RUMUS UAS MULTIVARIAT

#Angkatan 52 Wisuda 2014#

Analisis Komponen Utama

1)

Analisis Faktor

Gugus peubah asal

Gugus KU

{X1, X2, , Xp}

{KU1, KU2, , KUp}

Hanya dipilih k < p KU saja, namun mampu memuat sebagian

besar informasi

SIFAT - SIFAT
2.

1. tr ( ) = =1 = =1 >>> Total Variansi

2. Kovariansi antara variabel asal dg komponen utama
kov ( , =
3. Korelasi antara variabel asal dengan komponen utama
(komponen Loading) :

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. Uji Asumsi Normalitas

2. Uji Analisis
a. analyze data reduction factor - masukan semua variabel
b. descriptif :centang KMO & anti images extraction
pilih Analyze correlation matrix (satuannya berbeda ) atau
covariance matrix (satuannya sama )
pada display centang unrotated factor solution dan scree plot
klik continue- lanjut ke rotation pilih varimax
klik continue pada score jika diminta menampilkan variabel
TAHAP
barunya maka pada scores centang yg save as continue- ok
PENGUJIAN 3 interpretasi
a. Bartlets test: (mendeteksi ada multikolinieritas atau tidak)
H0: =matriks identitas
H1: matrik identitas => multikolinieritas
ingin ditolak H0, kalau tolak berarti ada multikolinieritas
b. KMO Test
KMO yang bagus >0,8
KMO yang cukup >0,5 => bisa melanjutkan analisis
MSA dilihat dari Anti images correlation -> lihat tabel anti-images
matriks -> fokus di diagonal utama, syaratnya lebih dari 0,5. Jika kurang
maka dibuang satu persatu di run ulang

Analisis Gerombol (Cluster)

ASUMSI
KONSEP
DASAR

Cara-Cara mendapatkan penggerombolan

Agglomeratif (penggabungan)
Terdapat 8 metode: single linkage, complete linkage, average linkage,
unweighted pair-group average, weighted pair-group average,
unweighted pair-group centroid, weighted pair-group centroid, dan
wards method
Divisive (pemisahan)

=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)).

Langkah-langkah dalam software SPSS

HIERARKI

MATRIKS KORELASI

UJI
HIPOTESIS

1) 0 : =
1 :
2)
3) Wilayah Krritis
2
Tolak 0 apabila 2 > ,

1
2 1

Tabel Proximity matrix (matrix yang memuat jarak antaramatan)

Tabel Agglomeration Schedule (cara membacanya dimulai dari kolom
cluster combined lalu ke kolom next stage)
Untuk penjelasan dari tabel agglomeration schedule dapat dilihat pada
dendogram
Hasil akhir dapat dilihat pada tabel cluster membership

-[ 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

4) Statistik Uji : Bartlett test

a. Masukkan data yang akan dianalisis ( data harus metrik ).

b. Pilih Analyze >> data reduction >> factor.
c. pilih extraction dan pada method principal components,
pilih Analyze correlation matrix (satuannya berbeda )
atau covariance matrix (satuannya sama )
pilih display unrotated factor solution, dan scree
plot.
pilih extract dimana eigenvalues over 1;
continue

atau

1.

=1,2,...,p

=1

Data antar-pengamatan (case) independen

Sampel diambil secara random
Antarvariabel tidak saling bebas (terdapat korelasi)
multikolinieritas
Data untuk seluruh variabel minimal memiliki skala interval

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

oleh komponen utama ke k ; k p adalah ; k

dimana

2.

Cara-Cara mendapatkan penggerombolan

NON
HIERAR
KI

Umumnya menggunakan metode K-Mean Method

Algoritma dari metode ini sebagai berikut :
tentukan besarnya k (yaitu banyaknya gerombol, dan tentukan juga
centroid di tiap gerombol).
hitung jarak antara setiap objek dengan setiap centroid.
hitung kembali rataan (centroid) untuk gerombol yg baru terbentuk.
ulangi langkah 2 sampai tidak ada lagi pemindahan objek antar
gerombol.

#Angkatan 52 Wisuda 2014#

ANALISIS KORELASI KANONIK

Langkah-langkah dalam software (SPSS)

NON
HIERAR
KI

Lakukan standardisasi variabel jika satuan antarvariabel berbeda.

Langkahnya sebagai berikut:
Analyze Descriptive Statistics Descriptive , masukkan semua
variabel yang akan distandardisasi ke kolom variable(s)
centang save standardized as values as variables
AnalyzeClassifyK-Mean Cluster
Masukkan variabel yang akan dianalisis, tentukan number of clusters
dan label cases by
Pilih iterate and classify pada method
Pilih save pilih cluster membership dan distance from cluster
center kemudian klik continue
Pilih options. Pada bagian statistics centang initial cluster centers dan
anova table (abaikan yang lain). Pilih continue
Pada menu utama cluster, pilih ok

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

1. Uji Kenormalan (baik set X maupun set Y) HERODES

2. Uji Linieritas SPSS (membuat scatter plot dan memasangkan
masing-masing X dan Y).
X1---Y1 X2---Y1.............................X6---Y1
.
X1---Y6 X2---Y6.............................X6---Y6
Langkah:
Buka SPSS - Graphs - legacy dialogs - scatter/dot
pilih Simple Scatterplot masukan satu persatu, misalkan
variabel X1 ke jendela X Axis dengan variabel Y1 ke jendela Y
Axis OK
Ulangi kembali langkah di atas untuk masing-masing
kombinasi X dan Y
Muncul output dikatakan linear jika tersebar acak di
sekitar nol (subyektif).
3. Uji Multikolinieritas SPSS (dari matrik korelasi)
Ho : = 0
H1 : tidak sama dengan nol
Uji nya dibagi menjadi dua bagian, X dan Y diuji secara terpisah.
Buka SPSS Analyze
Corellate
Bivariate masukkan semua variabel X atau Y - OK
Jika signifikan (ada tanda **) maka tolak Ho terdapat
multikolinieritas, sehingga harus dibuang variabel tsb. Untuk
mengetahui yang mana yg dibuang gunakan Regresi
(SPSS).
1. Analyse
2. Regression - Linier
3. Masukan semua var X ke box independent
4. Y nya satu aja ke box dependent
5. Masuk ke statistic - contreng yg coleniarity diagnosist
6. Muncul output (lihat tabel coefficients) VIF > 10
dibuang variabelnya

ASUMSI

SPSS

Sejumlah p variabel independen harus berdistribusi

1.

1. File open syntax

normal.
2.

Matriks ragam-peragam variabel

berukuran pxp pada kedua kelompok harus sama.

independen

uji kesamaan ragam peragam dg statistik uji Boxs M

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% = (1- APER) x

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

**catatan: - baris pertama saja yang diubah Y dulu baru X

- Nama variabel disesuaikan dengan variabel yg ingin diuji
2. Klik Run All
3. Di outputnya lihat tabel multivariate test of significance
Ho : Gugus kanonik secara simultan tidak bisa menjelaskan
Hubungan set var X dan var Y
H1 : Gugus kanonik secara simultan bisa menjelaskan
Hubungan set var X dan var Y
Lihat p-value minimal satu yang Tolak Ho dari Pillei, Wilks
sama Hotelling signifikan bisa lanjut ke uji selanjutnya.
4. Lihat tabel eigen value and canonical corellation (r)
Lihat kolom kanonikal korelasinya (canon.cor)
Lihat Sq.Cor analog dg koefisien determinasi gugus Vi
terhadap Wi
5. Lihat tabel Dimention Reduction Analysis yg menjelaskan
secara parsial.
Lihat signifikannya
6. Selanjutnya ke tabel standardize canonical coef for
DEPENDENT variable
Dari tabel tersebut kita akan mendapat model kanonik yang
standardize.
7. Selanjutnya ke tabel correlation between DEPENDENT dan
canonical variabel
Interpretasi dilakukan hanya untuk kolom yg signifikan saja
(sesuai tabel dimension reduction analysis).
Lihat juga variabel yang memiliki nilai korelasi terbesar dari
kolom tersebut (syarat > 0,8).
8. Selanjutnya interpretasi tabel Variance in dependent variabel
explained
Lihat cumulative-nya saja (kolom 3 dan kolom 5)
Kolom 3 : variasi dalam set variabel dependent dapat
dijelaskan oleh variabel kanonik pertama yang terbentuk
sebesar xxx %
Kolom 5 disebut koefisien redudanci : variasi dalam set
variabel dependent yang dijelaskan oleh variabel kanonik
sebesar xxx %
9. Lihat tabel Standardize for canonical for COVARIATES untuk
membentuk model fungsi kanonik yang terbentuk.
10. lihat table Correlation between COVARIATES dan canonical
untuk melihat variabel yang dapat mewakili set kanonik
cari yang korelasinya paling besar.
11. Lihat Variance in covariates explained with canonical
dependent
12. Lihat Variance in covariates explained with canonical
dependent
Tambahan:
'Standardized canonical = PENIMBANG (WEIGHT)
'Correlation between... = FAKTOR LOADING
Pada dimension reduction analysis' sig.F nya dapat
dilakukan uji formal untuk linearitas
berarti ada korelasi berarti linear

jika signifikan