1)
Analisis Faktor
Gugus KU
SIFAT - SIFAT
2.
KONSEP
DASAR
, =
METODE
Andaikan = 1 , 2 , 3 , . . , adalah vektor peubah
acak asal yang diamati dengan matriks ragam peragam .
Komponen utama ( Y ) didefinisikan sebagai kombinasi linear
terboboti dari peubah asal yang saling orthogonal. secara
umum, komponen utama ke i dapat dituliskan sebagai
berikut :
= 1 1 + 2 2 + 3 3 + + = : i =
1,2,3,.......,p
dengan : Var( = dan cov (+1, ) = 0
: akar ciri (eigen value) ke-1 dari matriks , di mana 1
2 3 ......... 0
: vektor ciri (eigen vector) ternormalkan ke-i yang
berpadanan dengan akar cirinya.
PENENTUAN
BANYAKNYA
KOMPONEN
UTAMA
=1
=1
=1
Metode 2
Hanya bisa diterapkan pada penggunan matriks korelasi.
ketika menggunakan matriks ini, peubah asal
ditransformasi menjadi peubah yang memiliki ragam
sama yaitu satu.
Metode 3
penggunaan grafik yang disebut plot scree. plot scree
merupakan plot antara akar ciri dengan k. banyaknya
komponen utama yang terbentuk yang dilihat dari scree
plot adalah yang memiliki nilai eigen value lebih dari 1 (
berdasarkan pendekatan yang diberikan oleh Kaiser
(1958)).
HIERARKI
MATRIKS KORELASI
UJI
HIPOTESIS
1) 0 : =
1 :
2)
3) Wilayah Krritis
2
Tolak 0 apabila 2 > ,
1
2 1
-[ n 1- (2p + 5) ] ln
6
5) Keputusan
6) Kesimpulan
jika matriks korelasi bukan merupakan identitas maka
penyusutan dimensi terhadap peubah ganda tersebut
bermakna untuk dilakukan analisis dengan Komponen
Utama
LANGKAH
LANGKAH
DG
SPSS
AnalyzeClassifyHierarchical Cluster
Masukkan semua variabel ke dalam kolom variable(s)
label cases by amatan-amatan yang ingin dibuat dalam gerombol
tertentu
Pada Cluster pilih Cases
Pada menu statistics pilih agglomeration schedule dan proximity
matrix
Pada Cluster Membership pilih none (tergantung kebutuhan peneliti )
Pada menu Plots pilih dendogram
Pada Icicle dan Orientation (tergantung kebutuhan peneliti)
Pada
menu
Method,
pilih
metode
cluster
(sesuai
keinginan/permintaan, biasanya between-group linkage) pada Cluster
Method
Pada Measure pilih Interval lalu pilih Squared Euclidean distance
(biasanya)
Pada Transform Values pilih Z Scores By Variables (jika satuan
antarvariabel di masing-masing amatan berbeda)
Output
atau
1.
=1,2,...,p
=1
METODE
Metode 1
didasarkan pada kumulatif proporsi keragaman total yg
mampu dijelaskan. Metode ini paling banyak
digunakan dan bisa diterapkan pada penggunaan matriks
korelasi maupun matriks ragam peragam.
proporsi total keragaman data yang dapat diterangkan
dimana
2.
NON
HIERAR
KI
NON
HIERAR
KI
PENGE
CEKAN
ASUMSI
Output
Tabel initial cluster centers (tampilan pertama proses clustering data
sebelum dilakukan iterasi)
Tabel iteration history (mendeteksi berapa kali proses iterasi yg
dilakukan)
Tabel Final Cluster Centers (masih terkait dengan proses standardisasi
data sebelumnya yang mengacu pada z-score dg ketentuan sbb:
nilai negatif (-) berarti data berada di bawah rata-rata total
nilai positif (+) berarti data berada di atas rata-rata total.
Tambahan: untuk melihat perbedaan variabel pada cluster yang
terbentuk dapat dilihat pada tabel Anova
ANALISIS DISKRIMINAN
ASUMSI
SPSS
1.
normal.
2.
independen
3.
4. Data sudah di kelompokkan
KONSEP
DASAR
Aturan Pengelompokkan
1. Cut off Value (CV)
2. Prior Probability, untuk meminumkan salah klasifikasi
3. Memininumkan biaya salah klasifikasi
4. Jarak Mahalanobis
Penilaian Tingkat Akurasi/ ketepatan Fungsi deskriminan yg dihasilkan
Confusion Matrix/ Clasification
Matrix
Predicted Membership
n1c
n1m = n1 - n1c
Actual
n2m = n2
Membership
n2c
n2c
1 + 2
Tingkat kesalahan klasifikasi (APER) =
100%
n1
n2
1 + 2
APER < 15%, fungsi diskriminan yang dihasilkan sudah dianggap baik.
Tingkat ketepatan Klasifikasi (Hit Rasio)
1 + 2
1 + 2
100%
Hit Rasio > 85 % -->fungsi diskriminan yg dihasilkan sudah dianggap baik
HERODES (Pengecekan Asumsi Multivariat)
a. Masukkan data yang akan diolah
b. Pilih menu Analyze, kemudian klik submenu kenormalan.
c. Pada kotak dialog Kenormalan Data, centang semua variabel pada
Pemeriksaan kenormalan, pilih Simultan, pada Pengujian kenormalan,
pilih Simultan dan centang kotak skewness and kurtosis test.
Kemudian klik OK.
PENGO
LAHAN
SPSS
1. Analyze >> Classsify, >> Discriminant.
2. Pada kotak
dialog Discriminant Analysis, pindahkan Variabel
Dependen ke dalam Grouping Variable, klik Define Range.
Pada kotak kecil, bagian minimum diisi dg kode terkecil, maximum
diisi dg kode terbesar dari variabel dependen Continue.
3. pada Independents diisi dg variabel penjelas, klik Statistics.
Pada kotak kecil, centang kotak means, univariate ANOVAs, Boxs
M, serta Unstandardized. Lalu, Continue.
4. Kembali ke kotak dialog Discriminant Analysis, pada Classification, beri
tanda cek di All group equal, Casewise result, Summary table, dan
Within-groups. klik Continue, OK.
PENGO
LAHAN
jika signifikan