PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

PROPERTY DAN PERDAGANGAN SEBAGAI

SEKTOR DOMINAN PADA DATA BURSA SAHAM
DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)
Hanna A Parhusip, Deva Widyananto1 ,dan Bernadeta Desinova Kr2
Center of Applied Mathematics (CAM), Program Studi Matematika
Fakultas Sains dan Matematika (FSM)
Universitas Kristen Satya Wacana (UKSW) (www.uksw.edu)
1

mahasiswa S1, matematika FSM UKSW

mahasiswa S1, matematika FSM UKSW

ABSTRAK
Pada makalah ini dibahas tentang analisa beberapa sektor saham yang ada di Indonesia. Data diambil dari
Bursa Efek Jakarta ( BEJ ) dan menggunakan data pada bulan Januari 2008 sampai dengan Januari 2010.
Analisa menggunakan PCA (Principal Component Analysis). Metode ini dilakukan dengan cara menyusun
matriks kovariansi dari data.Variabel mula-mula X ditransformasi menjadi variabel baru Y dengan P=XY dan
P adalah matriks yang vektor-vektor kolomnya adalah vektor eigen dari matriks kovariansi. Vektor eigen dari
nilai eigen terbesar disebut komponen prinsip dan merupakan bobot penyusun variabel baru sebagai
kombinasi linear dari variabel yang lama.
Data menunjukkan bahwa ada 8 variabel sebagai sektor sektor yang memiliki nilai sahan cukup tinggi.
Variabel tersebut adalah pertanian, industri dasar, aneka industri, barang konsumsi, keuangan, pertambangan,
properti, dan perdagangan. Seluruh variabel diuji untuk mendapatkan variabel yang dominan. Diperoleh
bahwa properti dan perdagangan adalah variabel yang dominan yang ditunjukkan dengan variansi terbesar
melalui Principal Component Analysis. Jika variabel distandarisasi maka tidak dapat ditunjukkan variabel
yang dominan.
Kata Kunci : komponen prinsip, nilai eigen, vektor eigen.

PENDAHULUAN
Saham merupakan bagian terpenting didalam dunia bisnis dan cukup menjanjikan. Keuntungan
yang didapat dari menanamkan uang dalam bentuk uang cukup besar, begitu pula kerugian yang
dapat diterima. Oleh karena itu banyak orang berlomba lomba untuk menanamkan sebagian
kekayaan yang dimiliki dalam bentuk saham. Saham sendiri terbagi kedalam beberapa sektor /
bidang seperti pertanian, industri, pertambangan, keuangan, konsumsi / bahan pangan, property dan
perdagangan. Penulis melakukan observasi data di website bursa efek untuk mengetahui variabel
yang dapat memberikan keuntungan cukup besar dan meminimalkan kerugian yang didapat.
Agar semua variabel yang ada pada data saham tersebut dapat diketahui mana yang berpengaruh
terhadap untung rugi yang didapat maka penulis mencari variabel variabel yang dominan terhadap
saham tersebut. Semua variabel dominan yang mempengaruhi nilai saham tersebut dipilih
menggunakan metode Principal Component Analisys ( PCA ).

658

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

Pada makalah ini teori yang digunakan ditunjukkan pada bagian PCA sedangkan penjelasan metode
yang digunakan ditunjukkan pada Bab 3. Hasil analisa dijelaskan pada Bab 4 dan kesimpulan
dituliskan pada bagian akhir makalah ini.
PCA (PRINCIPAL COMPONENT ANALYSIS)
PCA telah digunakan oleh berbagai peneliti untuk memilih variabel yang dominan agar variabel
yang banyak dapat tereduksi. Sebagai salah satu contoh adalah mencari variabel dominan pada
berbagai jenis variabel pakan yang diberikan pada sapi untuk mengenali variabel yang dominan
yang berpengaruh terhadap berat sapi optimum untuk memproduksi susu sapi ( Parhusip dan

Siska. 2009). Teori yang telah diulas pada literatur tersebut ditulis kembali pada makalah
ini. Akan tetapi pada makalah ini ditambahkan penyusunan komponen prinsip dengan PCA
untuk variabel yang telah distandarisasi.
Secara aljabar PCA merupakan suatu kombinasi linear khusus untuk p variabel random X1, . . . , Xp.
Secara geometri, kombinasi linear menyatakan pemilihan sistem koordinat baru yang diperoleh dari
merotasi sistem mula-mula X1, . . . , Xp sebagai sumbu-sumbu koordinat. Sumbu koordinat yang
baru sangat tergantung dari matriks kovariansi (atau matrik korelasi). Matriks kovariansi pada
makalah ini disimbolkan
Definisi 1.

dan haruslah positif tegas (positive definite). Istilah ini dijelaskan pada

Definisi 1: (Peressini,1988)
Misalkan
sebuah matriks simetri
maka matriks
positif (negatif) tegas
(definite positive (negative)) jika dan hanya jika semua nilai eigennya positif (negatif) . Sedangkan
mattriks yang semipositif (seminegatif) tegas jika dan hanya jika semua nilai eigennya taknegatif
(takpositif) .
Teorema 2. (Johnson , and Wichern, 2002)
Sebutlah matriks X = [X1, . . . , Xp] adalah matriks yang vektor-vektor kolomnya adalah vektor
random (dianggap berdistribusi normal) yang mempunyai matriks kovariansi
positif tegas (positive definite)) dengan nilai eigen

(simetris dan

dan sebutlah vektor eigen

yang bersesuaian untuk setiap

Komponen prinsip ke-i adalah

adalah

yang saling ortogonal.

i= 1,2,...,p .

(1.a)

Dengan pemilihan ini

Var
Cov(
Perlunya

, i =1,2,...,p ,
)=

(1.b)
(1.c)

yang saling ortogonal adalah bahwa kita dapat menyusun kombinasi linear

dengan basis {
}. Jika beberapa
ada yang sama maka pemilihan vektor eigen ada yang
sama. Sebenarnya dapat dipilih vektor eigen yang berbeda dengan menggunakan generalisasi vektor
eigen (generalized eigenvector) tetapi tidak dibahas pada makalah ini. Oleh karena itu
tunggal.

659

tidak

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

Bukti : (Johnson and Wichern, 2002, hal.358) .

Akibat 3.
Sebutlah matriks X = [X1, . . . , Xp] adalah matriks yang vektor-vektor kolomnya adalah vektor
random yang mempunyai matriks kovariansi

dengan nilai eigen

sebutlah vektor eigen yang bersesuaian untuk setiap

komponen-komponen prinsip ditentukan oleh persamaan (1.a). Maka

dan
adalah

dan

(1.d)
menyatakan variansi populasi yang ke-ii.
Bukti :
Diketahui dari aljabar linear bahwa jumlahan elemen diagonal dari suatu matriks disebut sebagai
trace (tr) matriks tersebut (Lay,2003). Dalam hal ini berarti
.
Kita dapat menuliskan
adalah

dan P =

dengan D adalah matriks diagonal yang elemen diagonal

adalah matriks yang vektor-vektor kolomnya merupakan vektor eigen

dan saling ortogonal sehingga

(matriks identitas). Dari sifat tr bahwa tr dari
perkalian matriks A dan B berlaku tr(AB) = tr(BA). Sehingga berlaku

Jadi
.
Akibat 1 menyatakan bahwa total variansi populasi =

Akibat 4. Proporsi variansi komponen prinsip ke-i didefinisikan sebagai

, k =1,..., p.
Nilai

menyatakan ukuran pentingnya variabel ke-k terhadap komponen prinsip ke-i. Secara

khusus,
menyatakan korelasi antara komponen-komponen
ditunjukkan pada Teorema 5.

dan variabel-variabel

. Hal ini

Teorema 5.
Jika

X,

kovariansi

maka

X,...,

X adalah komponen prinsip yang diperoleh dari matriks

660

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

i,k =1,2,...,p

adalah koefisien korelasi antara komponen-komponen

dan variabel-variabel

(2a)
.

Bukti : (Johnson and Wichern, 2007, hal. 360) .

Kita telah mempunyai informasi bahwa korelasi antara variabel mula-mula yang tidak memuat
dimensi sehingga variansi data bebas dari variansi yang memuat dimensi yaitu dengan koefisien
korelasi populasi

yang didefinisikan sebagai

.

(2b)

Koefisien korelasi ini mengukur hubungan linear antara variabel random

korelasi merupakan matriks simetri p x p yaitu

=
Komponen prinsip secara geometri memenuhi persamaan ellipsoida

dan

. Matriks

, c : konstan .
Karena

(2c)

(3)

, persamaan (3) menyatakan sistem koordinat dengan sumbu-sumbu

pada arah berturut-turut diberikan oleh

(yang telah saling ortonormal).

Untuk selanjutnya akan ditentukan variabel dominan yang mempengaruhi nilai saham di berbagai
sektor maka dapat digunakan PCA dengan menyusun matriks kovariansi terlebih dahulu dengan
mengasumsikan bahwa data disimpan dalam sebuah vektor random X dimana elemen baris
menyatakan N observasi X= [X1...Xp] dan banyaknya kolom menyatakan p variabel X1, . . . , Xp
pada matriks p x N. Rata-rata untuk vektor X didefinisikan sebagai
.
Akan dicari
untuk k=1....p, dimana:
Sehingga kolom matriks N x p dapat ditulis sebagai:

(4.a)
(4.b)

B=[
...
]
(4.c)
dimana B merupakan bentuk deviasi rata-rata untuk setiap X yang diperoleh dari persamaan (4.b).
Sedangkan matriks kovariansi matriks adalah p x p matriks S yang didefinisikan sebagai:
(4.d)

661

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

merupakan matriks positive definite (nilai eigen matriks tersebut semua positif) sesuai dengan
Teorema 1.
Total variansi didefinisikan sebagai jumlahan semua variansi sebagaimana ditunjukkan pada
persamaan (1.d). Hal ini diperoleh dengan cara jumlahan dari elemen diagonal matriks S. Jumlahan
dari semua diagonal matriks S yang dikuadratkan merupakan trace dari matriks S ( tr(S) ) .
Nilai eigen dari S harus diurutkan dari besar ke kecil agar diketahui variabel apa yang paling
dominan yang mempengaruhi nilai saham.
Untuk selanjutnya perlu disusun matriks P = X Y dengan P adalah matriks yang terdiri dari vektorvektor kolom dari setiap vektor eigen yang diperoleh. Vektor eigen ini diperoleh dengan
menyelesaikan
, i = 1,...,p
dengan n banyaknya sampel saham. Sedangkan nilai eigen
dengan menyelesaikan persamaan karakteristik yaitu det(S-

(5a)
perlu diperoleh terlebih dahulu

= 0 yang diperoleh dari

(5b)

PCA dengan standardisasi Variabel

Variabel random dapat distandarisasi dengan cara
... ,
Dengan notasi matriks vektor persamaan (5c) ditulis sebagai
Z = (V1/2)-1 (X - )
1/2 -1
dengan (V ) merupakan matriks diagonal yaitu

(V1/2)-1 =

(5c)
(5d)

(5e).

Dengan menggunakan persamaan (2c) dan (5e) dapat diperoleh

= (V1/2)-1
(V1/2)-1 .
(5f)
Dengan variabel random yang sudah distandarisasi kita dapat menyusun komponen prinsip
berdasarkan Teorema 6 .
Teorema 6.
Komponen prinsip ke-i dari variabel standard ZT = [Z1, Z2,...,Zp], dengan Cov(Z) =
oleh
Z=

(V1/2)-1 (X -

) , i =1,2,..., p .

diberikan
(5g)

Selain itu
dan
,
i,k = 1,2, ... , p.
Pada Teorema ini nilai eigen dan vektor eigen diperoleh dari matriks korelasi (5f).

662

(5h)

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

Agar PCA dapat diperkenalkan dengan jelas berikut ini diberikan contoh penggunaaannya dengan
menggunakan bantuan MATLAB.
Contoh : Misal data yang diperoleh saham dari sektor Pertanian, Industri Dasar, Aneka Industri dan
Barang Konsumsi ditunjukkan pada Tabel 1.

Tabel 1. Data pengukuran variabel untuk 4 sektor saham

Tahun

2008

2009

2010

Akhir Periode

Pertanian

Industri Dasar

Aneka Industri

Barang Konsumsi

2006

1218.45

147.1

284.12

392.46

2007

2754.76

238.05

477.35

436.04

September

1489.57

162.93

326.15

381.36

Oktober

738.17

112.18

199.97

321.92

November

803.89

114.45

215.82

320.9

Desember

918.77

134.99

214.94

326.84

Januari

969.43

126.39

246.57

337.85

Februari

1046.64

124.08

220.41

346.16

Maret

1094.59

134.66

287.9

352.8

April

1333.25

151.15

316.67

381.32

Mei

1576.52

182.05

362.72

433.73

Juni

1527

192.92

416.21

495.73

Juli

1659.55

222.8

504.6

591.2

Agustus

1797.12

229.12

538.05

559.18

September

1784.21

238.46

584.96

597.63

Oktober IV

1823.1

256.83

572.19

591.66

November I

1733.43

260.78

533.45

595.51

November II

1760.16

259.53

267.64

608.09

November III

1786.82

263.74

578.61

631.32

November IV

1745.19

252.88

261.22

625.73

Desember I

1838.58

260.48

271.65

661.59

Desember II

1831.67

264.47

587.64

651.07

Desember III

1785.5

268.77

598.88

654.62

Desember IV

1753.09

273.93

601.47

671.31

Januari I

1952.19

284.24

596.89

684.48

Januari II

1935.65

283.42

624.27

690.27

Januari III

1901.58

282.08

595.27

702.4

Januari IV

1850.31

280.11

626.53

699.78

663

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

Tahun

2008

2009

2010

Tabel 2. Data pengukuran variabel untuk 4 sektor saham (tak berdimensi)

Akhir
Periode
Pertanian
Industri Dasar
Aneka Industri
Barang Konsumsi
2006

0.4423

0.5175

0.4535

0.5587

2007

1.0000

0.8375

0.7619

0.6208

September

0.5407

0.5732

0.5206

0.5429

Oktober

0.268

0.3947

0.3192

0.4583

November

0.2918

0.4027

0.3445

0.4569

Desember

0.3335

0.4749

0.3431

0.4653

Januari

0.3519

0.4447

0.3935

0.481

Februari

0.3799

0.4365

0.3518

0.4928

Maret

0.3973

0.4738

0.4595

0.5023

April

0.0484

0.5318

0.5054

0.5429

Mei

0.5723

0.6405

0.5789

0.6175

Juni

0.5543

0.6787

0.6643

0.7058

Juli

0.6024

0.7838

0.8054

0.8417

Agustus

0.6524

0.8061

0.8588

0.7961

September

0.6477

0.8389

0.9337

0.8508

Oktober IV

0.6618

0.9036

0.9133

0.8423

November I

0.6292

0.9175

0.8514

0.8478

November II

0.639

0.9131

0.4272

0.8657

November III

0.6486

0.9279

0.9235

0.8988

November IV

0.6335

0.8897

0.4169

0.8908

Desember I

0.6674

0.9164

0.4336

0.9419

Desember II

0.6649

0.9304

0.9379

0.9269

Desember III

0.6482

0.9456

0.9559

0.932

Desember IV

0.6364

0.9637

0.96

0.9557

Januari I

0.7087

1.0000

0.9527

0.9745

Januari II

0.7027

0.9971

0.9964

0.9827

Januari III

0.6903

0.9924

0.9501

1.0000

Januari IV

0.6717

0.9855

1.0000

0.9963

664

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

Data pada Tabel 1 perlu dinyatakan dalam bentuk tak berdimensi. Hal ini dilakukan dengan cara
membagi data tiap baris dengan maksimum per baris yang ditunjukkan pada Tabel 2.
Matriks kovariansi dari Tabel 2 dapat dicari dengan menghitung rata-rata data tiap baris yang
disebut dalam vektor M dan dicari matriks deviasi B menggunakan bantuan MATLAB. Sehingga
matriks kovariansinya adalah

S=

Setelah matriks kovariansi(S) diperoleh, maka dapat dicari nilai eigennya. yaitu
(persamaan 5b) dengan

bukan vektor nol (dan disebut sebagai

vektor eigen) yang harus dicari. Untuk itu berarti

bukan vektor nol maka disyaratkan det
Dengan

menggunakan

bantuan

harus memenuhi

, agar

=0 (Lay,2003).
MATLAB

maka

dapat

diperoleh
dan

nilai

eigen

diperoleh

nilai

vektor eigen

Dapat ditunjukkan bahwa

= 0 dan dengan
dimana
. Hal ini berarti
masing masing vektor saling tegak lurus dan mempunyai nilai 1, sehingga dapat digunakan
sebagai basis untuk

.Oleh karena itu komponen prinsip adalah

Untuk selanjutnya korelasi antara

formula (2) yaitu berturut-turut

dan

, i =1,,4 dapat ditunjukkan dengan mengikuti

=-0.0383;

=0.3852;

665

=0.0267;

= 0.9425.

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

Karena nilai korelasi

(barang konsumsi) dekat dengan 1 (
= 0.9425), maka variabel
mempengaruhi nilai sahan Indonesia periode Januari 2008 Januari 2010.
METODE PENELITIAN
1. Pengumpulan Data : data yang digunakan adalah data saham Januari 2008 2010 yang
ditunjukkan pada Tabel 3. Data setiap vektor-vektor kolom dianggap sebagai variabel
random yang berdistribusi normal. Dapat pula dilakukan pengujian normalitas data.

2. Menyusun matriks kovariansi menggunakan persamaan (4a)-(4d).

3. Menghitung nilai eigen dan vektor eigen yang bersesuaian dengan nilai eigennya
menurut persamaan (5a)-(5b). Vektor eigen sebagai penyusun koefisien pada
komponen prinsip.
4. Menyatakan variabel prinsip sebagai kombinasi linear dari variabel mula-mula
menggunakan persamaan (1a).
5. Menentukan koefisisen korelasi antara komponen prinsip dan variabel mula mula
dengan persamaan (2).

Tahun

2008

2009

Tabel 3. Data Saham Januari 2008 Januari 2010

Sumber : http //: bankindonesia/statistic/moneter/semi11
Industri
Aneka
Barang
Keuanga
Dasar
Industri
Konsumsi
n
Pertambangan

Akhir
Periode

Pertania
n

2006

1218.45

147.1

284.12

392.46

206.57

2007

2754.76

238.05

477.35

436.04

September

1489.57

162.93

326.15

Properti

Perdagangan

933.33

122.92

275.08

260.57

3270.09

251.82

392.24

381.36

203.37

1833.24

142.42

261.33

Oktober

738.17

112.18

199.97

321.92

151.79

1095.87

101.35

158.76

November

803.89

114.45

215.82

320.9

150.9

897.51

105.63

137.78

Desember

918.77

134.99

214.94

326.84

176.33

877.68

103.49

148.33

Januari

969.43

126.39

246.57

337.85

161.24

922.16

96.03

147.6

Februari

1046.64

124.08

220.41

346.16

145.95

963.89

96.56

147.9

Maret

1094.59

134.66

287.9

352.8

172.71

1045.31

100.54

161.37

April

1333.25

151.15

316.67

381.32

215.73

1444.46

112.32

185.56

Mei

1576.52

182.05

362.72

433.73

227.65

1818.96

130.99

205.21

Juni

1527

192.92

416.21

495.73

243.66

1848.54

144.79

217.84

Juli

1659.55

222.8

504.6

591.2

272.79

2144.91

159398

250.01

Agustus

1797.12

229.12

538.05

559.18

280.46

2140.43

157.96

259.85

September
Oktober
IV
November
I
November
II
November
III
November
IV
Desember
I
Desember
II

1784.21

238.46

584.96

597.63

300.7

2238.59

162.29

277.4

1823.1

256.83

572.19

591.66

288.32

2231.36

159.22

272.33

1733.43

260.78

533.45

595.51

293.81

2068.46

156.21

256.74

1760.16

259.53

267.64

608.09

296.37

2129.23

152.96

256.38

1786.82

263.74

578.61

631.32

298.2

2230.38

153.95

264.14

1745.19

252.88

261.22

625.73

293.48

2129.87

143.64

248.47

1838.58

260.48

271.65

661.59

301.75

2248.63

147.95

255.4

1831.67

264.47

587.64

651.07

300.32

2211.08

146.86

260.62

666

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

2010

Desember
III
Desember
IV

1785.5

268.77

598.88

654.62

296.4

2152.68

144.28

267.77

1753.09

273.93

601.47

671.31

301.42

2203.48

146.8

275.76

Januari I

1952.19

284.24

596.89

684.48

306.24

2409.81

150.37

287.02

Januari II

1935.65

283.42

624.27

690.27

310.84

2375.03

154.26

306.99

Januari III

1901.58

282.08

595.27

702.4

311.05

2294.4

152.99

301.17

Januari IV

1850.31

280.11

626.53

699.78

311.66

2236.4

153.49

299.44

ANALISA DAN PEMBAHASAN

Dengan mengikuti Bab 2, berikut ini akan dianalisa data Tabel 3 untuk mencari variabel yang
dominan pada nilai saham tiap sektor. Langkah pertama yang dilakukan adalah menghitung ratarata data tiap kolom, dan ditunjukkan dalam vektor yaitu
Dengan menggunakan persamaan (4.d) matriks kovariansi S dapat diperoleh dan ditunjukkan pada
Tabel 4.
Tabel 4. Matriks kovariansi (S)
0.0251
0.0292
0.0285
0.0229
0.0250
0.0287
0.0010
0.0227

0.0292
0.0471
0.0445
0.0420
0.0402
0.0354
0.0011
0.0268

0.0285
0.0445
0.0644
0.0397
0.0382
0.0346
0.0047
0.0280

0.0229
0.0420
0.0397
0.0398
0.0363
0.0286
0.0034
0.0213

0.0250
0.0402
0.0382
0.0363
0.0356
0.0303
0.0024
0.0232

0.0287
0.0354
0.0346
0.0286
0.0303
0.0346
0.0031
0.0256

0.0010
0.0011
0.0047
0.0034
0.0024
0.0031
0.0357
0.0008

0.0227
0.0268
0.0280
0.0213
0.0232
0.0256
0.0008
0.0238

Tampak bahwa matriks kovariansi S adalah matriks simetris. Kita dapat mencari nilai eigen
sebagaimana ditunjukkan pada Teori Ujinormalitas dan dengan menggunakan bantuan MATLAB
maka nilai eigen adalah

Sedangkan vektor eigen untuk tiap nilai eigen diperoleh berturut-turut ditunjukkan pada tiap kolom
pada Tabel 5 dan dapat ditunjukkan bahwa vektor eigen tersebut saling ortonormal.
Tabel 5. Nilai Vektor eigen untuk data Tabel 3.
0.4043
-0.6881
0.0070
0.5947
-0.0354
-0.0487
-0.0402
-0.0635

0.6699
0.3835
0.0086
-0.0871
-0.2525
-0.5485
0.0456
-0.1726

0.1841
-0.2473
0.0249
-0.3955
0.8242
-0.2184
0.0044
-0.1445

-0.1714
-0.0466
-0.0667
0.1113
0.0760
-0.5459
0.0324
0.8043

-0.2206
0.3426
-0.5731
0.5286
0.3240
-0.1750
0.0360
-0.2987

0.4298
-0.0002
-0.6643
-0.2029
0.0055
0.4399
0.1035
0.3585

-0.0566
-0.0703
0.0763
0.0152
-0.0212
-0.0096
0.9910
-0.0563

0.2965
0.4402
0.4683
0.3861
0.3800
0.3562
0.0336
0.2785

Menurut Bab 2, maka perlu didefinisikan variabel random yang disusun berdasarkan vektor-vektor
kolom dari matriks kovariansi S, yaitu

667

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

Karena komponen prinsip yang terpenting adalah yang pertama maka komponen prinsip pertama
adalah
Dapat ditunjukkan bahwa

dan

saling bebas linear , i,j =1,..,8. yaitu bahwa Cov(

Untuk selanjutnya korelasi antara

formula (2) yaitu berturut-turut

dan

= 0.0442;

= 0.3266.

Karena nilai korelasi variabel

variabel

dan

) = 0.

, i =1,,8 dapat ditunjukkan dengan mengikuti

= 0.0419;

= 0.2132;

( properti ) dan

= 0.0027

= 0.0301;

= 0.9931;

= 0.8682.

( perdagangan ) dekat dengan 1, maka

sebagai variabel yang paling berpengaruh terhadap nilai saham.

Hasil PCA dengan standardisasi variabel

Hasil PCA dengan standardisasi variabel diharapkan memberikan kesimpulan yang sama tentang
variabel yang dianggap dominan. Dengan menggunakan persamaan (5c) data distandardisasi.
Diperoleh nilai eigen

Sehingga vektor eigen untuk nilai eigen terbesar adalah

.
Komponen prinsip dengan variabel standard untuk nilai eigen terbesar adalah

Kita dapat menyusun korelasi antara

diperoleh
-0.1548,

-0.1618,

dengan

, i =1,...,8 menggunakan persamaan (5h)

-0.1421,

-0.1521,

-0.1607,

-0.1573 ,
-0.0132 dan
-0.1496. Kita menyimpulkan bahwa semua
variabel mempunyai makna yang sama atau tidak ada yang dominan.

668

PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS UKSW

Dari hasil ini disimpulkan bahwa menggunakan standardisasi variabel tidak dapat menunjukkan
dominasi salah satu variabel. Hal ini juga ditunjukkan pada literatur (Johnson and Wichern, 2002) .
Pemilihan variabel dengan standarisasi dilakukan bila data mempunyai perbedaan yang sangat
signifikan ataupun dengan satuan yang berbeda. Hal ini belum diselidiki lebih lanjut.
KESIMPULAN DAN SARAN
Pada makalah ini telah ditunjukkan pemilihan variabel dominan dengan menggunakan Principal
Component Analysis untuk 8 variabel .Variabel tersebut adalah pertanian, industri dasar, aneka
industri, barang konsumsi, keuangan, pertambangan, properti, dan perdagangan. Seluruh variabel
diuji untuk mendapatkan variabel yang dominan. Diperoleh bahwa properti dan perdagangan adalah
variabel yang dominan yang ditunjukkan dengan variansi terbesar melalui Principal Component
Analysis.
Analisa dapat pula dilakukan dengan menstandarisasi variabel menggunakan persamaan (5c)
sehingga komponen prinsip merupakan kombinasi linear antar variabel yang telah distandarisasi
menurut Teorema 6. Diperoleh bahwa dominasi variabel tidak dapat dikenali.
DAFTAR PUSTAKA
[1] Johnson ,R.A., and Wichern, D.W. 2002. Applied Multivariate Statistical Analysis, 6th ed.
Prentice Hall, ISBN 0-13-187715-1.
[2] Lay, D. C. 2003. Linear Algebra and Ist Applications, Third Edition, Addison Wesley, pp.482491.

[3]

Parhusip H. A., dan Siska A. 2009. Principal Component Analysis (PCA) untuk
Analisis Perlakukan Pemberian Pakan dan Mineral terhadap Produksi Susu Sapi,
Prosiding Seminar Nasioanal Matematika UNPAR, ISSN 1907-3909, Vol 4, hal.AA
42-51.

[3] Peressini, A.L., Sullivan, F.E.,Uhl, J.J.,1988. The Mathematics of Nonlinear Programming,
Springer-Verlag, New-York.
http //: bankindonesia/statistic/moneter/semi11

669