Anda di halaman 1dari 31

BAB I

PENDAHULUAN

1. 1 Latar Belakang

Analisis korelasi kanonik ditemukan untuk mengidentifikasi dan mengukur

kumpulan antara dua himpunan dari variabel. Analisis korelasi kanonik fokus pada

korelasi antara sebuah kombinasi linear dari variabel dalam satu himpunan dan

kombinasi linear dari variabel dalam himpunan lainnya. Ide pertama adalah untuk

menentukan bagian dari kombinasi linear yang memiliki korelasi terbesar. Berikutnya,

kita menentukan bagian dari kombinasi linear yang memiliki korelasi terbesar diantara

semua bagian yang tidak berkorelasi dengan bagian yang dipilih di awal. Proses

berlanjut. Bagian dari kombinasi linear dinamakan variabel kanonik, dan korelasi yang

lainnya dinamakan korelasi kanonik.

Ada beberapa masalah penelitian yang melibatkan hubungan antara dua

kelompok variabel, misalnya hubungan antara sekelompok variabel kepribadian dan

sekelompok variabel kemampuan, hubungan antara indeks harga dan indeks produksi.

Disamping hubungan fungsional yang dinyatakan dengan persamaan regresi, ada juga

yang perlu dipersoalkan yaitu ukuran kuat lemahnya antara dua kelompok variabel.

Kajian tentang ukuran kuat lemahnya hubungan antara sekelompok variabel

peramal dan sekelompok variabel tanggapan dikenal sebagai Analisis Korelasi Kanonik.

Korelasi kanonik mengukur kekuatan kumpulan antara dua himpunan dari variabel.

Aspek terbesar dari suatu teknik merepresentasikan sebuah percobaan ke sebuah intisari

yang berdimensi tinggi dengan hubungan antara dua himpunan dari variabel ke dalam

sebuah bagian kecil dari variabel kanonik.

Analisis Korelasi Kanonik 1


Pada Analisis Regresi Linear, dicari kombinasi linear dari sekelompok variabel

peramal yang dipandang dapat paling baik menjelaskan variasi dan variabel-variabel

tanggapan. Sedangkan pada Analisis Korelasi Kanonik dicari kombinasi linear dari

variabel-variabel peramal dan kombinasi linear dari variabel-variabel tanggapan yang

bersifat bahwa koefisien korelasi momen hasil kali antara kedua kombinasi linear itu

mencapai nilai maksimum. Koefisien korelasi yang maksimum itu disebut koefisien

korelasi kanonik antara kedua kelompok variabel tersebut dan koefisien-koefisien dari

masing-masing variabel yang menghasilkan koefisien korelasi maksimum disebut

bobot-bobot kanonis.

Dalam makalah ini penulis mencoba untuk mengambil satu kasus sehingga judul

makalah yang diambil adalah ” PENENTUAN PASANGAN VARIASI KANONIK

SAMPEL DENGAN TEKNIK ANALISIS KORELASI KANONIK”.

1.2 Rumusan Masalah

Berdasarkan uraian dari latar belakang diatas, maka penulis merumuskan

petanyaan tentang bagaimana penentuan pasangan variasi kanonik sampel dengan

teknik analisis multivariat.

1.3 Tujuan Penulisan

Setiap kegiatan yang dilakukan oleh individu dan kelompok tidak terlepas dari

tujuan yang hendak dicapai. Demikian pula dengan penulisan makalah ini, dimana

penulisan makalah ini bertujuan untuk lebih memahami cara penentuan pasangan variasi

kanonik sampel dengan teknik analisis multivariat.

Analisis Korelasi Kanonik 2


1.4 Sistematika Penulisan

Penulisan makalah ini akan dikemas dalam sistematika penulisan sebagai

berikut:

BAB I : PENDAHULUAN

Bab ini membahas tentang latar belakang permasalahan yang akan

dibahas, rumusan masalah, tujuan penulisan, dan sistematika penulisan.

BAB II : ANALISIS KORELASI KANONIK

Bab ini membahas uraian tentang analisis korelasi kanonik beserta

formula-formula yang akan digunakan dalam pengolahan data dan

analisis pada bab selanjutnya.

BAB III : PENGOLAHAN DATA

Bab ini membahas perhitungan untuk menentukan pasangan variasi

kanonik sampel.

BAB IV : KESIMPULAN

Bab ini menjelaskan tentang kesimpulan dari keseluruhan perhitungan

dalam penulisan makalah ini.

Analisis Korelasi Kanonik 3


BAB II

ANALISIS KORELASI KANONIK

2.1 Variabel Kanonik dan Korelasi Kanonik

Kita akan tertarik dalam mengukur dari kumpulan antara dua kelompok variabel.

Kelompok pertama dari p variabel diwakili oleh (p x 1) vektor acak X (1). Kelompok

kedua dari q variabel diwakili oleh (q x 1) vektor acak X(2). Kita asumsi, dalam

pengembangan teoritis, bahwa X(1) mewakili himpunan yang lebih kecil, sehingga p ≤

q.

Misalkan untuk vektor acak X(1) dan X(2) :

E ( X ( 1) ) = µ ( 1) ; C o( Xv ( 1) ) = ∑ 11

E( X ) = µ ;
( 2) ( 2)
C o( Xv ) = ∑
( 2)
22 (2-1)
C o( Xv , X ) = ∑ 2 2 = ∑
( 1) ( 2) '
21

Vektor acaknya :

 X 1( 1) 
 ( 1) 
X2 
 
 
 X ( 1)   X p( 1) 
X =  ( 2)  =  ( 2)  (2-2)
(( p + q ) x1)
 X   X1 
( 2)
 X1 
 
 
( 2)
 X q 

Vektor rata-ratanya :

µ = E( X ) =  =
( )
 E X ( 1)   µ ( 1) 
( ( p + q ) x1)  E X ( )
( 2)   ( 2) 
 µ 
(2-3)

Analisis Korelasi Kanonik 4


Dan matriks kovariannya : ∑= E ( X
( p +q )( ( p +q ) )
− µ)( X − µ)'

 E ( X ( 1) − µ ( 1) ) ( X ( 1 ) − µ ( 1 ) ) ' E ( X ( 1 ) − µ ( 1 ) ) ( X ( 2 ) − µ ( 2 ) ) ' 
∑ =  ( 2) − µ ( 2 ) )( X (1) − µ (1) )' E ( X ( 2 ) − µ ( 2 ) )( X ( 2 ) − µ ( 2 ) )'
( p + q )( p + q )  E ( X
(2-4)

Kovarian antara pasangan variabel-variabel dari himpunan berbeda yaitu satu

variabel dari X(1), satu variabel dari X(2) yang termuat di Σ12 atau ekuivalen di Σ 21 . pq

elemen dari Σ12 mengukur kumpulan antara dua himpunan. Ketika p dan q relatif besar,

menginterpretasikan elemen dari Σ12 secara bersamaan biasanya adalah percuma. Selain

itu, sering bahwa kombinasi linear dari variabel itu menarik dan berguna untuk

memprediksi atau membandingkan tujuan. Tugas pokok dari analisis korelasi kanonik

adalah meringkaskan kumpulan antara himpunan X(1) dan X(2) dalam syarat-syarat yang

sedikit berhati-hati memilih kovarian (atau korelasi) daripada kovarian pq di Σ12 .

Kombinasi linear menyediakan ringkasan sederhana mengukur suatu himpunan dari

variabel. Himpunan

U = a ' X ( 1)
dan (2-5)
( 2)
V = b' X

Untuk beberapa bagian dari koefisien vektor a dan b. Dengan menggunakan (2-5) dan

kombinasi linear Z = CX dimana,

µZ = E ( Z ) = E ( CX ) = Cµ X
∑ Z = Cov ( Z ) = Cov ( CX ) = C ∑ X C '

Sehingga,

Analisis Korelasi Kanonik 5


Var (U ) = a ' Cov ( X (1) )a = a ' ∑ 11 a
Var (V ) = b' Cov ( X (1) )b = b' ∑ 22 b (2-6)
Cov (U , V ) = a ' Cov ( X (1) , X ( 2 ) )b = a ' ∑ 12 b

Kemudian dapat dicari koefisien vektor a dan b sedemikian sehingga,

a ' ∑12 b
Corr (U , V ) = (2-7)
a ' ∑11 a b' ∑ 22 b

sebisa mungkin bernilai besar.

Definisi:

Bagian pertama pasangan dari variabel kanonik adalah bagian dari kombinasi

linear U1, V1 yang mempunyai unit variansi, yang memaksimalkan korelasi (2-7);

Bagian kedua dari variabel kanonik adalah bagian dari kombinasi linear U2, V2 yang

mempunyai unit variansi, yang memaksimalkan korelasi (2-7) diantara semua

pilihan yang tidak berkorelasi dengan bagian pertama dari variabel kanonik.

Pada langkah ke-k:

Bagian ke-k pasangan dari variabel kanonik adalah bagian dari kombinasi linear Uk,

Vk yang mempunyai unit variansi, yang memaksimalkan korelasi (2-7) diantara

semua pilihan yang tidak berkorelasi dengan bagian k-1 sebelumnya dari pasangan

variabel kanonik.

Korelasi antara bagian ke-k dari variabel kanonik dinamakan korelasi kanonik ke-k.

Akibat 2.1. Misalkan p ≤ q dan vektor acak X(1) dan X(2) mempunyai,

(
Cov X (1) = ) ∑ 11 ( ) ∑
, Cov X ( 2 ) = 22 ( ) ∑
dan Cov X ( 1) , X ( 2 ) = 12 dimana ∑
( )
pxp ( )
qxq ( ) pxq

Analisis Korelasi Kanonik 6


mempunyai rank lengkap. Untuk koefisien vector a dan b , bentuk kombinasi
( px 1)( qx 1)

linear U = a’X(1) dan V = b’X(2). Maka max Corr (U , V ) = ρ1∗ diperoleh dengan
a ,b

kombinasi linear (variabel kanonik bagian pertama).

U 1 = e1' ∑ 11
−1 / 2
X (1) dan V1 = f1' ∑ −221 / 2 X ( 2 ) ,

Bagian ke-k dari variabel kanonik, k = 2, 3, ..., p, U k = ek ∑ 11 X


' −1 / 2 ( 1)
dan

Vk = f k' ∑ −221/ 2 X ( 2 ) memaksimumkan Corr (U k ,Vk ) = ρ k∗ diantara kombinasi linear

yang tidak berkorelasi dengan variabel kanonik 1, 2, ..., k-1 sebelumnya.

ρ1∗2 ≥ ρ2∗2 ≥ ... ≥ ρ ∗p2 adalah nilai eigen dari ∑ −1 / 2


11 ∑ ∑ ∑ ∑
12
−1
22 21
−1 / 2
11 dan

adalah vektor eigen (p x 1). (Jumlah ρ1 ≥ ρ 2 ≥ ... ≥ ρ p juga nilai eigen


∗2 ∗2 ∗2
e1 , e 2 ,..., e p

p paling besar dari matriks ∑ −1 / 2


11 ∑ ∑ ∑ ∑
12
−1
22 21
−1 / 2
11 yang bersesuaian dengan

vektor eigen (q x 1), f1,f2, ..., fp. Tiap fi adalah proporsi untuk

∑ −1 / 2
11 ∑ ∑ ∑ ∑
12
−1
22 21
−1 / 2
11 ei ). Variasi kanonik mempunyai sifat sebagai berikut:

V a r( U k ) = V a r( Vk ) = 1
C o v( U k ,U l ) = C o rr( U k ,U l ) = 0 k≠l
C o v( Vk ,Vl ) = C o rr( Vk ,Vl ) = 0 k≠l
C o v( U k ,Vl ) = C o rr( U k ,Vl ) = 0 k≠l

untuk k, l = 1, 2, ..., p.

Jika variabel awal distandardisasikan dengan Z (1) = Z 1(1) , Z 2(1) ,..., Z (p1) [ ] '
dan

[ ]
Z ( 2 ) = Z 1( 2 ) , Z 2( 2 ) ,..., Z q( 2 ) maka variabel kanonik berbentuk:
'

U k = a k' Z (1) = ek' ρ11−1 / 2 Z (1)


(2-8)
Vk = bk' Z ( 2 ) = f k' ρ 22
−1 / 2
Z ( 2)

Analisis Korelasi Kanonik 7


( ) ( ) ( )
Disini Cov Z ( 1) = ρ 11 , Cov Z ( 2 ) = ρ 22 , Cov Z ( 1) , Z ( 2 ) = ρ 12 = ρ 21 dan e k dan fk adalah

vektor-vektor eigen dari ρ11−1 / 2 ρ12 ρ22


−1
ρ21 ρ11−1 / 2 dan ρ 22−1 / 2 ρ 21 ρ11−1 ρ12 ρ 22−1 / 2 secara berurut.

Korelasi kanonik ρ k memenuhi,


Corr (U k , Vk ) = ρ k∗ , dimana k = 1,2,..., p (2-9)

dan ρ1 ≥ ρ2 ≥ ... ≥ ρ p adalah vektor eigen tak nol dari matriks ρ11−1 / 2 ρ12 ρ22 ρ21 ρ11−1 / 2
∗2 ∗2 ∗2 −1

atau matriks ρ 22
−1 / 2
ρ 21 ρ11−1 ρ12 ρ 22−1 / 2 .

2. 2 Menginterpretasikan Populasi Variabel Kanonik

Variabel kanonik secara umumnya artifisal. Jika variabel awal X(1) dan X(2)

digunakan, koefisien kanonik a dan b mempunyai unit proporsi dari himpunan X (1) dan

X(2). Jika variabel awal yang distandardisasikan mempunyai rata-rata nol dan unit

varians, maka koefisien kanonik tidak mempunyai unit dari pengukuran, dan pasti

diinterpretasikan ke dalam bentuk variabel yang distandarkan.

2.2.1 Mengidentifikasi Varibel Kanonik

Walaupun variabel kanonik artifisal, variabel kanonik dapat diidentifikasi dalam

bentuk variabel pokok. Identifikasi sering dibantu dengan menghitung korelasi antara

variabel kanonik dan variabel awal.

Misalkan A = [a1, a2, ..., ap]’ dan B = [b1, b2, ..., bp]’, sehingga vektor dari

variabel kanonik adalah ( U = AX ( 1) dan V = BX ( 2 ) (2-10)


px1) ( qx1)

dimana kita awalnya tertarik di variabel kanonik pertama p di V. Maka,

Analisis Korelasi Kanonik 8


( ) (
Cov U , X (1) = Cov AX ( 1) , X (1) = A∑ 11 ) (2-11)

Karena Var (U i ) = 1, Corr U i , X k( 1) ( ) diperoleh dengan membagi

(
Cov U , X (1) oleh ) (
var X k(1) = σ kk
1/ 2
)
. Secara ekuivalen,

Corr(U i , X k( 1) ) = Cov( (U i , σ kk−1 / 2 X k( 1) ) .

Pendahuluan (p x p) diagonal matriks V11−1 / 2 elemen diagonal ke-k σkk−1 / 2 dalam

bentuk matriks,

ρU , X ( 1) = Corr (U , X (1) ) = Cov (U , V11−1 / 2 X (1) ) = Cov ( AX (1) , V11−1 / 2 X (1) ) = A∑ 11V11−1 / 2
( pxp )

Perhitungan yang sama untuk bagian (U , X ( 2 ) ), (V , X ( 2 ) ), dan (V , X (1) ) menghasilkan

ρ U , X ( 1) = A∑ 11V11−1 / 2 , ρ U , X ( 1) = B ∑ 22 V22−1 / 2 ,
( pxp ) qxq
(2-12)
ρ U , X ( 1) = A∑ 12 V −1 / 2
22 , ρ U , X ( 1) = B ∑ 21V11−1 / 2 ,
( pxq ) ( qxp)

dimana V22−1 / 2 adalah matriks diagonal (q x q) dengan elemen ke-i ( )


var X i( 2 ) .

Variabel kanonik diturunkan dari variabel standard terkadang diinterpretasikan dengan

menghitung korelasi.

ρ U ,Z ( 1) = AZ ρ 1 1 ρ V , Z ( 2 ) = BZ ρ 2 2
(2-13)
ρ U ,Z ( 2 ) = AZ ρ 1 2 ρ V , Z ( 1) = BZ ρ 2 1

dimana ( A Z dan B Z adalah matriks yang barisnya memuat koefisien kanonik untuk
pxp ) ( qxq )

himpunan Z(1) dan Z(2) secara berurut. Korelasi pada matriks yang ditunjukkan (2-13)

Analisis Korelasi Kanonik 9


mempunyai nilai numerik sama dengan yang dimunculkan (2-12), yakni

ρU , X ( ) = ρU , Z ( ) dan seterusnya. Mengikuti ini,


1 1

ρU , X ( ) = A∑ 11 V11−1 / 2 = AV111 / 2V11−1 / 2 ∑ 11 V11−1 / 2 =AZ ρ11 = ρU , Z ( )


1 1 korelasi tidak

dipengaruhi oleh standaridisasi.

2.2.2 Korelasi Kanonik Sebagai Generalisasi Dari Koefisien Korelasi Lainnya

Pertama-tama, koefisien korelasi menyamaratakan korelasi antara dua variabel.

Ketika X(1) dan X(2) masing-masing terdiri dari variabel tunggal, sehingga p = q = 1,

Corr ( Χ1(1) , Χ12 ) = Corr ( aΧ1(1) , bΧ12 ) untuk semua a, b. Oleh karena itu variasi kanonik

U 1 = Χ1( 1) dan V1 = Χ1( 2 ) memiliki korelasi ρ1 Corr ( Χ1 , Χ1 ) ketika X(1) dan X(2)
∗ ( 1) 2

memiliki komponen lebih, kondisi a ' =[0,..., 0,1,0,..., 0] dengan 1 pada posisi ke-i dan

b' =[0,..., 0,1,0,..., 0] dengan 1 pada posisi ke-i menghasilkan,

( ) ( ) (
Corr Χ i(1) , Χ 2k = Corr a' Χ1(1) , b' Χ12 ≤ max Corr a' Χ1(1) , b' Χ12 = ρ1∗
a ,b
) (2-

14)

yaitu bahwa korelasi kanonik yang pertama lebih besar dari harga mutlak semua elemen

dalam ρ12 = V11 ∑12 V22 .


−1 / 2 −1 / 2

Kedua, perkalian koefisien korelasi ρ1( X ( ) ) adalah persoalan khusus dari


2

korelasi kanonik ketika X(1) memiliki elemen tunggal X 2(1) (p=1), menimbulkan

ρ1( X ( 2 ) ) = max corrX 1(1) , b' X ( 2 ) = ρ1∗ , untuk p=1 (2-15)


b

Analisis Korelasi Kanonik 10


(1 )
Ketika p > 1, ρ1∗ lebih besar dari setiap korelasi perkalian Χi dengan X(2) atau

korelasi perkalian Χ1( 2 ) dengan X(1). Akibatnya,

ρ U ( X ( ) ) = max Corr (U k , b' Χ ( 2 ) ) = Corr (U k ,Vk ) = ρ k∗ , k = 1,2,..., p


2 (2-
k b

16)

yaitu bahwa korelasi kanonik juga merupakan perkalian koefisien korelasi dari Uk

dengan X(2) atau perkalian koefisien korelasi Vk dengan X(1).

Karena interpretasi dari perkalian koefisien korelasi, korelasi kanonik ke-k

kuadrat, ρk∗2 , adalah sebanding dengan varians dari variasi kanonik Uk yang dijelaskan

oleh himpunan X(2) dan juga sebanding dengan varians dari variasi kanonik Vk yang

dijelaskan oleh himpunan X(1). Oleh karena itu, ρk∗2 seringkali dinamakan varians

bersama antara dua himpunan X(1) dan X(2). Untuk nilai yang semakin besar, ρk∗2 ,

kadang-kadang dianggap sebagai ukuran dari himpunan yang overlap (tumpang tindih).

2.2.3 Variabel Kanonik r yang Pertama Sebagai Variabel Kesimpulan

Perubahan koordinat dari X ( 1) ke U = AX (1) dan dari X ( 2 ) ke V = BX ( 2 )

dilakukan untuk memaksimalkan Corr (U 1 ,V1 ) dan berturut-turut Corr (U i , Vi )

dimana (Ui, Vi) memiliki korelasi nol dengan pasangan (Ui, Vi), (U2, V2), ..., (Ui-1, Vi-1).

Korelasi antara himpunan X(1) dan X(2) telah dimasukkan kedalam pasangan variabel

kanonik.

Dengan model, vektor koefisien ai, bi dipilih untuk memaksimumkan korelasi,

tidak perlu menampilkan variabel penaksir himpunan bagian dari kovarian ∑ 11 dan

Analisis Korelasi Kanonik 11


∑ 22 . Ketika beberapa pasangan dari variabel kanonik yang pertama memberikan

kesimpulan yang kecil dari variabilitas dalam ∑ 11 dan ∑ 22 , maka tidaklah jelas

bagaimana korelasi kanonik dapat diinterpretasikan.

2.2.4 Interpretasi Geometrik dari Analisis Korelasi Kanonik Populasi

Interpretasi geometrik dari prosedur pemilihan variabel kanonik memberrikan

pengetahuan yang berharga kedalam sifat analisis korelasi kanonik. Transformasi

U = AX ( 1)

dari X (1) ke U memberikan Cov (U ) = A∑11 A' = I .

Dari 2.1 dan A = E ∑11


−1 / 2
'
=E ' P1 A1−1 / 2 P1' dimana E ' adalah matriks orrthogonal

dengan baris ei' dan ∑ =P A P


11 1 1 1
'
. Sekarang P1' Χ(1) adalah himpunan dari

komponen utama yang berasal dari X(1) saja. Matriks A1−1 / 2 P1' Χ(1) memiliki ke-i baris

1
Pi ' Χ(1) , yang komponen utama ke-i nya ditetapkan memiliki varians I. Yaitu
λi

( )
Cov A1−1 / 2 P1' Χ(1) = A1−1 / 2 P1' ∑11 P1 A1−1 / 2 = A1−1 / 2 P1' P1 A1 P1' P1 A1−1 / 2 = A1−1 / 2 A1 A1−1 / 2 = 1

Akibatnya, U = AX(1) = E ' P1 A1−1 / 2 P1' Χ(1) dapat diinterpretasikan sebagai:

1. Transformasi dari X(1) ke komponen utama standar yang tidak berkorelasi,

2. Rotasi orrthogonal P1 yang ditentukan oleh ∑ 11 , dan

3. Rotasi E’ yang ditentukan dari matriks kovarian penuh ∑.

Analisis Korelasi Kanonik 12


Interpretasi serupa berlaku untuk V = BX ( 2 ) .

2.3 Variasi Kanonik Sampel Dan Korelasi Kanonik Sampel

Sampel acak dari n observasi pada masing-masing variabel dari (p + q) variabel

X(1), X(2) dapat digabungkan kedalam ((p + q) x n) data matriks

 x11( 1) x12( 1)  x1( 1n) 


 ( 1) ( 1) 
 x 21 x 22  x 2( 1n) 
    
 
 Χ ( 1)   x (p11) x (p12)  x (pn1)   x (j1) 
Χ =  ( 2)  =  ( 2) = [ x , x ,..., x ]
n dimana x =  ( 2)  (2-17)
x12( 2 )  x1( n2 ) 
1 2 j
 Χ   x11   x j 
( 2) ( 2) ( 2)
 x 21 x 22  x2n 
    
 
 x (p21) x (p22) ( 2)
 x pn 

Adapun vektor rata-rata sampelnya adalah

 x ( 1)  ( 1) 1 n
( 2) 1 n ( 2)
x
( p +q ) x1
=  ( 2 )  dimana x =
 n
∑ x (j1) dan x = ∑xj
n j =1
(2-18)
x   j =1

Analisis Korelasi Kanonik 13


 S11  S12 
( pxp ) ( pxq ) 
Dan matriks kovarian sampel dapat ditulis S =   dimana
( p +q ) x ( p+q )  
 S 21  S 22 
 ( qxp ) ( qxq ) 

S kl =
1 n (k)
∑ j
n − 1 j =1
(x − x
(k)
x j )(
(l)
− x
(l) '
, ) k,l = 1, 2 (2-19)

∧ ∧' ∧ ∧'
Kombinasi linear U = a x ( 1) , V = b x ( 2 ) (2-20)

∧' ∧
a S12 b
memiliki korelasi sampel r∧ ∧ = (2-21)
U ,V ∧' ∧ ∧' ∧
a S12 a b S12 b


Pasangan pertama dari variasi kanonik sampel dalam kombinasi linear U 1 dan


V 1 memiliki unit varian sampel yang memaksimumkan rasio (2-21). Pada umumnya,


ke-k pasangan variasi kanonik sampel adalah pasangan dari kombinasi linear U k dan


V k yang memiliki unit varian sampel yang memaksimumkan (2-21) diantara

kombinasi linear yang tidak berkorelasi dengan k-1 variasi kanonik sampel yang

sebelumnya.

∧ ∧
Korelasi sampel antara U k dan V k dinamakan korelasi kanonik sampel.

Variasi sampel kanonik dan korelasi kanonik sampel dapat diperoleh dari matriks

kovarian sampel S11, S12 = S21’, dan S22 dengan cara yang bersesuaian dengan persoalan

yang dibahas dalam 2.1.

Analisis Korelasi Kanonik 14


Akibat 2.2. Misalkan ρ1∗2 ≥ ρ2∗2 ≥ ... ≥ ρ ∗p2 adalah p order nilai eigen dari

∧ ∧ ∧
S11−1 / 2 S12 S 22
−1
S 21 S11−1 / 2 vektor eigen yang berkoresponden dengan e1, e 2 ,..., e p

∧ ∧ ∧
dimana S kl didefinisikan pada (2-19) dan p ≤ q. Misalkan f 1 , f 2 ,...., f q
menjadi

−1 / 2 ∧
vektor eigen dari S 22 S 21 S11−1 S12 S 22
−1 / 2
dimana p yang pertama f ' s diperoleh dari

 
∧  1  −1 / 2 −1 / 2

f k = ∗ S 22 S 21 S11 S e k , k =1,2,..., p. Pasangan variasi kanonik sampel ke-k

ρ 
 k 

∧ ∧' ∧ ∧
U k = e k S x dan V k = f k' S 22−1 / 2 x ( 2 )
−1 / 2 ( 1)
adalah  11
    dimana x(1) dan x(2) adalah nilai variabel
∧' ∧'
ak bk

dari X(1) dan X(2) untuk unit ekperimen khusus. Variasi kanonik sampel pertama

∧∗ ∧∗
mempunyai korelasi sampel maksimum r ∧ ∧ = ρ 1 . Untuk pasangan ke-k r ∧ ∧ = ρk
U 1 ,V 1 U k ,V k

dan korelasi ini merupakan kemungkinan terbesar diantara kombinasi linear yang tidak

∧∗ ∧∗ ∧∗
berkorelasi dengan k-1 variasi kanonik sampel sebelumnya. Jumlah ρ1 , ρ 2 ,..., ρ p

adalah korelasi kanonik sampel. Jika p > rank ( S12 ) = p1 , maka korelasi kanonik

∧∗ ∧∗ ∧∗
sampel tak nol adalah ρ1 , ρ2 ,..., ρ p1 .

Analisis Korelasi Kanonik 15


Jika observasi distandardisasikan, maka data matriks menjadi

 Z ( 1)   z (j1) 
Z =  ( 2 )  = [ z1 , z 2 ,..., z n ] dengan z j =  ( 2 )  dan variasi kanonik sampel menjadi :
Z   z j 

∧ ∧ ∧ ∧
U = A z z ( 1) ; V = B z z ( 2) (2-22)
( p x1) ( q x1)

∧ ∧ ∧ ∧
dimana A z = A D11
1/ 2
dan B z = B D22
1/ 2
. Korelasi kanonik sampel tidak efektif dengan

standardisasi. Sebagai catatan bahwa D11−1 / 2 = D22−1 / 2 = I untuk observasi standard.

2.4 Ukuran Deskripsi Penambahan Sampel

Jika variasi kanonik memberikan kesimpulan yang bagus dari masing-masing

himpunan variabel, maka persekutuan antara variabel-variabel dapat digambarkan

dalam bagian variasi kanonik dan korelasinya. Ini berguna untuk mendapatkan ukuran

kesimpulan dari tingkat dimana variasi kanonik menginformasikan untuk masing-

masing himpunan. Dan juga berguna ketika menghitung proporsi varian dalam suatu

himpunan variabel yang dijelaskan oleh variasi kanonik dari himpunan lain.

2.4.1 Penaksiran dari Matriks Kesalahan

Analisis Korelasi Kanonik 16


^ ( i)
' '
∧ ∧ ∧
 ∧ ∧
∧ ∧ ∧

Diberikan matriks A = a 1 , a 2 ,..., a p  ; B = b1 , b 2 ,..., b q  . Misalkan
( pxp )   ( qxq )   a

^ ( i) ^ −1 ^ −1 ^ ^
( 1)
U = Ax
dan menotasikan ke-i kolom dari dan berturut-turut. Karena dan
b A B

^ ^
( 2) maka,
V = Bx
∧ −1 ∧ ∧ −1 ∧
( 1) ( 2)
x = A U ; x = B V (2-23)
( p x1) ( p x p) ( p x1) ( q x1) ( q x q) ( q x1)

^ ^ ^' ^ ^ ^'
 ^^ ^ ^
  
Karena sampel C  U,V = AoS1 B 2 v C  U = oSA 1 A 1=v I
, sampel dan sampel
C  V  = oSB 2 B 2=v I
   (p ) x p   (q ) x q
∧∗ 
ρ 1 0   0
∧ −1   ∧ −1
∧∗
∧ ∗ ∧ ( 1) ∧ ( 1) ' ∧ ∗ ∧ ( 2) ∧ ( 2) ' ∧ ∗ ∧ ( p) ∧ ( p)'
S12 = A  0 ρ  0 0  B  = ρ a b + ρ a b + ... + ρ a b (2-24)
  
2
  1 2 p
   
 ∧∗ 
0 0  ρ p 

'
∧ (1) ∧ (1) ∧ ( 2 ) ∧( 2 ) ∧ ( p ) ∧( p )
' ' '
 ∧ −1  ∧ −1 
S11 =
 A 
 A 
 = a a +a a +... + a a
  

Analisis Korelasi Kanonik 17


'
∧(1) ∧(1) ∧( 2 ) ∧( 2 ) ∧( p ) ∧( p )
' ' '
 ∧ −1  ∧ −1 
S 22 =  
B B  =b b +b b +... +b b
  



Karena ∧
dan U memiliki kovarians sampel I , r kolom petama dari
( 1) −1
x =A U

∧ −1 ∧ ∧ ∧
A memuat kovarian sampel dari r variasi kanonik pertama U 1 , U 2 ,..., U r dengan

( 1) ( 1) (1 ) ∧ −1
variabel komponennya X 1 , X 2 ,..., X p . Demikian pula r kolom pertama dari B

∧ ∧ ∧
memuat kovarian sampel V 1 , V 2 ,..., V r dengan variabel komponennya. Jika pasangan

r kanonik pertama digunakan maka dimisalkan,

 ∧  ∧
 U∧ 1   V∧1 
( 1)  ∧ ( 1) ∧ ( 2 ) ∧( r) 
 U2  ( 2 )  ∧ ( 1) ∧ ( 2) ∧ ( r)  

x =  a a  a   dan x =  b b  b  V 2  (2-25)
      
 ∧
∧
U r   Vr 

sehingga S12 diperkirakan Cov x , x ( (1) ( 2)


).
Selanjutnya, penaksiran untuk matriks kesalahannya adalah

∧(1) ∧(1) ' ∧( 2 ) ∧( 2 )


'
∧( r ) ∧( r )
'
 ∧( r +1) ∧r +(1) ' ∧( p ) ∧( p )
'

S11 −a a +a a +... +a a =a a +... +a a


 
 

∧(1) ∧(1) ' ∧( 2 ) ∧( 2 )


'
∧( r ) ∧( r )
'
 ∧( r +1) ∧( r +1) ' ∧( q ) ∧( q )
'

S 22 −b b +b b +... +b b =b b +... +b b (2-26)


 
 

 ∧ ∗ ∧(1) ∧(1)' ∧ ∗ ∧( 2 ) ∧( 2 )
'
∧ ∗ ∧( r ) ∧( r )
'
 ∧∗ ∧( r +1) ∧( r +1)' ∧ ∗ ∧( p ) ∧( p )
'

S 12 −ρ1 a b +ρ2 a b +... +ρr a b  =ρ


1 a b +... +ρp a b
  r+
 

Penaksir matriks kesalahan (2-26) dapat diinterpretasikan sebagai kesimpulan

dari gambaran seberapa baik r variasi kanonik sampel yang pertama menghasilkan

matriks kovarian sampel. Pola entry yang terbesar dalam baris atau kolom dari

Analisis Korelasi Kanonik 18


penaksiran matriks kesalahan menandakan hal yang kurang baik terhadap variabel

koresponding.

Biasanya r variasi yang pertama melakukan kerja yang baik untuk menghasilkan

elemen dari S12 = S’12 daripada elemen dari S11 atau S22. Secara matematis, ini terjadi

karena matriks sisa pada persoalan yang lalu secara langsung berhubungan dengan p – r

korelasi sampel kanonik terkecil. Korelasi ini biasanya tertutup terhadap nol. Disisi lain,

matriks sisa bersesuaian dengan penaksiran matriks S11 dan S22 hanya bergantung pada p

– r yang sebelumnya dan q – r vektor koefisien. Elemen-elemen dalam vektor ini relatif

besar, dan karena itu matriks sisa memiliki entry yang besar.

2.4.2 Proporsi dari Varian Sampel yang Diketahui

Ketika observasi distandardisasi, matriks kovarian Skl merupakan matriks

∧ ∧
korelasi Rkl. Vektor koefisien kanonik merupakan baris dari matriks A z dan B z serta

∧ −1 ∧ −1
kolom A z dan B z yang merupakan korelasi sampel antara variasi kanonik dan

variabel komponennya. Khususnya,

 ∧
  ∧ −1 ∧ ∧  ∧ −1
sampel Cov z (1) , U  = sampel Cov 
A z U , U 
 = AZ dan
   

 ∧
  ∧ −1 ∧ ∧  ∧ −1
sampel Cov z ( 2 ) , V  = sampel Cov 
B z V , V 
 =B Z
   

Analisis Korelasi Kanonik 19


 r∧ ( 1 ) r∧  r∧ 
U 2 , x1( 1 ) U p ,x1( 1 )
 U 1,x1 
∧ −1  ∧ ( 1) ∧ ( 2 ) ∧ ( p )   rU∧ 1,x( 1) r∧
U 2 , x2( 1 )
 r∧ 
U p ,x2( 1 )
A Z =  a z , a z ,...,a z  =  2 
       
 r∧ r∧  r∧ 
 U 1,x(p1) U 2 , x(p1 ) U p ,x(p1 ) 

 r∧ ( 2 ) r∧  r∧ 
V 2 , x1( 2 ) V q , x1( 2 )
 V 1, x1 
∧ −1  ∧ ( 1) ∧ ( 2 ) ∧ ( q )   r∧ ( 2 ) r∧  r∧ 
V 2 , x 2( 2 ) V q , x2( 2 )
B Z =  b z , b z ,...,b z  =  V 1, x 2  (2-27)
       
 r∧ r∧  r∧ 
 V 1, xq( 2 ) V 2 , x q( 2 ) V q , xq( 2 ) 

dimana rU∧ i , x ( 1) dan rV∧ i , x ( 2 ) adalah koefisien korelasi sampel antara elemen yang ditulis.
k k

Dengan menggunakan (2-24) dan observasi standar, maka

Total varian sampel standar dalam himpunan pertama

∧(1) ∧(1)
'
∧( 2 ) ∧( 2 )
'
∧( p ) ∧( p )
'

=tr ( R11 ) =tr az az +a z az +... +a z az = p
 
 

Total varian sampel standar dalam himpunan kedua

∧(1) ∧(1)
'
∧( 2 ) ∧( 2 )
'
∧( q ) ∧( q )
'

=tr ( R22 ) =tr bz b z +b z bz +... +b z bz =q
(2-28)
 
 

∧ −1 ∧ −1
Karena korelasi dalam r < p kolom pertama dari A z dan B z hanya melibatkan

∧ ∧ ∧ ∧ ∧ ∧
variasi kanonik sampel U 1 , U 2 ,..., U r dan V 1 , V 2 ,..., V r berturut-turur, kita

definisikan kontribusi dari r variasi kanonik yang pertama terhadap total varians sampel

Analisis Korelasi Kanonik 20


 ∧ ( 1) ∧ ( 1) ' ∧ ( 2 ) ∧ ( 2 ) ' ∧ ( p) ∧ ( p) 
' r p

standar sebagai tr ( R11 ) = tr  a z a z + a z a z + ... + a z a z  = ∑∑r ∧2 dan


  i =1 k =1 U i , xk( 1 )
 

 ∧ ( 1) ∧ ( 1) ' ∧ ( 2 ) ∧ ( 2 ) ' ∧( q ) ∧( q ) 
'
r p
tr ( R22 ) = tr b z b z + b z b z +... + b z b z  = ∑∑r∧2 ( 2 ) .
  i =1 k =1 V i , xk
 

Proporsi dari total varian sampel standar dijelaskan dengan r variasi kanonik yang

pertama menjadi:

 p r o dp aot or ivst aia l rs iaa mns t pa end lda lah ari m p ue rn t a nm a


R2( 1) ∧ ∧ = ∧ ∧ ∧

 y a dn i gj e loa l sUe 1k,hU a2 , .nU. .r , 

z U 1 ,U 2 , . U. .r ,
 
 ∧ ( 1) ∧ ( 1) ' ∧ ( r ) ∧ ( r ) '  r p
t r a z a z + . .+ .a z a z  r∧2
  ∑ ∑ U i ,z( 1)
=   = i= 1 k = 1 k
t (rR1 )1 p
dan

Analisis Korelasi Kanonik 21


 p r o dp aot orr ivst aia l rs iaa mns t pa end lda lah ari m p ue rn t a nm a
R2( 2) ∧ ∧ = ∧ ∧ ∧

 y a dn i gj e loa l sVe1k,Vh 2a, .nV. .r , 

z V 1 ,V 2 , . V. .r ,
 
 ∧ ( 1) ∧ ( 1) ' ∧ ( r ) ∧ ( r ) '  r q
t rb z b z + . .+ .b z bz  r 2
  ∑ ∑ V∧ i,z( 1)
=   = i= 1 k = 1 k
t (rR2 )2 q
(2-29)

Ukuran deskripsi diatas memberikan petunjuk seberapa baik variasi kanonik

menggambarkan masing-masing himpunannya yang memberikan deskripsi nilai tunggal

dari matriks kesalahannya, terutama

1  ∧ (1 ) ∧ (1 ) ∧(r) ∧(r) 
' '

tr  R11 − a z a z −... − a z a z  =1 − R 2( 1)
p  
∧ ∧ ∧
z U 1 ,U 2 ,..., U r
 

1  ∧ ( 1) ∧ ( 1 ) ∧( r ) ∧( r ) 
' '

tr  R22 − b z b z +... + b z b z  =1 − R 2( 2 )
q   ∧ ∧ ∧
z V 1 ,V 2 ,..., V r
 

berdasarkan (2-28) dan (2-29).

2.5 Kesimpulan Sampel Besar

Ketika ∑12 = 0 maka a’X(1) dan b’X(2) memiliki kovarians a’∑12b = 0 untuk

semua vektor a dan b. Akibatnya semua korelasi kanonik haruslah nol sehingga analisis

kanonik tidak diteruskan lagi. Hasil selanjutnya memberikan cara untuk menguji ∑12 = 0

untuk sampel besar.

Analisis Korelasi Kanonik 22


 X (j1) 
Misalkan: X j =  ( 2 )  , j = 1,2,...,n merupakan sampel acak dari populasi N(p+q)(μ, ∑)
 X j 

 ∑ 11  ∑( 
 ( pxp ) 12
pxq )
dengan ∑ =    
 
∑ 21  ∑ 22 
 ( qxp ) ( qxq ) 

Tes rasio likelihood dari H0 : ∑12 = 0 melawan H1 : ∑12 ≠ 0 menolak H0 untuk


( pxq ) ( pxq )

 S11 S 22  p
 ∧ ∗2 
nilai yang besar dari − 2 ln Λ = n ln   = −n ln ∏1 - ρ i  (2-30) dimana
S   
  i =1  

 S11  S12 
( pxp ) ( pxq ) 
S =    adalah estimator tak bias dari ∑ . Untuk n yang besar, tes
( p +q ) x ( p+q )  
 S 21  S 22 
 ( qxp ) ( qxq ) 

statistik (2-30) mendekati variabel acak yang berdistribusi Chi-kuadrat ( χ 2 ) .

BAB III

PENGOLAHAN DATA DAN ANALISIS

Analisis Korelasi Kanonik 23


3.1 Contoh Kasus

Dalam sebuah sekolah dasar terdapat beberapa siswa yang diukur kemampuan

membaca dan berhitungnya. Dengan X 1( 1) = Kecepatan Membaca

X 2( 1) = Kekuatan Membaca

X 1( 2 ) = Kecepatan Berhitung

X 2( 2 ) = Kekuatan Membaca , sehingga bentuk

matriks korelasi sampelnya seperti dibawah ini:

8,00 2,00 3,00 1,00 


R R12  2,00 5,00 −1,00 3,00 
R =  11 = 
R21 R22 
 3,00 −1,00 6,00 − 2,00 
 
1,00 3,00 − 2,00 7,00 

3.2 Pengolahan Data

Korelasi kanonik sample dan variasi kanonik sampel dijabarkan dalam

perhitungan berikut ini:

8,00 2,00 
• i) R11 = 
2,00 5,00 

ii) R11 − Iλ = 0

8,00 2,00  1 0
2,00 − λ =0
 5,00 
 0 1

8,00 − λ 2,00
=0
2,00 5,00 − λ
(8,00 − λ)( 5,00 − λ) − ( 2,00 ) 2 =0
λ −13 ,00 λ + 36 ,00 = 0
2

λ1 = 9,00 dan λ2 = 4,00

iii) Untuk λ1 = 9,00

Analisis Korelasi Kanonik 24


8,00 2,00 e11   e11 
2,00 5,00  e  = 9,00e 
   12   12 
8,00e11 + 2,00e12 = 9,00e11
2,00e11 + 5,00e12 = 9,00e11
2,00e12 = e11 
 misal : e11 = 1,00, maka e12 = 0,50
2,00e11 = 4e12 

0,89 
Jadi, e1 =  
0,45 

Untuk λ2 = 4,00

8,00 2,00  e21   e21 


2,00 5,00  e  = 4,00e 
   22   22 
8,00e21 + 2,00e22 = 4,00e21
2,00e21 + 5,00e22 = 4,00e21
4,00e21 = −2e22 
 misal : e22 = 1,00, maka e21 = −0,50
e22 = −2e21 

− 0,45 
Jadi, e2 =  
 0,89 

k
iv)
1/ 2
R11 = ∑ λi ei ei'
i =1

k
1
R11−1 / 2 =∑ ei ei'
i =1 λi
1 1
= e1e1' + e2 e2'
λ1 λ2
1 0,89  1 − 0,45
= 0,45[ 0,89 0,45] +  [ − 0,45 0,89]
9  4  0,89 
0,26 0,13   0,10 − 0,20  0,36 − 0,07 
= + = 
 0,13 0,07  − 0,20 0,40  − 0,07 0,47 

Analisis Korelasi Kanonik 25


 6,00 − 2,00 
• R22 = 
− 2,00 7,00 

−1 1 7,00 2,00  7,00 2,00  0,18 0,05 


R22 = 2,00  = 0,03  =
( 6 x7 ) − (−2) 2  6,00  2,00 6,00 
 0,05 0,16 

• R11−1 / 2 R12 R22


−1
R21 R11−1 / 2

 0,36 − 0,07  3 10,18 0,05 3 −1 0,36 − 0,07 


=
− 0,07 0,47  
−1 3
0,05 0,16 
1 3 
− 0,07 0,47 
 1,15 0,15 0,59 − 0.03  0,36 − 0,07 
=
− 0,68 1,34 
0,31

0,43 − 0,07 0,47 
0,73 0.03  0,36 − 0,07   0,26 − 0,04 
= =
0,01 0,60 
− 0,07

0,47  − 0,04 0,28 

∧ ∗2 ∧ ∗2
Nilai eigen ρ dan ρ diperoleh dari:
1 2

 0,26 − 0,04  1 0
− 0,04 0,28  − 0 1λ = 0
   
0,26 − λ − 0,04 
= 0 ⇒ ( 0,26 − λ )( 0,28 − λ ) − ( − 0,04 ) 2 =0
− 0,04 0,28 − λ 
λ2 − 0,54λ + 0,07 = 0

− b ± b 2 − 4ac 0,54 ± 0,01 0,54 ± 0,11


λ12 = = =
2a 2 2

Jadi,
2
∧∗ ∧∗
λ1 = 
 ρ1 
 = 0,32 ⇒ ρ1 = 0,57
 
2
 ∧∗  ∧∗
λ2 = 
 ρ2 
 = 0,22 ⇒ ρ 2 = 0,46
 

∧ ∧  ∧ ∧ 
Pasangan variasi kanonik U 1 ,V 1  dan U 2 ,V 2  adalah sebagai berikut:
   

∧ ∗
• Diketahui ρ 1 = 0,57 dan vektor eigen e1 nya yaitu :

Analisis Korelasi Kanonik 26


 0,26 − 0,04  e11   e11 
 − 0,04 0,28   e  = 0,57e 
   12   12 
0,26e11 − 0,04e12 = 0,57e11
− 0.04e11 + 0,28e12 = 0,57e12
− 0,04e12 = 0,31e11 

0,31  M isal: e11 = 1,00 m aka e12 = − 7,75
e12 = e11
− 0,04 

 0,13 
Jadi, e1 =  
− 0,99 

∧  0,36 − 0,07  0,13   0,12 


a 1 = R11−1 / 2 e1 =  =
− 0,07 0,47 − 0,99  − 0,47 

−1 / 2 ∧
f 1 ∝ R22 R21 R11−1 / 2 e1 dan b1 = R −1 / 2 f , maka
22 1


−1
∧  0,18 0,05 3 − 1  0,12 
b1 ∝ R22 R21 a 1 =   
0,05 0,16  1 3  − 0,47 
0,59 − 0,03  0,12   0,08 
=  = 
0,31 0,43  − 0,47  − 0,16 

∧   ∧ ' ( 2 )  ∧' ∧
Var V 1  =Var b1 z  = b1 R22 b1 =1
   
 
 6,00 −2,00  0,08   0,08 
[0,08 −0,16 ]  =[0,80 −1,28 ]  = 0,27
−2,00 7,00 
−0,16  −0,16 

∧ 1  0,08   0,15 
Dengan menggunakan 0,27 = 0,52 , maka b1 = − 0,16  = − 0,31 . Jadi,
0,52    

∧ ∧ 
pasangan variasi kanonik sampel pertama yaitu U 1 ,V 1  sebagai berikut:
 

∧ ∧'

∧∗ U 1 = a 1 z (1) = 0,12 z1(1) − 0,47 z 2( 1)


ρ 1 = 0,57 , ∧ ∧'
V 1 = b1 z ( 2 ) = 0,15 z1( 2 ) − 0,31 z 2( 2 )

∧ ∗
• Diketahui ρ 2 = 0,46 dan vektor eigen e 2 nya yaitu :

Analisis Korelasi Kanonik 27


 0,26 − 0,04  e21   e21 
 − 0,04 0,28   e  = 0, 46e 
   22   22 
0,26e21 − 0,04e22 = 0,46e21
− 0.04e21 + 0,28e22 = 0,46e22
− 0,04e22 = 0,20e21 

0,20  M isal: e21 = 1,00 m aka e22 = − 5,00
e22 = e21
− 0,04 

 0,20 
Jadi, e2 =  
− 0,98 

∧  0,36 − 0,07  0,20   0,14 


a 2 = R11−1 / 2 e 2 =  =
− 0,07 0,47 − 0,98  − 0,47 

−1 / 2 ∧
f 2 ∝ R22 R21 R11−1 / 2 e2 dan b 2 = R −1 / 2 f , maka
22 2


−1
∧ 0,18 0,05  3 − 1  0,14 
b 2 ∝ R22 R21 a 2 =    
0,05 0,16  1 3  − 0,47 
0,59 − 0,03  0,14   0,10 
=  = 
0,31 0,43  − 0,47  − 0,−16 

∧   ∧' ( 2 )  ∧' ∧
Var V 2  =Var b 2 z  = b 2 R22 b 2 =1
   
 
 6,00 −2,00  0,10   0,10 
[0,10 −0,16 ]  =[0,92 −1,32 ]  = 0,57
−2,00 7,00 
−0,16  −0,16 

∧ 1  0,10   0,13 
Dengan menggunakan 0,57 =0,75 , maka b 2 = − 0,16  = − 0,21 . Jadi,
0,75    

∧ ∧ 
pasangan variasi kanonik kedua yaitu U 2 ,V 2  sebagai berikut:
 

∧∗ U 2 = a 2' z ( 1) = 0,14 z1( 1) − 0,47 z 2( 1)


ρ 2 = 0,46 , ∧
V 2 = b2' z ( 2 ) = 0,13 z1( 2 ) − 0,21z 2( 2 )

Analisis Korelasi Kanonik 28


−1
 ∧
 ∧
−1
0,12 − 0,47  − 3,85 3,85 
sampel Cov  z (1) , U  = A z =  =
  0,14 − 0,47 
  1,17 1 
dan ∧ −1
−1
 ∧
 0,15 − 0,31  − 23,86 35 ,23 
sampel Cov  z ( 2 ) , V  = B =  =
  z 0,13 − 0,21 −14 ,77 17 ,05 

• Proporsi dari total varian sampel standar yang pertama adalah :

 ∧ ( 1) ∧ ( 1) ' ∧ (r) ∧ (r) 


'

tr  a z a z + ... + a z a z 
r p

  ∑∑ r 2

=  = ( 1)
i =1 k =1 U i , z k
R 2( 1)
tr ( R11 ) dan proporsi dari total
∧ ∧ ∧
z U 1 ,U 2 ,...,U r p

=
1
4
[
( − 3,85) 2 + ( 3,85) 2 + (1,17 ) 2 + (1) 2 = 8,00 ]
varian sampel standar yang kedua adalah :

 ∧ ( 1) ∧ ( 1) ' ∧ ( r) ∧ (r) 
'

tr b z b z + ... + b z b z 
 r q

  ∑∑r 2

=  = ( 1)
2 i =1 k =1 V i , z k
R ( 2)
tr ( R22 ) . Sehingga terlihat
∧ ∧ ∧
z V 1 ,V 2 ,...,V r q

=
1
4
[
( − 23,86) 2 + ( 35,23) 2 + ( − 14,77) 2 + (17,05) 2 = 581,54 ]
bahwa proporsi dari total varian sampel standar yang kedua lebih baik dari

proporsi dari total varian sampel standar yang pertama.

• Test signifikansi dari relasi kanonik kemampuan membaca dan berhitung siswa.

H0 : Tidak ada hubungan antara kemampuan membaca siswa dengan

berhitung siswa.

Analisis Korelasi Kanonik 29


H1 : Ada hubungan antara kemampuan membaca siswa dengan berhitung

siswa.

∧∗ ∧∗ ∧∗ ∧∗
H0 ditolak jika ρ = ρ = 0 , karena ρ = 0,57 dan ρ = 0,46 , dua korelasi
1 2 1 2

∧∗ ∧∗ ∧∗ ∧∗
kanonik ρ dan ρ terlihat nonzero, atau dengan kata lain ρ ≠ 0dan ρ ≠ 0 ,
1 2 1 2

jadi H0 diterima.

BAB IV

KESIMPULAN

4.1 Kesimpulan

Dari pengolahan data pada bab sebelumnya, diketahui matriks korelasi

8,00 2,00 3,00 1,00 


R11 R12  2,00 5,00 −1,00 3,00 
sampelnya adalah R =  =  , sehingga dapat
R21 R22 
 3,00 −1,00 6,00 − 2,00 
 
1,00 3,00 − 2,00 7,00 

diambil kesimpulan bahwa :

Analisis Korelasi Kanonik 30


• Analisis korelasi kanonik dari himpunan kemampuan membaca dan berhitung

siswa menggunakan variabel R menghasilkan dua korelasi kanonik dan dua

pasangan variasi kanonik yaitu korelasi kanonik ρ1∗ = 0,57 dengan pasangan

U 1 = a1' X ( 1) = 0,12 X 1( 1) − 0,47 X 2( 1)


variasi kanonik serta korelasi kanonik
V1 = b1' X ( 2 ) = 0,15 X 1( 2 ) − 0,31 X 2( 2 )

U 2 = a 2' X ( 1) = 0,14 X 1( 1) − 0,47 X 2(1)


ρ = 0,46 dengan pasangan variasi kanonik

V2 = b2' X ( 2 ) = 0,13 X 1( 2 ) − 0,21 X 2( 2 )


2

R 2( 1) = 8,00
• Proporsi dari total varian sampel standar z
∧ ∧ ∧
U 1 ,U 2 ,..., U r dan

R 2( 2 ) ∧ ∧ ∧ = 581 ,54 , sehingga Sehingga terlihat bahwa proporsi dari total


z V 1 ,V 2 ,..., V r

varian sampel standar yang kedua lebih baik dari proporsi dari total varian

sampel standar yang pertama.

∧∗ ∧∗ ∧∗ ∧∗
• H0 diterima karena ρ 1 = 0,57 dan ρ 2 = 0,46 , dua korelasi kanonik ρ1 dan ρ 2

terlihat nonzero yang artinya tidak ada hubungan antara kemampuan membaca

siswa dengan berhitung siswa.

Analisis Korelasi Kanonik 31