Istilah di SPSS

-

Ok, kali ini saya akan membagikan beberapa istilah yang ada pada menu analyze >> Dimension reduction >> Factor yang digunakan untuk mengidentifikasi variabel-variabel atau faktor-faktor dengan cara menjabarkan pola hubungan atau korelasi dalam satu set data.
Dalam menggunakan SPSS kita kemungkinan akan sering dihadapkan pada istilah2 berikut :

1.      Descriptive
a)      Statistics
1)      Univariate descriptive : menampilkan perhitungan yang meliputi nilai rata-rata, standar deviasi, dan jumlah kasus yang valid untuk setiap variabel.
2)      Initial solution : menampilkan jumlah variansi yang dimiliki suatu variabel bersama variabel lainnya awal, eigen value, dan persentase perbedaan.
b)     Correlation Matrix
1)      Coefficients : menampilkan nilai pengali dari sebuah faktor matriks
2)      Significance levels : menampilkan tingkat signifikansi (kepercayaan) berdasarkan set variabel matriks.
3)      Determinant : menampilkan rasio variabilitas nilai-nilai yang dibuat model dengan variabilitas nilai data asli.
4)      KMO and Bartlett’s test of sphericity : nilai Keiser-Meyers-Oklin (KMO) digunakan untuk mengukur kecukupan sampel dengan cara membandingkan besarnya korelasi yang diamati dengan korelasi parsialnya. Barlett Test of Sphericity digunakan untuk mengetahui apakah ada korelasi yang signifikan antar variabel. Kedua uji ini dilakukan untuk memastikan dataset yang digunakan memenuhi persyaratan analisa PCA.
5)      Inverse : menampilkan fungsi pembalik dari matriks yang terbentuk.
6)      Reproduced : Matriks korelasi untuk memperkirakan solusi faktor.
7)      Anti-image : Untuk mengetahui variabel mana yang dapat diproses lebih lanjut dan mana yang dikeluarkan

2.      Extration
a)      Method
1)      Principal component
PCA sangat berguna digunakan jika data yang ada memiliki jumlah variabel yang besar dan memiliki korelasi antar variabelnya. Tujuan dari analisa PCA adalah untuk mereduksi variabel yang ada menjadi lebih sedikit tanpa harus kehilangan informasi yang termuat dalam data asli/awal. Dengan menggunakan PCA, variabel yang tadinya sebanyak n variabel akan direduksi menjadi k variabel baru (principal component) dengan jumlah k lebih sedikit dari n dan dengan hanya menggunakan k (principal component) akan menghasilkan nilai yang sama dengan menggunakan n variabel
2)      Unweighted least squares
metode untuk meminimalisir jumlah perbedaan kuadrat antara matriks korelasi yang diamati dan direproduksi dengan mengabaikan diagonal.
3)      Generalized least squares
Metode untuk meminimalisir jumlah perbedaan kuadrat antara matriks korelasi diamati dan direproduksi.
4)      Minimum likelihood
metode untuk menghasilkan estimasi parameter yang paling mungkin untuk menghasilkan matriks korelasi yang dapat diamati jika sampel berasal dari distribusi normal multivariat.
5)      Principal axis factoring
Digunakan untuk mengekstraksi faktor dari matriks korelasi asli, dengan kuadrat koefisien korelasi berganda ditempatkan di diagonal sebagai perkiraan awal populasi.
6)      Alpha factoring
metode ekstraksi faktor yang menganggap variabel dalam analisis sebagai sampel dari semesta variabel potensial. Metode ini memaksimalkan keandalan faktor-faktor alfa.
7)      Image factoring
metode ekstraksi faktor yang didasarkan pada teori gambar. Bagian umum dari variabel, yang disebut gambar parsial, didefinisikan sebagai regresi linier pada variabel yang tersisa, daripada fungsi faktor hipotetis.

b)     Analyze
1)      Correlation matrix
analisis yang digunakan ketika variabel yang diukur pada skala yang berbeda.
2)      Covariance matrix
digunakan ketika menerapkan analisis faktor ke beberapa kelompok dengan varian yang berbeda untuk setiap variabel.

c)      Extract
1)      Based on Eigenvalue
Digunakan  jika ingin mempertahankan semua faktor yang nilai eigennya melebihi nilai yang ditentukan
2)      Fix number of factors
Digunakan jika ingin mempertahankan sejumlah faktor tertentu.

d)     Display
1)      Unrotated factor solution
menampilkan loading factor yang tidak diputar, komunalitas, dan nilai eigen untuk solusi faktor
2)      Scree plot
Menampilkan sebuah plot varians yang terkait dengan masing-masing faktor yang digunakan untuk menentukan berapa banyak faktor yang harus dijaga

e)      Maximum iterations for convergence
Digunakan menentukan jumlah langkah maksimum yang dapat diambil untuk memperkirakan solusinya.

3.      Rotation
a)      Method
1)      None
Tanpa metode rotasi.
2)      Quartimax
metode rotasi yang meminimalkan jumlah faktor yang diperlukan untuk menjelaskan setiap variabel dengan menyederhanakan interpretasi variabel yang diamati.
3)      Varimax
metode rotasi orthogonal yang meminimalkan jumlah variabel yang memiliki beban tinggi pada setiap faktor. Metode ini menyederhanakan interpretasi faktor.
4)      Equamax
metode rotasi yang merupakan kombinasi dari metode varimax (menyederhanakan faktor) dan metode kuartimax (menyederhanakan variabel).
5)      Direct oblimin
metode untuk rotasi miring, ketika delta sama dengan 0 (default) adalah solusi paling miring



6)      Promax
metode rotasi miring yang dapat dihitung lebih cepat daripada rotasi oblimin, dapat digunakan untuk dataset besar, dan memungkinkan faktor untuk dikorelasikan.
b)     Display
1)      Rotated solution
dipilih untuk menampilkan solusi yang diputar.
2)      loading plot(s)
untuk menampilkan plot pemuatan untuk solusi tiga dan dua faktor.

4.      Scores
a)      Save as variables
Menghasilkan satu variabel baru untuk setiap faktor dalam solusi akhir yang disimpan.
b)     Method
1)      Regression
Metode untuk memperkirakan koefisien skor faktor. korelasi ganda antara skor faktor yang diestimasi dan nilai faktor yang sebenarnya
2)      Bartlett
Metode estimasi koefisien skor faktor dengan jumlah kuadrat dari faktor pada rentang variabel diminimalkan.
3)      Anderson-Rubin
metode untuk memperkirakan koefisien skor faktor; modifikasi metode Bartlett yang memastikan ortogonalitas dari faktor yang diperkirakan. Skor yang dihasilkan memiliki rata-rata 0, memiliki standar deviasi 1, dan tidak berkorelasi.
c)      Display factor score coefficient matrix
menampilkan koefisien dengan mana variabel dikalikan untuk mendapatkan skor faktor dan menunjukkan korelasi antara skor faktor.

5.      Option
a)      Missing value
1)      Exclude cases listwise
untuk menentukan bagaimana nilai yang hilang ditangani dengan selain case listwise
2)      Exclude cases pairwise
untuk menentukan bagaimana nilai yang hilang ditangani selain case pairwise
3)      Replace with mean
Untuk menentukan nilai yang hilang dengan mengganti mean.

b)     Coefficient display format
1)      Short by size
Digunakan untuk mengontrol aspek-aspek dari matriks keluaran dengan mengurutkan koefisien berdasarkan ukuran.
2)      Suppress small coefficients
Untuk mengontrol aspek-aspek dari matriks keluaran. Dengan menekan koefisien dengan nilai absolut yang kurang dari nilai yang ditentukan.

Komentar

Posting Komentar

Postingan populer dari blog ini

Pemanfaatan Lahan Marginal, Naungan dan Pasang Surut

-
Pemanfaatan Lahan Marginal, Naungan dan Pasang Surut   Lahan Marginal Lahan marginal dapat diartikan sebagai lahan yang memiliki mutu rendah karena memiliki beberapa faktor pembatas jika digunakan untuk suatu keperluan tertentu. Sebenarnya faktor pembatas tersebut dapat diatasi dengan masukan, atau biaya yang harus dibelanjakan. Tanpa masukan yang berarti budidaya pertanian di lahan marginal tidak akan memberikan keuntungan.   Ciri-ciri utama lahan marginal adalah:   1) tingkat kesuburannya rendah,   2) erositas tinggi,   3) sering mengalami kekeringan atau kebanjiran,   4) tingkat kemasaman tanah tinggi dan   5) tingkat keracunan tinggi pada kondisi tertentu.   Persoalan utama dalam berusahatani di lahan kering (marginal) adalah bagaimana mengelola air yang menjadi faktor pembatas dalam berusahatani, sehingga produktivitas lahan dapat ditingkatkan. Selain itu lahan marginal mempunyai keterbatasan seperti sifat fisik, kimia, dan biologi tanah yang tidak baik, serta t
Baca selengkapnya

Rotasi dan Penyusunan Pola Tanam

-
Rotasi dan Penyusunan Pola Tanam   Rotasi tanaman adalah sistem penanaman berbagai tanaman secara bergilir dalam urutan waktu tertentu pada suatu bidang tanah.   Rotasi tanaman memberikan keuntungan-keuntungan seperti pemberantasan hama dan penyakit, pemberantasan tumbuhan pengganggu, dan yang paling penting adalahmempertahankan/memperbaiki sifat-sifat fisik dan kimia tanah dalam menunjang kesuburan.   Beberapa faktor yang harus diperhatikan dalam penyusunan pola tanam (usaha tani) adalah sebagai berikut: o    Ketersediaan air yang menyangkup waktu dan lamanya ketersediaan yang tergantung pada kinerja air irigasi serta pola distribusi dan jumlah hujan. o    Keadaan tanah yang meliputi sifat fisik, kimia dan bentuk permukaan tanah. o    Tinggi tempat dari permukaan laut, terutama sehubungan dengan suhu udara, tanah dan ketersediaan air. o    Eksistensi hama dan penyakit tanaman yang bersifat kronis dan potensial. o    Ketersediaan dan aksesibilitas bahan tanaman y
Baca selengkapnya

POLA TANAM (monokultur dan tumpang sari)

-
POLA TANAM Pola tanam adalah upaya p engatur an susunan tata letak dari tanaman dan tata urutan tanaman dengan melaksanakan penanaman pada sebidang lahan selama periode waktu tertentu . T anam adalah menempatkan bahan tanam berupa benih atau bibit pada media tanam baik media tanah maupun media bukan tanah dalam suatu bentuk pola tanam.   MONOKULTUR Monokultur adalah cara budidaya di lahan pertanian dengan menanam satu jenis tanaman pada satu areal. Kelebihan m onokultur yaitu menjadikan penggunaan lahan efisien karena memungkinkan perawatan dan pemanenan secara cepat dengan bantuan mesin pertanian dan menekan biaya tenaga kerja karena wajah lahan menjadi seragam. Sedangkan k elemahan m onokultur adalah keseragaman kultivar mempercepat penyebaran organisme pengganggu tanaman (OPT ) seperti hama dan penyakit tanaman. Pertanaman satu lahan tanpa variasi apa pun berakibat hama atau penyakit dapat ber kembang dan menyerang tanaman pada periode penanaman berikutnya.
Baca selengkapnya