TUGAS MATA KULIAH METODE MULTIVARIAT

“ANALISIS BIPLOT ( BIPLOT ANALYSIS)”

OLEH:

1. ANIES YULINDA WULANDARI 081611833002

2. RIVANI NURUL FIKRI 081611833060

PRODI S1- STATISTIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS NEGERI AIRLANGGA
SURABAYA
2018
A. Prinsip Dasar Analisis
1. Latar Belakang

Dalam Analisis Mutivariat terdapat banyak metode yang dapat digunakan untuk
menyelesaikan masalah atau mengolah data yang melibatkan banyak variabel. Misalnya
pada saat melakukan suatu penelitian, data yang diperoleh adalah rekapan data yang
berupa tabel nilai rata-rata dari beberapa peubah/variabel pada beberapa objek.
Semakin banyak peubah yang diukur dan semakin banyak objek yang diamati, maka
ukuran tabel yang dimiliki akan semakin besar dan semakin sulit untuk
menginterpretasikannya. Untuk itu diperlukan suatu metode yang mampu
mempermudah interpretasi dari data yang dimiliki. Metode Mutivariat yang dapat
digunakan untuk mengatasi masalah tersebut salah satunya adalah biplot.
Analisis Biplot diperkenalkan oleh Gabriel pada tahun 1971. Biplot adalah salah
satu upaya menggambarkan data -data yang ada pada tabel ringkasan dalam grafik
berdimensi dua. Analisis biplot bersifat deskriptif dengan dimensi dua yang dapat
menyajikan secara visual segugus objek dan variabel dalam satu grafik. Grafik yang
dihasilkan dari biplot ini merupakan grafik yang berbentuk bidang datar.
Biplot merupakan teknik statistika deskriptif yang dapat menyajikan secara
simultan n objek pengamatan terhadap p peubah dalam dua dimensi, sehingga ciri-ciri
peubah dan objek pengamatan serta posisi relatif antar objek pengamatan dengan
peubah dapat dianalisis (Jollife, 2002:90).
Pada analisis biplot, analisis data dilakukan terhadap matriks data yang terkoreksi
terhadap nilai tengahnya. Setelah data dipusatkan akan didapatkan matriks data yang
telah terkoreksi terhadap nilai tengahnya, yang dinotasikan dengan 𝑋̃ dan ditulis
sebagai:
𝑥̃11 𝑥̃12 … 𝑥̃1𝑝
𝑥̃ 𝑥̃
𝑋̃ = [ 21 22 … 𝑥̃2𝑝 ]
⋮ ⋮
𝑥̃𝑛1 𝑥̃𝑛2 .⋱. . ⋮
𝑥̃𝑛𝑝

̃
𝑥11 − 𝑥̅̃1 𝑥12 − 𝑥̅̃2 … 𝑥1𝑝 − 𝑥̅𝑝
̃ ̃
= 𝑥21 − 𝑥̅1 𝑥22 − 𝑥̅2 … 𝑥2𝑝 − 𝑥̅̃𝑝
⋮ ⋮ ⋱
… ⋮
𝑥
[ 𝑛1 − ̃
𝑥̅ 1 𝑥 ̃2
𝑛2 − 𝑥̅ 𝑥𝑛𝑝 − 𝑥̅̃𝑝 ]
 Biplot dapat dibangun dari suatu matriks data, dengan masing-masing kolom mewakili
suatu variabel, dan masing-masing baris mewakili objek penelitian ( Udina:2005) .

𝑥11 𝑥12 ⋯ 𝑥1𝑝

𝑥
𝑋 = [ 21 𝑥22 ⋯ 𝑥2𝑝 ]
𝑥31 𝑥32 ⋯ 𝑥3𝑝

Matrik x adalah matriks yang memuat variabel-variabel yang akan diteliti sebanyak
p dan objek penelitian sebanyak n. Nilai singularnya adalah nXp= nUr r Lr AT P ,dengan (r
≤ {n,p}).

U dan A adalah matriks dengan kolom ortonormal dan L adalah matriks diagonal
berukuran (r x r)dengan unsur-unsur diagonalnya adalah akar dari nilai eigen XT X
yaitu (√𝜆1 , ≥ √𝜆2 ≥ … … √𝜆𝑟 ) . dan kolom-kolom matriks A adalah vektor eigen dari XT X.
1
Kolom-kolom untuk matriks U diperoleh dari 𝑢𝑖 = 𝑎 dengan i=1,2,....r dengan ui
√𝜆𝑖 𝑖

adalah kolom matriks U, ai adalah kolom matrik A dan 𝜆𝑖 adalah nilai eigen ke-i.

Menurut jolife (1968), misalkan 𝐺 = 𝑈𝐿𝑎 dan 𝐻 ′ = 𝐿1−𝑎 𝐴′ dengan α besarnya

0 ≤ α ≤ 1. Persamaan diatas menjadi

𝑋 = 𝑈𝐿𝑎 𝐿1−𝑎 𝐴′ = 𝐺𝐻 ′

Menurut Jollife (1986) untuk mendeskripsikan biplot perlu mengambil nilai α

dalam mendefenisikan G dan H. Pemilihan nilai α pada 𝑮 = 𝑼𝑳𝜶 dan 𝑯 = 𝑨𝑳𝟏−𝜶
bersifat sembarang dengan syarat 0 ≤ α ≤ 1, pengambian nilai α = 0 dan α = 1 berguna
dalam interpretasi biplot. Untuk pengambilan α = 0 dapat meningkatkan interpretasi
̃ dapat diuraikan
biplot jauh lebih baik, maka akan diambil α = 0, sehingga matriks 𝑿
menjadi:

̃ p = n𝑼𝒓 𝑳𝒓 𝑨𝒑
nX
′
=n𝑮𝒓 𝑯′𝒑

dimana:

𝑮 = 𝑼, 𝑯 = 𝑨𝑳 , 𝛼 = 0

𝑳 = 𝑑𝑖𝑎𝑔 (√𝜆1 , √𝜆2 , … , √𝜆𝑟 ), √𝜆1 ≥ √𝜆2 ≥ ⋯ ≥ √𝜆𝑟

𝑨 = (𝒂𝟏 , 𝒂𝟐 , … , 𝒂𝒓 ), 𝑼 = (𝒖𝟏 , 𝒖𝟐 , … , 𝒖𝒓 )
 ̃ , maka di dapat matriks U sebagai
Dengan penguraian nilai singular matriks data 𝑿
berikut:

̃ 𝑨𝑳−𝟏
𝑼=𝑿

0 1 0
… 0 1
√𝜆 1
= [(𝑥1 − 𝑥̅ )′ , (𝑥2 − 𝑥̅ )′ , … , (𝑥𝑛 − 𝑥̅ )′ ][𝑎1 , 𝑎2 , … , 𝑎𝑟 ] 0 √𝜆2 … ⋮
⋱ 1
⋮ ⋮ …
[ 0 0 √𝜆 𝑟 ]

−1/2 ′ −1/2 ′
−1/2 ′
𝜆1 (𝑥1 − 𝑥
̅) 𝑎1 𝜆2 (𝑥1 − 𝑥
̅) 𝑎2
… 𝜆𝑟 (𝑥1 − 𝑥) 𝑎𝑟
̅
−1/2 ′ −1/2 ′ ′
𝑈 = 𝜆1 (𝑥2 − 𝑥
̅) 𝑎1 𝜆2 (𝑥2 − 𝑥 ̅) 𝑎2 … 𝜆−1/2
𝑟 (𝑥2 − 𝑥
̅) 𝑎𝑟
⋮ ⋮ ⋮
… ⋮
−1/2 ′ −1/2 ′ −1/2 ′
[ 𝜆1 (𝑥𝑛 − 𝑥
̅ ) 𝑎1 𝜆2 (𝑥𝑛 − 𝑥
̅ ) 𝑎2 𝜆𝑟 (𝑥𝑛 − 𝑥
̅) 𝑎𝑟 ]

Selanjutnya matriks 𝑨𝑳 akan memuat persamaan :

𝜆1
1/2 0 … 0
𝑨𝑳 = [𝑎1 , 𝑎2 , … , 𝑎𝑟 ] 0
1/2
𝜆2 … 0
⋮ ⋮ ⋮
⋮ … 1/2
[ 0 0 𝜆𝑟 ]

𝑎11 𝑎12 … 𝑎1𝑟 𝜆1/2 0

1 … 0
=[
𝑎21 𝑎22 … 𝑎2𝑟
] 0 𝜆2
1/2
… 0
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋮ ⋮
…
𝑎𝑝1 𝑎𝑝2 … 𝑎𝑝𝑟 1/2
[ 0 0 𝜆𝑟 ]

1/2 1/2 1/2

𝑎11 𝜆1 𝑎12 𝜆2 … 𝑎1𝑟 𝜆𝑟
1/2 1/2
𝐴𝐿 = 𝑎21 𝜆1 𝑎22 𝜆2 … 𝑎2𝑟 𝜆1/2
𝑟
⋮ ⋮ ⋱
… ⋮
1/2 1/2 1/2
[𝑎𝑝1 𝜆1 𝑎𝑝2 𝜆2 𝑎𝑝𝑟 𝜆𝑟 ]

Maka diperoleh persamaan matriks G dan H sebagai berikut:

𝑮 = 𝑼, 𝑯 = 𝑨𝑳

−1/2 ′ −1/2 ′−1/2 ′

𝜆1 (𝑥1 − 𝑥
̅) 𝑎1 𝜆2 (𝑥1 − 𝑥
̅) 𝑎2
… 𝜆𝑟 (𝑥1 − 𝑥) 𝑎𝑟
̅
−1/2 ′ −1/2 ′ ′
𝑮 = 𝜆1 (𝑥2 − 𝑥
̅) 𝑎1 𝜆2 (𝑥2 − 𝑥 ̅) 𝑎2 … 𝜆−1/2
𝑟 (𝑥2 − 𝑥
̅) 𝑎𝑟
⋮ ⋮ ⋮
… ⋮
−1/2 ′ ′ −1/2 ′
[ 𝜆1 ̅) 𝑎1 𝜆−1/2
(𝑥𝑛 − 𝑥 2 (𝑥𝑛 − 𝑥
̅) 𝑎2 𝜆𝑟 (𝑥𝑛 − 𝑥
̅) 𝑎𝑟 ]

𝑔11 𝑔12 … 𝑔1𝑝

𝑔
𝑮 = [ 12
𝑔22 … 𝑔2𝑝 ]
⋮ ⋮ ⋱ ⋮
𝑔𝑛1 𝑔𝑛2 … 𝑔𝑛𝑝

Dan

1 1 1
𝑎11 𝜆21 𝑎12 𝜆22 𝑎1𝑟 𝜆2𝑟
1 1 … 1
𝑯= 𝑎21 𝜆21 𝑎22 𝜆22 … 𝑎2𝑟 𝜆2𝑟
⋱
… ⋮
⋮ ⋮
1 1 1
𝑎 𝜆2
[ 𝑝1 1 𝑎𝑝2 𝜆22 𝑎𝑝𝑟 𝜆2𝑟 ]

Dari pendekatan matriks X pada dimensi dua diperoleh matriks G dan H sebagai berikut :

𝑔11 𝑔12 ℎ11 ℎ12

⋮ ⋮ ⋮ ⋮
𝐺= [ 𝑔𝑖1 𝑔𝑖2 ] dan 𝐻 = ℎ𝑖1 ℎ𝑖2
⋮ ⋮ ⋮ ⋮
𝑔𝑛1 𝑔𝑛2 [ ℎ𝑝1 ℎ𝑝2 ]

Matriks G adalah titik-titik koordinat dari objek dan matriks H adalah titik-titik
koordinat dari p variable yang akan diplot sebagai titik koordinat.

Gabriel (1971) mengemukakan ukuran pendekatan matriks X dengan biplot

dalam bentuk :

(𝜆1 + 𝜆2 )
𝜌2 =
∑𝑟𝑘=1 𝜆𝑘

Dengan

𝜆1 adalah nilai eigen terbesar ke-1,

 𝜆2 adalah nilai eigen terbesar kedua dan

𝜆𝑘 , k=1,2,…r adalah nilai eigen ke-k .

apabila 𝜌2 mendekati nilai satu, maka biplot memberikan penyajian yang

semakin baik mengenai informasi data yang sebenarnya.

Menurut Jolife (1986) untuk mendeskripsikan biplot perlu mengambil nilai α

dalam mendefeniskan G dan H. pemilihan nilai α pada 𝐺 = 𝑈𝐿𝑎 dan 𝐻 ′ = 𝐿1−𝑎 𝐴′
bersifat sembarang dengan syarat 0 ≤ α ≤ 1. Pengambilan nilai ekstrim α =0 dan α =1
berguna dalam interpretasi biplot.

Matriks U ortonormal dan 𝑋 ′ 𝑋 = (𝑛 − 1)𝑠 dengan n adalah banyaknya objek

pengamatan dan S adalah matriks kovarian dari matriks X maka

Jika α = 0 didapat 𝐺 = 𝑈𝐿0 = 𝑈 𝑑𝑎𝑛 𝐻 ′ = 𝐴𝐿1 = 𝐴𝐿 maka

𝑋̃ ′ 𝑋̃ = (𝐺𝐻 ′ )′ (𝐺𝐻 ′ )

= 𝐻𝐺 ′ 𝐺𝐻 ′

= 𝐻𝑈 ′ 𝑈𝐻 ′

= 𝐻𝐻 ′

Matriks U ortonormal dan 𝑋̃ ′ 𝑋̃ = (𝑛 − 1)𝑆 dengan n adalah banyaknya objek

pengamatan dan S adalah matriks kovarian dari matriks X maka

𝐻𝐻 ′ = (𝑛 − 1)𝑆

Hasil kali ℎ𝑖 ℎ𝑗 adalah akan sama dengan (n-1) kali kovarian 𝑆𝑗𝑘 antara variabel
ke-j dan variabel ke-k. Selanjutnya untuk mengetahui variansi variabel gunakan
matriks H.

ℎ11 ℎ12 ℎ … ℎ𝑝1

′
𝐻𝐻 = [ ⋯ ⋯ ] [ 11 ]
ℎ𝑝2 ℎ12 … ℎ𝑝2
ℎ𝑝1

2 2
ℎ11 + ℎ12 … ℎ11 ℎ𝑝1 + ℎ12 ℎ𝑝2
=[ … … … ]
2 2
ℎ11 ℎ𝑝1 + ℎ12 ℎ𝑝2 … ℎ𝑝1 + ℎ𝑝2
 2 2 2 2 2 2
Diagonal utama pada matriks 𝐻𝐻 ′ ∶ ℎ11 + ℎ12 , … . , ℎ𝑗1 + ℎ𝑗2 , … . ℎ𝑝1 + ℎ𝑝2
2 2
menggambarakan variansi dari variabel. Sedangkan ℎ𝑗1 + ℎ𝑗2 , j=1,2…n menyatakan
panjang vector variable (dengan jarak Euclid dari titik O (0,0). Sehingga dapat
disimpulkan bahwa panjang vector variable sebanding dengan variansi variable.

Nilai cosinus sudut antara dua vector peubah menggambarkan korelasi kedua
peubah. Semakin sempit sudut yang dibuat antara dua variable maka semakin tinggi
korelasinya. Korelasi peubah ke-j sama dengan nilai cosinus sudut vector ℎ𝑗 ℎ𝑘 .

𝑆𝑗.𝑘 = |ℎ𝑗 ||ℎ𝑘 | cos 𝜃

𝑆𝑗.𝑘 𝑆𝑗𝑘 𝑆𝑗𝑘

cos 𝜃 = = = = 𝑟𝑗𝑘
|ℎ𝑗 ||ℎ𝑘 | √𝑆𝑗𝑗 √𝑆𝑘𝑘 𝑆𝑗 𝑆𝑘

Kedekatan antar obyek pada gambar biplot dapat dilihat dengan jarak Euclid
antara 𝑔𝑖 dan 𝑔𝑗 sebanding dengan jarak Mahalanobis antar objek pengamatan 𝑥𝑖 dan
𝑥𝑗 dalam data pengamatan sesungguhnya.

Jarak Mahalanobis antara dua pengamatan 𝑥𝑖 dan 𝑥𝑗 didefenisikan sebagai :

𝛿 2 (𝑥𝑖 𝑥𝑗 ) = (𝑥𝑖 −𝑥𝑗 )𝑆 −1 (𝑥𝑖 −𝑥𝑗 )

Jarak Euclid antara dua pengamatan 𝑔𝑖 dan 𝑔𝑗 didefenisikan sebagai :

𝑑 2 (𝑔𝑖 𝑔𝑗 ) = (𝑔𝑖 𝑔𝑗 )(𝑔𝑖 𝑔𝑗 )

Menurut Jolife (1986) 𝛿 2 (𝑥𝑖 𝑥𝑗 ) = (𝑛 − 1)2 𝑑2 (𝑔𝑖 𝑔𝑗 ) . hal ini dapat dibuktikan
sebagai berikut. Persamaan yang ketiga diatas dapat ditulis kembali sebagai 𝑥𝑖′ =
𝑔𝑖 𝐻𝑖′ , 𝑖 = 1,2, … . , 𝑛 dan disubstitusikan ke dalam persamaan sehingga menghasilkan :

𝛿 2 (𝑥𝑖 𝑥𝑗 ) = (𝐻𝑔𝑖 − 𝐻𝑔𝑗 )𝑆 −1 (𝐻𝑔𝑖 − 𝐻𝑔𝑗 )

= (𝐻(𝑔𝑖 𝑔𝑗 )) 𝑆 −1 𝐻(𝑔𝑖 𝑔𝑗 )

= (𝑔𝑖 𝑔𝑗 ) 𝐻𝑆 −1 𝐻(𝑔𝑖 𝑔𝑗 )

= (𝑛 − 1)(𝑔𝑖 𝑔𝑗 )(𝐿𝐴)′ (𝑋 ′ 𝑋)-1(𝐿𝐴)(𝑔𝑖 𝑔𝑗 )

Dengan 𝐻 ′ = 𝐿𝐴′ (𝛼 = 0) dan 𝑆 −1 = (𝑛 − 1) (𝑋 ′ 𝑋)-1

Sedangkan

𝑋 ′ 𝑋 = (𝑈𝐿𝐴′ )′ (𝑈𝐿𝐴)′

=𝐴𝐿𝑈 ′ 𝑈𝐿𝐴′

= 𝐴𝐿−2 𝐴

Dan

(𝑋 ′ 𝑋)-1=((𝑈𝐿𝐴′ )(𝑈𝐿𝐴))-1

= (𝑈 ′ 𝐿𝐴𝑈𝐿𝐴)-1

= (𝐴𝐿𝑈 ′ 𝑈𝐿𝐴)-1

= 𝐴𝐿−2 𝐴

Substitusikan persamaan diatas sehingga menghasilkan

𝛿 2 (𝑥𝑖 𝑥𝑗 ) = (𝑛 − 1)2(𝑔𝑖 𝑔𝑗 )′(𝐿𝐴)′ (𝑋 ′ 𝑋)-1(𝐿𝐴)(𝑔𝑖 𝑔𝑗 )

′
= (𝑛 − 1)2(𝑔𝑖 𝑔𝑗 ) 𝐿(𝐴′ 𝐴)𝐿−2 𝐿(𝑔𝑖 𝑔𝑗 )

′
= (𝑛 − 1)2(𝑔𝑖 𝑔𝑗 ) 𝐿𝐿−2 𝐿(𝑔𝑖 𝑔𝑗 ), (A adalah orthogonal)

′
= (𝑛 − 1)2(𝑔𝑖 𝑔𝑗 ) (𝑔𝑖 𝑔𝑗 )

= (𝑛 − 1)2𝑑2 (𝑔𝑖 𝑔𝑗 )

Berarti dapat dilihat bahwa Mahaanobis sebanding dengan jarak Euclid. Hal ini
mennunjukkan bahwa jarak Euclid mampu menggambarkan posisi objek pengamatan
dalam data pengamatan sesungguhnya. Jika a=1 maka G=UL dan H=A sehingga
diperoleh :

𝑋𝑋" = (𝐺𝐻′)(𝐺𝐻′)′

= 𝐺𝐻′𝐻𝐺′

= 𝐺𝐴′ 𝐴𝐺 ′

= 𝐺𝐺 ′
 Pada keadaan ini,jarak Euclid antara 𝑔𝑖 dan 𝑔𝑗 akan sama dengan jarak Euclid
antara objek pengamatan 𝑥𝑖 dan 𝑥𝑗 . Vector baris ke-i sama dengan skor komponen
utama untuk respon ke-I dari hasil analisis komponen utama. Untuk G=UL maka
unsure ke-k dari 𝑔𝑖 adalah 𝑢𝑖𝑘 √𝜆𝑘 . Hasil tersebut sama dengan 𝑍𝑖𝑘 yang merupakan
skor komponen utama ke-k ari objek ke-I. sedangkan H=A diperoleh bahwa vector
pengaruh kolom ℎ𝑗 sama dengan 𝑎𝑗 .

2. Tujuan Analisis Biplot

Tujuan dari analisis biplot adalah untuk menyajikan secara simultan n objek
pengamatan dan p variabel dalam ruang bidang datar sehingga ciri-ciri variabel dan
objek pengamatan serta posisi relatif antar objek pengamatan dapat dianalisis.

3. Manfaat Analisis

Tiga hal penting yang bisa didapatkan dari tampilan biplot adalah (Sartono dkk,
2003) :
1. Kedekatan antar objek yang diamati
Informasi ini dapat dijadikan panduan untuk mengetahui objek yang memiliki
kemiripan karakteristik dengan objek lain. Penafsiran ini mungkin akan berbeda
untuk setiap bidang terapan, namun inti dari penafsiran ini adalah bahwa dua objek
yang memiliki karakteristik sama akan digambarkan sebagai dua titik dengan
posisi yang berdekatan.
2. Keragaman peubah
Informasi ini digunakan untuk melihat apakah ada variabel yang mempunyai
nilai keragaman yang hampir sama untuk setiap objek. Dengan informasi ini, bisa
diperkirakan pada variabel mana strategi tertentu harus ditingkatkan, dan juga
sebaliknya. Dalam biplot, variabel yang mempunyai nilai keragaman yang kecil
digambarkan sebagai vektor pendek sedangkan variable dengan nilai keragaman
yang besar digambarkan sebagai vektor yang panjang.
3. Korelasi antar peubah
Dari informasi ini bisa diketahui bagaimana suatu variabel mempengaruhi
ataupun dipengaruhi variabel yang lain. Pada biplot, variabel akan digambarkan
sebagai garis berarah. Dua variabel yang memiliki nilai korelasi positif akan
digambarkan sebagai dua buah garis dengan arah yang sama atau membentuk sudut
 sempit yang mengapitnya kurang dari 90o. Sementara itu, dua variabel yang
memiliki nilai korelasi negatif akan digambarkan dalam bentuk dua garis dengan
arah yang berlawanan atau membentuk sudut lebar (tumpul) yang mengapitnya
lebih dari 90o. Sedangkan dua variabel yang tidak berkorelasi akan digambarkan
dalam bentuk dua garis dengan sudut yang mendekati 900 (siku-siku).
4. Nilai peubah pada suatu objek
Dalam informasi ini digunakan untuk melihat keunggulan dari setiap objek.
Objek yang terletak searah dengan arah vektor variabel dikatakan bahwa objek
tersebut mempunyai nilai di atas rata-rata. Namun jika objek terletak berlawanan
dengan arah dari vektor variabel tersebut, maka objek tersebut memiliki nilai di
bawah rata-rata. Sedangkan objek yang hampir berada ditengah-tengah berarti
objek tersebut memiliki nilai dekat dengan rata -rata. Perlu dipahami sebelumnya
bahwa biplot adalah upaya membuat gambar di ruang berdimensi banyak menjadi
gambar di ruang berdimensi dua. Pereduksian dimensi ini mengakibatkan
menurunnya informasi yang terkandung dalam biplot. Biplot yang mampu
memberikan informasi sebesar 70% dari seluruh informasi dianggap cukup.

B. Asumsi yang harus dipenuhi sebelum analisis dilakukan

Sebelum melakukan analisis terhadap suatu data, maka terlebih dulu harus dilihat
apakah data itu layak digunakan atau tidak. Layak atau tidaknya suatu data untuk di
analisis dapat dilihat dari asumsi-asumsi yang dipenuhi. Data yang baik dan layak
digunakan adalah data yang memenuhi semua asumsi yang sudah ditetapkan. Pada analisis
Biplot ini, data yang akan di analisis harus memenuhi beberapa asumsi yaitu :

1. Normality test ( pengujian kenormalan galat )

Jika menggunakan analisis ini galat harus menyebar normal. Tidak terpenuhinya
asumsi ini akan mengakibatkan kesimpulan yang tidak akurat dan berbias. Hipotesis yang
akan diuji adalah :
H0 : galat menyebar normal
H1 : galat tidak menyebar normal.
Jika P-value > α maka ragam galat menyebar normal.
2. Melihat kebebasan galat ( tidak terdapat korelasi antar variabel ).

Hipotesis :

𝐻0 = 𝜌 = 0 (tidak ada korelasi antar variabel)

𝐻1 = 𝜌 ≠ 0 (terdapat korelasi antar variabel)

Kriteria Uji:

p-value < α , Tolak H0

p-value > α, Terima H0

3. Pengujian kehomogenan ragam

Ragam yang heterogen merupakan penyimpangan asumsi dasar pada analisis
ragam. Keheterogenan galat akan mengakibatkan berkurangnya keefisienan pendugaan
beda pengaruh antar perlakuan.
Hipotesis:
H0 : galat menyebar normal
H1 : galat tidak menyebar normal.
Gunakan Test Equal Varians, jika P-value besar α maka ragam galat homogen.
4. Pengujian keaditifan model
Biasanya apabila data bersifat aditif, maka data tersebut mempunyai ragam yang
homogen. Sebaliknya apabila data bersifat tidak aditif, maka data tersebut mempunyai
ragam yang heterogen. Artinya data yang tidak memenuhi pengaruh aditif akan memiliki
keragaman galat yang besar. Untuk menguji keeaditifan model gunakan uji Tukey.

C. Prosedur dan Langkah-langkah Analisis

Langkah-langkah dalam analisis RSVD adalah sbb:

1. Membentuk matriks observasi nxp

2. Melakukan transformasi terhadap matriks data X dengan mengurangi nilai data

matriks dengan rata – ratanya.
𝑥11 − 𝑥̃1 𝑥12 − 𝑥̃2 … 𝑥1𝑝 − 𝑥̃𝑝
𝑥
𝑋̃ = [ 21
− 𝑥̃1 𝑥22 − 𝑥̃2 … 𝑥2𝑝 − 𝑥̃𝑝 ]
⋮ ⋮ ⋱ ⋮
𝑥𝑛1 − 𝑥̃1 𝑥𝑛2 − 𝑥̃2 …
𝑥𝑛𝑝 − 𝑥̃𝑝
 3. Cari 𝑋̃ ′ 𝑋̃
4. Cari nilai eigen dan vektor eigen, kemudian urutkan dari yang terbesar.
5. Menentukan matriks L, A, dan U dengan metode Singular Value Decompotition
(SVD).

√𝜆1 0 … 0
0
𝐿 = [ 0 √𝜆2 … ⋮ ]
⋮ ⋮ …⋱
0 0 √𝜆𝑟

𝐴 = [𝑎1 𝑎2 … 𝑎𝑟 ], (𝑣𝑒𝑘𝑡𝑜𝑟 𝑒𝑖𝑔𝑒𝑛)

1 1 1
𝑈={ 𝑋𝑎1 , 𝑋𝑎2 , … , 𝑋𝑎𝑟 }
√𝜆1 √𝜆2 √𝜆𝑟

Membuat matriks G = ULα dan matriks H = AL1-α

6. Mengambil 2 kolom pertama dari masing – masing matriks G dan H sehingga
menjadi matriks G2 dan H2 yang merupakan titik – titik koordinat dari grafik biplot,
dimana setiap baris matriks G2 merupakan koordinat (x,y) untuk masing – masing
objek, sedangkan setiap baris dari matriks H2 merupakan koordinat (x,y) untuk setiap
variabel
7. Menghitung keragaman yang dapat diterangkan oleh biplot dengan rumus
(𝜆1 + 𝜆2 )
𝜌2 =
∑𝑟𝑘=1 𝜆𝑘

8. Menganalisis biplot.
9. Membuat kesimpulan.

D. STUDI KASUS

Sampel yang digunakan adalah cluster random sampling dari mahasiswa FST
Universitas Airlangga. Variabel yang diamati adalah variabel yang berupa : variabel yang
terkait dengan perbedaan individu yaitu jenis kelamin, pekerjaan sampingan (jika ada),
dan kebiasaan yang terkait dalam menggunakan kartu prabayar.
Variabel persepsi terhadap berbagai atribut kartu prabayar seperti denominasi pulsa
yang rendah dengan harga yang murah (PULSA) , tarif SMS dan nelpon yang murah
(TARIF), banyak menawarkan bonus (BONUS), banyak kenalan yang menggunakan kartu
 prabayar yang digunakan responden (KENALAN), dan jaringan yang jarang mengalami
gangguan(JARINGAN). Data yang digunakan adalah data primer. Masing – masing
responden menilai 8 jenis kartu prabayar berdasarkan kelima variabel. Berikut ini adalah
rata-rata nilai yang diberikan responden :

Jenis Kartu
PULSA BONUS KENALAN TARIF JARINGAN
Prabayar
TRI 9,88 9,16 7,13 9,69 9,20
SIMPATI 6,32 7,50 7,71 7,49 7,89
MENTARI 4,20 5,94 5,18 6,72 4,25
IM3 7,79 8,22 7,24 7,69 7,09
AS 7,79 7,27 6,95 5,34 6,59
SMARTFREN 5,42 5,06 9,11 5,61 7,25
XL 6,18 5,69 6,25 6,01 6,26
AXIS 7,36 6,98 6,08 7,41 6,99
Asumsi yang harus dipenuhi :

1. Uji normalitas

Berdasarkan taraf nyata 0,05, terlihat bahwa semua variabel berdistribusi normal. Hal
ini dikarenakan nilai signifikan semua variabel besar dari α = 0,05.
2. Melihat kebebasan galat ( tidak ada korelasi antara variabel).

Berdasarkan hasil di atas terlihat bahwa tidak terdapat korelasi antar variabel. Hal ini
dikarenakan dengan nilai significant > α, dengan α= 0,05 atau α= 0,01.

3. Pengujian keaditifan model

Diasumsikan untuk kasus di atas datanya mempinyai ragam yang homogen, sehingga
data bersifat aditif.

Dari pengujian asumsi di atas didapatkan hasil bahwa tidak terjadi pelangaran asumsi
atau uji asumsi terpenuhi, maka analisis biplot dapat dapat dilakukan.
Berikut ini analisis datanya:

1. Secara manual.
1. Matriks X data :
 9,88 9,16 7,13 9,69 9,20
6,32 7,50 7,71 7,49 7,89
4,20 5,94 5,18 6,72 4,25
7,79 8,22 7,24 7,69 7,09
X= 7,79 7,27 6,95 5,34 6,59
5,42 5,06 9,11 5,61 7,25
6,18 5,69 6,25 6,01 6,26
[7,36 6,98 6,08 7,41 6,99]

2. Transformasi nilai X terhadap nilai tengahnya.

3,0125 2,1825 0,17375 2,695 2,26

−0,5475 0,5225 0,75375 0,495 0,95
−2,6675 −1,0375 −1,77625 −0,275 −2,69
X= 0,9225
0,9225
1,2425 0,28375 0,695 0,15
0,2925 −0,00625 −1,655 −0,35
−1,4475 −1,9175 2,15375 −1,385 0,31
−0,6875 −1,2875 −0,70625 −0,985 −0,68
[ 0,4925 0,0025 −0,87625 0,415 0,05 ]

3. Matriks X’X :

21,0030 14,1343 2,04132 10,5820 13,3226

14,1343 13,0766 −0,25607 10,7302 8,5849
X’X= 2,0413 −0,2561 9,73919 −1,1135 7,0357
10,5820 10,7302 −1,11355 13,8664 8,2454
[ 13,3226 8,5849 7,03570 8,2454 13,9522 ]

4. Nilai Eigen Matriks X’X :

𝜆1 = 49,5635
𝜆2 = 14,3119
𝜆3 = 5,6099
𝜆4 = 1,7274
𝜆5 = 0,4245

Vektor Eigen Matriks X’X :

−0,612591 0,012676 0,627915 0,264940 −0,400127

−0,470369 0,263443 0,061055 −0,782138 0,306403
−0,097830 −0,780068 −0,193928 −0,390595 −0,437893
−0,426325 0,351418 −0,728997 0,175178 −0,364182
[ −0,460610 −0,445462 −0,181522 0,367171 0,649336 ]

5. Menentukan matriks L, A, dan U dengan metode Singular Value Decompotition

(SVD).
Matriks L :
 7,04013 0 0 0 0
0 3,78311 0 0 0
L= 0 0 2,36852 0 0
0 0 0 1,314301 0
[ 0 0 0 0 0,65153]

Matriks A :

−0,612591 0,012676 0,627915 0,264940 −0,400127

−0,470369 0,263443 0,061055 −0,782138 0,306403
A= −0,097830 −0,780068 −0,193928 −0,390595 −0,437893
−0,426325 0,351418 −0,728997 0,175178 −0,364182
[ −0,460610 −0,445462 −0,181522 0,367171 0,649336 ]

Matriks U :

Dimana 𝑈 = 𝑋𝐴𝐿−1

0,142043 0 0 0 0
0 0,264333 0 0 0
𝐿−1 = 0 0 0,422205 0 0
0 0 0 0,760861 0
[ 0 0 0 0 1,53485]

−0,721426 0,110475 −0,162016 0,247403 −0,194482

−0,089874 −0,186752 −0,418555 −0,313937 0,745480
0,518761 0,576276 −0,297685 −0,180575 −0,183125
−0,219129 0,078003 0,027951 −0,503238 −0,411906
U= 0,023394 −0,087774 0,788824 −0,304616 0,151483
0,287726 −0,747633 −0,206991 0,111243 −0,377221
0,259795 0,042239 0,197659 0,516234 0,164268
[ −0,059247 0,215167 0,070812 0,427485 0,105503 ]

Membuat matriks G = ULα dan matriks H = AL1-α

Jika α = 0 maka 𝑮 = 𝑼, 𝑯 = 𝑨𝑳
−0,721426 0,110475 −0,162016 0,247403 −0,194482
−0,089874 −0,186752 −0,418555 −0,313937 0,745480
0,518761 0,576276 −0,297685 −0,180575 −0,183125
−0,219129 0,078003 0,027951 −0,503238 −0,411906
G = 0,023394 −0,087774 0,788824 −0,304616 0,151483
0,287726 −0,747633 −0,206991 0,111243 −0,377221
0,259795 0,042239 0,197659 0,516234 0,164268
[ −0,059247 0,215167 0,070812 0,427485 0,105503 ]

−4,31272 0,04795 1,48723 0,34821 −0,260695

−3,31146 0,99663 0,14461 −1,02797 0,199631
𝐻 = −0,68874 −2,95108 −0,45932 −0,51336 −0,285300
−3,00139 1,32945 −1,72664 0,23024 −0,237275
[ −3,24275 −1,68523 −0,42994 0,48257 0,423062 ]

6. Mengambil 2 kolom pertama dari masing – masing matriks G dan H.

 −0,721426 0,110475
−0,089874 −0,186752
0,518761 0,576276
−0,219129 0,078003
G=
0,023394 −0,087774
0,287726 −0,747633
0,259795 0,042239
[ −0,059247 0,215167 ]
−4,31272 −3,31146
0,04795 0,99663
H= 1,48723 0,14461
0,34821 −1,02797
[−0,260695 0,199631 ]

7. Menghitung keragaman yang dapat diterangkan oleh biplot dengan rumus

(𝜆1 + 𝜆2 )
𝜌2 =
∑𝑟𝑘=1 𝜆𝑘
(49,5635+14,3119)
𝜌2 = = 0,891651
71,6372

Nilai keragaman total yang mampu diterangkan oleh biplot adalah sebesar
0,891651. Ini berarti biplot mampu menjelaskan sebesar 89% dari total keragaman data

2. Menggunakan software spss

Langkah-langkah analisisnya adalah sebagai berikut :

1) Inputkan data
2. Pilih Analyze > Data reduction > Factor

Maka akan muncul kotak dialog seperti berikut:

Masukkan semua variabel pada kotak Variables, Lalu pilih Scores untuk
menampilkan dialog box “factor scores”.
3. Setelah dialog box “Factor Scores” terbuka, centang “Save as variables”, kemudian pada
kotak berjudul “Method” centang “Regression”, selanjutnya klik Continue.
4. Maka akan kembali ke dialog box “Factor Analysis”, selanjutnya klik “OK”, maka akan
muncul window “Output”, dan pada Window “Data editor” jumlah kolom akan
bertambah, diantaranya ada kolom yang berjudul FAC1_1 dan FAC2_1.
5. Pilih window “Output” klik duakali pada tabel “Component Matrix”, Copy Kolom
pertama selanjutnya kembali ke Window “Data editor” Paste di kolom v1

6. Kembali ke Output window, Copy kolom dibawah “Component 1” selanjutnya kembali

ke data editor Paste di kolom “FAC1_1 “ baris selanjutnya.
7. Kembali ke output window Copy kolom dibawah “Component 2” selanjutnya kembali ke
Data editor Paste di kolom baru “kelompok “ baris selanjutnya.

Sehingga didapatkan tampilan sebagai berikut :

8. Pilih “Graphs > Legacy Dialogs >Scatter/Dot…”
9. Setelah dialog box “Scatter/Dot” terbuka, klik “Overlay Scatter”, selanjutnya klik
Define, untuk membuka dialog box “Overlay Scatterplot”.

10. Isikan kotak dialog yang muncul, seperti dibawah ini :

11. Pilih Options. Setelah dialog box “Options” terbuka, centang “Exclude cases variable by
variable”, dan centang “Display chart with case labels”, selanjutnya klik “Continue”.

12. Maka akan kembali ke dialog box “Overlay Scatterplot”, selanjutnya klik “OK”, maka
akan muncul window “Output” yang menghasilkan peta presepsi.
Sehingga didapatkan peta presepsi dengan garis referensi

Biplot of PULSA, ..., JARINGAN

1.5

1.0

0.5 TARIF
BONUS
Second Factor

PULSA
0.0
JARINGAN
-0.5
KENALAN
-1.0

-1.5

-2.0

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0

First Factor
Interpretasi Analisis Biplot
a. Kedekatan antar objek
Pada tampilan gafik di atas dapat dilihat bahwa kartu IM3 dan AXIS saling
berdekatan, begitu pula dengan kartu Simpati, AS, dan XL. Hal ini menunjukkan bahwa
kartu prabayar tersebut memiliki ciri yang hampir sama dalam menerbitkan berita.

b. Keragaman Peubah
Nilai keragaman dilihat dari panjang vektor yang terbentuk. Jika vektor yang
terbentuk pendek, berarti tingkat persaingan yang diberikan kecil, sedangkan vektor
yang panjang menunjukkan bahwa cara yang dilakukan operator lebih beragam
(keragamannya besar). Pada gambar terlihat bahwa terdapat empat variabel (cara yang
digunakan operator untuk bersaing) yang digambarkan dengan vektor yang panjang,
yaitu jaringan yang jarang mengalami gangguan , denominasi pulsa yang rendah dengan
harga yang murah , banyak menawarkan bonus dan tarif SMS dan nelpon yang murah.
Sedangkan banyak kenalan menggunakan kartu prabayar yang digunakan responden
digambarkan dengan vektor yang pendek, ini menunjukkan bahwa tingkat persaingan
yang disajikan terkait cara tersebut tidak terlalu beragam.

c. Korelasi antar peubah

Dua variabel yang berkorelasi positif ditandai dengan besar sudut yang mengapitnya
kurang dari 90o , sedangkan dua peubah yang yang berkorelasi negatif ditandai dengan
besar sudut yang mengapitnya lebih dari 90o dan apabila sudut yang terbentuk 90o maka
kedua variabel tersebut tidak berkorelasi.
Pada gambar dapat dilihat bahwa sudut yang terbentuk antara variabel kenalan dan
jaringan adalah sudut yang kurang dari 90o. Ini berarti bahwa terdapat korelasi positif
anatara kedua variabel tersebut. Artinya, jika jaringan kartu prabayar baik, maka dapat
banyak kenalan menggunakan kartu prabayar yang digunakan responden akan
meningkat. Hal yang sama juga ditunjukkan oleh denominasi pulsa yang rendah dengan
harga yang murah , banyak menawarkan bonus dan tarif SMS dan nelpon yang murah
yang juga berkorelasi positif, dimana denominasi pulsa yang rendah dengan harga yang
murah yang diberikan oleh setiap jenis kartu prabayar akan meningkat jika banyak bonus
ditawarkan serta tarif SMS dan nelpon yang murah.
 Lain halnya dengan variabel tarif dan kenalan. Pada gambar dapat dilihat bahwa sudut
yang terbentuk antara variabel tarif dan kenalan adalah sudut 90o. Ini berarti bahwa tidak
terdapat korelasi diantara variabel tersebut.