P. 1
kontrak

kontrak

|Views: 274|Likes:
Dipublikasikan oleh anon-352564

More info:

Published by: anon-352564 on Oct 09, 2008
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPT, PDF, TXT or read online from Scribd
See more
See less

01/14/2013

pdf

text

original

Applied Multivariate Techniques

By : Ahmad Mughni, ST.  : mughni@trunojoyo.ac.id : (031) 70189879

Syllabus
• Course Overview • Course Objective • Course Benefit • Course Methode • Grading • Textbook • Tentative Course Schedule
(c) Trunojoyo University Multivariate Analysis 2

Course Objective
( Tujuan Perkuliahan ) Tujuan Perkuliahan :

• •

Memberikan pemahaman kepada mahasiswa mengenai pengertian analisis multivariate, ruang lingkup, klasifikasi dan aplikasinya Memberikan pemahaman dan kemampuan kepada mahasiswa untuk menguji sekumpulan data multivariate mengenai :
– – – – – Pemrosesan data hilang (missing data processes) Pengidentifikasian outlier Pengujian asumsi data Transformasi data Variabel nonmetrik  variabel metrik

beserta pengaruhnya terhadap hasil analisis dan berbagai konsekuensinya
(c) Trunojoyo University Multivariate Analysis 3

Course Objective
( Tujuan Perkuliahan – lanjutan )

• Memberikan pemahaman dan kemampuan kepada mahasiswa
untuk melakukan analisis multivariate dengan menggunakan berbagai teknik multivariate terapan yang meliputi :
1. Principal Componen Analysis (PCA) 2. Factor Analysis (FA) 3. Canonical Correlation Analysis (CCA) 4. Cluster Analysis (CA) 5. Discriminan Analysis (DA) 6. Multiple Regression Analysis (MRA) 7. Conjoint Analysis (CoA) 8. Analisis Variansi Multivariate (MANOVA), 9. Multidimensional Scalling 10.Structural Equation Modelling (SEM)

• Memberikan kemampuan kepada mahasiswa untuk memilih dan

mempergunakan suatu analisis multivariate yang sesuai dengan tujuan dilakukannya suatu analisis (studi).
Multivariate Analysis 4

(c) Trunojoyo University

Course Benefit
( Manfaat Perkuliahan )

• Lebih memahami aplikasi statistika dalam berbagai

bidang Teknik Industri serta keteknikan yang lain • Lebih familiar dengan berbagai package statistika SPSS, SAS, MINITAB dll • Dapat melakukan interpretasi yang lebih baik terhadap hasil analisis multivariate • Ingat bahwa fenomena sosial, psikologi, manajerial, keteknikan semakin hari semakin kompleks  variabel semakin multivariate  belajar multivariate = mempersiapkan senjata anda di masa depan.

(c) Trunojoyo University

Multivariate Analysis

5

Course Methode
( Metode Perkuliahan )

• Perkuliahan ini lebih menekankan pada teknik-teknik • •

• •

multivarate yang aplikatif Topik perkuliahan minggu pertama dan kedua akan lebih menekankan pada pengantar, konsep dan prinsip dasar analisis multivariate. Dengan waktu tatap muka yang tidak banyak (100 menit / pertemuan) maka perkuliahan ini menuntut anda untuk mempelajari konsep-konsep dasar dari materi yang akan diajarkan terlebih dahulu. Dosen akan memfasilitasi proses belajar saudara tersebut dengan tugas terstruktur. Perkuliahan ini akan menfasilitasi anda untuk belajar dan berlatih berbagai teknik multivariate terapan melalui penugasan terstruktur. Perkuliahan ini menggunakan penunjang software seperti SPSS, MINITAB maupun SAS.
Multivariate Analysis 6

(c) Trunojoyo University

Grading
( Penilaian )

Nilai akhir perkuliahan akan didasarkan pada 5 komponen berikut ini : 1. Tugas Mingguan 2. Tugas Terstruktur 3. Tugas Besar 4. UTS 5. UAS                   TOTAL = 25% 10% 20% 100% 25% 125 points 125 points 50 points 100 points 20% 100 points  500 points

(c) Trunojoyo University

Multivariate Analysis

7

Grade Convertion
( Konversi nilai )

•A •B + •B •C + •C •D + •D •E

: 401 – 500 : 351 – 400 : 301 – 350 : 251 – 300 : 201 – 250 : 151 – 200 : 101 – 150 : < 100
Multivariate Analysis 8

(c) Trunojoyo University

Explanation of Grading
( Penjelasan Penilaian )

Tugas Mingguan
• Seperti dijelaskan di metode perkuliiahan bahwa waktu
tatap muka amat sedikit (100 menit / tatap muka) maka saudara harus selalu belajar terlebih dahulu materi yang akan diajarkan. • Tugas ini mengharuskan saudara untuk membuat sebuah ringkasan mengenai materi yang akan diajarkan yang secara detail akan diberikan pada akhir pertemuan sebelumnya. • Materi tugas ini biasanya merupakan ringkasan suatu teknik multivariate yang akan diajarkan yang meliputi : pengertian suatu metode analisis, aplikasi, asumsi, dan konsep-konsep dasarnya. (jadi anda bisa menyiapkan pointpoint tersebut untuk seluruh analisis mulai sekarang) • Selama satu semester, akan terdapat 11 tugas mingguan. • Nilai satu tugas mingguan berkisar antara 0 – 11,37 point
(c) Trunojoyo University Multivariate Analysis 9

Tugas Mingguan
Deadline
Week 2

Topik tugas
Missing data Outliers Asumsi analisis Multivariate Principal Componen Analysis

Keterangan Tugas
1. Jelaskan yang dimaksud dg konsep-2 tersebut 2. Jelaskan penanganan missing data & outliers 3. Jelaskan pengertian masing-2 asumsi AM 1. Jelaskan pengertian, tujuan & taksonomi PCA 2. Jelaskan jenis data & asumsi-2 yg digunakan dlm PCA 3. Jelaskan secara ringkas dasar logika PCA 4. Tulis posedur melakukan PCA dengan SPSS 1. Jelaskan pengertian, tujuan & taksonomi FA 2. Jelaskan jenis data & asumsi-2 yg digunakan dlm FA 3. Jelaskan secara ringkas dasar logika FA 4. Jelaskan perbedaan PCA dan FA 5. Tulis posedur melakukan FA dengan SPSS 1. Jelaskan pengertian, tujuan & taksonomi CCA 2. Jelaskan jenis data & asumsi-2 yg digunakan dlm CCA 3. Jelaskan secara ringkas dasar logika CCA 4. Tulis posedur melakukan CCA dengan SPSS 1. Jelaskan pengertian, tujuan & taksonomi CA 2. Jelaskan jenis data & asumsi-2 yg digunakan dlm CA 3. Jelaskan secara ringkas dasar logika CA 4. Tulis posedur melakukan CA dengan SPSS 1. Jelaskan pengertian, tujuan & taksonomi DA 2. Jelaskan jenis data & asumsi-2 yg digunakan dlm DA 3. Jelaskan secara ringkas dasar logika DA 4. Jelaskan perbedaan CA dan DA 5. Tulis posedur melakukan DA dengan SPSS

Week 3

Week 4

Factor Analysis

Week 5

Canonical Correlation Analysis

Week 6

Cluster Analysis

Week 7

Discriminan Analysis

(c) Trunojoyo University

Multivariate Analysis

10

Tugas Mingguan
Deadline Week 10

Topik tugas
Multiple Regression Analysis

Keterangan Tugas
1. Jelaskan pengertian, tujuan & taksonomi MRA 2. Jelaskan jenis data & asumsi-2 yg digunakan dlm MRA 3. Jelaskan secara ringkas dasar logika MRA 4. Tulis posedur melakukan MRA dengan SPSS 1. Jelaskan pengertian, tujuan & taksonomi CoA 2. Jelaskan jenis data & asumsi-2 yg digunakan dlm CoA 3. Jelaskan secara ringkas dasar logika CoA 4. Tulis posedur melakukan CoA dengan SPSS 1. Jelaskan pengertian, tujuan & taksonomi MANOVA 2. Jelaskan jenis data & asumsi-2 yg digunakan dlm MANOVA 3. Jelaskan secara ringkas dasar logika MANOVA 4. Tulis posedur melakukan MANOVA dengan SPSS 1. Jelaskan pengertian, tujuan & taksonomi MDS 2. Jelaskan jenis data & asumsi-2 yg digunakan dlm MDS 3. Jelaskan secara ringkas dasar logika MDS 4. Tulis posedur melakukan MDS dengan SPSS 1. Jelaskan pengertian, tujuan & taksonomi SEM 2. Jelaskan jenis data & asumsi-2 yg digunakan dlm SEM 3. Jelaskan secara ringkas dasar logika SEM 4. Tulis posedur melakukan SEM dengan LISREL

Week 11

Conjoin Analysis

Week 12

MANOVA

Week 13

Multi Dimensional Scalling

Week 14

SEM

(c) Trunojoyo University

Multivariate Analysis

11

continue
Tugas Terstruktur
• Tugas terstruktur bertujuan untuk membangun keterampilan anda dalam
berbagai teknik multivariate terapan. • Dalam tugas ini, saudara akan diberi suatu data set dan diminta untuk menganalisis data tersebut dengan teknik multivariate tertentu • Selama satu semester akan diberikan 10 buah tugas terstruktur • Nilai sebuah tugas terstruktur berkisar antara 0 – 12,5

Tugas Besar
• Tugas besar dikerjakan secara kelompok yang terdiri dari 2 orang • • • • •
mahasiswa. Tugas besar bertujuan untuk membangun kemampuan aplikasi teknik multivariate anda dalam berbagai fenomena nyata. Dalam tugas besar ini, silahkan anda mencari suatu permasalahan yang real dan cukup kompleks dan dapat dipecahkan dengan suatu teknik multivariate tertentu, kemudian lakukan analisis, interpretasi dan ambil kesimpulan (sistematika penulisan seperti laporan TA) Permasalahan silahkan anda tentukan dan harus sudah dikumpulkan maksimal saat pelaksanaan UTS (jadi silakan mulai memikirkan topik TB mulai sekarang). Metode multivariate yang digunakan akan disebar secara merata sesuai jumlah kelompok. Nilai tugas besar berkisar antara 0 – 50 point
Multivariate Analysis 12

(c) Trunojoyo University

continue
Laporan tertulis
• • Laporan tertulis tugas mingguan minimum 3
halaman dobel spasi (dengan font-size 11 points, margin 1 inch seluruhnya). Laporan tertulis tugas terstruktur dibuat dobel spasi (dengan font-size 11 points, margin 1 inch seluruhnya), output hasil analisis dengan software dapat diletakkan di lampiran. Laporan tertulis tugas besar telah dijelaskan sebelumnya. Anda dapat melakukan konsultasi dengan janjian dulu dengan dosen anda.

(c) Trunojoyo University

Multivariate Analysis

13

continue
Ujian Tengah Semester (UTS)
• Ujian bersifat open book • UTS akan diberikan di kelas. UTS akan mencakup semua materi •
dan termasuk seluruh studi kasus. Ujian bisa berupa soal kuantitatif, uraian singkat ataupun panjang. Satu atau beberapa soal mungkin ditulis dalam bahasa Inggris.

Ujian Akhir Semester (UAS)

• Ujian bersifat open book • Materi UAS meliputi seluruh materi, meskipun lebih fokus dan • •

menitik beratkan pada konsep dan materi perkuliahan setelah UTS. Ujian akan berisi soal kuantitatif, esay singkat atau panjang. Satu atau lebih soal mungkin ditulis dalam bahasa Inggris

(c) Trunojoyo University

Multivariate Analysis

14

Text Book
1. 2. 3. 4. Joseph F. Hair, Jr., Rolph E. Anderson, Ronald L. Tatham and William C. black, “Multivariate Data Analysis”, Prentice Hall. Supranto, J., (2004) Analisis Multivariat Arti dan Inerpretasi, Rineka Cipta Sharma, Subbash, (1996), “Aplied Multivariate Techniques”, John Wiley & Sons. Johnson, A. Richard and Wichern W. Dean, ” Aplied Multivariate Statistical Analysis”, Upper Saddle River, Prentice Hall

(c) Trunojoyo University

Multivariate Analysis

15

Tentative Course Schedule
Week 1 Week 2 Week 3 Week 4 Week 5 Week 6 Week 7 Week 8 Kontrak perkuliahan dan Pengantar Analisis Multivariate Mempersiapkan dan menguji data Principal Componen Analysis Factor Analysis Canonical Correlation Analysis Cluster Analysis 1  bab I 1  Bab 2 2  Bab 2 & 3 2  Bab 4 1  Bab 3 2  Bab 5 1  Bab 8 2  Bab 13 1  Bab 9 2  Bab 7 1  Bab 5 2  Bab 8

Discriminan Analysis UTS

(c) Trunojoyo University

Multivariate Analysis

16

Tentative Course Schedule
Week 9 Week 10 Week 11 Week 12 Week 13 Week 14 Week 15 Week 16 Multiple Regression Analysis I Multiple Regression Analysis II Conjoin Analysis MANOVA Multi Dimensional Scalling SEM SEM UAS 1  bab 4 3  bab 7 1  bab 4 3  bab 7 1  Bab 7 1  Bab 6 2  Bab 11 1  Bab 10 1  Bab 11 1  Bab 11

(c) Trunojoyo University

Multivariate Analysis

17

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->