Nama

NPM
Kelas

Yudi
Aristanto
1406101200
33
A

PRAKTIKUM 2
ANALISIS DATA MULTIVARIAT I
1. Anda diminta untuk menjelaskan metoda yang digunakan dalam melakukan
pemeriksaan normalitas multivariat dari data.
2. Data pada tabel berikut merupakan hasil pengukuran mengenai tingkat polusi udara
yang dicatat pada jam 12.00 di suatu daerah di Amerika Serikat selama satu periode
pengamatan. Variabel yang diamati adalah X1 : kandungan CO, X2 : kandungan
NO2.
X1 Kandungan CO X2 Kandungan NO2
7 12
49
45
58
48
5 12
7 12
6 21
5 11
5 13
5 10
4 12
7 18
4 11
48
49
47
5 16
4 13
39
Lakukan pemeriksaan normalitas bivariat untuk data diatas .

Jawab
1.) Pada analisis multivariat data harus berasal dari populasi yang
berdistribusi normal multivariat. Tujuan dari pengukuran normalitas adalah ingin
mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi
normal. Oleh karena pada MANOVA jumlah variat lebih dari satu variat, maka
pengukuran normalitas adalah untuk multivariat. Namun, pada semua teknik
analisis multivariat tidak ada uji langsung untuk menguji kenormalan dari data
multivariat.

Untuk

menguji

normal

multivariat,

dapat

dilakukan

dengan

menggunakan uji normalitas dari masing-masing variat secara terpisah. Jika

masing-masing variat sudah berdistribusi normal atau mendekati normal, maka
gabungan dari semua variat dalam multivariat akan berdistribusi normal. Dalam
penelitian ini akan digunakan plot chi-square dari distribusi chi-square dan jarak
Mahalanobis

yang

memperlihatkan

merupakan

normal

pendekatan

multivatiat

pada

dari

data.

normal

univariat

Langkah-langkah

uji

untuk
normal

multivariat sebagai berikut:

a. Dari setiap data pengamatan hitung jarak Mahalanobis

X i X S 1 X i X ; i 1, 2, ...., n
Dt2 =
b. Jarak Mahalanobis (Di) disort (diturutkan) dari nilai yang terkecil ke terbesar D i2

D22 D32 ... Dn2

2 ( j 0,5) / n,
c. Dari masing-masing jarak Mahalanobis Dt2, akan dihitung persentil
dimana j merupakan nilai dari observasi 1,2,3,n
2
d. Memplot jarak mahalanobis dengan yang diperhatikan pada plot chi-square :

 D22 D32 ... Dn2

Di2

1
1
1
1

2
3
n
2 ,2
2 , 2
2 ,.... 2
2
p
p
p
n
n
n
n

p2

Dimana secara berurutan mendekati garis lurus (Johnson, R.A, R.A dan Wichern,
D.W)

2.)Pemerikasaan Normalitas Bivariat Menggunakan Q-Q Plot

X1
No
Kandungan
CO
1
7
2
4
3
4
4
5
5
4
6
5
7
7
8
6
9
5
10
5
11
5
12
4
13
7
14
4
15
4
16
4
17
4
18
5
19
4
20
3
Lalu di cari nilai d dengan rumus

X2 Kandungan
NO2
12
9
5
8
8
12
12
21
11
13
10
12
18
11
8
9
7
16
13
9

a. Dari setiap data pengamatan hitung jarak Mahalanobis

X i X S 1 X i X ; i 1, 2, ...., n
=
b. Jarak Mahalanobis (Di) disort (diturutkan) dari nilai yang terkecil ke terbesar

 D22 D32 ... Dn2

Di2
c. Dari

masing-masing

jarak

Mahalanobis

Dt2,

akan

dihitung

persentil

2 ( j 0,5) / n,
dimana j merupakan nilai dari observasi 1,2,3,n
2
d. Memplot jarak mahalanobis dengan
yang diperhatikan pada plot chisquare :
D22 D32 ... Dn2
Di2
1
1
1
1

1
2
3
n
2 , 2
2 ,2
2 ,.... 2
2
p2
p
p
p
n
n
n
n

Dimana secara berurutan mendekati garis lurus (Johnson, R.A, R.A dan Wichern,
D.W)
Jika Menggunakan Syntax R
> x1=c(7,4,4,5,4,5,7,6,5,5,5,4,7,4,4,4,4,5,4,3)
> x1
[1] 7 4 4 5 4 5 7 6 5 5 5 4 7 4 4 4 4 5 4 3
> x2=c(12,9,5,8,8,12,12,21,11,13,10,12,18,11,8,9,7,16,13,9)
> x2
[1] 12 9 5 8 8 12 12 21 11 13 10 12 18 11 8 9 7 16 13 9
> data=matrix(c(x1,x2),20,2)
> data
[,1] [,2]
[1,] 7 12
[2,] 4 9
[3,] 4 5
[4,] 5 8
[5,] 4 8
[6,] 5 12
[7,] 7 12
[8,] 6 21
[9,] 5 11
[10,] 5 13
[11,] 5 10
[12,] 4 12
[13,] 7 18

[14,] 4 11
[15,] 4 8
[16,] 4 9
[17,] 4 7
[18,] 5 16
[19,] 4 13
[20,] 3 9
> mean(data)
[1] 8
> cov(data)
[,1]
[,2]
[1,] 1.326316 2.621053
[2,] 2.621053 14.589474
> var(data)
[,1]
[,2]
[1,] 1.326316 2.621053
[2,] 2.621053 14.589474
> yb=matrix(c(mean(x1),mean(x2)),2,1)
> s=var(data)
> ys=solve(s)
> y1=matrix(c(data[1,1]-yb[1],data[1,2]-yb[2]),2,1)
> y2=matrix(c(data[2,1]-yb[1],data[2,2]-yb[2]),2,1)
> y3=matrix(c(data[3,1]-yb[1],data[3,2]-yb[2]),2,1)
> y4=matrix(c(data[4,1]-yb[1],data[4,2]-yb[2]),2,1)
> y5=matrix(c(data[5,1]-yb[1],data[5,2]-yb[2]),2,1)
> y6=matrix(c(data[6,1]-yb[1],data[6,2]-yb[2]),2,1)
> y7=matrix(c(data[7,1]-yb[1],data[7,2]-yb[2]),2,1)
> y8=matrix(c(data[8,1]-yb[1],data[8,2]-yb[2]),2,1)
> y9=matrix(c(data[9,1]-yb[1],data[9,2]-yb[2]),2,1)
> y10=matrix(c(data[10,1]-yb[1],data[10,2]-yb[2]),2,1)
> y11=matrix(c(data[11,1]-yb[1],data[11,2]-yb[2]),2,1)
> y12=matrix(c(data[12,1]-yb[1],data[12,2]-yb[2]),2,1)
> y13=matrix(c(data[13,1]-yb[1],data[13,2]-yb[2]),2,1)
> y14=matrix(c(data[14,1]-yb[1],data[14,2]-yb[2]),2,1)
> y15=matrix(c(data[15,1]-yb[1],data[15,2]-yb[2]),2,1)
> y16=matrix(c(data[16,1]-yb[1],data[16,2]-yb[2]),2,1)
> y17=matrix(c(data[17,1]-yb[1],data[17,2]-yb[2]),2,1)
> y18=matrix(c(data[18,1]-yb[1],data[18,2]-yb[2]),2,1)
> y19=matrix(c(data[19,1]-yb[1],data[19,2]-yb[2]),2,1)
> y20=matrix(c(data[20,1]-yb[1],data[20,2]-yb[2]),2,1)
> d1=t(y1)%*%ys%*%y1
> d2=t(y2)%*%ys%*%y2
> d3=t(y3)%*%ys%*%y3
> d4=t(y4)%*%ys%*%y4
> d5=t(y5)%*%ys%*%y5
> d6=t(y6)%*%ys%*%y6

> d7=t(y7)%*%ys%*%y7
> d8=t(y8)%*%ys%*%y8
> d9=t(y9)%*%ys%*%y9
> d10=t(y10)%*%ys%*%y10
> d11=t(y11)%*%ys%*%y11
> d12=t(y12)%*%ys%*%y12
> d13=t(y13)%*%ys%*%y13
> d14=t(y14)%*%ys%*%y14
> d15=t(y15)%*%ys%*%y15
> d16=t(y16)%*%ys%*%y16
> d17=t(y17)%*%ys%*%y17
> d18=t(y18)%*%ys%*%y18
> d19=t(y19)%*%ys%*%y19
> d20=t(y20)%*%ys%*%y20
>
d=data.frame(c(d1,d2,d3,d4,d5,d6,d7,d8,d9,10,d11,d12,d13,d14,d15,d16,d17,d18,d19
,d20))
>d
c.d1..d2..d3..d4..d5..d6..d7..d8..d9..10..d11..d12..d13..d14..
1
4.98670928
2
0.52326541
3
2.74992675
4
1.40380876
5
0.76111333
6
0.04756958
7
4.98670928
8
6.95021974
9
0.06781196
10
10.00000000
11
0.30059928
12
1.08499134
13
4.28834732
14
0.68520442
15
0.76111333
16
0.52326541
17
1.21150619
18
2.09204954
19
1.69732321
20
2.63859369

Lalu Di Input Ke Excel dan menjadi sebagai berikut

No

X1

X2 Kandungan

d yang

p(i)

chi(pi)

Kandungan
CO

NO2

12

12

12

21

11

10

13

11

10

12

12

13

18

14

11

15

16

17

18

16

19

13

20

4.8

11.2

Rata-Rata

4.9867
09
0.5232
65
2.7499
27
1.4038
09
0.7611
13
0.0475
7
4.9867
09
6.9502
2
0.0678
12
10
0.3005
99
1.0849
91
4.2883
47
0.6852
04
0.7611
13
0.5232
65
1.2115
06
2.0920
5
1.6973
23
2.6385
94

diurutk
an
0.0475
7
0.0678
12
0.3005
99
0.5232
65
0.5232
65
0.6852
04
0.7611
13
0.7611
13
1.0849
91
1.2115
06
1.4038
09
1.6973
23
2.0920
5
2.6385
94
2.7499
27
4.2883
47
4.9867
09
4.9867
09
6.9502
2
10

0.025
0.075
0.125
0.175
0.225
0.275
0.325
0.375
0.425
0.475
0.525
0.575
0.625
0.675
0.725
0.775
0.825
0.875
0.925
0.975

8.9065
17
10.965
3
12.242
49
13.259
98
14.147
94
14.962
15
15.733
17
16.480
75
17.219
5
17.961
67
18.718
86
19.503
35
20.329
52
21.215
8
22.188
23.285
52
24.575
35
26.189
31
28.458
13
32.852
33

2p

Lalu di Plot kan X= Dt2 dan y =

Q-Q Plot
35
30
25
20
15
10
5
0
0

10

12

Karena sebaran data berada di sekitar garis lurus dan pencilan tidak ada, maka
dapat di asumsikan bahwa Sebaran data berdistribusi Normal.