TUGAS 1 ANALISIS DATA MULTIVARIAT II PRAKTIKUM

Nama : Rima Nuraeni

NPM : 140610080070

Diberikan variabel :
X1

: (working capital) / (total asset)

X2

: (retained earning) / (total asset)

X3

: (earning before interest and taxes) / (total asset)

X4

: (market value equity) / (book value of total asset)

X5

: (salles) / (total asset)

Dengan matriks varians-kovariansnya :

2075.1184 1951.9614 -303.4482 294.4775 17.3813

5085.4767 1632.2182 177.7665 -15.6653

s
2636.5666 167.9436 -46.6042

3018.2188 1.6108

1.3508
Lakukan analisis komponen utamanya !

JAWABAN
Didapatkan output software R sebagai berikut :
Dicari nilai eigen dan vektor eigen dari matriks kovarians data yang diinputkan. Hal ini
sebatas mencari nilai eigen value dan eigen vektor, karena analisisnya menggunakan fungsi
princomp.
Eigen value
[1] 6551.892890 3015.878245 2710.837450 537.669522

0.453192

Eigen vector
[,1]

[,2]

[,3]

[,4]

[,5]

[1,] -0.36034792 -0.126790511 0.57426737 0.724059942 -0.0052662338

[2,] -0.86530906 0.105810494 0.08806302 -0.481963766 -0.0004537568
[3,] -0.33668453 0.123990864 -0.79665168 0.486120057 0.0174122400
[4,] -0.08955996 -0.978437902 -0.16591101 -0.084326132 -0.0009620882
[5,] 0.00348653 -0.003720616 0.01677884 -0.004952016 0.9998339608

[1]

Importance of components:
Comp.1
Standard deviation

Comp.2

Comp.3

Comp.4

80.9437638 54.9170123 52.0657032 23.1877020

Comp.5
0.6731953363

Proportion of Variance 0.5111984 0.2353079 0.2115077 0.0419506

0.0000353594

Cumulative Proportion 0.5111984 0.7465063 0.9580140 0.9999646

1.0000000000

Terlihat proporsi varians kumulatifnya baru mencapai 80% pada komponen 3,

artinya komponen 1, komponen 2, komponen 3 dapat menjelaskan 96% informasi variabelvariabel asal dan yang ketiga komponen ini digunakan untuk analisis selanjutnya.

Loadings:
Comp.1 Comp.2 Comp.3 Comp.4 Comp.5
[1,] -0.360 -0.127 0.574

0.724

[2,] -0.865 0.106

-0.482

[3,] -0.337 0.124 -0.797

0.486

[4,]

-0.978 -0.166

[5,]

1.000
Nilai-nilai loadings pada hasil di atas erupakan nilai vektor eigen yang merupakan

koefisien-koefisien komponen utama. Nilai loadings tersebut sama dengan nilai vektor eigen
matriks kovarians namun ada bagian-bagian yang hilang.
Comp.1 Comp.2
SS loadings
Proportion Var
Cumulative Var

1.0
0.2
0.2

Comp.3 Comp.4 Comp.5

1.0

1.0

1.0

1.0

0.2

0.2

0.2

0.2

0.6

0.8

1.0

0.4

[2]

Dari scree plot terlihat kurva mulai landai pada titik comp 4, berarti dapat dikatakan
tiga komponen saja (komponen 1, komponen 2, komponen 3) sudah mencukupi untuk kelima
variabel pada soal.
Sehingga fungsi komponen utamanya adalah :
Y1 = -0.360X1 - 0.865X2 - 0.337X3
Y2 = -0.127 X1 + 0.106X2 + 0,124X3 - 0.978X4
Y3 = 0.574X1 - 0.797X3 - 0.166X4
Lampiran syntax yang digunakan
> r <- c(2075.1184 , 1951.9614 , -303.4482 , 294.4775 , 17.3813 , 1951.9614 , 5085.4767 ,
1632.2182 , 177.7665 , -15.6653 , -303.4482 , 1632.2182 , 2636.5666 , 167.9436 , -46.6042 ,
294.4775 , 177.7665 , 167.9436 , 3018.2188 , 1.6108 , 17.3813 , -15.6653 , -46.6042 , 1.6108
, 1.3508)
> R <- matrix(r, 5, 5)
>R
> ei_val <- eigen(R)$value
> ei_vec <- eigen(R)$vector
> ei_val
> ei_vec
> fit_pca <- princomp(scores=TRUE, covmat=R, cor=FALSE)
> summary(fit_pca)
> loadings(fit_pca)
> plot(fit_pca, type="lines")

[3]