Anda di halaman 1dari 8

STATISTIKA MULTIVARIATE

PETRUS FENDY SAPUTRA (F1D113028)


Teknik Pertambangan, Universitas Jambi
PENDAHULUAN
Secara umum, analisis multivariat atau
metode multivariat berhubungan dengan
metode-metode statistik yang secara
bersama-sama
(simultan)
melakukan
analisis terhadap lebih dari dua variabel
pada setiap objek atau orang. Jadi, bisa
dikatakan analisis multivariat merupakan
perluasan dari analisis univariat
atau
analisis bivariat (seperti uji korelasi dan
regresi sederhana). Pengertian analisis
multivariat adalah analisis multi variabel
dalam satu atau lebih hubungan. Analisis
ini berhubungan dengan semua teknik
statistik yang secara simultan menganalisis
sejumlah pengukuran pada individu atau
obek.Sebagai contoh, jika dilakukan
analisis regesi sederhana, dengan satu
varivabel Y dan satu variabel X, maka
dilakukan analisis
regresisederhana,
dengan satu variabel Y dan satu variabel
X, maka analisis seperti itu dikatakan
bivariat, karena ada dua (bi) variabel, X
dan Y, sedangkan jika dilakukan analisis
regresi berganda, dengan satu variabel Y
dan dua variabel X (X1 dan X2), maka
analisis sudah bisa dikatakan multivariat,
karena ada tiga variabel (termasuk X1 dan
X2), sedangkan variat bisa didefinisikan
sebagaii suatu kombinasi linier dari
variabel-variabel dengan bobot variabel
yang ditentukan secara empiris.
TUJUAN PRAKTIKUM
1. Dapat membandingkan statistika
multivariate
dengan
statistika
univariate
2. Dapat menampilkan data postings
3. Dapat menampilkan counturing
atau pengkonturan data posting
dengan menggunakan metodemetode
interpolasi
serta
membandingkan metode interpolasi
pada gridding
Teknik Pertambangan

4. Dapat
memahami
smoothing

parameter

TEORI DASAR
Analisis Multivariat dapat didefinisikan
secara
sederhana
sebagai
metode
pengolahan variabel dalam jumlah banyak
untuk mencari pengaruhnya terhadap suatu
obyek secara simultan. Metode analisis
multivariat sebenarnya secara teoritis
sudah diketahui sejak lama, namun dalam
praktek perhitungannya baru digunakan
saat teknologi komputer berkembang
pesat.
Berdasarkan
ketergantungan
variabel-variabel yang ada, analisis
multivariat dapat dibagi menjadi :
1. Analisis dependensi
Ciri dari analisis ini adalah adanya suatu
atau beberapa variabel yang berfungsi
sebagai variabel dependen dan beberapa
variabel lain variabel bebas (independen).
Alat analisis dalam kategori ini adalah :
Analisis regresi berganda Metode ini
menggunakan satu variabel dependen
(terikat) dan lebih dari satu variabel
independen (bebas) yang berada dalam
satu set hubungan. Misal persamaan y = x1
+ x2 + x3 + x4, Analisis deskriminan
Metode ini pada prinsipnya mencoba
mengelompokkan setiap obyek ke dalam
dua atau lebih kelompok berdasarkan
kriteria pada sejumlah variabel bebas.
Pengelompokkan ini sifat mutually
exclusive, dalam artian jika obyek A sudah
masuk kelompok 1 maka dia tidak akan
munkin menjadi anggota kelompok 2.
Oleh karena ada sejumlah variabel
independen, maka akan terdapat satu

Page 1

variabel dependen (tergantung). Ciri


analisis diskriminan adalah jenis data dari
variabel dependen bertipe nominal
(kategori). seperti 0 dan 1 atau kombinasi
lainnya.
Analisislogit
Logit analisis digunakan jika kriteria
ukuran tunggal adalah diskrit (kateorikal)
dan variabel prediktor juga berbentuk
kategorikal secara alamiah. Logit analisis
adalah metode untuk kasus khusus untuk
model log linier jika variabel yang diamati
dipengaruhi oleh kelompok variabel
prediktor
dalam
kategori
tertentu.
Multivariate analysis of variance
(manova) Manova digunakan jika tersedia
berbagai ukuran kriteria yang secara
bersamaan mempengaruhi berbagai level
variabel eksperimen. Fokus utama dari
multivariat analisis adalah untuk menguji
signifikansi perbedaan suatu profil dengan
adanya perubahan pada variabel-variabel
eksperimen
terkontrolnya.
Analisis
korelasi
kanonikal
Analisis korelasi kanonikal bertujuan
untuk mencari hubungan linier antara
sekelompok prediktor serta sekelompok
varibel terukur dengan menggunakan dua
kombinasi linear. Pertama untuk variabelvariebel prediktor dan yang kedua untuk
variabel-variabel
kelompok
terukur,
contohnya untuk kasus yang membutuhkan
penyelesaian
diskriminan
beranda.
2.Analisis
interdependensi
Ciri dari analisis ini adalah bahwa variabel
saling berhubungan satu dengan lainnya
sehingga tidak ada variabel dependen atau
variabel
independen.

Analisis
komponen
prinsip
Teknik ini bekerja dengan mereduksi data
dengan tujuan mendapatkan kombinasi
yang linier dari variabel-variabel asli
sebanyak mungkin. Hubungan linier yang
sukses
jika
variabel-variabel
Teknik Pertambangan

pendukungnya berlainan menciptakan


variasi
terkecil.
Analisis
faktor
Analisis faktor lebih tepatnya dinamakan
common factor analytic model, adalah
metode reduksi data , namun berbeda
dengan analisis komponen prinsip karena
ada beberapa faktor terhitung yang
merupakan gabungan dari lainnya.
Metrik
multidomensional
scaling
Adalah salah satu teknik penyekalaan yang
sering digunakan untuk memposisikan
sekelompok obyek secara relatif di dalam
sebuah peta preseptual (grafik dengan 2
sumbu X-Y atau lebih dengan dimensi
sumbu yang saling berlawanan seperti
tinggi-rendah, pahit-manis dan sebaginya).
Metrik MDS mengasumsikan data yang
similar atau tidak, memiliki sifat metrik
atau sifat yang dapat diukur secara relatif.
Non-metrik multidimensional scaling
Non-metrik MDS mengasumsikan bahwa
data yang similar tidak memilik sifat
metrik (dipetakan secara angka) namun
memilik sifat terukur secara relatif pada
dimensi-dimensi tertentu ata adalah salah
satu teknik penyekalaan yang sering
digunakan
untuk
memposisikan
sekelompok obyek secara relatif di dalam
sebuah peta preseptual (grafik dengan 2
sumbu X-Y atau lebih dengan dimensi
sumbu yang saling berlawanan seperti
tinggi-rendah,
pahit-manis
dan
sebaginya).u secara rangking saja.
Analisis
cluster
Anlisis kluster merupakan metode
pengurangan data, dengan tujuan untuk
mengidentifikasi
kelompok-kelompok
variabel yang anggotanya memeiliki
kemiripan. namun tidak ada kemiripan
dengan
kelompok
yang
lain.

Model
loglinier
Model ini memungkinkan peneliti untuk
menyelidiki,hubungan
antar
kategori

Page 2

variabel dari tabel kontingensi. Model


loglinear mengekspresikan kemungkinan
dari tabel kontinjensi multidemensi,
memberikan efek dan berinteraksi dengan
variabel-variabel, yang ada di dalam tabel.
(Singgih Santoso, 2010)
PENGOLAHAN DATA
Dalam
analisis
multivariat
ini,
melakukan
pengolahan
data
Exhaustive_set.dat yang tertera pada
lampiran, pengolahan data dilakukan
dengan menggunakan software golden
surfer sebagai berikut :
Melakukan analisis univariat

se distance to power, kriging, nearest neighbor, triangulation with linear interpolation, moving avera

ANALISIS

Pengolahan data Exhaustive_set.dat


menggunakan microsoft excel dan golden
surfer yang mana memiliki peranan
masing-masing
dalam pengolahan
gan menggunakan parameter power yang ekstrim sangat
kecil misalnya
0:00001datanya.
dan ekstrim sanga
Microsoft
excel
untuk
memperbaiki
datauat contour map dan tampilan 3D dengan menggunakan surfer.
data yang ada, sedangkan dengan
menggunakan golden surfer dapat
melakukan gridding
yang merupakan
proses penggunaan titik data asli (data
pengamatan) yang ada pada file data XYZ
untuk
membentuk titik-titik data tambahan
t analisis perbandingan antara berbagai hasil gridding
tersebut.
pada sebuah grid yang tersebar secara
teratur, yang mana terdiri dari metode
kan secara 3D dan Dijelaskan peranan dan fungsi dari
parameter
inverse
distancetersebut.
to power yang cenderung
memiliki pola bulls eyes pada konturkontur yang konsentris melingkar pada
titik data. Kriging merupakan metode
gridding geostatistik yang telah terbukti
berguna dan populer di berbagai bidang
dengan menghasilkan visual peta yang

rameter smoothing dan analisis dan menganalisis bagaimanakah pengaruh hasil gridding-nya.
Teknik Pertambangan

Page 3

menarik dari data yang tidak teratur.


Nearest neighbor efektif untuk data-data
XYZ yang tersebar merata dalam setiap
daerah pemetaan, tetapi akan terjadi
masalah apabila data XYZ tidak tersebar
merata akan mengakibatkan hasil kontur
menjadi bias.Triangulation with linear
interpolation yang mana metode ini
bermanfaat menghasilkan analisis patahan,
sehingga metode ini membutuhkan data
yang banyak karena apabila terjadi
kekurangan data maka akan membentuk
suatu pola segitiga pada permukaan kontur.
Moving average merupakan metode yang
hanya berlaku pada set data yang sangat
besar dan banyak misalnya >1000 titik
data sehingga dapat menggabungkan data
breakline. Hasil praktikum yang telah
dilakukan pada data Exhaustive_set.dat
menghasilkan suatu bentukan kontur yang
berbeda-beda sesuai dengan metode yang
dipilih. Hasil dari konturing tersebut dapat
di lihat pada lembar lampiran.

3. Gridding
dari masing-masing
metode berbeda satu sama lain
yang mana pada metode inverse
distance to power menghasilkan
kontur-kontur yang konsentris
melingkar, pada metode Kriging
menghasilkan visual peta yang
menarik, pada metode Nearest
neighbor menghasilkan nilai pada
node grid yang berguna untuk
konversi secara teratur XYZ data
file ke dalam file grid, pada metode
Triangulation
with
linear
interpolation menghasilkan analisis
patahan, pada metode moving
avarage menghasilkan nilai ke
node jaringan dengan rata-rata data
di dalam elips pencarian node grid.
DAFTAR PUSTAKA

KESIMPULAN
Berdasarkan praktikum analisis multivariat
dapat diambil kesimpulan sebagai berikut :
1. Pada analisis univariat hanya
melakukan analisis pada satu
variabel
atau
pervariabel
sedangkan analisis multivariat
melakukan
analisa
secara
bersamaan pada lebih dari dua
variabel setiap objek.
2. Dalam
analisis
multivariat
khususnya
dalam
melakukan
gridding terdapat banyak metode
yang dapat dipilih yang mana
masing-masing metode memiliki
kegunaan dan fungsinya masingmasing sesuai dengan apa yang kita
butuhkan.

Teknik Pertambangan

Page 4

Singgih Santoso, 2010, Statistik


Multivariat, Konsep dan Aplikasi
dengan SPSS, Penerbit PT Elex
Media Komputindo, Jakarta
http://file.upi.edu/Direktori/SPS/P
RODI.PENDIDIKAN_LUAR_SE
KOLAH/196805111991011JARNAWI_AFGANI_DAHLAN/
Metode_Statistik_Multivariat.pdfg
anda.pdf
http://nurainimeraihmimpi.blogspot
.co.id/2014/12/makalah-statistikinferensial-analisis.html

LAMPIRAN

Count:

7800

1%-tile:
5%-tile:
10%-tile:
25%-tile:
50%-tile:
75%-tile:
90%-tile:
95%-tile:
99%-tile:

3
15
30
75
150
225
270
285
297

0
0
0.123
6.673
56.896
316.348
784.182
1.231.571
22.888.081

0
0
4.79
67.79
221.25
429.34
634.01
758.33
1010.16

Minimum:
Maximum:

1
300

0
94.995.078

0
1631.16

Mean:
Median:
Geometric Mean:
Harmonic Mean:
Root Mean Square:
Trim Mean (10%):
Interquartile Mean:
Midrange:
Winsorized Mean:
TriMean:

150.5
150.5
11.175.990.145
477.504.456.256
173.638.033.468
150.498.069.828
150.498.064.152
150.5
150.4
150

266.043.818.555
56.902
N/A
N/A
556.202.662.737
188.904.961.253
893.383.352.735
47.497.539
199.439.885.974
10.920.325

277.978.584.369
221.25
N/A
N/A
37.375.730.922
258.126.991.781
229.244.107.843
815.58
261.627.670.641
2.349.075

Variance:
Standard Deviation:
Interquartile Range:
Range:
Mean Difference:
Median Abs.
Deviation:
Average Abs.
Deviation:
Quartile Dispersion:
Relative Mean Diff.:

750.001.282.068
866.026.143.986
150
299
N/A

238.585.147.429
488.451.786.186
309.675
94.995.078
N/A

624.232.331.256
249.846.419.077
361.55
1631.16
N/A

75

56.798

171.865

75
0.5
N/A

252.641.548.965
N/A
N/A

197.805.576.933
N/A
N/A

Standard Error:
Coef. of Variation:

0.310087101508
0.575432653811

17.489.379.467
183.598.246.649

0.894593684633
0.898797364711

Skewness:
Kurtosis:

0
179.992.718.017

37.219.871.104
253.425.412.737

102.119.830.369
377.543.840.093

Sum:
Sum Absolute:
Sum Squares:
Mean Square:

11739000
11739000
2351713000
301.501.666.667

207.514.178.473
207.514.178.473
24130189358.8
309.361.402.036

216.823.295.808
216.823.295.808
10896173043.3
139.694.526.196

Tabel 1. Data statistik univariat

Output countouring dari masing-masing jenis gridding method:

Gambar 1.1 metode inverse distance to power

gambar 1.2 metode Krigging

gambar 1.3 metode Nearest neighbor

gambar 1.4 metode Triangulation with linear interpolation

gambar 1.5 metode moving avarage