Pendahuluan
Analisis komponen utama merupakan salah satu teknik
statistika yang digunakan untuk mengidentifikasi peubah baru
yang mendasari data peubah ganda, mengurangi banyaknya
dimensi himpunan peubah yang biasanya terdiri atas peubah
yang banyak dan saling berkorelasi menjadi peubah-peubah baru
yang
tidak
mungkin
berkorelasi
keragaman
dengan
mempertahankan
dalam
himpunan
sebanyak
data
tersebut
utama.
mengelompokkan
Analisis
objek-objek
ini
menjadi
digunakan
beberapa
untuk
gerombol
kemiripan
Bahan Praktikum
Agroklimatologi
objek
dalam
gerombol
yang
sama
Pencangkokan
dalam
analisis
ini
adalah
Masalah
menentukan
ukuran
beberapa
cara/teknik
yang
dilakukan
untuk
diskriminan.
Teknik
hierarki
disajikan
dalam
bentuk
Adapun
berdasarkan
jarak
ukuran
kedekatan
Eucledian,
dapat
Manhattan,
dihitung
Pearson
dan
x
p
k 1
ik
x jk
dimana dij adalah jarak antara objek ke-i dan ke-j, x ik adalah
besaran nilai sifat ke-k dari objek atau komponen utama ke-i, x jk
adalah besaran nilai sifat ke-k dari objek atau komponen utama
ke-j, dan p adalah banyaknya sifat yang diamati. Semakin besar
jarak Eucledian maka semakin besar pula perbedaan antara
objek-objek tersebut.
Ada
beberapa
menghitung
nilai
algoritma
jarak
yang
berdasarkan
bisa
dipilih
persamaan
untuk
Eucledian
dua
objek
yang
lebih
dulu
bergabung
yang
telah
bergabung
tersebut
dengan
Sampai
akhirnya
semua
objek
bergabung
membentuk
sebuah
gerombol
dalam
penanganan
data
iklim
adalah
Misalnya
Barat
Cara Kerja
Ada beberapa langkah yang harus dilakukan:
1. Data disusun berdasarkan kode kabupaten dan data hujan,
dimana pada kolom C1 ditempatkan kode kabupaten dan
kolom C2 C13 ditempatkan data hujan menurut bulan
kejadian, berurut mulai Januari sampai dengan Desember.
Data tersimpan dalam direktori Metklim dengan nama PCICluster.mtw
2. Lakukan analisis komponen utama dengan perintah sebagai
berikut:
MTB>pca C2-C13;
SUBC>cova;
SUBC>score c15-c26.
Selanjutnya
pada
menu
session
akan
ditampilkan
12
Apr0.0810.4310.3140.3270.1210.083
Mei0.1230.2430.1220.0270.3180.030
Jun0.1740.1060.4180.1240.5370.062
Jul0.5250.0100.1780.2090.3390.267
Agst0.0070.0000.3940.6690.0550.460
Sep0.6080.1310.1340.2060.2090.215
Okt0.3630.0520.2830.3120.1480.437
Nop0.0610.0570.0310.3820.1880.584
Des0.2330.3230.0490.1200.1960.335
data
data
80%
tersebut
maka
langkah
191288.6696.06115115
201189.1392.07212118
211086.00118.59292493
22983.86136.7643934
23880.65163.96214119
24777.80188.14713123
25676.18201.81318125
26576.98195.03016126
Distance
423.37
282.25
141.12
0.00
12 13 17 16 14 6 8 11 3 9 23 24 4 2 26 21 5 20 15 19 18 1 7 28 10 22 31 29 25 30 27
Observations
27472.23235.344114127
28371.67240.088116128
29270.56249.4751213123
30150.04423.370112131
FinalPartition
Numberofclusters:1
NumberofWithinclusterAveragedistanceMaximumdistance
observationssumofsquaresfromcentroidfromcentroid
Cluster1311850742.134208.022548.472
Selanjutnya
akan
ditampilkan
pula
sebuah
dendogram
yang
bergabung
berdasarkan
15
kelompok
penggerombolan tersebut.
Catatan: sebagai latihan ambil lima kelompok wilayah
hujan,
kemudian
tentukan
masing-masing
stasiun
anggotanya.
8. Delineasikan ke dalam peta (buat plot isohyet) berdasarkan
hasil analisis tahap 7 di atas.
DAFTAR PUSTAKA
Boer, R., I. Las, R. Hidayati dan B. Budianto. 1996. Analisis deret
hari kering untuk perencanaan penanaman padi sawah
tadah hujan di Jawa Barat. Laporan Penelitian. LP IPB
Balitbang Pertanian.