kita akan mulai dengan
memeriksa kemungkinan penggunaan analisis faktor, sebelum membahas
berbagai teknik yang tersedia untuk ahli geografi.

Seperti yang disarankan dalam Bab 13, fitur yang paling penting dari
teknik faktor adalah kemampuannya untuk mereduksi kumpulan data yang besar
menjadi sejumlah faktor yang lebih kecil. Proses penggantian ini dapat dilakukan
karena berbagai alasan, meskipun setidaknya tiga alasan utama dapat
diidentifikasi. Pertama, kita mungkin ingin menghasilkan kombinasi baru dari
data asli, yang kemudian dapat digunakan sebagai variabel baru dalam beberapa
analisis lebih lanjut. Misalnya, kita dapat menggunakan analisis faktor untuk
menggabungkan apa yang disebut variabel independen dalam regresi berganda
untuk mengurangi efek kolinearitas. Kedua, kita mungkin ingin mengurangi
jumlah variabel yang diteliti. Ketiga, kita dapat menggunakannya untuk tujuan
eksplorasi, dalam upaya untuk mendeteksi dan mengidentifikasi kelompok
variabel yang saling terkait. Dalam area terakhir inilah sebagian besar
penggunaan teknik faktor secara geografis dapat ditemukan, meskipun karena
lebih banyak studi ini dilakukan, peran eksplorasi menjadi kurang penting. Hal
ini sebagian terjadi dengan pekerjaan pada ekologi faktorial daerah perkotaan.
Dengan demikian, studi eksplorasi sebelumnya mengungkapkan tiga pola utama
yang berkaitan dengan status sosial ekonomi, tahap dalam siklus hidup dan
segregasi. Ini telah membentuk dasar pekerjaan lebih lanjut, dengan analisis
faktor yang digunakan untuk mengkonfirmasi atau menolak hipotesis.

Pada awalnya harus ditekankan bahwa istilah analisis faktor tidak

mengacu pada teknik tunggal, tetapi mencakup berbagai pendekatan. Awalnya,
kita dapat mengenali tiga tahap utama dalam penerapan analisis faktor, yang
masing-masing menawarkan alternatif yang berbeda kepada pengguna (Tabel
15.1). Pada tahap pertama, sebagian besar analisis faktor memerlukan koefisien
korelasi momen produk sebagai input dasar. Pada tingkat ini alternatifnya adalah
antara menggunakan informasi yang mengukur korelasi di antara variabel yang
berbeda untuk sekelompok pengamatan, atau mengambil matriks koefisien
korelasi yang mengukur hubungan antara sekumpulan individu. Dalam contoh
pertama kita dapat memeriksa berbagai wilayah kota dalam hal berbagai variabel
sensus yang mengukur faktor sosial dan ekonomi - ini disebut faktor R-mode.
Sebaliknya, Q- mode factoring mengacu pada pendekatan kedua, di mana variabel
tertentu diperiksa melalui berbagai pengamatan. Dengan demikian, kita dapat
menguji hubungan antara variabel yang mengukur impor dan ekspor untuk
sejumlah negara. Oleh karena itu, dalam analisis mode-Q variabel-variabel
tersebut membentuk baris-baris dalam matriks korelasi; sedangkan pada
pemfaktoran R-mode pengamatan membentuk baris.

Tabel 15.1 Tampilan sederhana dari jenis analisis faktor

Tahap Jenis opsi Terminologi

Korelasi matriks (a) Antar variable R-factoring
(b) Antar individu Q-factoring
Ekstraksi faktor awal (a) Faktor yang Komponen utama
ditentukan Analisis faktor
(b) Faktor yang
disimpulkan
Rotasi ke faktor akhir (a) Tidak Ortogonal
berkorelasi Obligue/ miring
(b) Berkorelasi
Tahap utama kedua adalah mengeksplorasi kemungkinan reduksi data
dengan membangun matriks korelasi. Ada dua pendekatan dasar pada tingkat ini -
analisis komponen utama dan analisis faktor (Tabel 15.1).

Dalam kedua pendekatan ini, variabel baru didefinisikan sebagai

transformasi matematis dari data asli. Namun, dalam model analisis faktor
asumsinya adalah bahwa korelasi yang diamati sebagian besar merupakan hasil
dari beberapa keteraturan yang mendasari dalam data dasar. Secara khusus,
diasumsikan bahwa variabel asli dipengaruhi oleh berbagai determinan; bagian
yang dimiliki oleh variabel lain, yang dikenal sebagai varians umum; dan varian
yang unik. Yang terakhir adalah sisa dari hubungan ganda, dan terdiri dari
varians yang diperhitungkan oleh pengaruh khusus untuk setiap variabel dan juga
yang berkaitan dengan kesalahan pengukuran. Sebaliknya, analisis komponen
utama tidak membuat asumsi yang mendasari tentang struktur variabel asli, juga
tidak menghipotesiskan elemen varians unik untuk variabel individu (Gambar
15.1). Perbedaan-perbedaan ini akan diperiksa secara lebih rinci dalam Bagian
15.3, ketika relevansi kedua pendekatan akan menjadi seperangkat variabel baru
berdasarkan hubungan timbal balik yang dibahas. varians umum yang unik.

Gambar 15.1 Pembagian varians dalam (a) model faktor dan (b) model
komponen utama.

Tahap terakhir di mana variasi dimungkinkan adalah pencarian Cactors

yang dapat ditafsirkan. Dalam pencarian ini untuk menentukan dimensi yang
mendasari kumpulan data sejumlah solusi yang tersedia, yang mungkin
melibatkan memanipulasi atau memutar faktor, seperti yang ditunjukkan pada
Bagian 15.6.

15.2 PERTIMBANGAN TEORITIS DAN TERMINOLOGI

Sebelum kita memeriksa aspek operasional analisis faktor, kita perlu

mempertimbangkan sedikit latar belakang teoretisnya. Ada dua pendekatan dasar
untuk ini, satu didasarkan pada solusi aljabar dan yang kedua pada interpretasi
geometris. Ini adalah yang terakhir yang akan kita gunakan di sini: para pembaca
yang tertarik pada penjelasan yang lebih rinci harus berkonsultasi dengan Harman
(1967). Mari kita mulai dengan mempertimbangkan bagaimana, di bagian awal
buku ini (Bab 11), kita merepresentasikan sekumpulan data dalam hubungannya
dengan dua variabel. Dalam sebuah contoh, kami memeriksa permukiman dalam
kaitannya dengan total populasi dan jumlah toko. Untuk kasus sederhana ini, data
dapat diplot pada grafik sebar dua dimensi, dengan sumbu X dan Y
mendefinisikan dua variabel. Seperti yang kita lihat di Bab 11, dalam kasus dua
variabel, jika semua titik jatuh sepanjang garis lurus, maka kita memiliki korelasi
yang sempurna. Atau, jika tidak ada korelasi antara dua variabel, titik-titik
tersebut membentuk sebaran melingkar pada grafik. Dari sudut pandang geometri
grafik tersebut, contoh-contoh ini adalah dua kasus terbatas dan ekstrim, di mana
semua distribusi lainnya dapat dijelaskan oleh elips. Poin ini diilustrasikan pada
Gambar 15.2, yang menunjukkan ekstrem (a) dan (c) bersama dengan jenis
distribusi (b) yang mungkin kita temukan terjadi di antara keduanya. Dari
diagram ini satu fitur penting lainnya dapat dilihat, yaitu bahwa setiap distribusi
atau elips titik dapat didefinisikan oleh dua sumbu. Ini adalah sumbu utama
utama yang menjalankan panjang distribusi dan sumbu utama kecil yang tegak
lurus dengan yang pertama (Gambar 15.2(c)).

Gambar 15.2 Distribusi bivariat dan jenis hubungan: (a) korelasi

sempurna, (b) korelasi sedang, (c) tidak ada korelasi

Sumbu utama utama mengukur varians umum antara variabel dan dapat
dibandingkan dengan garis regresi untuk dua kasus variabel. Sumbu minor
menunjukkan varians residual, i.c. apa yang tidak dijelaskan oleh hubungan.
Jadi, ketika kita memiliki hubungan yang sempurna, dengan koefisien korelasi
+1,0, kedua sumbu bersesuaian; dan semakin dekat hubungan semakin kecil
sudut antara keduanya.

Perhatian dalam analisis faktor adalah untuk mendefinisikan sumbu utama

untuk sejumlah variabel, bukan hanya dua. Dalam konteks ini sumbu
didefinisikan dalam ruang dimensi, dan jelas tidak dapat divisualisasikan. Ini
adalah bagian dari prosedur untuk menghasilkan satu set variabel atau faktor baru,
dari yang asli. Tujuannya, dengan kata lain, adalah untuk menemukan variabel
mean yang terkait erat dengan variabel asal kita. Proses mendefinisikan variabel
'baru' tersebut dilakukan dengan menghitung dan menggunakan program paket.
Dalam terminologi yang digunakan dalam analisis faktor, vektor eigen
mendefinisikan sumbu utama kami dan mewakili variabel baru kami. Sebuah
contoh sederhana akan menggambarkan struktur dari faktor-faktor yang baru
didefinisikan, meskipun harus ditekankan bahwa rutinitas matematika yang
digunakan oleh program komputer jauh lebih akurat (Cooley dan Lohnes, 1971).

Mari kita perhatikan hubungan antara tiga variabel yang diberikan oleh
korelasi product-moment pada Tabel 15.2. Dari informasi ini dimungkinkan
untuk menghitung faktor persekutuan, sebagai fungsi dari akar kuadrat dari
jumlah korelasi timbal baliknya. Hubungan antara setiap variabel dengan faktor
dapat dihitung dengan membagi total korelasi masing-masing variabel dengan
akar kuadrat dari jumlah total korelasi. Nilai-nilai ini telah dihitung untuk contoh
sederhana kami dan disajikan pada Tabel 15.3. Dalam analisis faktor nilai-nilai
ini dikenal sebagai beban dan mereka mewakili korelasi antara variabel asli dan
faktor baru. Dengan demikian mereka dapat diperlakukan sebagai koefisien
korelasi, dan oleh karena itu kuadrat dari setiap nilai adalah proporsi varians
dalam variabel individu yang dikaitkan dengan faktor tersebut. Secara bersama-
sama, beban faktor kuadrat ini mewakili total varians yang diperhitungkan oleh
faktor tersebut, yang disebut sebagai nilai eigen.

Tabel 15.2 Estimasi variabel mean baru atau faktor

Beban faktor = jumlah setiap korelasi/√ (jumlah total korelasi).

Sebelum kita melanjutkan untuk memeriksa pentingnya nilai eigen, mari

kita pertimbangkan terlebih dahulu aspek lain yang terkait dengan ekstraksi
faktor. Ini menyangkut konsep komunalitas, yang merupakan proporsi varians
yang diperhitungkan oleh faktor-faktor umum. Namun, komunalitas juga
merupakan nilai yang digunakan dalam diagonal matriks korelasi, yaitu
menggantikan nilai satu pada Tabel 15.2. Dalam matriks ini, komunalitas
didefinisikan sebagai korelasi setiap variabel dengan dirinya sendiri karena bagian
elemen umum saja, yaitu. adalah bagian dari variable umum untuk variabel lain.
(Cattell, 1978). Dalam contoh sederhana kami, kami menggunakan nilai Namun,
faktor tidak dapat dihitung dari matriks korelasi sampai pemuatan faktor yang
tidak diketahui sampai faktor telah ditentukan. tetapi Cattell menentang hal ini,
dan bahwa perkiraan lain harus digunakan. Karena O ch ini menghasilkan
penalaran melingkar, karena komunalitas adalah jumlah dari kuadrat ammunalitas
yang telah dimasukkan. Masalah ini diselesaikan dengan program paket melalui
penggunaan prosedur berulang berdasarkan perkiraan komunalitas. Kami tidak
memperhatikan detail teknis dari masalah ini, tetapi hanya mendaftarkan
kesadaran akan keberadaannya, dan berbagai solusi untuk itu yang dapat
digunakan oleh program paket yang berbeda (Cattell, 1978; Cooley dan Lohnes,
1971).
 Tabel 15.3 Factor loadings dan eigenvalue

Dalam contoh kami yang dikembangkan di Tabel 15.2 dan 15.3 kami
mengekstrak satu faktor baru dari variabel asli kami, dan mengukur varians total
atau nilai eigennya. Untuk mempertimbangkan pentingnya keseluruhan nilai
eigen ini, kita dapat menghubungkannya dengan total varians dalam matriks
korelasi dari variabel asli. Hal ini dapat diukur dengan menggunakan persamaan
15.1, dan kadang-kadang disebut sebagai persentase jejak faktor:

Persentase varians = ( λ ,/n) x 100 (15.1)

Persamaan 15.1 2,

Λ = nilai eigen faktor I

n = jumlah variabel asli

Dari Tabel 15.2. kita dapat melihat bahwa dalam contoh sederhana kita,
faktor pertama menyumbang 79 persen dari total varians. Oleh karena itu, faktor
pertama ini tidak memperhitungkan semua korelasi dalam variabel asli. Langkah
selanjutnya dalam prosedur ini adalah menurunkan faktor baru kedua untuk
menjelaskan varians Temaining. Ini dicapai dengan pengurangan apa yang dapat
dipertanggungjawabkan oleh faktor pertama dari matriks korelasi asli. Sekali lagi
kami tidak akan membahas detail ini, tetapi mereka yang tertarik diarahkan ke
Cattell (1978). Namun, harus ditekankan bahwa faktor kedua memasukkan
bagian-bagian dari variabel yang tidak berhubungan dengan faktor pertama, dan
karena itu ortogonal atau tidak berkorelasi a. Proses ini dapat diulang sampai
kami menghasilkan satu set faktor lebih lanjut yang menjelaskan korelasi dalam
variabel asli. Akhirnya, perlu diulangi bahwa bagian ini tidak berusaha
menjelaskan prinsip-prinsip matematika dari analisis faktor, melainkan untuk
meninjau prosedur-prosedur yang mendasari dan terminologi dasar.
 15.3. ANALISIS FAKTOR DAN KOMPONEN UTAMA:
PERBANDINGAN

Seperti yang dijelaskan pada Bagian 15.1 ada dua model faktor dasar: yaitu.
analisis faktor umum dan komponen utama. Geografer telah menggunakan kedua
pendekatan, meskipun sekilas melalui literatur menunjukkan bahwa preferensi
telah diberikan kepada solusi faktor umum. Dari sudut pandang kami, poin utama
yang menarik dalam perbandingan antara kedua model ini adalah: pertama,
perbedaan esensial apa yang ada di antara keduanya; dan kedua, bagaimana kita
memutuskan mana yang akan digunakan. Mari kita pertama-tama
mempertimbangkan perbedaan utama antara keduanya dalam hal asumsi dan hasil
mereka. Model komponen utama mengasumsikan sistem tertutup di mana semua
variasi statistik dalam variabel dijelaskan oleh variabel itu sendiri. Faktanya,
kami menggunakan solusi komponen utama dalam perkiraan komunalitas untuk
contoh kami di Tabel 15.2, ketika kami mengasumsikan kesatuan dalam diagonal
matriks korelasi. Ini mengasumsikan korelasi tinggi antara semua variabel,
dengan varians umum tinggi dan varians unqiue rendah. Secara statistik, model
komponen utama lebih disukai untuk solusi mudah masalah komunalitas, dan
karena itu banyak teks statistik lebih memilihnya daripada analisis faktor umum
(Blackith dan Reyment, 1971; Chatfield dan Collins 1980). Model faktor umum
memang memiliki masalah yang berkaitan dengan estimasi komunalitas, tetapi
tidak seperti komponen utama, model ini tidak mengasumsikan sistem tertutup.
Fitur inilah yang membuatnya sangat menarik bagi ahli geografi, yang berurusan
dengan situasi di mana sama sekali tidak realistis untuk mengasumsikan model
tertutup. Jadi, di sebagian besar penelitian kami, kemungkinan besar kami belum
mengumpulkan semua variabel dan ada beberapa tingkat kesalahan pengukuran.
Analisis faktor umum memungkinkan masalah tersebut untuk diperhitungkan, dan
setiap varians yang tidak dapat dijelaskan oleh faktor dapat dijelaskan dengan
istilah kesalahan residual. Dengan adanya perbedaan-perbedaan ini, kita dapat
melanjutkan dengan mempertimbangkan kriteria untuk memilih satu model
daripada yang lain. Pertama, harus ditunjukkan bahwa dalam kondisi tertentu
kedua model akan memberikan solusi yang sangat mirip dan bekerja sama
baiknya. Misalnya, ketika semua korelasi antara variabel asli tinggi dan
komunalitas satu kemungkinan besar merupakan perkiraan, maka mungkin ada
sedikit perbedaan antara kedua pendekatan tersebut. Atau, jika ada beberapa
variabel dalam matriks korelasi yang memiliki korelasi rendah, substitusi kesatuan
pada diagonal akan menjadi perkiraan yang terlalu tinggi, dan kedua pendekatan
tersebut cenderung memberikan hasil yang berbeda. Kami tidak akan terlalu
memperhatikan perbedaan teoretis, tetapi lebih fokus pada masalah praktis yang
menentukan penggunaan kedua model. Dengan demikian, kita dapat menganggap
pendekatan faktor umum sebagai yang paling realistis untuk masalah di mana
beberapa kesalahan pengukuran mungkin terlibat dan beberapa struktur yang
mendasarinya adalah membahas tentang hubungan antar variabel. Sebaliknya,
model komponen utama berurusan dengan kasus yang lebih membatasi, di mana
tidak ada struktur dasar yang dicari dan tujuan utamanya adalah murni reduksi
data. Karakteristik umum dari dua pendekatan diberikan pada Tabel 15.4, yang
juga mengisyaratkan keadaan ketika satu teknik dapat digunakan dalam preferensi
yang lain. Ini juga menunjukkan sub-program yang relevan untuk setiap model
yang terkandung dalam nackage standar. Jelas, dari apa yang telah kami katakan,
analisis faktor umum memberikan model yang lebih komprehensif untuk
kebutuhan sebagian besar bidang penyelidikan geografis. Untuk alasan ini sisa
bab ini akan fokus pada penerapan analisis faktor daripada pada kasus komponen
utama yang lebih terbatas.

Komponen utama Faktor analisis

Karakter Mengasumsikan Asumsi realistis tentang
sistem tertutup, tanpa kesalahan pengukuran;
asumsi asumsi memungkinkan pencarian
realistis tentang untuk struktur variabel;
struktur yang mengidentifikasi varians
mendasari variabel; umum dan unik antara
hanya variabel
mengidentifikasi
varians umum antara
variabel Karakter
mengenai kesalahan
pengukuran;
memungkinkan
pencarian untuk
struktur variabel;
mengidentifikasi
varians umum dan
unik antar variable

Kondisi terbaik Biasanya, jika korelasi Adapun komponen utama,

tinggi antar variabel, tetapi juga akan menangani
sejumlah besar matriks variabel yang lebih
variabel dan hanya kecil dan memungkinkan
reduksi data sederhana analisis yang lebih luas
diperlukan Adapun selain reduksi data
komponen utama, sederhana
 tetapi juga akan
menangani matriks
variabel yang lebih
kecil dan
memungkinkan
rentang analisis yang
lebih luas selain
reduksi data sederhana

Program paket SPSS (sub program SPSS (sub program PA2)

PA1) anjak piutang pemfaktoran utama dengan
tanpa iterasi;' iterasi; program BMDP
program BMDP P4M; P4M; Opsi PFA Paket
Opsi PCA ' program

Tabel 15.4 Karakteristik dasar komponen utama dan analisis faktor umum

Dalam SPSS, sub-program memungkinkan modifikasi solusi komponen

utama di PA1 dengan mengizinkan pengguna memasukkan perkiraan komunalitas
ke dalam matriks korelasi. Ini disebut sebagai solusi faktor utama dan tidak
tercakup dalam bab ini (Harman, 1967).
15.4 ANALISIS FAKTOR: INPUT DATA

Setiap model analisis faktor, bila diterapkan pada masalah tertentu, dapat
dipecah menjadi serangkaian langkah operasional (Tabel 15.1). Ini dimulai
dengan (1) matriks data asli, (2) matriks korelasi, (3) matriks faktor turunan
awalnya, (4) transf Pada bagian ini kita akan memeriksa masalah yang berkaitan
dengan input data, baik dalam hal pemilihan variabel asli dan juga interpretasi
dari matriks korelasi. Analisis yang terakhir dapat menjadi penting karena
memberikan beberapa gagasan atau kemungkinan hubungan dalam data dan dapat
membantu dalam perumusan hipotesis. matriks faktor med atau diputar, dan (5)
daftar skor faktor. Ada dua masalah utama yang terkait dengan input data ke
dalam analisis faktor: program. Yang pertama menyangkut kemungkinan untuk
mengubah data asli, ketika normalitas data diperlukan. Ini mungkin diperlukan
ketika statistik inferensial digunakan sebagai bagian dari analisis faktor. Jika ini
masalahnya, maka idealnya variabel cach harus diperiksa normalitasnya dan
ditransformasikan jika perlu. Jelas sekali. jika banyak variabel yang terlibat
maka jenis latihan ini akan sangat memakan waktu. konsumsi, dan dalam
keadaan seperti itu beberapa ahli geografi telah tergoda untuk menggunakan
transformasi yang sama untuk semua variabel. Jika tidak ada kesimpulan yang
dibuat maka mungkin yang terbaik adalah tidak mengubah data asli, karena
perubahan seperti itu sering mengaburkan dan memperumit interpretasi. Dalam
literatur geografis keputusan apakah data harus diubah atau tidak sama sekali
tidak jelas. Misalnya, jika kita membandingkan studi di satu bidang penelitian,
yang berkaitan dengan struktur sosial daerah perkotaan, kita dapat melihat
bagaimana berbagai macam solusi telah digunakan. Jadi Murdie (1969) adalah
salah satu ahli geografi perkotaan pertama yang mencoba sesuatu yang lebih
canggih daripada transformasi logaritma selimut dalam studinya di Toronto.
Namun, yang lain lambat untuk mengikuti teladannya, dan dalam banyak kasus
keputusan telah diambil untuk menentang penggunaan transformasi kompleks.
Davies dan Lewis (1973), misalnya, dalam studi mereka tentang dimensi
perkotaan Leicester, menggunakan data mereka dalam format yang tidak diubah
karena potensi masalah. Memang, mereka memberikan dua alasan utama untuk
tidak mengubah data mereka. Pertama, studi mereka tentang Leicester hanyalah
salah satu dari serangkaian studi yang sebanding dari kota-kota besar di Inggris
provinsi, dan mereka merasa bahwa transformasi yang sesuai untuk distribusi
variabel dalam satu kota mungkin sangat berbeda dari yang dibutuhkan oleh kota
lain. Kedua, mereka percaya bahwa transformasi yang akurat secara statistik
mungkin cenderung memperumit interpretasi variabel. Mungkin yang lebih
penting adalah pemilihan variabel yang akan digunakan dalam analisis faktor.
Jelas, pemilihan ini akan tergantung pada jenis studi yang dilakukan dan
ketersediaan data. Harus ditekankan, bagaimanapun, bahwa struktur faktor akhir
akan ditentukan oleh kualitas dan jenis variabel yang digunakan (Gittus, 1964).
Misalnya, dalam studi sosial perkotaan, jika variabel asli dibobotkan terhadap
variabel yang mengukur karakteristik demografi, jelas ini akan tercermin dalam
komposisi dan pentingnya faktor yang dihasilkan. Dalam kaitannya dengan studi
struktur sosial perkotaan ini, pemilihan variabel input biasanya didasarkan pada
(1) pengalaman pekerjaan lain; (2) keseimbangan variabel antara indeks
demografi, perumahan dan sosial ekonomi; dan (3) persyaratan studi khusus.
Keputusan mengenai variabel mana yang harus dimasukkan jelas sulit dan tidak
ada pedoman yang jelas; meskipun ketika menggunakan analisis faktor, daripada
komponen utama, harus ada beberapa hipotesis yang mendasarinya. Akhirnya,
disertakan. Efek memasukkan sejumlah besar variabel yang mengukur
karakteristik serupa dan sangat berkorelasi bersama hanyalah untuk meningkatkan
proporsi total varians yang diperhitungkan oleh faktor tertentu. Jadi, dalam
analisis sosial kota-kota Inggris, jumlah aktual variabel yang digunakan dalam
studi faktor dan komponen bervariasi dari 26 di Cardiff dan Swansea (Herbert,
1972).
37 di Hull (Wilkinson et al., 1966) hingga 60 di Hampshire. Dalam hal
teknik, satu-satunya kendala utama pada jumlah variabel yang digunakan dalam
penelitian ini adalah bahwa seharusnya ada lebih banyak kasus daripada variabel.
 15.5 MEMAHAMI DAN MENGGUNAKAN OUTPUT DARI ANALISIS
FAKTOR

Ada beberapa program komputer yang tersedia untuk melakukan analisis

faktor, Lut pada bagian ini perhatian akan difokuskan pada penggunaan sistem
SPSS. Penekanan di sini ditempatkan pada pemahaman statistik dan kemudian
signifikansi geografis dari cetakan komputer. Kita dapat menggunakan paket ini
untuk memperoleh informasi berikut: daftar variabel, matriks korelasi,
komunalitas, pemuatan faktor, nilai eigen, persentase varians yang dijelaskan oleh
setiap faktor dan skor faktor. Kita juga dapat memperoleh beban faktor bascd
pada beberapa jenis solusi rotasi (lihat Bagian 15.6). Mari kita pertimbangkan
penggunaan informasi tersebut dengan memeriksa beberapa contoh rinci. Contoh
pertama menyangkut analisis karakteristik morfometrik dan hidrologis dari
sampel tiga puluh cekungan drainase Inggris (Gambar 15.3). Tujuan dari latihan
ini adalah untuk menguji dimensi fisik yang mendasari sistem sungai yang
berbeda ini dan untuk melihat apakah sejumlah kecil variabel baru (tiga faktor
baru) dapat diturunkan. Variabel asli, tercantum dalam Tabel 15.5, mencakup
berbagai karakteristik fisik.

Gambar 15.3 Peta sampel DAS yang digunakan dalam contoh analisis faktor

Tabel 15.5 Variabel yang digunakan dalam studi cekungan drainase

Variabel Kode
Panjang aliran utama (km) MSL
Faktor lembah kering (rasio) DVF
Sudut kemiringan, 10-85° (m/km) s1085
 Frekuensi aliran (persimpangan/km2) STMFRQ
Rata-rata tahunan curah hujan (mm) SAAR
Maksimum lima tahun hujan 2 hari M52D
(mm) SMDBAR
Efektif berarti defisit kelembaban SOIL
tanah (mm) URBAN
Indeks tanah (ukuran porositas) RUNOFF
Persentase lahan perkotaan ROPERC
Rata-rata limpasan tahunan (mm) MAXELEV
Limpasan sebagai persentase curah DRAREA
hujan
Titik tertinggi di cekungan (m)
Daerah drainase (km2)
Sumber: Flood Studies Report, NERC, London, 1975 (5 volume).
Tabel pertama yang dapat kita periksa adalah matriks faktor yang tidak
diputar, yang berisi pembebanan antara setiap variabel dan faktor-faktor baru.
Seperti yang dinyatakan sebelumnya, beban ini mewakili korelasi antara variabel
asli dan faktor baru (Tabel 15.6). Dengan pembebanan ini dimungkinkan untuk
menentukan variabel mana yang 'memuat' atau berhubungan bersama pada faktor-
faktor baru. Dalam contoh kita, untuk faktor 1 kita dapat melihat bahwa limpasan
tahunan rata-rata, curah hujan tahunan rata-rata, limpasan sebagai persentase
curah hujan dan curah hujan maksimum lima tahun dalam dua hari, semuanya
berbeban sangat positif. Selain itu kami memiliki beberapa variabel lain,
khususnya defisit kelembaban tanah rata-rata efektif (beban negatif) dan frekuensi
aliran yang juga memiliki beban yang cukup tinggi. Faktor 2 memiliki set
pemuatan yang lebih rendah dan tampaknya hanya berhubungan dengan dua
variabel asli; yaitu, panjang aliran rata-rata (negatif) dan sudut kemiringan
(positif). Namun, sekali lagi beberapa variabel lain mungkin dimasukkan dalam
struktur faktor ini. Dalam hal faktor 3, variabel yang sangat terkait adalah indeks
tanah, faktor lembah kering dan kemungkinan frekuensi aliran. Sampai saat ini
kami pada dasarnya telah membuat dua keputusan. Yang pertama menyangkut
berapa banyak faktor yang telah kita periksa (dalam contoh tiga ini), dan yang
kedua berkaitan dengan komposisi faktor-faktor tersebut. Dalam kedua kasus,
keputusan kita tampaknya agak subjektif, jadi bisakah kita membuat pilihan ini
dengan cara yang lebih objektif? Berkenaan dengan pemilihan jumlah faktor,
dapat digunakan nilai eigen atau persentase varians yang dijelaskan oleh masing-
masing faktor. Jadi, nilai eigen 1,0 atau lebih menunjukkan bahwa suatu faktor
menjelaskan lebih banyak varians total daripada variabel tunggal. Dalam contoh
kita, tiga faktor pertama memiliki nilai eigen masing-masing 6,34, 1,89 dan 1,07,
dengan faktor lainnya semuanya memiliki nilai kurang dari 1,0. Metode lebih
lanjut untuk menentukan jumlah faktor yang akan digunakan adalah melalui
penggunaan grafik 'scree-slope' seperti yang disarankan oleh Cattell (1978).
Teknik ini didasarkan pada pengidentifikasian perbedaan kemiringan lereng
dalam plot jumlah varians yang dijelaskan oleh masing-masing faktor. Dalam
contoh cekungan drainase kami ini dapat diidentifikasi setelah tiga faktor, seperti
yang ditunjukkan pada Gambar 15.4.

Masalah kedua, yaitu mengidentifikasi struktur setiap faktor, agak lebih

sulit untuk dipecahkan, meskipun beberapa objektivitas dapat dimasukkan ke
dalam proses. Sebagai contoh, suatu titik potong dapat ditentukan untuk masing-
masing pembebanan, dan teknik break-of-slope dapat digunakan. Beberapa ahli
ekologi faktor telah mengadopsi titik potong yang cukup rendah yaitu 0,3 atau
0,4, untuk membedakan pembebanan faktor yang signifikan dari yang tidak
signifikan (Lawton dan Pooley, 1975). Sebagai alternatif, komposisi setiap faktor
dapat ditentukan melalui penggunaan latar belakang pengetahuan tentang variabel
dan bidang studi.

Gambar 15.4 Grafik 'kemiringan lereng' jumlah varians yang dijelaskan oleh masing-masing
faktor

mari kita lihat lebih dekat masalah interpretasi dan penamaan faktor dalam
kemungkinan solusi yang telah dirujuk. Dalam banyak keadaan, dapat dimulai
dengan mempertimbangkan tidak hanya variabel dalam setiap faktor, tetapi juga
nilai eigen. matriks korelasi orde nol asli, yang dapat mengarah pada perumusan
ringan dari solusi yang mungkin yang telah dirujuk. Dalam banyak keadaan,
adalah menguntungkan untuk memulai dengan mempertimbangkan tidak hanya
variabel dalam setiap faktor, tetapi juga hubungan timbal baliknya. Hal ini dapat
dicapai dengan pemeriksaan kita melihat lebih dekat masalah menafsirkan dan
penamaan faktor dalam
Hipotesis mengenai pentingnya kelompok variabel. Untuk
mengilustrasikan kegunaan pendekatan ini, kita dpat mengambil contoh kedua,
mengenai upaya untuk memahami dimensi sosial kota abad kesembilan belas
(Pooley dan Johnson, 1982), lebih khusus Exeter pada tahun 1871. Variabel-
variabel yang termasuk dalam penelitian diberikan dalam Tabel 15.7, bersama
dengan pemuatan faktornya.

Tabel 15.7 Variabel asli dan beban faktornya untuk studi Exeter (rotasi varimax)

Variabel 1 2 3
Orang Dalam
0,34 0,66 -0,55
Rumah Tangga
Rumah Tangga
0,26 0,62 -0,,24
Besar
Usia Kepala 0,08 -0,09 -0,09
Kepala Wanita -0,17 -0,00 0,07
Anak-Anak -0,34 0,10 -0,81
Dewasa Muda 0,84 0,10 0,25
Dewasa 0,01 -0,18 0,56
Wanitaparuh
-0,06 -0,06 0,00
Baya
Usia Tua -0,26 0,24 -0,13
Wanita 0,27 0,01 -0,06
Wanita Subur 0,87 0,05 0,27
Dewasa Lajang 0,58 0,48 0,12
Penginapan -0,03 -0,88 -0,28
Kepala Kelahiran
0,07 0,79 0,01
Devon
Kepala Migran
-0,51 -0,31 0,13
(Non Irlandia)
Kepala Irlandia 0,71 0,02 0,17
Kelas Sosial
0,21 0,09 -0,28
Tinggi
Kelas Sosial
0,46 0,05 0,39
Rendah
Pelayan -0,05 -0,01 -0,09
 Berbagi Rumah 0,58 0,23 0,01
Aktif Secara
-0,08 -0,55 0,08
Ekonomi
Pekerja
0,44 0,24 0,63
Manufaktur
Pekerja -0,05 0,03 -0,07
Rasio Kesuburan 0,27 0,02 0,66
Varians
Dijelaskan -0,82 -0,13 -0,13
(Persen)
29,0 15,9 11,0
Variasi Kumulatif
44,9 55,9

Dari matriks korelasi dua kelompok utama variabel dapat diidentifikasi,

seperti yang diilustrasikan oleh diagram keterkaitan pada Gambar 15.5. Yang
pertama berkaitan dengan variabel yang mengukur status sosial ekonomi dan
diidentifikasi dengan cukup jelas; yang kedua agak lebih kompleks, tetapi
berkaitan dengan status keluarga. Melalui identifikasi hubungan semacam itu,
tugas menafsirkan faktor mungkin menjadi sedikit lebih mudah. Jadi, jika kita
memeriksa beban faktor untuk contoh ini (Tabel 15.7) kita dapat melihat
munculnya variabel-variabel ini relatif terhadap faktor-faktor tertentu.

Oleh karena itu, pelabelan setiap faktor terkait dengan hipotesis awal kami
dan Tabel 15.6, faktor 1 dapat disebut faktor hidrologis, faktor 2 ukuran cekungan
dan faktor 3 ukuran porositas. Dari contoh kedua kita dapat dilihat bahwa
pembebanan faktor relatif lebih rendah, dan kita dapat menggunakan tiga kategori
pembebanan untuk membantu deskripsi faktor lain. Ketiga kategori ini diringkas
dalam Tabel 15.8. Dalam kedua kasus itu harus ditekankan bahwa pelabelan
variabel akan selalu diwarnai dengan beberapa derajat subjektivitas.

Status Sosial Ekonoomi

 Status Keluarga

Untuk sebagian besar tujuan analisis faktor adalah untuk mendefinisikan

variabel baru atau faktor yang cukup dan jelas menggambarkan set asli variabel.
Yang ideal adalah mencari faktor dan rendah pada yang kedua. Sayangnya, yang
sering terjadi adalah bahwa inisial untuk 'struktur faktor sederhana' di mana setiap
variabel asli memuat tinggi pada satu solusi yang diturunkan oleh program
analisis faktor tidak memberikan struktur faktor yang rapi dan jelas. Jadi, pada
Tabel 15.6 kami memiliki variabel yang tampaknya memuat cukup tinggi pada
lebih dari satu faktor, seperti halnya dengan frekuensi aliran. Dibawah jenis solusi
ini, maka, faktor-faktor tersebut tidak secara jelas menggambarkan variabel asli.
Yang kita butuhkan adalah solusi alternatif di mana faktor-faktor diputar untuk
memberikan gambaran yang lebih baik tentang pola variabel

Tabel 15.8 Label faktor dan struktur faktor untuk studi Exeter

Faktor 1 Tinggi Dewasa muda, wanita subur, migran (non irlandia)

Positif Sedang Dewasa lajang, pelayan
Rendah Orang dalam rumah tangga
 Negatif Rendah Anak-anak
Sedang Kepala devon
Tinggi Rasio kesuburan
Faktor 2 Tinggi Penginapan
Positif Sedang Orang dalam rumah tangga; rumah tangga besar
Rendah Dewasa lajang
Negatif Rendah Kepala devon
Sedang Berbagi rumah
Tinggi Keluarga inti
Faktor 3 Tinggi Tidak ada
Positif Sedang Paruh baya; aktif secara ekonomi; pekerja
Rendah Kelas sosial tinggi
Negatif Rendah Tidak ada
Sedang Orang dalam rumah tangga
tinggi Anak-anak
Kategori kunci: Faktor pemuatan ± 1,00-0,70 tinggi; ± 0,69-0,50 sedang; ± 0,49-
0,30 rendah.

Oleh karena itu, rotasi faktor bertujuan untuk menyederhanakan matriks

faktor dengan memisahkan kelompok variabel yang signifikan, tanpa mengubah
posisi relatifnya. Dalam analisis faktor apa pun, sumbu yang menggambarkan
variabel dapat diperbaiki dalam jumlah posisi yang tak terbatas dengan
memutarnya secara geometris di sekitar asalnya. Dalam beberapa hal,
ketidaktentuan seperti itu sangat disayangkan karena tidak ada solusi unik,
meskipun tidak semua solusi statistik sama-sama bermakna dalam hal studi
geografis kami.

Pilihan utama yang tersedia ketika memilih rotasi adalah apakah solusi
ortogonal atau miring harus digunakan. Rotasi miring tidak sering digunakan oleh
ahli geografi, karena mereka tidak mengasumsikan kelompok variabel independen
dan hasilnya seringkali agak sulit untuk ditafsirkan. Di bawah jenis rotasi ide
faktor independen atau ortogonal diganti, dan asumsinya adalah bahwa setiap
variabel akan memiliki satu faktor pembebanan +1,0, tetapi pembebanan lainnya
tidak perlu nol. Dua set pembebanan biasanya diperoleh untuk setiap variabel saat
menggunakan rotasi miring, dan mereka disebut pembebanan struktur dan
pembebanan pola. Itu perbedaan ditunjukkan pada Gambar 15.6(a), yang juga
menunjukkan keunggulan solusi miring dibandingkan solusi ortogonal, ketika
pola variabel tidak sepenuhnya independen. Pembebanan struktur digunakan
dalam interpretasi dasar faktor dengan cara yang persis sama seperti pembebanan
dari matriks faktor yang tidak diputar. Sebaliknya pembebanan pola kurang
penting untuk interpretasi dasar struktur faktor, karena mereka mengukur korelasi
antara setiap variabel dan faktor, terlepas dari pengaruh faktor lainnya. Oleh
karena itu, mereka adalah koefisien korelasi parsial.

Tabel 15.9 Karakteristik Beberapa Rotasi Faktor

memuat tinggi pada satu faktor dan

hampir nol pada yang lain;
Solusi Ortogonal Quartimax
menyederhanakan baris dari matriks
faktor
Adapun quartimax, tetapi
Varimax menyederhanakan kolom dari matriks
faktor
Mencari solusi kompromi,
Equimax menyederhanakan baik baris maupun
kolom
Faktor diperbolehkan untuk
Solusi Miring dikorelasikan jika korelasi ada dalam
data asli
Sampai saat ini sebagian besar ahli geografi telah menggunakan solusi
rotasi ortogonal dalam analisis faktor. Ini sebagian karena ketersediaan yang luas
dari rotasi semacam itu dalam program paket awal, dan sebagian karena fakta
bahwa solusi semacam itu sering kali sulit untuk ditafsirkan. Rotasi ortogonal
didasarkan pada asumsi bahwa faktor-faktor tersebut tidak berhubungan, dan
idealnya adalah bahwa setiap variabel memiliki pembebanan faktor sebesar +1.0
pada satu faktor, dan nol pada semua faktor lainnya. Rotasi ortogonal yang paling
banyak digunakan adalah varimax; meskipun paket SPSS juga menawarkan solusi
quaartimax dan equimax (lihat Tabel 15.9). Di sini kita hanya akan
mempertimbangkan teknik varimax, yang didasarkan pada penyederhanaan kolom
dari matriks faktor, sehingga memaksimalkan jumlah varians dari beban kuadrat
di setiap kolom; maka nama varimax. Logika solusi varimax diilustrasikan secara
grafis pada Gambar 15.6(b), yang menunjukkan bagaimana rotasi ortogonal faktor
dapat mengidentifikasi pengelompokan variabel. Dengan demikian, pergerakan
faktor 1 menyoroti pengelompokan variabel 1-8, yang sekarang tampaknya
memuat lebih kuat pada faktor yang diputar 1. Dibandingkan dengan solusi
miring, matriks faktor yang dihasilkan dari rotasi varimax berisi matriks pola dan
struktur sebagai satu set data. Dengan demikian, nilai dalam matriks faktor yang
dirotasi mewakili bobot regresi dan koefisien korelasi yang setara.
 Kita tidak perlu terlalu memperhatikan latar belakang matematika dari
teknik-teknik ini, tetapi lebih fokus pada bagaimana mereka dapat membantu
dalam penyediaan faktor-faktor yang lebih jelas. Kegunaan rotasi tersebut dapat
dilihat dengan menerapkan solusi varimax untuk analisis karakteristik cekungan
drainase. Pembebanan faktor menggunakan rotasi varimax disajikan pada Tabel
15.10, di mana dapat dilihat bahwa pola variabel yang sedikit lebih jelas dapat
ditemukan.

Pilihan apakah akan memutar faktor, dan jika demikian apakah akan
menggunakan solusi miring atau ortogonal, dapat dilihat dalam dua cara. Pertama,
kita dapat mempertimbangkan keputusan seperti proses induktif berdasarkan ide
atau hipotesis bahwa beberapa pola variabel yang berbeda memang ada dan
bahwa ini dapat ditingkatkan dengan memutar faktor. Di bawah jenis pendekatan
ini, solusi dari rotasi faktor tertentu mungkin didasarkan pada pendekatan coba-
coba. Sayangnya, dalam literatur statistik tidak ada pedoman berharga yang
tersedia untuk memberi saran kepada ahli geografi tentang solusi mana yang
terbaik, meskipun seperti yang telah kami tunjukkan, solusi ortogonal terus
mendapat perhatian paling besar. Bagaimana kita tahu ketika kita telah
menemukan rotasi 'ideal'? Menurut Harman (1967) kondisi seperti itu dicapai bila
dalam istilah geometrik (1) sebagian besar titik terletak dekat dengan sumbu
faktor, dan (2) hanya sejumlah kecil titik yang terletak agak jauh dari sumbu
faktor (lihat Gambar 15.6( a) dan (b)).
 Tabel 15.10 Faktor Pembebanan Untuk Studi Cekungan Drainase
(Rotasi Varimax)

Variabel Faktor 1 Faktor 2 Faktor 3

MSL 0,06489 0,74123 0,15648
DVF -0,16408 -0,28038 -0,72684
SI085 0,40250 -0,13413 0,08463
STMERQ 0,60867 -0,01272 -0,44937
SAAR 0,94473 0,00353 0,11990
M52D 0,86874 0,01634 0,11568
SMDBAR -0,83658 -0,26123 -0,15639
TANAH 0,15652 -0,11297 0,77791
PERKOTAAN 0,16756 0,09803 0,04499
LIBURAN 0,95407 0,04683 0,15443
ROPERC 0,86762 0,25034 0,21642
MAXELE 0,67329 0,33099 0,16307
DRAREA 0,13526 0,83471 -0,00565

Proses induktif di atas juga disebut 'rotasi pengecekan hipotesis' oleh

beberapa analis faktor, dan ini kontras dengan pendekatan kedua 'penciptaan
hipotesis' atau solusi deduktif (Cattell, 1978). Dalam kondisi seperti itu kami akan
berhipotesis bahwa kelompok variabel tertentu harus ada karena sifat penelitian
kami. Ini juga dikenal sebagai rotasi 'target', karena kita memutar faktor agar
sesuai dengan pola variabel yang dihipotesiskan atau 'target'. Ada dua rotasi dasar
yang digunakan dalam keadaan seperti itu: satu adalah solusi promaks miring dan
yang lainnya disebut analisis faktor kelompok ganda (Timms, 1971; Johnston,
1978). Solusi 'target' seperti itu jelas hanya berguna jika kita memiliki latar
belakang yang cukup untuk menarik dari studi sebelumnya.

Dalam geografi satu area di mana kondisi seperti itu ada adalah dalam
analisis struktur sosial perkotaan. Baik dari latar belakang teoretis, yang
diprakarsai oleh karya awal Shevky dan Bell (1955), dan dari sejumlah besar
ekologi faktorial yang dilakukan, adalah mungkin untuk mempertimbangkan
pendekatan 'target' untuk rotasi dalam bidang penelitian ini (Berry dan Kasarda). ,
1977). Dengan demikian, dalam studi wilayah sosial perkotaan kita dapat
berhipotesis bahwa tiga dimensi sosial dasar atau kelompok variabel harus
muncul. Di Amerika Utara ini kemungkinan besar adalah status ekonomi, status
keluarga dan status etnis; sementara di Inggris kami dapat mengidentifikasi
kepemilikan perumahan, status sosial ekonomi dan faktor mobilitas (Knox, 1982).
Mengingat latar belakang ini, kita kemudian dapat memutuskan jumlah faktor
yang akan diekstraksi, dalam hal ini tiga; dan kemudian memutar faktor ke pola
yang diperlukan. Namun, karena kurangnya kerangka teoretis yang mapan di
banyak bidang geografi, pendekatan penciptaan hipotesis seperti itu sangat jarang
diterapkan.

15.7. PENGGUNAAN SKOR FAKTOR

Salah satu bagian penting dari keluaran dari analisis faktor adalah matriks
skor faktor, yang memberikan ukuran hubungan antara setiap pengamatan dan
faktor-faktor baru. Seperti yang akan kita lihat, ini terbukti sangat berguna bagi
para ahli geografi dalam analisis pola spasial. Skor ini adalah nilai untuk setiap
pengamatan pada variabel baru, dan karena itu mereka mencerminkan sampai
batas tertentu hubungan mereka dengan variabel asli, dan kontribusi yang dibuat
setiap variabel baru untuk varians mereka. Jadi, jika suatu pengamatan memiliki
nilai besar pada variabel asli, yang pada gilirannya sangat dimuat pada faktor
baru, maka itu akan memiliki skor tinggi untuk faktor tertentu

Sebenarnya, dalam istilah statistik, hanya skor dari analisis komponen

utama yang dapat langsung dihitung, karena mengasumsikan varians umum (sco-
Gambar 15.1). Skor untuk analisis faktor hanya dapat diperkirakan jika model
menyediakan varians umum dan unik (lihat Bagian 15.1). Namun, karena
preferensi luas untuk analisis faktor, skor faktor sering digunakan oleh ahli
geografi; akibatnya banyak program paket seperti SPSS menyediakan data ini.
Masalah yang terkait dengan penggunaan dan interpretasi skor faktor yang
diestimasi, terutama ketika solusi faktor kompleks terlibat sepenuhnya dibahas
oleh Joshi (1972). Salah satu cara untuk mengatasi masalah estimasi skor dari
analisis faktor adalah dengan menggunakan "analisis faktor citra. Teknik ini
memecah data dalam bentuk varians umum dan unik, yang nilainya dapat
diperkirakan dengan menggunakan regresi berganda. Nilai residu dari analisis
regresi kemudian diambil sebagai bagian unik dari varians, sedangkan skor faktor
dihitung dari varians umum dari faktor-faktor tersebut (Rees, 1972)

Skor faktor dapat digunakan dengan dua cara: dapat diplot dan disajikan
dalam ruang faktor atau dipetakan dalam ruang geografis. Tidak mengherankan
jika para ahli geografi paling banyak menggunakan jenis presentasi kedua,
terutama dalam studi pola sosial perkotaan. Metode sebelumnya hanya melibatkan
memplot pengamatan relatif terhadap sumbu faktor, seperti yang dilakukan pada
Gambar 15.6 untuk variabel asli. Pendekatan ini paling berguna untuk memeriksa
pengelompokan pengamatan individu, dan dapat digunakan untuk
mengklasifikasikan atau mengelompokkan kasus atau area tertentu bersama-sama
berdasarkan hubungannya dengan masing-masing faktor. Pentingnya prosedur
pengelompokan ini dapat diilustrasikan dengan mengacu pada contoh cekungan
drainase kami. Dengan demikian, setiap daerah aliran sungai dapat dialokasikan
ke faktor tertentu dengan menggunakan skor faktor. Dengan cara ini cekungan
yang secara statistik serupa dapat diidentifikasi dengan mengacu pada skor
mereka pada masing-masing dari tiga faktor. Kami bahkan mungkin melangkah
lebih jauh dengan menghasilkan peta untuk masing-masing faktor. Hal ini tidak
dilakukan di sini, tetapi dapat dilakukan untuk sampel cekungan yang lebih besar
untuk membantu mengidentifikasi tren spasial. Dalam contoh kami sekarang &
pemeriksaan sederhana dari skor faktor akan cukup (Tabel 15.11) Dari sini kami
menemukan bahwa cekungan drainase 9 dan 10 (sungai Deddon dan Derwent,
keduanya berada di Lake District, Gambar 15.3), mendapat skor tinggi pada faktor
1 yang merupakan faktor hidrologi. Hal ini mungkin mencerminkan kontrol yang
diperkirakan oleh curah hujan yang tinggi di daerah ini dan kondisi umum dasar
Drainase yang dinilai di ujung lain dari faktor 1, sungai Stour dan Blackwater
(nomor 5 dan 6), keduanya jika di East England, di mana curah hujan di dataran
rendah dan lingkungan hidrologis mempengaruhi dinamika yang ada.

Faktor 2 (ukuran hasin) memilih daerah drainase 1 dan 4, yaitu sungai Ty

dan Twend, ini adalah dasar yang sah di mana ukuran atau luasnya coorus cher
behar Dari Tabel 5,11 kita mungkin juga memperhatikan betapa buruknya dua
yang terakhir jika terbelah pada faktor I. Bahwa basis kecil Duddon dan Derwent
sekarang mendapat skor negatif. Faktor 2 juga konsisten dengan karakter faktor
ini. Itu adalah satu lagi cekungan 1, bersama dengan 2 dan 3, yang skornya
menuju positif dan faktor tiga. Bazin 2 dan 3 masing-masing adalah wear dan
tees; oleh karena itu ketiga cekungan terikat di ne england, di mana kita harus
mengasumsikan bahwa karakteristik tanah dan porositas berkontribusi signifikan
terhadap perilakunya. Jelas, penerapan analisis faktor dapat membuka jalan
menuju klasifikasi berdasarkan sejumlah kecil faktor yang didefinisikan secara
statistik, daripada sejumlah besar variabel individu.

Tabel 15.11 Skor Faktor Untuk Cntoh Cekungan Drainase

Cekungan
Faktor 1 Faktor 2 Faktor 3
Drainase
1 -0.4652 0.7332 1.3254
2 -0.8055 0.1221 0.8080
3 -0.0925 0.0275 0.7947
4 -0.0411 1.0271 0.2875
5 -1.3708 -0.3121 0.4511
6 -1.2857 -0.6534 0.4392
7 -1.4121 -0.6776 0.2604
8 0.8191 0.1640 0.7443
9 1.4734 -0.8152 0.5916
10 1.8218 -1.0049 0.1645

Di sisa bagian ini perhatian akan difokuskan pada pentingnya pemetaan

skor faktor, dengan mengacu pada contoh kita sebelumnya tentang struktur sosial
Exeter abad kesembilan belas. Dengan cara yang sama bahwa kota-kota
kontemporer telah diteliti dalam hal pola sosialnya, menggunakan analisis faktor,
demikian pula kota abad kesembilan belas. Alasan di balik jenis analisis faktorial
ini didasarkan pada perubahan sifat struktur sosial dan ruang sosio-geografis
seiring dengan perkembangan kota (Timms, 1971; Carter dan Wheatley, 1982).
Selanjutnya, didorong oleh karya Lawton dan Pooley (1975) sejumlah ahli
geografi sejarah telah melakukan analisis faktor kota-kota abad kesembilan belas
(Johnson dan Pooley, 1982). Pekerjaan semacam itu telah memberikan latar
belakang yang cukup baik dan dalam konteks penelitian inilah contoh kita dari
Exter harus dilihat.

Data diekstraksi dari sampel 10 persen dari hasil sensus 1871 (Schofield,
1972), dan kami telah memeriksa karakter dari tiga faktor utama yang akan
diekstraksi dari penelitian (lihat Tabel 15.8). Dengan menggunakan skor faktor,
kita dapat memeriksa ekspresi spasial dari dimensi atau faktor sosial dan ekonomi
ini, dalam upaya untuk menggambarkan dan memahami struktur Exeter abad
kesembilan belas. Untuk menghemat ruang, karena kami hanya tertarik pada
penggunaan skor faktor, hanya skor untuk faktor 1 yang akan dipetakan. Faktor
pertama ini berkaitan dengan komposisi keluarga dan struktur usia, dan juga
memiliki hubungan yang kuat dengan variabel yang mengukur status migran dan
status ekonomi. Akibatnya, daerah-daerah di kota yang mendapat skor tinggi pada
faktor ini dicirikan oleh dominasi kaum muda, dewasa lajang, penduduk kelahiran
non-lokal dan sosial lebih tinggi dari rata-rata status. Pola apatial yang khas sulit
untuk dibedakan, tetapi skor tinggi pada faktor I mencakup bagian kota lama,
serta daerah pinggiran kota baru (Gambar 15.7 Lebih lanjut petieme nocid jelas
dapat dilihat kembali dengan memeriksa peta skor untuk dua lainnya. faktor dan
mungkin juga dengan menggunakan sub-area yang lebih kecil, pentingnya dibahas
dalam bagian 15.8.
 Gambar 15.7 Map Of Facto ‘Score’

15.8 MASALAH PADA APLIKASI ANALISIS FAKTOR

Seperti kebanyakan teknik statistik multivariat lainnya yang

diterapkan pada protein geografis, analisis faktor telah menarik banyak
kritik. Seperti yang telah kita lihat di antara ahli statistik, analisis faktor
sering diabaikan sebagai cara rumit untuk melakukan sesuatu yang hanya
bisa kasar, yaitu memilih kelompok variabel yang saling terkait (s. 1977).
Dalam perdebatan ini orang-orang seperti itu menyukai kejelasan matematis
dari komponen-komponen utama. Namun, melawan kritik ok adalah
pekerjaan analis pro-faktor, yang karyanya terutama berakar dalam ilmu-
ilmu sosial (Catel, 1978) Bagi orang-orang ini keuntungan dari analisis
faktor adalah adalah asumsi yang lebih realistis, dan karena argumen-
argumen itulah para ahli geografi mendukung pendekatan faktor.

Perdebatan antara analis pro dan anti-faktor ini telah mendorong

beberapa ahli geografi untuk mempertanyakan ketepatan teknik faktor
(Clark er al., 1974). Dari diskusi ini muncul dua isu utama. Yang pertama
menyangkut bagaimana analisis faktor harus digunakan oleh ahli geografi,
masalah yang sebagian besar diciptakan oleh fleksibilitas teknik.
Fleksibilitas yang terkadang mendorong orang untuk menggunakan teknik
ini tetapi tanpa alasan yang jelas untuk melakukannya. Namun, dalam istilah
dasar, kita dapat mengatakan bahwa ahli geografi telah menggunakan
analisis faktor dan komponen untuk (1) mencoba membuat beberapa urutan
ke dalam kelompok besar variabel, sebagai perangkat deskriptif, (2)
mengeksplorasi konstruksi hipotetis dan mengukur dimensi terkait dalam set
variabel, dan (3) menganalisis beban faktor pola, yang mungkin terkait
dengan analisis dimensi faktor. Penggunaan analisis faktor untuk tugas-
tugas khusus ini sayangnya lebih rumit dengan realisasi fakta bahwa ada
berbagai macam teknik faktor (Johnston, 1978). Kesadaran akan teknik-
teknik baru ini menimbulkan pertanyaan tentang mana yang harus
diterapkan pada masalah-masalah khusus, karena banyak yang
menghasilkan hasil yang sangat berbeda. Situasi yang membingungkan
seperti itu kemungkinan akan berlanjut sampai ahli geografi sepenuhnya
mengeksplorasi keuntungan dan Simulasi dari model faktor yang berbeda.

Terlepas dari masalah yang terkait dengan ketepatan teknik faktor,

perhatian juga harus diberikan pada masalah interpretasi, dan khususnya
masalah interpretasi berlebihan. Salah satu cara di mana masalah ini muncul
berasal dari fakta bahwa beban faktor (yang dengannya faktor-faktor
tersebut ditafsirkan) adalah akar kuadrat dari proporsi variasi standar dalam
suatu variabel yang dapat diperhitungkan oleh faktor tersebut. Oleh karena
itu, korelasi sering kali tidak sesubstantif yang ditunjukkan oleh ukuran
numeriknya. Misalnya, pemuatan faktor (atau koefisien korelasi dari matriks
korelasi) sebesar 10,65 menunjukkan hanya 42 persen persetujuan dalam
distribusi bivariat dari dua item yang terkait. Hal ini menyebabkan bahaya
dalam mengidentifikasi suatu faktor, misalnya, oleh dua variabel yang
dengan sendirinya hanya sedikit terkait. Seperti yang diamati Meyer (1971),
semakin kecil korelasi yang menjadi dasar prosedur pemfaktoran, semakin
besar kemungkinan interpretasi yang berlebihan, bahkan meskipun beban
yang tampaknya tinggi.

Bagian dari masalah over-interpretasi, Johnston (1976) percaya,

berasal dari masalah tujuan yang tidak tepat. Mungkin juga, sebagai akibat
dari penggunaan ortogonal metode rotasi dan kegagalan untuk mendekati
solusi ideal (ketika semua pembebanan baik ± 0,0 atau ± 1,0), diturunkan
secara teknis. Pemilihan variabel dapat menyebabkan masalah interpretasi
yang berlebihan ketika perkiraan skor faktor terjadi. Skor dihasilkan dengan
mengalikan beban standar asli; dimana solusi faktor tidak mendekati solusi
ideal, ada kemungkinan bahwa skor faktor yang sama dapat diturunkan dari
banyak kombinasi nilai tinggi dan rendah untuk variabel individu Joshi
(1972), dalam studi Katmundu, menemukan bahwa beberapa variabel yang
lebih kecil adalah memiliki pengaruh yang lebih besar pada pola skor
daripada pola skor yang 'lebih penting' yang dengannya dimensi status sosial
ekonominya diidentifikasi. Joshi kemudian menyarankan bahwa beban kecil
yang merepotkan harus dihilangkan sebelum menghitung skor; tetapi karena
ini memerlukan beberapa penilaian oleh analis mungkin terbukti sulit. Atau,
Schmid dan Tagashira menyarankan (1965) bahwa kami mencoba untuk
bergerak lebih dekat ke struktur sederhana (yaitu, solusi ideal) dengan
menghilangkan variabel dari analisis kami, mungkin mengikuti pemeriksaan
stabilitas umum dari hasil. Masalah di atas sangat penting karena
penggunaan matriks faktor dalam studi bidang sosial.

Masalah lain dalam penggunaan metode faktorial di daerah

perkotaan diakibatkan oleh ketidaksesuaian antara distrik pencacahan
(satuan yang biasa dalam studi Inggris) dan kelompok sosial. Ini mungkin,
karena lokasi perbatasan yang tidak menguntungkan, memperkenalkan
heterogenitas internal palsu ke dalam area. Lebih penting lagi, itu bisa
membiaskan korelasi yang menjadi dasar ekologi faktorial. Sampai batas
tertentu contoh kita tentang struktur sosial Exeter pada tahun 1871
mengalami masalah batas ini, di mana kita berurusan dalam beberapa kasus
dengan wilayah sensus yang cukup besar, yang berisi berbagai kelompok
sosial. Dalam hal ekologi faktorial daerah perkotaan, masalah-masalah
seperti itulah yang berkontribusi pada menurunnya penggunaan metode
faktor, digantikan oleh pendekatan yang kurang mekanistik (Herbert dan
Thomas. 1982).

Namun demikian, terlepas dari masalah dan perubahan pentingnya di

banyak bidang penyelidikan geografis, analisis faktor masih tetap menjadi
teknik yang berguna. Fleksibilitas dan keragamannya, dengan penelitian
lebih lanjut, merupakan alasan kuat mengapa ahli geografi akan terus
menerapkannya pada berbagai jenis masalah.

DAFTAR PUSTAKA