BAB II
KAJIAN TEORI
A. MATRIKS
1. Pengertian Matriks
Menurut Howard Anton (1997: 22) matriks adalah susunan segi empat
siku-siku dari bilangan-bilangan. Bilangan-bilangan dalam susunan tersebut
dinamakan entri dari matriks.
Matriks dilambangkan dengan huruf besar, sedangkan entri (elemen matriks)
dilambangkan dengan huruf kecil.
Dalam matriks dikenal ukuran matriks yang disebut ordo, yaitu banyaknya baris ×
banyaknya kolom.
Contoh 1
a11 a12
A a21 a22
a31 a32
Matriks berordo 3×2, dengan entri a11 , a12 , a21 , a22 , a31 , a32 .
Dua matriks dikatakan sama, jika ordonya sama dan entri-entri yang bersesuaian
dalam kedua matriks tersebut sama. Jika matriks seperti bentuk umum di atas
yaitu A aij dan B bij dengan i=1,2,…,m dan j=1,2,…,n, dan A B , maka
Contoh:
a 4
Jika A dan A B , hanya dipenuhi oleh a 1, b 2, c 1 , dan d 1
2 6d
2. Matriks Bujursangkar.
Diagonal utama
Matriks bujur sangkar yang diagonal utamanya berupa bilangan 1 dan yang
di luar diagonal utama berupa bilangan 0 disebut matriks identitas, dilambangkan
dengan I. Jika ukuran penting untuk ditekankan, maka ditulis
dengan untuk matriks ukuran .
3. Penjumlahan Matriks
Menurut Howard Anton (1997: 23), jika dan adalah sebarang dua
matriks yang ukurannya sama, maka jumlah adalah matriks yang diperoleh
dengan menambahkan bersama-sama entri yang bersesuaian dalam kedua matriks
tersebut. Matriks-matriks yang ukurannya berbeda tidak dapat dijumlahkan.
Contoh 4
maka
Menurut Howard Anton (1997: 24), jika adalah suatu matriks dan
11
adalah skalar, maka hasil kali (product) adalah matriks yang diperoleh dengan
mengalikan masing-masing entri dari oleh .
12
Contoh 5
maka
sebagai jumlah .
Contoh 6
5. Perkalian Matriks
entrinya ditentukan sebagai berikut. Untuk mencari entri dalam baris dan kolom
dari , pilihlah baris i dari matriks dan kolom j dari matriks . Kalikanlah entri-
entri yang bersesuaian dari baris dan kolom tersebut bersama-sama dan kemudian
tambahkanlah hasil kali yang dihasilkan.
14
Dengan aturan tersebut, dikaitkan dengan vektor kolom dan vektor baris, jika
vektor baris ke- dari matriks dan vektor kolom ke- dari matriks , maka
elemen-elemen matriks adalah: .
Contoh 7
Maka,
6. Transpose Matriks
Menurut Howard Anton (1997: 27), jika adalah sebarang matriks , maka
transpose dinyatakan oleh dan didefinisikan dengan matriks
yang kolom pertamanya adalah baris pertama dari , kolom keduanya adalah baris
kedua dari , demikian juga dengan kolom ketiga adalah baris ketiga dari , dan
seterusnya.
Sifat-sifat transpose matriks:
1.
2.
17
3.
Contoh 8
7. Determinan Matriks
Menurut Howard Anton (1997: 63), misalkan adalah matriks kuadrat. Fungsi
determinan dinyatakan oleh , dan didefinisikan sebagai jumlah semua hasil
perkalian elementer bertanda dari .
Sebuah hasil perkalian elementer bertanda dari suatu matriks adalah sebuah
hasil perkalian elementer pada suatu kolom dengan atau .
a. Determinan matriks
b. Determinan matriks
c. Matriks Minor
e. Matriks Adjoint
Misalkan,
Minor adalah
Kofaktor adalah
21
f. Determinan matriks
(ekspansi kofaktor di
(ekspansi kofaktor di
Contoh 10
Jawab:
23
Jadi,
8. Invers
Jika matriks persegi dan jika terdapat suatu matriks dengan ukuran yang
sama sedemikian sehingga , maka invertible (dapat dibalik) dan
adalah invers dari .
Jika dapat dibalik, maka inversnya akan dinyatakan dengan simbol . Jadi
dan
24
Jika dan adalah matriks-matriks yang invertible dan ukurannya sama, maka
1. invertible
2.
25
1.
2. untuk
dinamakan vektor eigen (eigenvector) dari jika adalah kelipatan skalar dari
; yaitu,
Untuk suatu skalar . Skalar dinamakan nilai eigen (eigenvalue) dari dan
Skalar yang memenuhi persamaan (2.1) adalah nilai eigen dari . Apabila
diperluas, maka adalah polinom yang disebut polinom
karakteristik dari .
Polinom karakteristik dari matriks mempunyai bentuk
Contoh 11
Diketahui matriks
dengan
Misalkan maka
Untuk maka:
Misalkan maka
Jika n sebuah bilangan bulat positif, maka ordered n-tupel adalah sebuah urutan
dari n bilangan real ( , ,..., ). Himpunan semua ordered n-tupel disebut ruang
berdimensi n dan dinyatakan dengan .
Definisi 2.4: (Anton dan Rorres, 2000: 162)
Vektor dan ) pada disebut sama jika
= , = ,..., = .
Penjumlahan didefinisikan
(b)
(c)
(d)
32
(e)
(f)
(g)
33
(h)
dengan operasi penjumlahan, perkalian skalar dan hasil kali dalam Euclidean
Jika , , dan adalah vektor-vektor pada dan adalah sebarang skalar, maka:
(a)
(b) (c)
(d)
3. Kombinasi linear
C. Analisis Multivariat
Data yang diperoleh dengan mengukur lebih dari satu variabel kriteria pada
setiap individu anggota sampel, disebut data multivariat. Dalam data multivariat
digunakan notasi untuk menunjukkan nilai tertentu dari variabel
ke- yang diamati pada objek ke- . Secara umum, data multivariat dengan
Objek 1
Objek 2
Objek
Objek
atau dapat ditulis dalam bentuk matriks dengan baris dan kolom sebagai
berikut:
36
2.1. Vektor Mean, Matriks Kovariansi dan Matriks Korelasi Data Sampel
Misalkan adalah pengukuran pada variabel pertama. Rata-
rata pengukuran disebut juga rata-rata (mean) sampel ditulis dengan
adalah
Secara umum mean sampel untuk variabel ke-i bila ada p variabel dan n
2.2 Vektor Mean, Matriks Kovariansi dan Matriks Korelasi Data Populasi
populasi adalah:
39
maka berlaku:
41
merupakan matriks simetris dengan dan berturut-turut adalah mean populasi dan
varians-kovarians populasi.
Ukuran hubungan linear antara variabel random dan disebut koefisien
, dimana:
42
D. Analisis Profil
Menurut Morisson dalam Mattjik dan Sumertajaya (2011: 101) analisis profil
merupakan suatu bagian dari pengujian hipotesis terhadap nilai tengah dari multivariat
dengan menggunakan prinsip grafik. Dengan demikian untuk mengetahui perkiraan
tentang kemiripan profil baik profil antar perlakuan maupun antar kelompok yang
dinyatakan dengan kesejajaran itu, dapat dilihat dari grafik plot antara nilai rataan tiap-
tiap perlakuan untuk setiap kelompok (populasi). Misalkan, terdapat rata-rata (mean)
populasi merupakan rata-rata respon untuk 4 perlakuan
(treatment) pada kelompok pertama, plot dari rata-rata ini dihubungkan oleh garis lurus,
dapat dilihat pada Gambar 2.1.
43
Mean
response
Variables
1 2 3 4
Profil dapat didefiniskan sebagai kumpulan skor subtes peserta tes pada tes yang
diberikan. Analisis profil mengacu pada penentuan kekuatan dan kelemahan kognitif
yang dapat digunakan untuk membantu dalam membuat keputusan mengenai diagnosis
dan intervensi.
Menurut Ding (2001), profil menyediakan tiga jenis informasi untuk setiap
kelompok, yaitu level, dispersi dan bentuk (shape). Level profil didefinisikan
sebagai rata-rata terbobot dari skor dalam profil, yaitu nilai rata-rata akhir dari variabel.
Dispersi profil didefinisikan sebagai ukuran penyebaran jumlah masing- masing skor
dalam profil terhadap mean. Ukuran dispersi adalah standar deviasi dari skor setiap
kelompok. Dispersi sulit dibuat interpretasi langsung, karena dispersi profil untuk
kelompok-kelompok pada umumnya bergantung pada korelasi diantara variabel dalam
profil. Menurut Nunnally yang dikutip oleh Ding (2001), cara yang masuk akal untuk
menerjemahkan dispersi dari skor adalah membandingkan dispersi dari skor untuk dua
kelompok. Bentuk (shape) profil didefinisikan sebagai “up” dan “down” dalam profil
dan dapat ditentukan oleh peringkat dari skor. Bentuk profil disebut juga skor ipsative.
Skor ipsative adalah
44
perbedaan antara skor subtes dan level profil. Jika skor ipsative positif, itu merupakan
puncak profil yang menunjukkan subskor lebih tinggi dari rata-rata skor keseluruhan
tes ini. Jika skor ipsative negatif, itu merupakan lembah profil yang menunjukkan
subskor lebih rendah dari rata-rata skor keseluruhan tes ini. Titik-titik tinggi dan
rendah dalam profil menunjukkan karakteristik menonjol dari kelompok yang
menyerupai profil. Ukuran yang dapat memuat shape dan scatter secara bersamaan dari
profil adalah pola profil.
E. Multidimensional Scaling
dua objek yang relatif berbeda ditunjukkan oleh dua titik yang cenderung jauh satu
sama lain.
Penggambaran objek selanjutnya disebut dengan istilah stimulus (stimuli) dan
biasanya dinyatakan dalam peta berdimensi rendah seperti dimensi dua atau tiga,
sedangkan peta dimensi berjumlah empat atau lebih akan membuat interpretasi sulit
dilakukan sehingga MDS umumnya memakai dua atau tiga dimensi. Peta berdimensi
rendah menjadi alat untuk memaksimalkan ukuran kedekatan (proximity measure) di
setiap pasangan objek serta jarak antara suatu objek didalam sebuah peta.
Perumusan Masalah
Input Data
Penamaan Dimensi
46
Uji Kebaikan Model MDS
Dalam tahap ini, data yang dimasukkan pada multidimensional scaling ini
berupa nilai kemiripan atau ketidakmiripan antara setiap pasangan dari n objek,
sehingga data yang digunakan berdasarkan pada nilai proximities
(kedekatan).
Input Data
Persepsi Preferensi
a. Data Persepsi
Jika data kemiripan yang harus dikumpulkan, peneliti harus menentukan item
yang paling mirip dan yang paling tidak mrip. Beberapa prosedur biasanya digunakan
untuk memperoleh persepsi responden di antara stimuli, data yang dihasilkan dapat
bersifat langsung (direct) jika merupakan data kemiripan dan tidak langsung (derived)
jika merupakan data rating atribut.
Direct approaches memiliki keunggulan, yaitu: peneliti tidak harus
mengidentifikasi serangkaian atribut. Responden menentukan tingkat kemiripan
berdasarkan kriterianya masing-masing. Kelemahannya adalah kriteria tersebut
dipengaruhi oleh stimuli yang diteliti. Sebagai contoh, jika berbagai merk motor diteliti
pada rentang harga yang sama, maka harga tidak akan dipandang sebagai faktor yang
penting.
Derived approaches memiliki keunggulan, yaitu: kemudahan dalam identifikasi
responden yang memiliki persepsi yang sama atau homogen. Responden dapat
mengelompokkan merk berdasar peringkat atribut produk, sehingga memudahkan
peneliti dalam memberikan label dimensi. Kelemahannya adalah peneliti harus
terlebih dahulu mengembangkan atribut- atribut relevan.
Direct approaches lebih banyak digunakan daripada derived approaches.
Direct approaches digunakan untuk menyusun spatial map, sedangkan derived
approaches digunakan sebagai dasar interpretasi dimensi pada peta persepsi.
50
b. Data Preferensi
Untuk memilih prosedur MDS tergantung pada pengukuran data persepsi dari
preferensi yang akan dilakukan. Dalam pemilihan prosedur yang akan digunakan untuk
analisis multidimensional scaling, maka perlu diketahui dua tipe multidimensional
scaling yaitu metric multidimensional scaling dan nonmetric multidimensional scaling.
Metric multidimensional scaling mengasumsikan bahwa input data adalah metrik dan
outputya juga berbentuk metrik, sedangkan nonmetric multidimensional scaling
mengasumsikan bahwa data input berskala nominal atau ordinal tetapi hasilnya
berbentuk metrik. Jarak yang digambarkan pada peta diasumsikan sebagai skala
interval. Menurut
51
Maholtra (2010: 354), prosedur MDS dengan menggunakan data metrik maupun data
non metrik akan memberikan hasil yang sama.
2.4 Penentuan Jumlah Dimensi
Tujuan dari multidimensional scaling adalah membentuk suatu spatial map yang
terbaik (dapat menggambarkan keadaan sesungguhnya) dari suatu data input. Dalam
analisis multidimensional scaling (MDS) akan ditentukan lebih dahulu faktor-faktor
yang tetap digunakan untuk memperoleh gambaran posisi dalam spatial maping yang
terbaik, karena tidak semua faktor tetap digunakan dalam analisis. Untuk menentukan
jumlah faktor digunakan dasar analisis faktor dengan sub bahasanya adalah penurunan
faktor.
Sebuah perbedaan nilai eigen menunjukkan seberapa pentingnya faktor tersebut.
Oleh karena itu, akan diperlihatkan bahwa hanya akan tetap menggunakan faktor dengan
nilai eigen yang besar. Dalam menentukan sebuah nilai eigen yang cukup besar untuk
menggambarkan faktor yang berarti dapat digunakan sebuah teknik penyelesaian yang
dikemukakan oleh Catell dalam Andy Field (2005: 632) yaitu untuk menggambarkan
grafik masing-masing nilai eigen sebagai sumbu-Y dan faktor-faktor yang berhubungan
sebagai sumbu-X. Grafik ini disebut scree plot. Dalam menentukan banyaknya faktor
yang digunakan kemungkinan yang dapat terjadi yaitu faktor yang tetap digunakan
sejumlah variabel yang ada dan masing-masing berhubungan dengan nilai eigen. Dengan
scree plot, masing-masing faktor yang relatif penting menjadi jelas terlihat.
52
Kekhususan scree plot ini adalah banyaknya faktor yang penting kurang dari
faktor yang tersedia jika terdapat nilai eigen yang relatif tinggi dan banyak faktor yang
memiliki nilai eigen yang relatif rendah, maka scree plot ini memiliki karakteristik
bentuk turunan tajam (curam) dan diikuti dengan bagian ekor yang landai. Penentuan
jumlah faktor yang penting dapat dilihat pada bagian grafik yang curam, nilai pada
sumbu-X yang diapit oleh dua titik yang membentuk grafik curam tersebut menunjukkan
banyaknya dimensi yang dapat digunakan dalam spatial mapping. Berikut contoh scree
plot dari hasil analisis
faktor:
0.14
0.12
0.1
Nilai Eigen
0.08
0.06 curam
0.04
0.02
1 2 3 4
5
Faktor
Dari grafik scree plot diatas terlihat bahwa bentuk yang curam tepat pada angka dua.
Kesimpulannya bahwa dimensi yang digunakan pada spatial mapping berjumlah dua
dimensi. Spatial map dapat di analisis dengan software SPSS. Berikut contoh spatial
map dengan jumlah dua dimensi:
53
stimulus. Kriteria ini bisa digunakan untuk memberikan nama pada dimensi yang
terbentuk.
2.6 Uji Kebaikan Model Multidimensional Scaling
Nilai Stress menunjukkan proporsi varians perbedaan yang tidak dijelaskan oleh model.
Semakin kecil nilai Stress yang didapatkan, semakin baik model multidimensional
scaling yang didapatkan. Terdapat berbagai cara untuk menghitung nilai Stress, namun
yang paling sering digunakan adalah Kruskal’s STRESS. Untuk Kruskal’s STRESS
formula terdapat pedoman untuk mengindikasikan model yang baik bila dilihat dari nilai
STRESS dengan menggunakan standar kriteria sebagai berikut:
55
F. Distribusi Empiris
G. Prinsip Plug-in
Prinsip plug-in merupakan metode sederhana untuk mengestimasi
parameter berdasarkan sampel. Estimasi plug-in dari parameter
H. Standar Error
Berikut akan dibahas mengenai standard error dan estimasi standar error:
Dalam statistika ketepatan suatu estimasi dapat diukur dengan standar error
(se). Jika adalah variabel random dengan fngsi probablitas kumulatif F,
ekspetasi dan variansinya dinyatakan dalam:
Dengan kata lain, ekspektasi sama dengan ekspektasi , tetapi variansi adalah
akan semakin kecil, berarti semakin besar n semakin baik nilai ekspektasi .
Standar error dari mean , disimbolkan adalah akar dari variansi ,
adalah:
Jika:
adalah peubah gangguan atau error yang bersifat acak dengan rataan
sehingga model umum regresi linear ganda dalam bentuk matriks dapat
dinotasikan sebagai berikut:
Model regresi linier ganda dinyatakan dengan persamaan (2.15). Dengan dugaan
model sebagai berikut:
1. Normalitas, error mengikuti distrbusi normal dengan rata-rata nol dan variansi ,
. Statistik uji yang paling sering digunakan untuk menguji asumsi
kenormalan error dengan menggunakan data residual
62
yang tidak di masukkan ke dalam model regresi. Pengujian ada tidaknya autokorelasi
dapat dilakukan dengan uji Durbin-Watson (DW). Uji ini menghasilkan nilai DW
hitung dan nilai DW tabel ( dan ), = nilai
batas atas dan = nilai batas bawah pada tingkat signifikansi atau
jumlah kuadrat error, yaitu sekecil mungkin. Prosedur metode kuadrat kecil
(least square) adalah sebagai berikut:
i. Membentuk sebagai fungsi , dan ,
65
dengan .