BAB I

PENDAHULUAN

A. Latar Belakang

Analisis korespondensi (Correspondence Analysis) adalah suatu ilmu yang

mempelajari hubungan dua atau lebih variabel kualitatif dan merupakan bagian dari

analisis data multivariat. Data hasil survey Faculty Of Social and Behavioral

Sciences, Leiden University di Netherlands adalah data yang memerlukan

penyelesaian dengan menggunakan analisis korespondensi, dimana ingin diketahui

bagaimana hubungan antara wilayah tempat tinggal penduduk di Netherlands dengan

pandangan politik (PAN_POL) mereka.

B. Rumusan Masalah

Masalah yang dibahas dalam analisis ini adalah:

1. Apakah ada keterkaitan antara pandangan politik (PAN_POL) dengan wilayah

di Netherlands atau tidak?

2. Bagaimana deskripsi pandangan politik di Netherlands dalam kaitannya

dengan wilayah?.

C. Tujuan Kegiatan

Tujuan yang ingin dicapai dalam penelitian ini adalah:

1. Mengetahui keterkaitan antara pandangan politik (PAN_POL) dengan wilayah

di Netherlands.

2. Mendeskripsikan pandangan politik di Netherlands berdasarkan wilayah.

D. Manfaat Kegiatan

Manfaat yang diharapkan dari analisis ini adalah sebagai berikut:

1. Memberikan informasi tentang keterkaitan antara pandangan politik dengan

wilayah di Netherlands.

2. Untuk mengetahui sejauh mana analisis korespondensi dapat menggambarkan

hubungan pandangan politik dengan wilayah.

1

BAB II

TINJAUAN PUSTAKA

A. Analisis Korespondensi

Analisis korespondensi adalah suatu ilmu yang mempelajari hubungan anatara dua

atau lebih peubah kualitatif, yaitu dengan teknik eksplorasi data secara grafik untuk

table kontingensi dan data kategori multivariate.

Berdasarkan kegunaannya, analisis korespondensi dan analisis komponen utama

memiliki kesamaan, yaitu suatu metode yang digunakan untuk mereduksi dimensi

data menjadi dimensi yang lebih kecil dan sederhana. Sedangkan letak perbedaannya

adalah bahwa analisis komponen utama lebih tepat untuk data dengan skala

pengukuran kontinu sedangkan analisis korespondensi lebih tepat digunakan untuk

data kategori.

Analisis hubungan menggambarkan secara grafik profil baris dan profil kolom

dari suatu matrik data dari table kontingensi dua arah sebagai titik-titik pada ruang

vector berdimensi dua.

B. Pemilihan Jarak

Menurut Lebart(1984), Dalam analisis korespondensi, jarak yang digunakan untuk

dapat menggambarkan titik-titik pada plot adalah jarak Khi-Kuadrat.

Jarak anatara dua baris atau dua tititk individu ke-i dan I’ adalah

(1)

dan jarak anata variable ke j dan variable j’ adalah

(2)

Dalam jarak Khi-Kuadrat ini, pada setiap suku kuadratnya diboboti dengan

kebalikan frekuensi masing-masing. Gagasan pengambilan jarak khi-Kuadrat ini

didasarkan pada sifat-sifat sebaran yang sederajat (equivalently distributional), yaitu:

jika dua baris atau kolom memiliki profil sebaran sebaran serupa maka jarak anatara

keduanya nol. Dengan demikian akan dapat menyusutkan dimensi variable, dengan

tidak mengurangi informasi dari data asli.

2

C. Perhitungan Sumbu dan Koordinat

Jika X adalah suatu matrik data berukuran nxp dengan n menunjukkan baris dan p

menunjukkan kolom. Secara geometris masing-masing baris matrik X digambarkan

dalam ruang berdimensi p atau Rp dan masing-masing kolom dapat digambarkan

sebagai titik-titik dalam ruang berdimensi n atau Rn.

Salah satu keistimewaan dari analisis hubungan adalah bahwa analisis hubungan

dapat membentuk anlisis relative ke salah satu titik asal atau pusat pembobotan. Hal

ini disebakan antara indeks ke-i dan j dapat saling ditukarkan dalam penjelasannya

untuk ruang dimensi tertentu( Rp atau Rn).

Misalnya, dalam menjelaskan titik-titik pada runag dimensi p maka yang menjadi

pusat pembicaraan atau yang berperan di sini adalah indeks i, sedangkan untuk ruang

n maka yang menjadi pusat pembicaraan adlah indeks j.Sehingga dalam penjelaannya

terdapat dua bagian yaitu:

1. Penjelasan Titik-titik dalam Ruang Dimensi p

Misalkan ada suatu matrik F dimana matriks F adalah transformasi dari matrik X

dengan hubungan sebagai berikut

.

Kemudian ada matrik Dp dan Dn yang merupakan matriks diagonal. Bentuk dari

matrik diagonal adalah

dan (3)

Dp adalah matriks diagonal yang berukuran pxp dimana elemen diagonal yang ke-

j adalah f.j, sedangkan Dn adalah matriks diagonal di mana elemen ke-i adalah f.i.

Di dalam Rp ini, n titik dianggap sebagai n baris dalam .Vektor u adalah

vector satuan untuk jarak yang didefinisikan dalam ruang dimensi p sedemikian

hingga

, (4)

maka proyeksi n titik pada sumbu u merupakan vector yang dapat ditulis sebagai

3

. (5)

Sehingga dengan demikian besaran yang dimaksimumkan adalah jumlah kuadrat

berbobot dari , dengan kendala .

U merupakan vector ciri dari

(6)

yang berpadanan dengan akar terbesar , yang memenuhi persamaan

. (7)

Vektor u disebut sumbu utama pertama, sedangkan vector dinamakan

sebagai factor pertama. Secara umum dapat dikatakan sebagai berikut: Jika

merupakan vector ciri matriks yang berpadanan dengan akar ciri .Dan

koordinat dari n titik adalah

. (8)

2. Penjelasan Titik-titik dalam Ruang Dimensi n

Untuk menjelaskan titik-titk di dalam ruang n, perhitungan matematiknya analog

dengan perhitungan di pruang p.Yaitu denagan memaksimumkan

(9)

sedemikian hingga . (10)

Maka proyeksi p titik pada sumbu v merupakan vector yang dapat ditulis sebagai

. atau

(11)

dimana adalah operator proyeksi dari sumbu v, dimana .

3. Kontribusi Mutlak

Kontribusi mutlak adalah proporsi keragaman yang diterangkan oleh masing-

masing titik terhadap sumbu utamanya. Nilai kontribusi mutlak ini digunakan untuk

menentukan suatu titik yang masuk pada suatu factor (dimensi) dengan criteria bahwa

4

titik yang masuk ke dalam suatu factor adalah yang mempounyai nilai atau proporsi

yang terbesar. Perhitungannya adalah sebagai berikut:

. (12)

Dengan .

Keterangan:

adalah factor yang bersesuaian dengan vector eigen . Nilai dari dapat

dicari dengan . (13)

4. Korelasi Kuadrat

Korelasi kuadrat adalah bagian ragam dari suatu titik yang dapat dijelaskan oleh

sumbu utamanaya. Semakin tinggi nilai korelasi kiuadrat menunjukkan bahwa sumbu

utama mampu menerangkan nilai inertia dengan baik sekali, dan sebaliknya semakin

kecil nilai koelasi kuadrat maka semakin sedikit nilai inertia yang dapat diterangkan

oleh sumbu utama.

Dalam ruang dimensi n, korelasi kuadrat dapat dituliskan sebagai

. (15)

5

BAB III

METODOLOGI

A. Alat dan Bahan

Alat dan bahan yang digunakan dalam penelitian ini adalah sebagai berikut:

1. Jurnal dan referensi yang terkait dengan penelitian ini.

2. Software SPSS dan MINITAB

3. Data hasil survey pada Faculty of Social and Behavioral Sciences, Leiden

University, Netherlands.

B. Prosedur

Langkah – langkah yang ditempuh untuk menyelesaikan tujuan dari penelitian ini

adalah sebagai berikut:

1. Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data hasil survey pada Faculty of

Social and Behavioral Sciences di Netherlands yang didownload pada tanggal 19 mei

2006.

2. Indentifikasi Variabel

Variabel dalam penelitian ini dapat di kelompokkan atas variabel pandangan

politik dan variabel wilayah.

Variabel pandangan politik (PAN_POL) terdiri dari kategori sebagai berikut:

a. LIB : Berpandangan politik Liberal

b. TEND-LIB : Berpandangan politik Cenderung keLiberal

c. MOD : Berpandangan politik Moderat

d. TEND-CON : Berpandangan politik Cenderung ke Conservative

e. CON : Berpandangan politik Conservative

Variabel WILAYAH terdiri dari kategori sebagai berikut:

a. NORTH-EAST : Penduduk yang berdiam di wilayah North-East

b. MID-WEST : Penduduk yang berdiam di wilayah Mid-West

c. SOUTH : Penduduk yang berdiam di wilayah South

d. WEST : Penduduk yang berdiam di wilayah West

6

3. Langkah-langkah Analisis

Untuk mencapai tujuan penelitian digunakan analisis korespondensi

(Correspondence Analysis) dengan langkah-langkah sebagai berikut:

a. Mendeskripsikan data yang diperoleh,

b. Menentukan matrik X, F, Dp,dan Dn.

c. Menentukan nilai eigen dan vector eigen dari S yaitu u.

d. Menentukan operator proyeksi .

e. Menentukan koordinat, kontribusi mutlak, korelasi kuadrat, masing masing

variabel.

f. Menganalisis per tabel masing-masing titik kemudian menentukan

faktornya.

g. Memplot antara baris dan kolom yaitu antara wilayah dan Pandangan

Politik (PAN_POL).

Selanjutnya dapat dilakukan analisis serentak sehingga dapat dilihat

kecenderungan anatar kedua variabel.

C. Jadual Kegiatan

Kegiatan analisis ini karena terkait dengan penugasan dalam mata kuliah Analisis

Multivariat, dilaksanakan dalam waktu beberapa hari saja. Jadual kegiatan tersebut

dapat dituangkan dalam tabel berikut ini.

Tabel 1. Jadual

NO KEGIATANHARI

Kamis Jum’at Sabtu Minggu Senin Selasa

1Pembentukan kelompok dan penugasan

2 Mendapatkan data3 Melakukan analisis

4Menuangkan hasil dalam bentuk laporan

5 Presentasi

7

BAB IV

ANALISIS DAN PEMBAHASAN

Data yang digunakan dalam penelitian ini adalah data hasil survei pada Faculty of

Social and Behavioral Sciences, Leiden University di Netherlands yang di-download

pada tanggal 19 mei 2006. Data tersebut akan dianalisis dalam 3 tahap yaitu: Analisis

Deskriptif, Analisis Hubungan antar Variabel, dan Analisis Korespondensi antar

Value Variabel

A. Analisis Deskriptif

Dengan menggunakan SPSS 14 didapatkan hasil analisis yang terlihat pada tabel 2

di bawah ini.

Tabel 2. Statistics

WILAYAH PAN_POL

NValid 725 725

Missing 0 0

Mode 3.00 3.00Skewness -.077 -.167Std. Error of Skewness .091 .091Kurtosis -1.078 -.905Std. Error of Kurtosis .181 .181Range 3.00 4.00Minimum 1.00 1.00Maximum 4.00 5.00Sum 1851.00 2330.00

Percentiles

25 2.0000 2.0000

50 3.0000 3.0000

75 3.0000 4.0000

Dari tabel di atas dapat dilihat hal-hal sebagai berikut:

1. Jumlah sampel yang dianalisis adalah 725 orang penduduk dan tidak

ada data yang hilang.

2. Karena data yang bersifat nominal maka tidak digunakan Mean dan

Median sebagai nilai Central Tendency-nya, tetapi digunakan modus. Dari

hasil analisis terlihat bahwa modus data adalah 3, hal ini juga dapat dilihat

pada nilai persentil 50. Dengan demikian dapat disimpulkan bahwa bagian

terbesar dari penduduk memiliki pandangan politik yang bernilai Moderat.

8

3. Indeks untuk mengukur normalitas data dapat dilihat pada dua

indikator berikut ini:

a. Indeks Skewness (Kemiringan Kurva)

Dari hasil analisis terlihat bahwa indeks untuk wilayah adalah -0,077:0,091

= -0,846, sedangkan untuk pandangan politik didapatkan nilai

-0,167:0,091 = -1.835. Karena kedua ini ini berada dalam rentang antara

-2,00 sd. 2.00 maka dapat dikatakan dari sudut kemiringan kurva, data

berdistribusi normal.

b. Indeks Kurtosis (Keruncingan Kurva)

Dari hasil analisis terlihat bahwa indeks untuk wilayah adalah -1,078:0,181

= -5.956, sedangkan untuk pandangan politik didapatkan nilai

-0,905:0,181 = -5.000. Karena kedua ini ini berada tidak berada dalam

rentang antara -2,00 sd. 2.00 maka dapat dikatakan dari sudut keruncingan

kurva, data tidak berdistribusi normal. Namun demikian ada juga yang

menggunakan kriteria moderat normal untuk daerah sampai dengan + dan

– 5.000

Dengan demikian terutama bila menitikberatkan pada variabel sikap politik maka

pada dasarnya data dapat dikatakan relatif berdistribusi normal meskipun terlihat

sedikit runcing. Dalam bentuk kurva, frekuensi sebaran data dapat yang terkait

dengan analisis pada poin ini, dapat dilihat pada halaman berikut ini.

Figur 1. Frekuensi Sebaran Sampel berdasarkan Wilayah

9

Figur 2. Frekuensi Sebarab sampel Berdasarkan Pandangan Politik

4. Nilai maksimum-minimum wilayah (1-4) dengan range = 3

meperlihatkan bahwa semua value (kategri) pada variabel wilayah terisi

semuanya, atau dengan kata lain sampel yang digunakan berasal dari keempat

wilayah yang didata. Begitu pula Nilai maksimum-minimum wilayah (1-5)

dengan range = 3 meperlihatkan bahwa semua value (kategri) pada variabel

wilayah terisi semuanya, atau dengan kata lain sampel yang memiliki

pandangan politik dari liberal sampai konservatif.

5. Berdasarkan nilai persentil dapat dinyatakan bahwa untuk variabel:

a. Wilayah, jumlah sampel hingga 25% berasal dari wilayah 1 dan 2 (North-

East dan Mid-West). Jika dihitung sampai 50%, maka sampel akan

melibatkan sampai 3 wilayah (North-East, Mid-West, dan South), begitu

juga sampai 75%-nya.

b. Pandangan politik, jumlah sampel hingga 25% memiliki pandangan politik

kategori 1 dan 2 (Liberal dan Tend to Liberal). Jika dihitung sampai 50%,

maka sampel akan melibatkan sampai sikap kategori 3 (Liberal, Tend to

Liberal, dan Moderat). Sedangkan sampai 75% data sudah mencakup

sikap kategori 1 sd. 4 (Liberal, Tend to Liberal, Moderat, dan Tend to

Concervative).

Analisis pada poin 1 (jumlah sampel), poin 2 (modus), poin 4 (maksimum,

minimum dan range), serta poin 5 (persentil) dapat dilihat secara umum dapat dilihat

pada dua tabel berikut ini.

10

Tabel 3. Deskripsi Berdasarkan Wilayah

Frequency Percent Valid PercentCumulative

Percent

Valid

NORTH-EAST 131 18.1 18.1 18.1

MID-WEST 210 29.0 29.0 47.0

SOUTH 236 32.6 32.6 79.6

WEST 148 20.4 20.4 100.0

Total 725 100.0 100.0

Tabel 4. Deskripsi Berdasarkan Pandangan Politik (PAN-POL)

Frequency Percent Valid PercentCumulative

Percent

Valid

LIB 93 12.8 12.8 12.8

TEND-LIB 100 13.8 13.8 26.6

MOD 244 33.7 33.7 60.3

TEND-CON 135 18.6 18.6 78.9

CON 153 21.1 21.1 100.0

Total 725 100.0 100.0

B. Analisis Hubungan antar Variabel

Sebelum memasuki analisis korespondensi untuk melihat hubungan antar value

pada variabel wilayah tempat tinggal dengan sikap politik penduduk di Netherland,

maka terlebih dahulu dilakukan analisis mengenai hubungan antara variabel Wilayah

dan Pandangan Politik.

Berdasarkan hasil analisis dengan menggunakan program SPSS dapat dilihat

bahwa semua data (berasal dari 725 sampel) dapat dianalisis tanpa ada satupun yang

ketinggalan/hilang. Hal ini dapat dilihat pada tabel berikut:

Tabel 5. Rangkuman Pemrosesan Kasus

Cases

Valid Missing Total

N Percent N Percent N Percent

WILAYAH * PAN_POL 725 100.0% 0 .0% 725 100.0%

Selanjutnya berdasarkan sifat data nominal, maka dilakukan uji dengan dua

kemungkinan, yaitu pola hubungan antara variabel wilayah dan pandangan politik

penduduk berbentuk simetris atau non simetrik (searah). Untuk itu digunakan uji Chi-

Square (Pearson Chi-Square, Likelihood Ratio, dan Linear-by-Linear Association),

uji Symmetric Measures (Phi, Cramer’s V, dan Contingency Coefficient), serta uji

11

Directional Measures Symmetric (Lambda dan Uncertainity Coefficient) sebagaimana

yang tertera pada Tabel 6, 7 dan 8 berikut ini.

Tabel 6. Hasil Uji Chi-Square

Value dfAsymp. Sig.

(2-sided)

Pearson Chi-Square 41.489(a) 12 .000Likelihood Ratio 41.756 12 .000Linear-by-Linear Association

5.073 1 .024

N of Valid Cases 725

a 0 cells (.0%) have expected count less than 5. The minimum expected count is 16.80.

Tabel 7. Hasil Uji Symmetric Measures

Value Approx. Sig.

Nominal by Nominal

Phi .239 .000

Cramer's V .138 .000

Contingency Coefficient

.233 .000

Tabel 8. Hasil Uji Directional Measures

Nominal by Nominal

LambdaGoodman and

Kruskal tau Uncertainty Coefficient

Symmetric

Value .018 .020

Asymp. Std. Error(a)

.014 .006

Approx. T(b) 1.206 3.288

Sig .228 .000(e)

PAN_POL Dependent

Value .000 .015 .019Asymp. Std. Error(a)

.000 .005 .006

Approx. T(b) .(c) 3.288

Sig .(c) .000(d) .000(e)

a Not assuming the null hypothesis.b Using the asymptotic standard error assuming the null hypothesis.c Cannot be computed because the asymptotic standard error equals zero.d Based on chi-square approximatione Likelihood ratio chi-square probability.

12

Dari Tabel 6, 7, dan 8 dapat dilihat bahwa:

1. Seluruh pengujian simetris menunjukkan hasil yang sangat signifikan (dengan

P-Value 0,000) kecuali untuk pengujian dengan Lambda hasilnya tidak

signifikan dengan P-Value 0,228 > 0,05 dan Asymp. Std Error 0,014.

2. Pengujian asimetris, dimana variabel wilayah sebagai variabel independent

dan variabel pandangan politik sebagai variabel dependent, dengan

menggunakan uji Uncertainity Coefficient didapat hasil yang sama bila pola

hubungan diasumsikan simetris. Selain itu digunakan juga uji Goodman &

Kruskal Tau, dimana hasilnya sangat signifikan dengan P-Value 0,000 dan

Asymp. Std. Error sebesar 0,005.

Dari pengujian kedua pola tersebut terlihat bahwa pola hubungan antara variabel

wilayah dan pandangan politik relatif berbentuk asimetrik dimana variabel pandangan

politik menepati posisi sebagai variabel dependent. Hal ini disimpulkan berdasarkan

fakta bahwa hasil pengujiannya bersifat konsisten pada semua uji.

Dengan demikian dapat dinyatakan bahwa pandangan politik penduduk yang

tinggal di wilayah tertentu akan dipengaruhi oleh karakteristik pandangan politik (dari

sebagian besar penduduk) pada wilayah tersebut.

Untuk melihat karakteristik pandangan politik pada keempat wilayah yang

datanya dianalisis, maka digunakan analisis korespondensi sebagaimana yang akan

dipaparkan pada Subbab C berikut ini.

C. Analisis Korespondensi antar Value Variabel

Tabulasi silang antara variabel wilayah dan pandangan politik (PAN_POL)

penduduk di Netherland dapat dilihat pada tabel output SPSS di bawah ini:

Tabel 9. Tabulasi Silang

WILAYAH

PANDANGAN POLITIK (PAN_POL)

LIB TEND-LIB MOD TEND-CON CONActive Margin (Total)

NORTH-EAST 19 23 58 16 15 131

MID-WEST 26 31 71 47 35 210

SOUTH 18 27 75 46 70 236

WEST 30 19 40 26 33 148

13

Active Margin(Total)

93 100 244 135 153 725

Selanjutnya, jika dikaji profilnya baik untuk baris maupun kolom, maka akan

dapat dilihat pada output SPSS di Tabel 10 dan tabel 11 yang dicantumkan di halaman

berikut ini.

Tabel 10. Profil Baris

WILAYAH PAN_POL

LIB TEND-LIB MOD TEND-CON CON Active MarginNORTH-EAST .145 .176 .443 .122 .115 1.000MID-WEST .124 .148 .338 .224 .167 1.000SOUTH .076 .114 .318 .195 .297 1.000WEST .203 .128 .270 .176 .223 1.000Mass .128 .138 .337 .186 .211

Dari profil baris yang tercantum di atas dapat dilihat bahwa :

1. Nilai active margin setiap baris semua nilainya adalah 1.00 sebagaimana

harusnya

2. Nilai massa terbesar (0,337) terdapat pada pandangan politik moderat yang

merupakan modus pada data ini

3. Jika diperhatikan profil setiap kolom, maka dapat dilihat nilai terbesar untuk

kolom:

a. LIB adalah pada baris WEST, yang menunjukkan secara umum bahwa

penduduk yang tinggal di wilayah barat Netherland cenderung memiliki

pandangan politik yang liberal

b. TEND_LIB dan MOD adalah pada baris NORTH-EAST, yang

menunjukkan bahwa penduduk yang tinggal di wilayah timur laut

Netherlands cenderung memiliki pandangan politik moderat sampai agak

liberal

c. TEND-CON adalah pada baris MID-WEST, yang menunjukkan bahwa

penduduk yang tinggal di wilayah Tengah-Barat cenderung memiliki

pandangan politik yang agak konservatif

d. CON adalah pada baris SOUTH, yang menunjukkan bawa penduduk

yang tinggal di wilayah selatan Netherland cenderung memiliki pandangan

politik yang konservatif.

14

Sedangkan untuk profil kolom yang dicantumkan di halaman setelah ini dapat

dilihat bahwa :

1. Nilai active margin setiap kolom adalah 1.00 sebagaimana harusnya

2. Nilai massa terbesar (0,3267) terdapat pada wilayah SOUTH yang merupakan

modus pada data ini

Tabel 11. Profil Kolom

WILAYAH

PAN_POL

LIB TEND-LIB MOD TEND-CON CON MassNORTH-EAST .204 .230 .238 .119 .098 .181

MID-WEST .280 .310 .291 .348 .229 .290SOUTH .194 .270 .307 .341 .458 .326WEST .323 .190 .164 .193 .216 .204

Active Margin 1.000 1.000 1.000 1.000 1.000

3. Jika diperhatikan profil setiap baris, maka dapat dilihat nilai terbesar untuk

baris:

a. NORTH-EAST adalah pada kolom MOD, yang menunjukkan secara

umum bahwa penduduk yang tinggal di wilayah timur laut Netherland

cenderung memiliki pandangan politik yang moderat (lihat poin 3.b pada

analisis profil baris)

b. MID-WEST adalah pada kolom TEND-CON, yang menunjukkan bahwa

penduduk yang tinggal di wilayah tengah-barat Netherlands cenderung

memiliki pandangan politik agak konservatif (lihat poin 3.c pada analisis

profil baris)

c. SOUTH adalah pada kolom CON, yang menunjukkan bahwa penduduk

yang tinggal di wilayah selatan Netherland cenderung memiliki pandangan

politik yang konservatif (lihat poin 3.d pada analisis profil baris)

d. WEST adalah pada kolom LIB, yang menunjukkan bawa penduduk yang

tinggal di wilayah barat Netherland cenderung memiliki pandangan politik

yang liberal (lihat poin 3.a pada analisis profil baris)

Jika kita perhatikan dari kedua profil di atas, baik profil baris maupun profil

kolom, terlihat bahwa keduanya menyatakan satu hal yang sama meski dengan

tampilan nilai-nilai yang berbeda. Hal ini juga dapat dilihat pada pemetaan kedua

15

variabel yang mewakili baris dan kolom di maksud yang ditampilkan pada figur 9 di

halaman terakhir Bab IV ini.

Rangkuman analisis untuk datanya dapat dilihat pada halaman berikut;

Tabel 12. Rangkuman Analisis

Dimension

1 2 3 Total

Singular Value .189 .124 .078

Inertia .036 .015 .006 .057

Chi Square 41.489

Sig. .000(a)

Proportion of InertiaAccounted for .627 .268 .105 1.000

Cumulative .627 .895 1.000 1.000

Confidence Singular ValueStandard Deviation .035 .040

Correlation 2 -.043

a 12 degrees of freedom

Pada tabel di atas terlihat bahwa eigenvalue (inertia) menunjukkan bahwa nilai

varians yang dapat dijelaskan adalah sebesar 0.057 atau 5.7% saja. Namun demikian

jika melihat nilai Chi-Square yang cukup besar dengan nilai P-VALUE sebesar 0,000

(<0,01) hal ini memperlihatkan bahwa terdapat hubungan yang sangat signifikan

antara pandangan politik (PAN_POL) dengan wilayah tempat tinggal penduduk di

Netherland.

Korelasi kanonik maksimum (yang merupakan interpretasi dari Singular Value

yang merupakan akar kuadrat dari Eigenvalue) antar kategori dari variabel-variabel

dalam analisis untuk setiap dimensi adalah 0.189 untuk dimensi pertama (terbesar),

0.124 untuk dimensi kedua (juga merupakan yang kedua terbesar), dan 0.078 dimensi

ketiga. Dari eigenvector yang diperoleh dalam analisis (proportion of inertia), maka

dengan 3 faktor dapat dinyatakan bahwa keragaman yang dapat diterangkan adalah

sebesar 100% dengan rincian sebagai berikut:

1. Faktor pertama dengan eigenvalue sebesar 0.036 mampu menerangkan

keragaman data sebesar 62.7%.

2. Faktor kedua dengan eigenvalue sebesar 0.015 mampu menerangkan

keragaman data sebesar 26.8% (total dengan faktor pertama adalah 0,895 atau

89,5%)

16

3. Faktor ketiga dengan eigenvalue sebesar 0.006 mampu menerangkan

keragaman data sebesar 10.5% (total dengan sebelumnya menjadi 100%).

Bila dilihat standard deviasinya terlihat bahwa untuk dimensi/faktor pertama

ditemukan nilai sebesar 0,35. Nilai ini juga menunjukkan presisi yang relatif lebih

baik dari dimensi/faktor kedua yang memiliki nilai standard deviasi sebesar 0,40.

Selanjutnya untuk overview Row Points(a) dan overview column Points(a) akan

dapat dilihat pada Tabel 11 dan Tabel 12 yang dicantumkan pada halaman berikut ini.

Tabel 13. Overview Row Points(a)

WILAYAH

NORTH-EAST

MID- WEST

SOUTH WESTActive Total

Mass .181 .290 .326 .204 1.000

Score in Dimension

1 -.702 -.130 .540 -.055

2 .309 .065 .194 -.675

Inertia .020 .005 .020 .012 .057

Contribution

Of Point to Inertia of Dimension

1 .470 .026 .501 .003 1.000

2 .139 .010 .099 .752 1.000

Of Dimension to Inertia of Point

1 .832 .181 .901 .010

2 .105 .030 .076 .970

Total .938 .210 .977 .979

a Symmetrical normalization

Dari tabel Overview Row Points(a) di atasdapat dilihat hal-hal sebagai berikut:

1. pada baris Massa, memperlihat proporsi marjinal dari variabel baris (wilayah

tempat tinggal) yang menggunakan profil titik-titik terbobot saat

mengkomputasi jaraknya. Pembobotan ini memberikan efek kompensasi bagi

ketaksetaraan jumlah pada setiap kasus. Dan seperti yang telah diungkapkan

sebelumnya bahwa massa terbesar terlihat pada wilayah barat yang merupakan

modus data untuk variabel wilayah.

2. pada baris Skor Dimensi, skor-skor ini digunakan sebagai koordinat untuk

titik-titik value variables saat memplotkannya (untuk konfirmasi, dapat dilihat

pada Figur 7 dan juga Figur 9).

3. pada baris Inersia, terdapat nilai-nilai yang menunjukkan variansi yang

totalnya adalah 0,57

17

4. Kontribusi dari poin ke inersia dimensi merupakan loading factors yang

digunakan dalam faktor analisis yang konvensional

5. Kontribusi dari inersia dimensi ke poin adalah korelasi multipel yang

merefleksikan bagaimana baiknya model principal komponen menjelaskan

poin (kategori) tertentu (terlihat bahwa principal komponen terlihat paling

rendah dalam menjelaskan kategori tempat tinggal penduduk di wilayah

tengah barat Netherland).

Untuk Tinjauan terhadap kategori (poin) pada kolom (varaiabel pandangan politik,

hasil analisisnya dapat dilihat pada tabel di bawah ini.

Tabel 14. Overview Column Points(a)

PAN_POL

LIBTEND-LIB

MODTEND-CON

CONActive Total

Mass .128 .138 .337 .186 .211 1.000

Score in Dimension

1 -.491 -.351 -.252 .237 .721

2 -.800 .124 .334 -.037 -.094

Inertia .016 .003 .009 .006 .022 .057

Contribution

Of Point to Inertia of Dimension

1 .163 .090 .113 .055 .579 1.000

2 .663 .017 .303 .002 .015 1.000

Of Dimension to Inertia of Point

1 .363 .921 .448 .308 .940

2 .630 .075 .512 .005 .010

Total .993 .995 .960 .313 .950

a Symmetrical normalization

Dengan pengertian yang sama pada penjelasan Tabel 13, dapat dilihat hal-hal

sebagai berikut:

1. Massa terbesar setelah pembobotan atas ketaksetaraan jumlah kasus tetap

berada pada kategori moderat yang juga merupakan modus pada variabel ini

(lihat tabel tabulasi Silang)

2. Skor Dimensi, skor-skor ini digunakan sebagai koordinat untuk titik-titik value

variables saat memplotkannya (untuk konfirmasi, dapat dilihat pada Figur 8

dan juga Figur 9 di bagian akhir Bab IV ini).

3. Pada baris Inersia, terdapat nilai-nilai yang menunjukkan variansi yang

totalnya adalah 0,57

4. Kontribusi dari poin ke inersia dimensi merupakan loading factors yang

memperlihatkan bahwa pandangan liberal dan moderat lebih dekat pada

18

dimensi ke-2 dibanding dimensi ke-1, sedangakn tiga pandangan politik

lainnya lebih dekat pada dimensi ke-1.

5. Kontribusi dari inersia dimensi ke poin adalah korelasi multipel yang

merefleksikan bagaimana baiknya model principal komponen menjelaskan

poin (kategori) tertentu (terlihat bahwa nilai ini setara dengan kontribusi dari

poin atau kategori ke dimensi).

Confidence Row Points (Tabel 15) dan Confidence Column Points (Tabel 16) di

bawah ini memperlihatkan standard deviasi dari skor-skor baris dan kolom (nilai-nilai

ini digunakan sebagai koordinat untuk memplot Correspondence Map dan juga

digunakan untuk menilai presisinya.

Tabel 15. Confidence Row Points

WILAYAH

Standard Deviation in Dimension Correlation

1 2 1-2NORTH-EAST .190 .307 .528MID-WEST .169 .323 .066SOUTH .122 .206 -.685WEST .339 .148 -.026

Tabel 16. Confidence Column Points

PAN_POL

Standard Deviation in Dimension Correlation

1 2 1-2LIB .387 .221 -.694TEND-LIB .072 .117 .801MOD .171 .122 .575TEND-CON .215 .406 .095CON .127 .302 .304

Pada dua tabel di atas dapat dilihat bahwa standard deviasi yang besar

menunjukkan presisi rendah rendah bagi suatu poin atau kategori untuk ditempatkan

pada dimensi atau faktor tertentu. Sebaliknya semakin rendah nilai standard

deviasinya, maka semakin baik presisinya.

Jika kita lihat presisi tersebut pada Tabel 15, maka wilayah barat berada pada

dimensi du (sendiri) sedangkan tiga wilayah lainnya berada pada dimensi yang sama

(berdekartan). Hasil ini sesuai dengan hasil pada Tabel 13. Sedangkan Tabel 16 akan

memberikan interpretasi yang sama dengan tabel 14.

19

Selanjutnya empat figur berikut ini akan memperlihatkan transformasi kategori-

kategori pada baris dan kolom ke dalam kolom dengan masing-masing satu plot untuk

tiap dimensi (dalam hal ini ada 2 dimensi yang digunakan, sehingga ada 4 plot).

Figur 3. Transformasi Normal SimetrisKategori Wilayah untuk Dimensi 1

Figur 4. Transformasi Normal SimetrisKategori Wilayah untuk Dimensi 2

20

Figur 5. Transformasi Normal SimetrisKategori Pandangan Politik untuk Dimensi 1

Figur 6. Transformasi Normal SimetrisKategori Pandangan Politik untuk Dimensi 2

21

Dua figur berikut ini adalh uniplot untuk baris dan kolom. Perlu diperhatikan

bahwa aksis pada kedua plot sedikit berbeda, meskipun kedua plot didasarkan pada

normalisasi yang bersifat simetrik. Dalam hal ini normalisasinya tepatnya didasarkan

pada normalisasi baris dan normalisasi kolom.

Figur 7. Pemetaan Value of Variable Wilayah

22

Figur 8. Pemetaan Value of Variable Pandangan Politik

Jika kedua figur di halaman sebelum ini digabungkan, maka akan didapatkan figur

akhir yang memperlihatkan pemetaan karakteristik pandangan politik penduduk pada

keempat wilayah yang ada. Figur dimaksud ditampilkan di bawah ini.

Figur 9. Pemetaan Karakteristik (Value of Variables)

23

Dari figur tersebut dapat dilihat bahwa karakteristik pandangan politik penduduk

Netherlands yang bermukim di wilayah West pada umumnya adalah Liberal,

sementara yang bermukim di wilayah South pada umumnya adalah konservatif dan

cenderung ke konservatif (TEND-CONS). Untuk wilayah MidWest karakteristik

umum pandangan politik penduduknya adalah cenderung ke liberal (TEND-LIB),

sedangkan penduduk yang bermukim di wilayah Northeast berpandangan politik

moderat. Hal ini sesuai dengan profil baris dan profil kolom yang telah dipaparkan

sebelumnya.

24

BAB V

KESIMPULAN

Berdasarkan hasil analisis terdahulu dapat disimpulkan paling tidak dua hal utama

sebagai berikut:

1. Dari pengujian pola hubungan didapatkan hasil sebagai berikut:

a. Seluruh pengujian simetris menunjukkan hasil yang sangat signifikan

(dengan P-Value 0,000) kecuali untuk pengujian dengan Lambda hasilnya

tidak signifikan dengan P-Value 0,228 > 0,05 dan Asymp. Std Error 0,014

b. Pengujian asimetris, dimana variabel wilayah sebagai variabel

independent dan variabel pandangan politik sebagai variabel dependent,

dengan menggunakan uji Uncertainity Coefficient didapat hasil yang sama

bila pola hubungan diasumsikan simetris. Selain itu digunakan juga uji

Goodman & Kruskal Tau, dimana hasilnya sangat signifikan dengan P-

Value 0,000 dan Asymp. Std. Error sebesar 0,005

Dari pengujian kedua pola tersebut terlihat bahwa pola hubungan antara

variabel wilayah dan pandangan politik relatif berbentuk asimetrik (meskipun

pola simetrik juga dapat diterapkan meski terlihat ada inkonsistensi dalam

pengujian) dimana variabel pandangan politik menepati posisi sebagai variabel

dependent. Hal ini disimpulkan berdasarkan fakta bahwa hasil pengujiannya

bersifat konsisten pada semua uji.

Dengan demikian dapat dinyatakan bahwa pandangan politik penduduk yang

tinggal di wilayah tertentu akan dipengaruhi oleh karakteristik pandangan

politik (dari sebagian besar penduduk) pada wilayah tersebut.

2. Jika diteliti lebih lanjut (dalam hal ini dengan Analisis Korespondensi) terlihat

bahwa memang ada perbedaan pandangan politik pada penduduk yang tinggal

di wilayah tertentu. Hal ini terbutkir dengan hasil pemetaan yang

memperlihatkan bahwa:

a. Pandangan politik penduduk Netherlands yang bermukim di wilayah

West pada umumnya adalah Liberal

b. Ssementara yang bermukim di wilayah South pada umumnya adalah

konservatif dan cenderung ke konservatif (TEND-CONS).

25

c. Untuk wilayah MidWest karakteristik umum pandangan politik

penduduknya adalah cenderung ke liberal (TEND-LIB)

d. Sedangkan penduduk yang bermukim di wilayah Northeast

berpandangan politik moderat.

Hal ini juga sesuai dengan profil baris dan profil kolom yang telah dipaparkan

di bagian awal analisis korespondensi.

26

DAFTAR PUSTAKA

Benzecri, J., P., (1992), Correspondence Analysis Handbook, Marcel Dekker, Inc., New York

Johnson R., A., & Wichern, D., W., (2002) Applied Multivariate Statistical Analysis, Fifth edition, Prentice Hall, New Jersey

Latra, I., N., (1986), Analisis Hubungan, ITS, Surabaya

Lebart, L,Morineau, A, Warwicck, K.M. (1984), Multivariate Descriptive Statistically Analysis, John Wiley & Sons, New York.

N.,N., (2001), SPSS 10; Correspondence Analysis Output, Faculty of Social and Behavioral Sciences, Leiden University, Leiden-Netherland

27