ANALISIS KORESPONDENSI
Dibimbing Oleh :
Dr. Rimuljo Hendradi, S.Si., MSi.
PENDAHULUAN
1.3 Tujuan
Tujuan yang ingin dicapai adalah:
1. Untuk mengetahui apa yang dimaksud dengan analisis koresponsensi.
2. Untuk mengetaui bagaimana cara menghitung singular value dan
prinsipal inersia.
BAB II
PEMBAHASAN
Plot dua dimensi dari analisis korespondensi2 dari data situs tipe
tembikar ditunjukkan pada Gambar 12.21.
Angka 𝜆12 = 0,28 pada akhir sumbu koordinat pertama dalam plot dua
dimensi adalah inersia yang terkait dengan dimensi pertama.
Kelembaman ini adalah 55% dari total kelembaman. Kelambanan yang
terkait dengan dimensi kedua adalah 𝜆22 = .17, dan dimensi kedua
menyumbang 33% dari total inersia. Bersama-sama, akun dua dimensi
untuk 55% + 33% = 88% dari total inersia.
Karena, dalam hal ini, data dapat direpresentasikan secara tepat dalam
tiga dimensi, relatif sedikit informasi (variasi) yang hilang dengan
merepresentasikan data dalam plot dua dimensi pada Gambar 12.21.
Secara ekivalen, kita dapat menganggap plot ini sebagai representasi
dua dimensi terbaik dari hamburan multidimensi dari titik-titik baris dan
hamburan multidimensi dari titik-titik kolom. Inersia gabungan sebesar
88% menunjukkan bahwa representasi "cocok" dengan data. Dalam
contoh ini, output grafis dari analisis korespondensi menunjukkan sifat
asosiasi dalam tabel kontingensi cukup jelas.
Untuk memulai, misalkan X, dengan elemen xij, menjadi tabel dua arah I
X J dari frekuensi yang tidak tertandingi atau dihitung. Dalam diskusi,
mengambil I > J dan menganggap bahwa X adalah peringkat kolom
penuh J.
Baris dan kolom dari tabel kontingensi X sesuai dengan kategori berbeda
dari dua karakteristik yang berbeda. Sebagai contoh, susunan frekuensi
jenis tembikar yang berbeda di situs arkeologi yang berbeda ditunjukkan
pada Tabel 12.8 adalah tabel kontingensi dengan I = 7 situs arkeologi
dan J = 4 jenis tembikar. Jika n adalah total frekuensi dalam data matriks
X, pertama-tama membangun matriks proporsi P = {Pij} dengan membagi
setiap elemen X dengan n. Karenanya matriks P disebut dengan matriks
korespondensi.
Dr = diag (r1, r2, ..., rI) dan Dc = diag (c1, c2, ..., cJ)
(P-P̂) 𝑫𝒄
−𝟏/𝟐 −𝟏/𝟐
Karena (pij-p̂ij)/√𝑟𝑖 𝑐𝑖𝑗 adalah elemen (i,j) dari 𝑫𝒓
Seperti yang diperlihatkan oleh Hasil 12.1, istilah rc' adalah umum
terhadap perkiraan P̂ apa pun matriks korespondensi P dengan I X J .
Matriks P̂= rc’ dapat ditampilkan sebagai perkiraan peringkat 1 terbaik
untuk P.
Dimana λ̃k adalah nilai singular dan vector I×1 ũk dan vector J×1 vk̃
adalah korespondensi vektor singular yang sesuai dari matriks I X J
−𝟏/𝟐 −𝟏/𝟐
𝑫𝒓 𝑷𝑫𝒄 . Nilai minimum (12-28) adalah ∑𝑱𝒌=𝒔+𝟏 𝝀̃𝟐𝒌 .
−𝟏/𝟐 −𝟏/𝟐
Bukti. Pertama-tama mempertimbangkan versi skala B = 𝑫𝒓 𝑷𝑫𝒄
dari matriks korespondensi P. Menurut Hasil 2A. 16, perkiraan peringkat
−𝟏/𝟐 −𝟏/𝟐
rendah terbaik = s mendekati B̂ ke 𝑫𝒓 𝑷𝑫𝒄 diberikan oleh s pertama
dalam dekomposisi nilai singular.
Dimana
Dan
Dan
Yakni,
Oleh karena itu, ditetapkan perkiraan pertama dan (12-30) selalu dapat
dinyatakan sebagai
Karena istilah umum, masalahnya dapat diulang dalam hal P - rc' dan
−𝟏/𝟐 −𝟏/𝟐
versi yang diperbesar 𝑫𝒓 (𝑷 − 𝒓𝒄′)𝑫𝒄 . Dengan ortogonalitas dari
−𝟏/𝟐 −𝟏/𝟐 𝟏/𝟐
vektor singular 𝑫𝒓 𝑷𝑫𝒄 kemudian memiliki 𝒖̃′𝒌 (𝑫𝒓 1I)=0 dan 𝒗̃′𝒌 (
𝟏/𝟐
𝑫𝒄 1J)=0 untuk k> 1 jadi
−𝟏/𝟐 −𝟏/𝟐
adalah dekomposisi nilai singular dari 𝑫𝒓 (𝑷 − 𝒓𝒄′)𝑫𝒄 dalam hal
−𝟏/𝟐 −𝟏/𝟐
nilai dan vektor singular yang diperoleh dari 𝑫𝒓 𝑷𝑫𝒄 .
Pengonversian ke nilai dan vektor singular λk , uk dan vk dari
−𝟏/𝟐 −𝟏/𝟐
𝑫𝒓 (𝑷 − 𝒓𝒄′)𝑫𝒄 hanya berarti mengubah k ke k - 1 jadi λk = λ̃k+1
,uk = ũk+1, dan vk = vk̃ +1 untuk k = 1,. . . , J - 1.
−𝟏/𝟐 −𝟏/𝟐
Dalam hal dekomposisi nilai singular untuk 𝑫𝒓 (𝑷 − 𝒓𝒄′)𝑫𝒄 ,
ekspansi untuk 𝑷 − 𝒓𝒄′ mengambil bentuk
−𝟏/𝟐 −𝟏/𝟐
Perkiraan peringkat K terbaik ke 𝑫𝒓 (𝑷 − 𝒓𝒄′)𝑫𝒄 diberikan oleh
∑𝑲
𝒌=𝟏 𝝀𝒌 𝒖̃𝒌 𝒗̃′𝒌 . Kemudian, perkiraan terbaik untuk P - rc ' adalah
𝟏/𝟐 𝟏/𝟐
Perhatikan bahwa vector 𝑫𝒓 𝒖̃𝒌 dan 𝑫𝒄 𝒗̃𝒌 dalam ekspansi (12-34) dari
P-rc' tidak perlu memiliki panjang 1 tetapi memenuhi penskalaan.
Misalkan ᴧ, U = [u1,. . . , uI] dan V = [v1,. . . , vj] menjadi matrik dari nilai
−𝟏/𝟐 −𝟏/𝟐
dan vektor singular yang diperoleh dari 𝑫𝒓 (𝑷 − 𝒓𝒄′)𝑫𝒄 . Biasanya
dalam analisis korespondensi untuk memplot dua atau tiga kolom
𝟏/𝟐 𝟏/𝟐 −𝟏/𝟐
pertama dari F= 𝑫−𝟏 −𝟏
𝒓 (𝑫𝒓 𝑼)ᴧ dan 𝑫𝒄 (𝑫𝒄 𝑽)ᴧ atau 𝝀𝒌 𝑫𝒓 𝒖̃𝒌 dan
−𝟏/𝟐
𝝀𝒌 𝑫𝒄 𝒗̃𝒌 untuk k = 1, 2, dan mungkin 3.
Plot join dari koordinat dalam F dan G disebut peta simetris (lihat
Greenacre [13]) karena titik-titik yang mewakili baris dan kolom memiliki
normalisasi yang sama, atau penskalaan, di sepanjang dimensi solusi.
Yaitu, geometri untuk titik-titik baris identik dengan geometri untuk titik-
titik kolom.
kemudian
karena I > J, maka kuadrat dari singular value dan vi ditentukan dari
dan
Ada cara kedua untuk mendefinisikan analisis kontingensi. Yakni
Mengikuti aturan Greenacre [13], atau disebut pendekatan matrix
approximation method dan pendekatan profile approximation method.
Digambarkan bahwa profile approximation method menggunakan profil
baris; Namun, solusi analog dihasilkan jika kita memulai dengan profil
kolom.
Secara aljabar, profil baris merupakan baris dari matriks 𝑫−𝟏 𝒓 𝑷 ,
dan analisis kontingensi dapat didefinisikan sebagai perkiraan profil baris
dengan titik-titik dalam ruang dimensi rendah. Pertimbangkan perkiraan
profil baris dengan matriks 𝑷∗ . Dengan menggunakan square-root
𝟏/𝟐 𝟏/𝟐
matrices 𝑫𝒓 dan 𝑫𝒄 yang didefinisikan dalam (12-27), dapat dituliskan
−𝟏/𝟐 −𝟏/𝟐
Jadi, singular values dan vektor dari 𝑫𝒓 𝑷𝑫𝒄 , pengurangan
−𝟏
peringkat K < J aproksimasi ke profil baris 𝑫𝒓 𝑷 adalah
kemudian singular values dan vektor 𝜆𝑘 , 𝒖̃𝑘 dan 𝒗̃𝒌 yang diperoleh dari
𝟏
− −𝟏/𝟐
𝑫𝒓 𝟐 (𝑷 − 𝒓𝒄′ )𝑫𝒄 dapat ditulis dengan
2.3 Inersia
Inersia total merupakan pengukuran variasi dalam perhitungan
data dan didefinisikan sebagai weighted sum of squares
Jawaban:
Correspondence Table
Mental Health Parental Socioeconomic Status
Status A (High) B C D E (Low) Active Margin
Well 121 57 72 36 21 307
Mild symptom 188 105 141 97 71 602
formation
Moderate symptom 112 65 77 54 54 362
formation
Impaired 86 60 94 78 71 389
Active Margin 507 287 384 265 217 1660
Dari data diatas didapatkan singular value 0.161, 0.037 dan 0.008 .
Sedangkan untuk inersia 0.026 , 0.001 dan 0.000
Overview Row Pointsa
Score in
Dimension Contribution
Of Point to Inertia of Of Dimension to
Mental Health Dimension Inertia of Point
Status Mass 1 2 Inertia 1 2 1 2 Total
Well .185 -.646 .069 .013 .479 .024 .996 .003 .998
Mild symptom .363 -.073 .117 .001 .012 .134 .591 .347 .938
formation
Moderate .218 .035 -.363 .001 .002 .776 .040 .960 1.000
symptom
formation
Impaired .234 .591 .102 .013 .507 .066 .992 .007 .999
Active Total 1.000 .027 1.000 1.000
a. Symmetrical normalization
PENUTUP
3.1 Kesimpulan
Dalam melakukan analisis korespondensi dapat dilakukan dengan
menyusun table kontigensi terlebih dahulu jikalau telah tersedia maka
dapat langsung menghitung total kolom dah baris. Dengan menghitung
total inersia serta membuat peta persepsi yang biasa digambarkan
dengan titik titik berdasarkan pada ukuran kedekatan yang didapat dari
perhitungan chi square . Sehingga terbentuk hubungan antara variabel
baris dan kolom.
DAFTAR PUSTAKA