TUGAS PRESENTASI MATA KULIAH ANALISIS MULTIVARIAT

PRODI S1 SISTEM INFORMASI PSDKU SAMARINDA KELAS SEM 5B

Kelompok 1 :

- FIRDAUS WAHYU
- RISKA FEBRIANTI
- FIRMAN
- IMAM SUPANGGIH
- INDRA WAHYUDI
- M RIFAI

ANALISIS KOMPONEN UTAMA

1 Analisis komponen utama

Analisis komponen utama digunakan untuk menjelaskan struktur matriks varians-kovarians dari suatu set variabel
melalui kombinasi linier dari variabel-variabel tersebut. Secaraumum komponen utama dapat berguna untuk reduksi dan
interpretasi variabel-variabel.Misalkan saja terdapat p buah variabel yang terdiri atas n buah objek. Misalkan pulabahwa
dari p buah variabel tersebut dibuat sebanyak k buah komponen utama (dengan k <= p)yang merupakan kombinasi linier
atas p buah variabel tersebut. k komponen utama tersebutdapat menggantikan p buah variabel yang membentuknya tanpa
kehilangan banyak informasimengenai keseluruhan variabel. Umumnya analisis komponen utama merupakan
analisisintermediate yang berarti hasil komponen utama dapat digunakan untuk analisis selanjutnya.

Dalam bentuk matematis, katakan saja bahwa Y merupakan kombinasi linier darivariabel-variabel X1, X2, ... , Xp yang
dapat dinyatakan sebagai

Y = W1X1 + W2X2 + ... + WpXp

Dengan di baca :

Wi adalah bobot atau koefisien untuk variabel ke i

Xi adalah variabel ke i

Y adalah kombinasi linier dari variabel X

Secara prinsip pembentukan komponen utama merupakan pembentukan kombinasi linierdari variabel-variabel
yang diamati.Dalam analisis komponen utama ditentukan suatu metodeuntuk mendapatkan nilai-nilai koefisien atau
bobot dari kombinasi linier variabel-variabelpembentuknya dengan ketentuan sebagai berikut

a) Ada sebanyak p komponen utama, yaitu sebanyak variabel yang diamati dan setiapkomponen utama adalah
kombinasi linier dari variabel-variabel tersebut
b) Setiap komponen utama saling ortogonal (tegak lurus) dan saling bebas.
c) Komponen utama dibentuk berdasarkan urutan varians dari yang terbesar hingga yang terkecil, dalam arti sebagai
berikut
- komponen utama pertama (KU1) merupakan kombinasi linier dari seluruh variabel yang diamati dan memiliki
varians terbesar. KU1= a1X= a11x1+… + a1ρXρ Jika gugus peubah asal {X1, X2, …, Xp} memiliki matriks
ragam peragam  maka ragam dari komponen utama adalah

Tugas kita adalah bagaimana mendapatkan vektor a1 sehingga ragam di atas maksimum (vektor ini disebut vektor
koefisien) Vektor a1 merupakan vektor ciri matriks  yang berpadanan dengan akar ciri paling besar. Kombinasi linear
dari {X1, X2, …, Xp} berupa KU1= a1x= a11x1+…+ a1pxp dikenal sebagai KU pertama dan memiliki ragam sebesar 1=
akar ciri terbesar.
 - komponen utama kedua (KU2) merupakan kombinasi linier dari seluruh variabelyang diamati yang bersifat
ortogonal terhadap KU1 dan memiliki varians kedua terbesar. Bentuknya KU2= a2x= a21x1+ … + a2pxp
Mencari vektor a2 sehingga ragam dari KU2 maksimum, dan KU2 tidak berkorelasi dengan KU1. a2 tidak lain
adalah vektor ciri yang berpadanan dengan akar ciri terbesar kedua dari matriks .
Misalkan 1 ≥ 2 ≥ … ≥ p > 0 adalah vektor ciri yang berpadanan dengan vektor ciri a1, a2, …, ap dari
matriks , dan panjang dari setiap vektor itu masing masing adalah 1, atau ai’ai= 1 untuk i= 1, 2, …, p. Maka
KU1= a1’x, KU2= a2’x, …, KUp= ap’x berturut-turut adalah komponen utama pertama, kedua, …, ke-pdari x.
Lebih lanjut var(KU1) = 1, var(KU2) = 2, …, var(KUp) = p, atau akar ciri dari matriks ragam peragam  adalah
ragam dari komponen-komponen utama.

- komponen utama ketiga (KU3) merupakan kombinasi linier dari seluruh variabelyang diamati yang bersifat
ortogonal baik terhadap KU1 maupun KU2, dan memilikivarians ketiga terbesar

- komponen utama ke p (KUp)merupakan kombinasi linier dari seluruh variabel yangdiamati yang bersifat
ortogonal terhadap KU1, KU2, ... , KU(p-1) dan memiliki variansyang terkecil.

Ragam dari setiap KU sama dengan akar ciri , yaitu 1 Total ragam peubah asal seluruhnya adalah tr(), dan
ini sama dengan penjumlahan dari seluruh akar ciri Jadi kontribusi setiap KU ke-j adalah sebesar

Interpretasi setiap KU didasarkan pada nilai pada vektor aj, karena nilai ini berhubungan linear dengan korelasi
antara X dengan KU Informasi pada KU didominasi oleh informasi X yang memiliki koefisien besar.

Untuk mendapatkan koefisien komponen utama secara bersamaan dapat menggunakansalah satu cara berikut ini

 dekomposisi eigen value dan eigen vector dari matriks korelasi atau kovarians dari variabel-variabel yang
diamati. Dalam hal ini eigen value merupakan varians setiapkomponen utamanya dan eigen vector merupakan
koefisien-koefisien komponenutamanya
 dekomposisi nilai singular dari matriks data yang berukuran n x p.

Interpretasi dari komponen utama adalah bahwa komponen utama tersebut merupakan suatu sistem sumbu baru
dalam ruang vektor berdimensi banyak peubah yang diamati. Melaluikomponen utama salib-salib sumbu tersebut telah
diubah skalanya dan dirotasi hinggamemiliki sifat varians yang terurut semakin kecil dan ortogonal.

Apabila varians dari variabel-variabel yang diamati mempengaruhi besarnya bobot atau koefisien kompomnen
utamanya maka analisis komponen utama dapat dilakukan menggunakan matriks varians-kovarians. Secara sederhana
varians merupakan suatu informasi dari variabelyang diamati yang berarti apabila sebuah variabel memiliki pengamatan
yang semua nilainyasama maka variabel tersebut tidak memiliki informasi yang dapat membedakan antarpengamatan.

Komponen utama adalah himpunan variabel baru yang merupakan kombinasi linier darivariabel-variabel yang
diamati. Komponen utama memiliki sifat varians yang semakin mengecil, sebagian besar variasi (keragaman atau
informasi) dalam himpunan variabel yangdiamati cenderung berkumpul pada beberapa komponen utama pertama, dan
semakin sedikitinformasi dari variabel asal yang terkumpul pada komponen utama terakhir. Hal ini berarti bahwa
komponen-komponen utama pada urutan terakhir dapat diabaikan tanpa kehilangan banyak informasi. Dengan cara ini
analisis komponen utama dapat digunakan untuk mereduksivariabel-variabel.

Untuk keperluan reduksi variabel tentu harus ditentukan berapa banyak komponen utamayang mesti diambil. Ada
beberapa cara untuk menentukan berapa banyak komponen utama yangharus diambil diantaranya adalah

- menggunakan scree plot. Banyak komponen yang diambil adalah pada titik kurva tidaklagi menurun tajam
atau mulai melandai.
- menggunakan proporsi kumulatif varinas terhadap total varians
 Telah dijelaskan bahwa antar komponen utama bersifat ortogonal yang artinya bahwasetiap komponen utama
merupakan wakil dari seluruh variabel asal sehingga komponen-komponen utama tersebut dapat dijadikan pengganti
variabel asal apabila analisis terhadapvariabel tersebut membutuhkan ortogonalitas, Dalam analisis regresi linier multipel
memerlukansuatu syarat tidak adanya multikolinieritas antara variabel-variabel bebasnya. Apabila ternyatadalam data
terdapat multikolinieritas maka komponen utama dapat digunakan sebagai penggantivariabel-variabel bebas dalam model
regresi tersebut.

Dalam analisis komponen utama diperoleh beberapa ukuran-ukuran berikut :

1) Nilai total varians merupakan informasi dari seluruh variabel asal yang dapat dijelaskan oleh komponen-
komponen utamanya
2) proporsi varians komponen utama ke k terhadap total varians menunjukkan besarnya persentase informasi
variabel-variabel asal yang terkandung dalam komponen utamake-k3
3) Nilai koefisien korelasi antara komponen utama dengan variabelnya

2 Analisis Faktor

Analisis Faktor adalah suatu cara menjelaskan suatu set variabel berdasarkan dimensi yang lebih umum. Pada
dasarnya analisis faktor bertujuan untuk memudahkan interpretasi melalui struktur pola hubungan atau untuk mereduksi
variabel. Hal ini dilakukan dengan cara mengidentifikasi struktur yang terdapat dalam set variabel yang terobservasi.

Secara umum ada tiga kegunaan utama dari Analisis Faktor yaitu:

- Eksplorasi (disebut Eksploratory factor analysis (EFA)) yaitu membentuk variabelbaru yang diperoleh melalui
reduksi variabel
- Konfirmasi (disebut Confirmatory Factor Analysis (CFA)) yaitu menguji strukturvariabel yang dihipotesiskan
berdasarkan banyaknya faktor yang signifikan dan besarnyafaktor loading
- Alat Pengukur (model measurment) yaitu pembentukan indeks-indeks yang akandigunakan sebagai pengamatan
baru dalam analisa selanjutnya

Misalkan terdapat satu set variabel dengan banyak variabel adalah p dan ternyata antarvariabel tersebut mempunyai
tingkat korelasi yang tinggi. Dimungkinkan ada satu atau lebih variabel yang tidak terobservasi (disebut sebagai variabel
laten) yang merupakan penyebab pvariabel di atas. Keberadaan variabel yang tak terobservasi yang mampu menjelaskan
variabel yang teramati merupakan pembahasan dalam Analisis Faktor. Dengan demikian pada intinyaAnalisis Faktor
menjelaskan hubungan struktur kovarians dari variabel yang teramati denganvariabel yang tidak teramati.

Analisis Faktor dapat dirumuskan dalam suatu model persamaan linier. Misalkan vektoracak X dengan p komponen
memiliki rata-rata μ dan matriks covariance Σ. Maka dapat dibentuk model persamaan faktornya adalah

dengan:

μi = rata- rata variabel asal ke i

εi = spesifik faktor ke i

Fj = Common faktor ke j.

lij disebut loading dari peubah asal ke i pada faktor ke j.

Atau dalam bentuk matriks menjadi

(X – μ) = L F + ε

(px1) (pxm) (mx1) (px1)

Asumsi yang digunakan dalam analisis faktor adalah:

Data berasal dari populasi yang berdistribusi normal univariat

Dalam set data terdapat multikolinieritas dapat diuji dengan menggunakan Uji Bartlett.

E(F) = 0,E(e) = 0

Cov(F) = E(FF’) = I

Cov(e) = E(ee’) = Ψ = diag(Ψ1, ...., Ψp)

F dan εsaling bebas,

Cov (ε, F) = E (ε, F’) = 0

Koefisien lij disebut loading dari variabel asal ke i pada faktor ke j, maka matriks L adalah matriks factor loading dan F1,
F2,...., Fm , ε1, ε2,.... εp adalah tidak terobservasi.

Berikut adalah hal-hal yang perlu dilakukan dalam analisis faktor :

 Mengidentifikasikan struktur
 Menentukan jumlah faktor (scree plot, eigen values, proporsi varians)
 Menduga parameter (factor loading dan sistematik varians)
- Metode Komponen Utama
- Metode Kemungkinan Maksimum
- Metode Kuadrat Terkecil
 Rotasi faktor (ortogonal: varimax, quartimax, equimax; oblique: oblimax, quartimin,oblimin)
 Interpretasi faktor (eigen values, explained variances, factor scores, koefisien faktor)

3 Bagaimana aplikasi analisis komponen utama

Bisa di isi dengan spss atau sortware lain nya ( R)