MATERI SINGKAT

Analisis Korespondensi merupakan bagian analisis multivariate yang mempelajari

hubungan antara dua atau lebih variabel dengan memperagakan baris dan kolom secara
serempak dari tabel kontingensi dua arah dalam ruang vektor berdimensi rendah dua
(Greenacre ,1984).
Menurut Johnson dan Wichern (1992) analisis korespondensi digunakan untuk
mereduksi dimensi variabel dan menggambarkan profil vektor baris dan vektor kolom suatu
matrik data dari tabel kontingensi. Hasil dari analisis korespondensi biasanya mengikutkan
dua dimensi terbaik untuk mempresentasikan data, yang menjadi koordinat titik dan suatu
ukuran jumlah informasi yang ada dalam setiap dimensi yang biasa dinamakan inertia.
Jika n adalah total frekuensi X, yang pertama dilakukan adalah menyusun matriks
proporsi P  pi  dengan membagi masing-masing elemen dari X dengan n.
j
xij 1
p  , i  1, 2,..., I. j  1,2,..., J atau P  X
ij IxJ 
n n IxJ 
Matrix P disebut matrix korespondensi.
Kemudian mencari vektor baris dan kolom r dan c, dan diagonal matriks Dr dan Dc dengan
elemen r dan c pada diagonal, sehingga
xij
rJ p
J
, i  1,2,..., I. rP1
 atau
i J
Ix1 IxJ   Jx1
j1 n
ij
j1

cI xij j  1,2,..., J .

I
p , atau c  P 1
j
 I
Jx1 JxI   Ix1
i1 n
ij
i1
dimana 1J adalah vektor Jx1 dan 1I adalah vektor Ix1 matriks identitas dan Dr = diag(r1,r2,...,rI)
dan Dc = diag(c1,c2,...,cJ)
ri adalah massa baris dan cj adalah massa kolom.
Menghitung matrik akar kuadrat 1 1
D1 2  diag r 1
,...,  D 1 2  diag ,...,
 
rI  
   r1 1 rI 1
r r
1 2
D 1 2
 diag c1 ,..., D  diag ,...,
 
cJ
c
 c1 c J 
r

Greenacre (1984) menyatakan Singular Value Decomposition (selanjutnya ditulis SVD)

digunakan untuk mereduksi dimensi data berdasarkan keragaman data (nilai eigen/inersia)
terbesar dengan mempertahankan informasi yang optimum, diperlukan nilai singular.
Penguraian nilai singular (SVD) merupakan salah satu konsep aljabar matriks dan konsep
eigen dekomposition yang terdiri dari nilai eigen dan vaktor eigen. Nilai singular dicari untuk
memperoleh koordinat baris dan kolom sehingga hasil analisis korespondensi dapat
divisualisasikan dalam bentuk grafik.
Banyak axis: d = min[(I – 1),(J – 1)].
Analisis korespondensi dapat dirumuskan dengan kuadrat terkecil terboboti.

kDr1 2uk Dc 1 2 vk 

K

P  rc  
k 1

dimana P – rc’ adalah nilai singular dekomposisi (SVD), k adalah nilai singular, vektor uk
Ix1 dan vektor vk Jx1 merupakan singular vektor korespondensi matriks D1 2 P  rcD1 2
r c

yang berukuran IxJ, dan rank K>1.

Koordinat profil baris:
F   D1 2u
k r k

Koordinat profil kolom:

G   D1 2 v
k c k

Profil baris dan kolom matriks P didapatkan dari vektor baris dan kolom matriks P dibagi
dengan jumlahnya sendiri.
Matriks profil baris Matriks profil kolom
~ ~
 r1  c1 
   
.  . 
R  D P  . 
1
C  D P  . 
1

r
  c
 
.  . 
~r   ~c  
 I J
Total inersia adalah ukuran variasi data dan ditentukan dengan jumlah kuadrat terboboti.
1
− 1 1
′ − ′ −
1
−
𝑡𝑟 [𝐷𝑟 2(𝑃 − rc )𝐷𝑟 2 (𝐷𝑟 2(𝑃 − 𝑟𝑐 )𝐷𝑐 2)′]

𝑟 𝑐 2
(𝑝𝑖𝑗 − 𝑟𝑖𝑐𝑗)
=∑ ∑
𝑟𝑖𝑐𝑗
𝑖=1 𝑗=1

𝑗−1

= ∑ 𝜆2𝑘
𝑘=1
dimana k adalah nilai singular dari nilai singular dekomposisi matriks D1 2 P  rcD1 2 . K
r c

dalah banyaknya solusi dimensi sehingga k = 1,2 (Johnson dan Wichern, 1992).
Inersia baris (Greenacre, 1984):
−1
Inersia(I) = ∑ 𝑟i (r̃i − c)TDc (r̃i − c)
i
Atau
T
T −1
Inersia (I) = trace [D
r (R − 1c )D (R − 1cT ) ]
c
Inersia kolom:
T
Inersia( J) = ∑ 𝑐j (c̃ j − r) Dr −1 (c̃j − r)
j
Atau
T
Inersia (J) = trace [D T
c (C − 1r )D
−1
(C − 1rT ) ]
r
Kontribusi relatif atau korelasi baris ke i atau kolom j dengan komponen k adalah
kontribusi axis ke inersia baris ke i atau kolom ke j, dinyatakan dalam persen inersia baris ke i
atau kolom ke j.
massa baris ke ifik
Korelasi axis ke k dan baris ke i
= 
inersia baris ke i

 massa kolom ke j fj 
Korelasi axis ke k dan kolom ke j
= inersia kolom ke jk
diman fi adalah koordinat profil baris ke-i pada axis ke-k, f adalah koordinat profil
a k jk

kolom ke j pada axis ke k.

Kontribusi baris ke-i atau kolom ke-j ke axis k (kontribusi mutlak), dinyatakan dengan persen
inersia axis ke k.
massa baris ke ifik 
Kontribusi baris ke i dan axis ke k
= inersia axis ke k

Kontribusi kolom ke j dan axis ke k =

massa kolom ke j f  jk 
inersia axis ke k
Menurut Greenacre (1984)
 2 merupakan jarak kuadrat antara vektor p dari frekuensi
relatif observasi dan vektor 𝐩̅ dari ekspektasi frekuensi relatif, n merupakan total frekuensi
observasi.
Jarak Chi-Square dapat dicari dengan rumus sebagai berikut.
(observasi−ekspektasi frekuensi )2
𝜒2 = ∑ ∑ ekspektasi frekuensi

PELAKSANAAN PRAKTIKUM
Contoh Data:
Pandangan_politik
Wilayah Lib Tend_lib Mod Tend_con Con Total
North_east 19 23 58 16 15 131
Mid_west 26 31 71 47 35 210
South 18 27 75 46 70 236
West 30 19 40 26 33 148
Total 93 100 244 135 153 725

Metodologi Praktikum :
1. Menguji independensi masing-masing variabel independen terhadap variabel dependen.
Langkah-langkah dalam SPSS:
a. Data > Weight Case
b. Pilih Weight Case by
c. Memasukkan Frekuensi ke Frequency Variabel
d. Klik Ok
e. Analyze > Descriptive Statistics > Crosstabs
f. Memasukkan Wilayah ke Row(s) dan Pandangan_politik ke Column(s)
 g. Statistics : centang Chi-Square
h. Klik Continue
i. Klik Ok
j. Hipotesis yang digunakan adalah:
H0 : tidak ada hubungan antara pandangan politik dan wilayah
H1 : ada hubungan antara pandangan politik dan wilayah
Output: Chi-Square Tests
Value df Asymp. Sig. (2-sided)
Likelihood Ratio 41,756 12 ,000
Linear-by-Linear 5,073 1 ,024
N of Valid Cases 725

Nilai statistik uji Pearson Chi-Square = 41,489 atau P_value = 0,000. Nilai tabel
Chi-Square dengan derajat bebas 12 dan alpha 0,05 = 21,026 atau alpha = 0,05. Nilai
statistik uji lebih besar dari nilai tabel Chi-Square atau P_value lebih kecil dari alpha
maka tolak H0. Kesimpulan: ada hubungan antara pandangan politik dan wilayah.
2. Mengolah data dengan analisis korespondensi dan menginterpretasikan row profile,
column profile dan plot. Langkah-langkah dalam SPSS:
a. Analyze > Data Reduction > Correspondence Analysis
b. Memasukkan Wilayah ke Row kemudian define range: 1 ke minimum value dan 4
ke maximum value. Klik Update
c. Memasukkan Pandangan_politik ke Column kemudian define range: 1 ke
minimum value dan 5 ke maximum value. Klik Update
d. Statistics : centang Row Profiles, Column Profiles. Nonaktifkan Overview Row
Points, Overview Column Points
e. Klik Continue
f. Klik Ok
Output: Row Profiles
Pandangan_politik
Wilayah
Lib Tend_lib Mod Tend_con Con Active Margin
North_east ,145 ,176 ,443 ,122 ,115 1,000
Mid_west ,124 ,148 ,338 ,224 ,167 1,000
South ,076 ,114 ,318 ,195 ,297 1,000
West ,203 ,128 ,270 ,176 ,223 1,000
Mass ,128 ,138 ,337 ,186 ,211
Dari profil baris yang tercantum di atas dapat dilihat bahwa:
a. Nilai active margin setiap baris semua nilainya adalah 1.00 sebagaimana harusnya.
b. Nilai massa terbesar (0,337) terdapat pada pandangan politik moderat yang
merupakan modus pada data ini.
c. Jika diperhatikan profil setiap kolom, maka dapat dilihat.
d. Nilai terbesar untuk kolom LIB adalah pada baris WEST, yang menunjukkan secara
umum bahwa penduduk yang tinggal di wilayah barat Netherland cenderung
memiliki pandangan politik yang liberal.
e. Nilai terbesar untuk kolom TEND_LIB dan MOD adalah pada baris NORTH-EAST,
yang menunjukkan bahwa penduduk yang tinggal di wilayah timur laut Netherlands
cenderung memiliki pandangan politik moderat sampai agak liberal.
f. Nilai terbesar untuk kolom TEND-CON adalah pada baris MID-WEST, yang
menunjukkan bahwa penduduk yang tinggal di wilayah Tengah-Barat cenderung
memiliki pandangan politik yang agak konservatif.
g. Nilai terbesar untuk kolom CON adalah pada baris SOUTH, yang menunjukkan
bahwa penduduk yang tinggal di wilayah selatan Netherland cenderung memiliki
pandangan politik yang konservatif.
Column Profiles
Pandangan_politik
Wilayah
Lib Tend_lib Mod Tend_con Con Mass
North_east ,204 ,230 ,238 ,119 ,098 ,181
Mid_west ,280 ,310 ,291 ,348 ,229 ,290
South ,194 ,270 ,307 ,341 ,458 ,326
West ,323 ,190 ,164 ,193 ,216 ,204
Active Margin 1,000 1,000 1,000 1,000 1,000

Sedangkan untuk profil kolom di atas dapat dilihat bahwa:

a. Nilai active margin setiap kolom adalah 1.00 sebagaimana seharusnya.
b. Nilai massa terbesar (0,3267) terdapat pada wilayah SOUTH yang merupakan
modus pada data ini.
c. Jika diperhatikan profil setiap baris, maka dapat dilihat nilai terbesar untuk baris:
i. NORTH-EAST adalah pada kolom MOD, yang menunjukkan secara umum
bahwa penduduk yang tinggal di wilayah timur laut Netherland cenderung
 memiliki pandangan politik yang moderat (lihat poin 3.b pada analisis profil
baris).
ii. MID-WEST adalah pada kolom TEND-CON, yang menunjukkan bahwa
penduduk yang tinggal di wilayah tengah-barat Netherlands cenderung
memiliki pandangan politik agak konservatif (lihat poin 3.c pada analisis profil
baris).
iii. SOUTH adalah pada kolom CON, yang menunjukkan bahwa penduduk yang
tinggal di wilayah selatan Netherland cenderung memiliki pandangan politik
yang konservatif (lihat poin 3.d pada analisis profil baris).
iv. WEST adalah pada kolom LIB, yang menunjukkan bawa penduduk yang
tinggal di wilayah barat Netherland cenderung memiliki pandangan politik
yang liberal (lihat poin 3.a pada analisis profil baris).
d. Jika kita perhatikan dari kedua profil di atas, baik profil baris maupun profil kolom,
terlihat bahwa keduanya menyatakan satu hal yang sama meski dengan tampilan
nilai-nilai yang berbeda. Hal ini juga dapat dilihat pada pemetaan kedua variabel
yang mewakili baris dan kolom di maksud yang ditampilkan pada gambar di bawah
ini
Row and Column Points

Symmetrical Normalization

Pandangan_politik
Wilayah

0.4 Mod
North_east

South
0.2 Tend_lib

0.0 Mid_west Tend_con

Dimension 2

Con
-0.2

-0.4

-0.6 West

Lib
-0.8
-0.75
-0.50 -0.25 0.00 0.25 0.50 0.75

Dimension 1

Dari gambar tersebut dapat dilihat bahwa karakteristik pandangan politik penduduk
Netherlands yang bermukim di wilayah West pada umumnya adalah Liberal, sementara
yang bermukim di wilayah South pada umumnya adalah konservatif dan cenderung ke
konservatif (TEND-CONS). Untuk wilayah MidWest karakteristik
umum pandangan politik penduduknya adalah cenderung ke liberal
(TEND-LIB), sedangkan penduduk yang bermukim di wilayah
Northeast berpandangan politik moderat. Hal ini sesuai dengan profil
baris dan profil kolom yang telah dipaparkan sebelumnya.