TUGAS ANALISIS MULTIVARIATE (Analisis Biplot)

Nama : Jauharin Insiyah

NIM : 196090500111008
Data diambil dari skripsi berjudul “PERBANDINGAN METODE GEOGRAPHICALLY WEIGHTED
PRINCIPAS COMPONENT ANALYSIS REGRESSION (GWPCAR) DAN GEOGRAPHICALLY WEIGHTED
RIDGE REGRESSION (GWRR) (Studi kasus pada Data Kemiskinan di Jawa Timur tahun 2010) oleh Esti
Herdina Santoso, 2014.

No. KOTA Y X1 X2 X3 X4 X5 X6
1 Madiun 15.45 68.03 5.55 70.16 7.38 92.86 89.53
2 Magetan 12.94 78.75 2.41 73.43 7.57 94.71 90.54
3 Ngawi 18.26 70.73 4.8 76.22 6.36 95.44 85.14
4 Bojonegoro 18.78 67.86 3.29 74.5 6.66 95.85 84.78
5 Tuban 20.19 69.96 2.86 72.81 6.41 95.92 85.79
6 Lamongan 18.7 66.4 3.62 72.83 7.19 85.12 87.15
7 Gresik 16.42 67.07 7.7 48.52 8.53 93.5 94.47
8 Bangkalan 28.12 67.51 5.79 79.98 5.16 97.22 82.84
9 Sampang 32.47 72.3 1.77 85.98 3.95 73.16 66.03
10 Pamekasan 22.47 74.72 3.53 82.12 6.11 91.96 80.84
11 Sumenep 24.61 73.9 1.89 81.48 5.63 94.91 78.64
12 Kota Kediri 9.31 66.54 7.39 36.5 10.2 99.84 97.53
13 Kota Blitar 7.63 66.16 6.66 39.41 9.72 93.64 97.24
14 kota Malang 5.9 63.81 8.68 28.6 10.83 99.3 97.2
15 kota Probolinggo 19.03 63.0 6.85 40.41 8.52 100.0 92.49
16 Kota Pasuruan 9.0 63.29 7.23 29.32 8.85 99.34 96.41
17 Kota Mojokerto 7.41 68.26 7.52 35.42 9.97 100.0 97.12
18 Kota Madiun 6.11 66.63 9.52 22.68 10.43 99.52 97.79
19 Kota Surabaya 7.07 63.02 6.84 25.8 9.95 99.2 98.06
21 Kota Batu 5.1 68.24 5.55 55.02 8.51 99.18 98.26

Y = Persentase tingkat kemiskinan di tiap Kabupaten/ Kota di Jawa Timur tahun 2010

X1 = Persentase angka partisipasi Angkatan kerja di tiap Kabupaten/Kota di Jawa Timur tahun 2010

X2 = Persentase tingkat pengangguran terbuka di tiap Kabupaten/Kota di Jawa Timur Tahun 2010

X3 = Persentase pekerja di sektor informal di tiap Kabupaten/Kota di Jawa Timur Tahun 2010

X4 = Persentase rata-rata lama sekolah di tiap Kabupaten/Kota di Jawa Timur Tahun 2010

X5 = Persentase rumah tangga yang menggunakan air bersih di tiap Kabupaten/Kota di Jawa Timur
Tahun 2010

X6= Persentase angka melek huruf di tiap Kabupaten/Kota di Jawa Timur Tahun 2010
Langkah-langkah analisis dengan Analisis Biplot adalah sebagai berikut :

1. Menyiapkan gugus data berukuran nxp

Data Kemiskinan di Jawa Timur tahun 2010 diperoleh matriks sebagai berikut :

15.45 68.03 5.55 70.16 92.86 89.53

12.94 78.75 2.41 73.43 94.71 90.54
18.26 70.73 4.8 76.22 95.44 85.14
18.78 67.86 3.29 74.5 95.85 84.78
20.19 69.96 2.86 72.81 95.92 85.79
18.7 66.4 3.62 72.83 85.12 87.15
16.42 67.07 7.7 48.52 93.5 94.47
28.12 67.51 5.79 79.98 97.22 82.84
32.47 72.3 1.77 85.98 73.16 66.03
22.47 74.72 3.53 82.12 91.96 80.84
𝑋=
24.61 73.9 1.89 81.48 94.91 78.6
9.31 66.54 7.39 36.5 99.84 97.53
7.63 66.16 6.66 39.41 93.64 97.24
5.9 63.81 8.68 28.6 99.3 97.2
19.03 63 6.85 40.41 100 92.49
9 63.29 7.23 29.32 99.34 96.41
7.41 68.26 7.52 35.42 100 97.12
6.11 66.63 9.52 22.68 99.52 97,79
7.07 63.02 6.84 25.8 99.2 98.06
[ 5.1 68.24 5.55 55.02 99.18 99.26]

2. Membuat matriks U, L, dan A dengan menggunakan Singular Value Decomposition (SVD),

diperoleh nilai :

diagonal ( y<-svd(x))
[1] 708.566275 105.170853 14.875757 12.417266 4.585816 1.743730
Dan diperoleh matriks L seperti berikut :

708.5663 0 0 0 0 0
0 105.1709 0 0 0 0
0 0 14.87576 0 0 0
𝐿=
0 0 0 12.41727 0 0
0 0 0 0 4.585816 0
[ 0 0 0 0 0 1.74373]

Kemudian diperoleh matriks U yang merepresentasikan objek :

 −0.2280147 0.11795160 0.05881538 0.323713509 −0.190092732 0.11932594
−0.2384332 0.14896382 −0.38160241 −0.082404985 0.361696705 −0.01920158
−0.2312928 0.18252062 0.15733262 −0.016511670 −0.171276887 0.01662409
−0.2286810 0.16715430 0.29630935 0.032008163 0.208891449 0.23886841
−0.2299321 0.15139375 0.16655315 −0.037318348 0.310227117 −0.08677546
−0.2198109 0.16625590 −0.13702404 0.570260945 0.090870302 0.13589007
−0.2211441 −0.08704906 −0.14313526 0.218460535 −0.324840824 −0.20360443
−0.2308684 0.21603647 0.46868126 −0.002147332 −0.407042850 −0.25066248
−0.2027231 0.38650181 −0.50843948 −0.213327481 −0.219093768 −0.21887781
−0.2302451 0.25949695 −0.07348589 −0.196496507 −0.119539245 0.17293653
𝑈=
−0.2300458 0.25652851 0.11226858 −0.408674290 0.247888462 0.11267831
−0.2226491 −0.21459942 −0.01769744 −0.031086580 0.003809775 0.29706635
−0.2183419 −0.17479382 −0.22921332 0.234196759 0.058392747 0.01258154
−0.2163694 −0.28271097 0.02134544 −0.058950540 −0.168854952 0.50243629
−0.2184339 −0.16521386 0.27653565 −0.105741391 0.035719003 −0.07696673
−0.2156103 −0.27157361 0.07339959 −0.084842642 0.124009565 −0.53450426
−0.2229464 −0.22119675 −0.09827557 −0.152888704 −0.040226676 0.11806864
−0.2157572 −0.33343196 −0.16746112 −0.263610755 −0.313193642 −0.02076802
−0.2149222 −0.30753917 0.01621014 −0.039753884 0.278285169 −0.135301436
[ −0.2328863 −0.05512647 0.04534267 0.299253572 0.186770446 −0.20522927 ]
Dan matriks A yang merepresentasikan variabel

−0.43133863 0.08308238 −0.72856742 −0.52023832 −0.05678637 −0.048592425

−0.03433385 −0.08943812 0.05133515 0.04977003 −0.99278360 0.009506849
−0.35905649 0.88805769 0.14448605 0.23729061 −0.04769700 0.054533618
𝐴=
−0.04969985 −0.08183038 −0.09256143 0.06354680 0.01696001 0.988908619
−0.59991828 −0.22931258 0.63040425 −0.43125092 0.05273466 0.036687691
[ −0.56698730 −0.37036631 −0.19925077 0.69321905 0.07623938 −0.123645610]

3. Membentuk matriks G dan H dengan nilai α = 1

Setelah penguraian nilai singular pada matriks X, pengkonstruksian biplot dilakukan dengan
membuat matriks G dan H dengan mengambil nilai α = 1

G=U

−0.2280147 0.11795160 0.05881538 0.323713509 −0.190092732 0.11932594

−0.2384332 0.14896382 −0.38160241 −0.082404985 0.361696705 −0.01920158
−0.2312928 0.18252062 0.15733262 −0.016511670 −0.171276887 0.01662409
−0.2286810 0.16715430 0.29630935 0.032008163 0.208891449 0.23886841
−0.2299321 0.15139375 0.16655315 −0.037318348 0.310227117 −0.08677546
−0.2198109 0.16625590 −0.13702404 0.570260945 0.090870302 0.13589007
−0.2211441 −0.08704906 −0.14313526 0.218460535 −0.324840824 −0.20360443
−0.2308684 0.21603647 0.46868126 −0.002147332 −0.407042850 −0.25066248
−0.2027231 0.38650181 −0.50843948 −0.213327481 −0.219093768 −0.21887781
−0.2302451 0.25949695 −0.07348589 −0.196496507 −0.119539245 0.17293653
𝐺=
−0.2300458 0.25652851 0.11226858 −0.408674290 0.247888462 0.11267831
−0.2226491 −0.21459942 −0.01769744 −0.031086580 0.003809775 0.29706635
−0.2183419 −0.17479382 −0.22921332 0.234196759 0.058392747 0.01258154
−0.2163694 −0.28271097 0.02134544 −0.058950540 −0.168854952 0.50243629
−0.2184339 −0.16521386 0.27653565 −0.105741391 0.035719003 −0.07696673
−0.2156103 −0.27157361 0.07339959 −0.084842642 0.124009565 −0.53450426
−0.2229464 −0.22119675 −0.09827557 −0.152888704 −0.040226676 0.11806864
−0.2157572 −0.33343196 −0.16746112 −0.263610755 −0.313193642 −0.02076802
−0.2149222 −0.30753917 0.01621014 −0.039753884 0.278285169 −0.135301436
[ −0.2328863 −0.05512647 0.04534267 0.299253572 0.186770446 −0.20522927 ]
 H= L * A’

−305.63201 8.737845 −10.8379916 −6.4599377 −0.26041182 −0.08473206

−24.32781 −9.406283 0.7636492 0.6180077 −4.55272278 0.01657738
−254.41532 93.397785 2.1493393 2.9465007 −0.21872968 0.09509190
𝐻=
−35.21564 −8.606171 −1.3769214 0.7890775 0.07777548 1.72438947
−425.08186 −24.117000 9.3777401 −5.3549574 0.24183143 0.06397342
[ −401.74808 −38.951741 −2.9640060 8.6078854 0.34961976 −0.21560454]

Selanjutnya diambil dua kolom pertama dari matriks G dan dua kolom pertama matriks H
sehingga diperoleh G2 dan H2.
−0.2280147 0.11795160
−0.2384332 0.14896382
−0.2312928 0.18252062
−0.2286810 0.16715430
−0.2299321 0.15139375
−0.2198109 0.16625590
−0.2211441 −0.08704906
−0.2308684 0.21603647 −305.63201 8.737845
−0.2027231 0.38650181 −24.32781 −9.406283
−0.2302451 0.25949695 −254.41532 93.397785
𝐺2 = 𝐻2 =
−0.2300458 0.25652851 −35.21564 −8.606171
−0.2226491 −0.21459942 −425.08186 −24.117000
−0.2183419 −0.17479382 [ −401.74808 −38.951741 ]
−0.2163694 −0.28271097
−0.2184339 −0.16521386
−0.2156103 −0.27157361
−0.2229464 −0.22119675
−0.2157572 −0.33343196
−0.2149222 −0.30753917
[ −0.2328863 −0.05512647 ]

Sehingga didapatkan koordinat Z dari matriks G2 dan H2

−0.2280147 0.11795160
−0.2384332 0.14896382
−0.2312928 0.18252062
−0.2286810 0.16715430
−0.2299321 0.15139375
−0.2198109 0.16625590
−0.2211441 −0.08704906
−0.2308684 0.21603647
−0.2027231 0.38650181
−0.2302451 0.25949695
−0.2300458 0.25652851
−0.2226491 −0.21459942
Z= −0.2183419 −0.17479382
−0.2163694 −0.28271097
−0.2184339 −0.16521386
−0.2156103 −0.27157361
−0.2229464 −0.22119675
−0.2157572 −0.33343196
−0.2149222 −0.30753917
−0.2328863 −0.05512647
−305.63201 8.737845
−24.32781 −9.406283
−254.41532 93.397785
−35.21564 −8.606171
−425.08186 −24.11700
[ −401.74808 −38.95174 ]
 4. Langkah selanjutnya adalah membuat biplot
Dari koordinat yang telah diperoleh dari matriks G2 dan H2 tersebut dibuat biplot
dengan hasil sebagai berikut .

-4 -2 0 2 4

4
0.4

X5 X1

2
11
0.2

20 10
17
X6 35
X4 12 X3
PC2

4
0.0

0
18
8
1
X2 14191615
13 7
-0.2

-2
6
-0.4

-4
9

-0.4 -0.2 0.0 0.2 0.4

PC1
Output Menggunakan Software Minitab
Eigenanalysis of the Correlation Matrix

Eigenanalysis of the Correlation Matrix

Eigenvalue 4,6642 0,6882 0,3741 0,1608 0,0895 0,0233

Proportion 0,777 0,115 0,062 0,027 0,015 0,004
Cumulative 0,777 0,892 0,954 0,981 0,996 1,000

Eigenvectors
Variable PC1 PC2 PC3 PC4 PC5 PC6
X1 -0,348 0,663 0,551 0,347 -0,047 -0,118
X2 0,429 -0,194 0,021 0,818 0,328 0,024
 X3 -0,441 0,147 -0,283 -0,017 0,687 0,481
X4 0,438 0,089 0,456 -0,214 -0,070 0,736
X5 0,346 0,652 -0,618 0,082 -0,239 0,099
X6 0,435 0,261 0,164 -0,396 0,596 -0,451

Biplot of X1; ...; X6

2

1
Second Component

X1 X5

X3 X6
X4
0 X2

-1

-2

-5 -4 -3 -2 -1 0 1 2 3
First Component

Menghitung keragaman yang diterangkan oleh biplot

708.5663 + 105.1709
𝝆𝟐 = = 𝟎. 𝟗𝟔𝟎𝟑𝟐 = 𝟗𝟔%
708.5663 + 105.1709 + 14.87576 + 12.41727 + 4.585816 + 1.74373
Keragaman yang dapat diterangkan oleh principal component biplot dua dimensi adalah
sebesar 0.96032 yang berarti Gambar di atas mampu menerangkan 96% dari total
keragaman data yang sebenarnya. Hal ini menunjukkan bahwa interpretasi yang dihasilkan
mampu menerangkan dengan baik hubungan antara Presentase kemiskinan di Jawa Timur
tahun 2010 dengan beberapa variabel aspek penilaiannya.

Keragaman Peubah

Untuk mengetahui keragaman pubah yang terbesar maupun yang terkecil maka dapat
dilihat dari Panjang vector dari masing-masing variable. Dalam Gambar Biplot yang telah
dijelaskan di atas terlihat bahwa X1 merupakan keragaman peubah yang memiliki nilai
paling besar. Berikut rincian nilainya :

Tabel keragaman Peubah

Panjang
Peubah Vektor
X1 0,74863839
X2 0,470307657
X3 0,464809538
X4 0,447334615
X5 0,738234431
X6 0,507153928

Korelasi antar peubah

Korelasi dapat diketahui dari besar sudut yang terbentuk antar vektor peubah. Jika sudut yang
terbentuk dari kedua vektor peubah mendekati 00 atau semakin sempit dan mempunyai arah
yang sama maka peubah tersebut memiliki korelasi yang positif sedangkan jika kedua vektor
peubah berlawanan arah dan membentuk sudut yang lebar, maka peubah tersebut korelasi
yang negatif. Sedangkan untuk peubah yang tidak berkorelasi digambarkan dengan dua garis
membentuk sudut mendekati 900 .

ℎ𝑗 . ℎ𝑘 ℎ′𝑗 . ℎ𝑘 𝑠𝑗𝑘 𝑠𝑗𝑘

cos 𝜃 = = = = = 𝑟𝑗𝑘
‖ℎ𝑗 ‖‖ℎ𝑘 ‖ ‖ℎ𝑗 ‖‖ℎ𝑗 ‖ √𝑠𝑘𝑘 √𝑠𝑗𝑗 𝑠𝑗 𝑠𝑘

Didapatkan nilai sebagai berikut :

Tabel korelasi antar variabel

Variabel X1 X2 X3 x4 X5 X6
x1 0
X2 -0,78814 0
x3 0,720072 -0,99461 0
X4 -0,27897 0,810928 -0,86723 0
X5 0,564529 0,063112 -0,16625 0,635159 0
X6 0,05806 0,568699 -0,65092 0,942483 0,856797 0
Hasil Analisis

1. Nilai ukuran kesesuaian yang dapat digambarkan pada grafik biplot dimensi dua di atas
adalah sebesar 96 %. Nilai ini sangat tinggi, sehingga hasil biplot yang diperoleh sangat
representative .
2. Dari grafik biplot di atas dapat dilihat bahwa Variabel X1 dan Variabel X3 berkorelasi
negatif. Artinya semakin tinggi persentase angka partisipasi Angkatan kerja di Sejumlah
kota di Jawa Timur maka presentase pekerja di sektor informal akan semakin rendah.
3. Persentase tingkat kemiskinan di tiap Kabupaten/ Kota di Jawa Timur tahun 2010 paling besar
dipengaruhi oleh angka partisipasi Angkatan kerja di tiap Kabupaten/Kota tersebut.
4. Tingkat kemiskinan di setiap kota dipengaruhi oleh beberapa faktor yang berbeda :
a. Tingkat kemiskinan di Kab. Ngawi, Kab. Tuban, Kab. Pamekasan, Sumenep,
Kab.Madiun, Banyuwangi dan Bangkalan sangat dipengaruhi oleh pastisipasi
Angkatan kerja di kota tersebut dan banyaknya pekerja di sektor informal.
b. Sedangkan tingkat kemiskinan di Kota Madiun, Kota Kediri, Kota Mojokerto dan Kota
batu sangat dipengaruhi oleh Persentase rumah tangga yang menggunakan air bersih,
angka melek huruf, dan rata-rata lama sekolah di kota tersebut.