PENGANTAR MULTIVARIAT

PERGURUAN TINGGI
Pemecahan Masalah (Penelitian)

Suatu Masalah Baru Yang Mendasar

Masalah yang akhirnya membuat pengetahuan yang telah diperbaiki itu menjadi lebih bermanfaat

PENGEMBANGAN SAINS

PENGEMBANGAN TEKNOLOGI

EKSPERIMEN EKSPERIMEN &

SURVEY

DATA

DATA

Data Kualitatif

Data Kuantitatif

Diskrit

Kontinu

Skala Pengukuran Data

Sifat

Skala Pengukuran Nominal Ordinal

Interval Rasio

Membeda kan

Ada Urutan/ Tingkatan

Ada Interval

Ada titik nol yang punya arti

DATA = MODEL + ERROR

PENENTUAN MODEL TERBAIK estimasi parameter dan pengujian parameter sederhana, akurasi tinggi terpenuhi asumsi pada error Tidak Ada Model Yang Benar, Yang Ada Model Terbaik Atau Pemecahan Masalah Adalah Proses Yang Berulang Yang Tidak Kunjung Selesai

Tiga hal yang diperlukan oleh seorang peneliti :

pengumpulan dan pengolahan data penyusunan model pengujian kevalidan model

Pemecahan Masalah (Penelitian) Seringkali Membatasi Jumlah Peubah Terkait

MULTIVARIATE

SEBAGIAN INFORMASI HILANG

PERLU

PENELITIAN HARUS MELIHAT KERANGKA PERMASALAHAN SECARA MENYELURUH

Skema Metode Multivariate

Skema Metode Multivariate

Skema Metode Multivariate

KEGUNAAN An. MUTLIVARIATE (Kendall, 1980)

PENYEDERHANAAN STRUKTUR KLASIFIKASI PENGELOMPOKAN VARIABEL ANALISIS KETERGANTUNGAN PEMBENTUKAN & PENGUJIAN HIPOTESIS

MANOVA - Peubah respon banyak - Antar respon tidak bebas - Korelasi sangat ditentukan oleh n
untuk n kecil, r = 0,85 belum tentu korelasi tinggi
untuk n besar, r = 0,3 bisa korelasinya kuat

ANALISIS KORELASI KANONIK - untuk melihat seberapa besar hubungan itu terjadi - Korelasi diteruskan ke hubungan sebab akibat (multivariate regression)

ANALISIS GEROMBOL (CLUSTER) menggunakan ukuran kedekatan atau kemiripan antar objek Prinsip cluster: between dan within Teknik hierarki dan non hierarki Cluster two step : langkah menata objek, optimasi jumlah cluster

ANALISIS BIPLOT Mengoverlay-kan dua plot (plot obyek dan peubah) Banyak digunakan pada bidang marketing untuk pencutraan produk alam menentukan variabel penciri dari suatu objek

ANALISIS KORESPONDENSI Untuk mengetahui segmentasi pasar di riset pemasasaran Objek tidak diukur melainkan dilihat frekuensinya

ANALISIS DISKRIMINAN Fungsi untuk mengklasifikasikan kelas (kelas >2 ) Clusternya harus ada dulu Jika kelas =2, digunakan logistic regression / logistic diskriminan Pada dasarnya untuk memaksimumkan jarak Banyak digunakan pada bidang management risk MULTI DIMENSIONAL SCALING Untuk mengetahui kompetensi produk, penentuan posisi Mirip dengan BIPLOT, pemetaan objek saja Bekerja dari matrik jarak

Analisis Komponen Utama

Prinsip dasar:
mengelompokkan variabel-variabel yang korelasi liniernya sejalan linier menjadi satu komponen utama

Tujuan:
- penyusutan dimensi banyaknya variabel atau dapat disederhanakan struktur hubungan variabel sehingga dengan dimensi yang lebih kecil - mudah melakukan interpretasi tanpa kehilangan banyak informasi tentang data, bahkan informasi yang didapat menjadi lebih padat dan bermakna. - data (skor komponen) dapat digunakan sebagai input analisis lanjut (misal: Bi-plot, An. Komponen Regresi, An. Cluster)

Analisis Faktor
Prinsip dasar: mengekstraksi sejumlah factor (common factor) dari gugusan variabel asal - banyaknya faktor lebih sedikit dari variabel asal X - sebagian besar informasi variabel X tersimpan dalam faktor Tujuan: untuk mendapatkan sejumlah kecil faktor (komponen utama) yang memiliki sifat mampu menerangkan semaksimal mungkin keragaman data Kegunaan: - mengekstrak laten variabel dari indikator atau mereduksi variabel unobservables menjadi variabel baru yang jumlahnya lebih sedikit - mempermudah interpretasi, sehingga didapatkan informasi yang realistik - pemeriksaan validitas dan reliabilitas instrumen penelitian - untuk pemetaan dan pengelompokkan variabel - data (skor faktor) dapat digunakan sebagai input analisis lanjut (misal: An. Diskriminan, An. Regresi, An. Cluster, MANOVA )