Professional Documents
Culture Documents
Translate Lengkap KLP 12
Translate Lengkap KLP 12
Kelas : Geografi
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.
Gambar 15.1 Pembagian varians dalam (a) model faktor dan (b) model
komponen utama.
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.
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.
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:
Persamaan 15.1 2,
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.
Tabel 15.4 Karakteristik dasar komponen utama dan analisis faktor umum
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
Gambar 15.3 Peta sampel DAS yang digunakan dalam contoh analisis faktor
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.
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
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.
Tabel 15.8 Label faktor dan struktur faktor untuk studi Exeter
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.
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)
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.
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
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.
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
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’
DAFTAR PUSTAKA