ANALISIS PEUBAH GANDA

MAKALAH ANALISIS BIPLOT

KELOMPOK VI

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SAM RATULANGI
MANADO
2021
Anggota Kelompok VI :
 Sephram L. Kawulusan 18101103007
 Nurfitria Mingg 18101103015
 Pedra Van Gobel 18101103026
 Amram Binowo 18101103028
 Adelina Masilu 18101103054
 Dian Mashita Putri 18101103064
 Octalia Shania Lalujan 18101103071
 ANALISIS BIPLOT

A. Latar Belakang

Dalam kehidupan sehari-hari seringkali dijumpai sesuatu hal yang banyak melibatkan
sejumlah variabel yang antar variabel saling berpengaruh, hal semacam ini akan lebih mudah
diinterpretasikan jika kita menggunakan analisis multivariat. Secara umum, Analisis Multivariat
atau Metode Multivariat berhubungan dengan metode - metode statistik yang secara bersama –
sama (simultan) melakukan analisis terhadap lebih dari dua variabel pada setiap objek atau orang
(Santoso(2004) dalam Mulyani, 2006).

Biplot adalah salah satu upaya menggambarkan data -data yang ada pada tabel ringkasan
dalam grafik berdimensi dua. Biplot ini pertama kali diperkenalkan oleh Gabriel pada 1971 dan
telah diperbaharui oleh Gower dan Hand pada 1996. Kata Bi - menunjukkan dua jenis informasi
yang terdapat dalam matriks. Baris menunjukkan sampel atau unit sampel, sedangkan kolom
menunjukkan variabel.

Analisis ini digunakan untuk menggambarkan baris dan kolom yang terdapat dalam
matriks dalam grafik tunggal. Nilai -nilai yang terdapat dalam matriks ini diperoleh dari Singular
Value Decomposition (SVD) dari matriks awal. Analisis ini telah digunakan untuk
menggambarkan hubungan antara objek dan variabel dalam grafik tunggal.

Analisis biplot bersifat deskriptif dengan dimensi dua yang dapat menyajikan secara
visual segugus objek dan variabel dalam satu grafik. Grafik yang di hasilkan dari Biplot ini
merupakan grafik yang berbentuk bidang datar. Dengan penyajian seperti ini, ciri –ciri variabel
dan objek pengamatan serta posisi relatif antara objek pengamatan dengan variabel dapat
dianalisis (Jollife (1986) dan Rowling (1988) dalam Sartono dkk, 2003). Informasi yang
diberikan oleh Biplot meliputi objek dan variabel. Beberapa informasi penting yang bisa
didapatkan dari tampilan Biplot adalah sebagai berikut (anonim, 2003).

Biplot adalah salah satu upaya menggambarkan data-data yang ada pada tabel ringkasan
dalam grafik berdimensi dua. Informasi yang diberikan oleh biplot mencakup objek dan variabel
dalam satu gambar. Analisis biplot bersifat deskriptif dengan dimensi dua yang dapat
menyajikan secara visual segugus objek dan variabel dalam satu grafik. Grafik yang dihasilkan
dari biplot ini merupakan grafik yang berbentuk bidang datar. Dengan penyajian seperti ini, ciri-
ciri variabel dan objek pengamatan serta posisi relatif antara objek pengamatan dengan variabel
dapat dianalisis. Tiga hal penting yang bisa didapatkan dari tampilan biplot adalah, kedekatan
antar objek yang diamati, keragaman peubah, korelasi antar peubah.
1. Kedekatan antar objek yang diamati
Informasi ini dapat dijadikan panduan untuk mengetahui objek yang memiliki kemiripan
karakteristik dengan objek lain. Penafsiran ini mungkin akan berbeda untuk setiap bidang
 terapan, namun inti dari penafsiran ini adalah bahwa dua objek yang memiliki
karakteristik sama akan digambarkan sebagai dua titik dengan posisi yang berdekatan.
2. Keragaman variabel
Informasi ini digunakan untuk melihat apakah ada variabel yang mempunyai nilai
keragaman yang hampir sama untuk setiap objek. Dengan informasi ini, bisa diperkirakan
pada variabel mana strategi tertentu harus ditingkatkan, dan juga sebaliknya. Dalam
Biplot, variabel yang mempunyai nilai keragaman yang kecil digambarkan sebagai vektor
pendek sedangkan variable dengan nilai keragaman yang besar digambarkan sebagai
vektor yang panjang.
3. Hubungan atau korelasi antar variabel
Dari informasi ini bisa diketahui bagaimana suatu variable mempengaruhi ataupun
dipengaruhi variabel yang lain. Pada Biplot, variabel akan digambarkan sebagai garis
berarah. Dua variabel yang memiliki nilai korelasi positif akan digambarkan sebagai dua
buah garis dengan arah yang sama atau membentuk sudut sempit. Sementara itu, dua
variable yang memiliki nilai korelasi negatif akan digambarkan dalam bentuk dua garis
dengan arah yang berlawanan atau membentuk sudut lebar (tumpul). Sedangkan dua
variabel yang tidak berkorelasi akan digambarkan dalam bentuk dua garis dengan sudut
yang mendekati 900 (siku-siku).
4. Nilai variabel pada suatu objek
Dalam informasi ini digunakan untuk melihat keunggulan dari setiap objek. Objek yang
terletak searah dengan arah vektor variabel dikatakan bahwa objek tersebut mempunyai
nilai di atas rata-rata. Namun jika objek terletak berlawanan dengan arah dari vektor
variabel tersebut, maka objek tersebut memiliki nilai di bawah rata-rata. Sedangkan objek
yang hampir berada ditengah-tengah berarti objek tersebut memiliki nilai dekat dengan
rata -rata.
B. Pembahasan
Menurut Sartono, dkk (2003) analisis biplot didasarkan pada Singular Value
Decomposition (SVD). Biplot dapat dibangun dari suatu matriks data, dengan
masingmasing kolom mewakili suatu varibel, dan masing-masing baris mewakili
objek penelitian (Udina:2005).

X 11 ⋯ X1 p

[
X= ⋮ ⋱
X n1 ⋯
⋮
X np ]
Matriks X adalah matriks yang memuat variabel-variabel yang akan diteliti
sebanyak p dan objek penelitian sebanyak n. Pendekatan langsung untuk mendapatkan
nilai singularnya, dengan persamaan yang digunakan adalah matriks X berukuran n x p
yang berisi n objek dan p variabel yang dikoreksi terhadap rata-ratanya dan
mempunyai rank r,dapat dituliskan menjadi

n X p¿ n X p Lr n A p dengan( r ≤ { n , p })

U dan A adalah matriks dengan kolom ortonormal (U’U=A’A= Ir ) dan L adalah

matriks diagonal berukuran (rxr) dengan unsur-unsur diagonalnya adalah akar dari
nilai eigen – nilai eigen X’X, yaitu √ λ1 ≥ √ λ 2 ≥ … ≥ √ λ r .

Unsur – unsur diagonal matriks L ini disebut nilai singular matriks X dan kolomkolom
matriks A adalah vektor eigen dari X’X. Kolom-kolom untuk matriks U diperoleh dari

1
ui = X a , i=1,2,3 ,… r
√ λr i

Dengan ui adalah unsur-unsur matriks U, a i adalah unsur-unsur matriks A dan λ 1

adalah nilai eigen ke-i

Persamaan (1) dapat didefinisikan unsur – unsur diagonal matriks L disebut nilai
singular dari matriks X. Kemudian didefinisikan La dengan 0 ≤ α ≤1adalah matriks
diagonal berukuran r ×r dengan unsur-unsur diagonalnya √ λα1 ≥ √ λ α2 ≥ … ≥ √ λ αr dan
definisi ini berlaku pula untuk L1−a dengan unsue-unsur diagonalnya adalah
1−α
√λ 1 ≥ √ λ1−α
2 ≥ …≥ √ λ1−α
r

Menurut Jollife (1986),misalkan G=U La dan H ’=L1−a A ’ dengan α besarnya 0 ≤ α ≤1

. Persamaan (1) menjadi

X =U La L1−a A ’=GH ' (2)

Hal ini berarti unsur ke-(i,j) matriks X dapat dituliskan sebagai

x ij =g ' i h' j (3)

Dengan g ' i , i=1,2, … , n h ' j , j=1,2 , … , p masing–masing merupakan baris matriks G

dan kolom matriks H. Pada gi dan hi mempunyai r dimensi Jika X mempunyai rank
dua, vektor baris gi dan vektor hi dapat digambarkan dalam ruang berdimensi dua. Jika
X mempunyai rank lebih dua persamaan (1) menjadi
r
1
x ij =∑ ¿1u λ 2 α (4)
ik k jk
k
 Dengan uik adalah elemen ke-(i , k) dengan matriks U , α jk adalah elemen ke-( j, k ) dari
1
matriks A dan λ 2 adalah elemen diagonal ke-k dari matriks L.
k

Himpunan data asal yang terdiri dari n objek dan p variabel tereduksi menjadi
himpunan data yang terdiri dari n objek dengan m unsur pertama. Jika ada sebanyak m
elemen unsur yang dipertahankan ,persamaan (3) dapat didekati dengan
m 1
2
m x ij =∑ ¿ 1u ik λk α jk , m< r (5)
k

Persamaan (5) dapat ditulis sebagai berikut,

m

m ij x =∑ uik ¿ ¿
k=1

m
¿ ¿
¿ ∑ gik h jk ¿ gi ' h j ' (6)
k=1

Dengan gi ' dan h j ' masing-masing berisi elemen unsur vektor gi dan h j . Gabriel (1997)
¿ ¿

menyatakan m=2 disebut biplot, sehingga persamaan (6) dapat dinyatakan sebagai:

x =g ¿i ' h¿j '

2 ij (7)

Dengan 2 x ij merupakan unsur pendekatan matriks X pada dimensi dua, sedangkan gi ' dan h j '
¿ ¿

masing-masing mengandung dua unsur pertama vektor gi dan h j . Dan pendekatan matriks X
pada dimensi dua diperoleh matrik G dan H sebagai berikut:

g 11 g 12 g11 g12

[ ] [ ]
G= gi 1 gi 2 dan H= gi 1 g i 2
g n 1 gn 2 g n1 g n 2

Matriks G adalah titik-titik koordinat dari n objek dan matriks H adalah titik-titik koordinat
dari p variabel.

Gabriel (1971) mengemukakan ukuran pendekatan matriks X dengan biplot dalam bentuk,
2 ( λ 1+ λ 2 )
p= r
(8)
( ∑ λk )
k=1

Dengan λ 1adalah nilai eigen terbesar ke-1, λ 2 adalaha nilai eigen terbesar ke-2 dan
λ k , k =1,2 , … ,r adalah nilai eigen ke-k. Apabila p2 mendekati suatu nilai, maka biplot
memberikan penyajian yang semakin baik mengenai informasi data yang sebenarnya.
 Menurut Jollife (1986) untuk mendeskripsikan biplot perlu mengambil nilai α dalam
mendefinisikan G dan H. Pemilihan nilai α pada G=U Lα dan H ' =L1−α A ' bersifat sebarang
dengan syarat 0 ≤ α ≤ 1. Pengambilan nilai ekstrim α =0 dan α =1 berguna dalam interpretasi
biplot.
Jika α =0 didapat G=U L0 dan H ' =L1−0 A' =LA ' sehingga:
'
X ' X= ( G H ' ) ( G H ' )
¿(G H ' )(G H ' )
¿ HG ' GH '
¿ HU ' UH '
¿ HH '
Mariks U ortogonal dan X ' X= ( n−1 ) S dengan n adalah banyaknya objek pengamatan dan S
adalah matriks kovarian dari matriks X maka H H ' =( n−1 ) S. Hasil kali h j ' hk adalah akan sama
dengan ( n−1 )kali kovarian S jk antara variabel ke-j dan variabel ke-k. Selanjutnya untuk
megetahui variansi variabel digunakan matriks :

Diagonal utama pada matriks H H ' , h211 + h221+ … h2j 1 +h2j 2+ … h2p 1+ h2p 1 mengambarkan variansi dari
variabel. Sedangkan h2j 1+ h2j 2, j=1,2 ,… , p menyatakan panjang vektor variabel (dengan jarak
Euclid dari titik O (0,0)). Sehingga dapat disimpulkan bahwa panjang vektor variabel sebanding
dengan variansi variabel..
Nilai cosinus sudut antara dua vektor variabel menggambarkan korelasi kedua variabel.
Semakin sempit sudut yang dibuat antara dua variabel maka semakin tinggi korelasinya. Korelasi
variabel ke-j dan ke-k sama dengan nilai cosinus sudut vektor h j dan hk .

h j . h k =‖h j‖‖hk‖cos θ

h j . hk h '.h S jk S
cos θ= = j k = = jk =r jk
‖h j‖‖h k‖ ‖h j‖‖h k‖ √ S jj √ Skk S j Sk
Kedekatan antar obyek pada gambar biplot dapat dilihat dengan menggunakan jarak
Euclid antara gi dan g j sebanding dengan jarak Mahalanobis antar objek pengamatan xi dan xj
dalam dfata pengamatan sesungguhnya.
Jarak Mahalanobis antar objek pengamatan xi dan xj dalam dfata pengamatan
sesungguhnya.
δ 2 ( x i , x j )=( x i−x j ) ' S−1 ( x i−x j ) (9)
Jarak Euclid antara dua pengamatan gi dan g j didefinisikan sebagai
d 2 ( gi , g j )=( g i−g j ) ( gi −g j ) (10)
2 2
Menurut Jollife (1986) δ ( x i , x j )=(n−1) d ( gi , g j ) . Hal ini dapat dibuktikan sebagai berikut
Persamaan (3) dapat ditulis kembali sebagai x 'i=gi H ' , i=1,2 , … ,n dan disubtitusikan ke dalam
persamaan (9) sehingga menghasilkan.

δ 2 ( x i , x j )=( Hg i−H g j ) S−1 ( Hg i−H g j)

¿( H ( gi , g j ) ) ' S−1 H ( gi −g j )
¿ ( gi−g j ) ' H S−1 H ( gi−g j )
'
¿ ( gi−g j ) ( L A' ) ( n−1)( X ' X )−1 LA ( g i−g j )
¿( n−1) ( g i−g j) ' (L A ' )( X ' X )−1 LA ( g i−g j) (11)
' ' '
Dengan H =L A ( α =0 ) dan S =( n−1)(X X ) −1 −1

Sedangkan X ' X=(UL A' )' (UL A ' )

¿ ALU ' ULA '
¿ AL2 A ' (12)
Dan
−1 ' −1
( X ' X ) =(( UL A ' ) ( UL A' ) )
−1
¿ ( U ' LAUL A ' )
−1
¿ ( ALU ' UL A ' )
¿ AL−2 A ' (13)
Subtitusikan persamaan (12) dan(13) ke persamaan (11) menghasilkan
δ 2 ( x i , x j )=(n−1) ( gi−g j ) ' (L A ' )( X ' X )−1 LA ( gi−g j )
 ¿( n−1) ( g i−g j) ' L( A ' A)L−2( A ' A) L ( gi−g j )
¿ ( n−1 ) ( gi −g j )' L L−2 ( gi−g j ) ,( A adalah ortogonal)
¿( n−1) ( g i−g j) ' ( g i−g j )
¿( n−1) d 2 ( gi , g j )
Berarti dapat dilihat bahwa Mahalanobis sebanding dengan jarak Euclid.Hal ini menunjukan
bahwa jarak Euclid mampu menggambarkan posisi objek pengamatan dalam data pengamatan
sesungguhnya.
Jika α =1 maka G=UL dan H = A sehingga diperoleh
X X =(G H ' )(G H ' )'
'

¿ GH ' HG '
¿ GA ' AG '
¿≫'
Pada keadaan ini, jarak Euclid antara gi dan g j akan sama dengan jarak Euclid
antara objek pengamatan x i dan x j . Vektor baris ke-i sama dengan skor komponen utama
untuk responden ke-i dari hasil analisis komponen utama. Untuk G=UL maka unsur ke-k dari gi
adalah uik √ λ . Hasil tersebut sama dengan Zik yang merupakan skor komponen
k

utama ke-k dari objek ke-i.Sedangkan H=A diperoleh bahwa vektor pengaruh kolom h j sama
dengan α j
Ilustrasi Kasus

Krisis ekonomi telah berdampak pada aspek kehidupan. Salah satu sektor yang terkena musim
adalah sektor pendidikan. Efek yang paling diringkan terusannya untuk pendidikan yang layak
untuk anak-anak. Angka drop-out siswa dengan semakin semakin tinggi dan harga dan
pelayanan pendidikan yang berkebesar semakin jauh. Hal ini menjadi sangat jarak karena
berkembangnya pembangunan di suatu wilayah tak terlepas dari sumber daya yang yang ada di
daerah tersebut. Bisainnya hal ini tak bisa sekanup dari dunia pendidikan. Sebagai salah satu
upaya dari krisis ekonomi dunia pendidikan pemerintah pemerintah sudah 2000-00 Daya Erilah
Sosial Beasiswa dan Dana Bantuan Operasional, yang lebih banyak berkerta Program JPS
Beasiswa dan DBO.

1. Analisis analisis Biplot pada data yang dengan perangkat lunak menggunakan yang baik
R.
2. Analisis hasil hasil untuk perangkat lunak ketiga yang menggunakan
3. Menginterpretasikan hasil analisis biplot.

Penyelesaian :
 
Indikator berker pendidikan di suatu wilayah, antara lain :

1. Indeks Pembanguan Manusia (IPM)

2. Produk Domestik Regional Bruto (PDRB)
3. Indeks Jawa (IK)
4. Anggaran Pendapatan dan Belanja Daerah (APBD)
5. Angka Ke depan Kasar untuk tingkat SD (APSSD)
6. Angka Ke depan Kasar untuk tingkat SLTP (APSLTP)
7. Tingkat Drop Out untuk SD (Drop SD)
8. Tingkat Drop Out untuk SLTP (Drop SLTP)
Koding BIPLOT manual pada aplikasi R Studio.
Sehingga hasil yang diperoleh adalah :

Karena U itu matriks berukuran 28x8 (sangat besar) maka tak ada hasilnya. Begitu pulah dengan
G.
Dari output di atas, analisis analisis biplot mampu kedredere sebesar 68,7%
Sehingga hasil Interpretasinya :

Dari output di atas, bisa diinterpretasikan sebagai :

1. Besarnya kedr jalan yang mampu oleh semua indikator yang kali iniuntuk melihat
kembali seperti itu pembangunan pendidikan sebesar 100%. Akan tetapi, melakukan
analisis biplot dengan mereduksi seluruhindikator ke dalam ruang berdimensi dua maka
informasi yang mampu dikingkus hanya 68.7% yang dari dari penjumlahan dari 51.9%
dan 16.8%. Artinya, informasiyang mampu dikedot dengan biplot < 70%. Oleh karena
itu, bisa dikatakan bahwa biplot belum cukup informasi informasi mengenai hubungan
indikator yaitu pada hari itu, ia benar
2. Provinsi Bengkulu, Sumbar, Jambi, Jatim, Banten, Jabar, Lampung, Sumut,
Jateng,Sumsel, dan Malut memiliki nama baik nama baik. Maluku, Kalteng, Aceh,Riau,
Bali, dan Kaltim juga membentuk kelompok sendiri. Provinsi NTT, NTB, Kalbar,Sulsel,
Sulteng, Sultra, Sulut, dan Kalsel juga membentuk kelompok sendiriseperti sifat peubah.
3. Ada yang keberkasisan tinggi pada tetesan peubah, APBD, apssd, dan apssmp.Namun
setiap peubah yang lain tingkat juga tingkat kederkmatan juga juga tinggi.
4. tetes, tetes, dan ik; apssmp dan hdi; memiliki korelasi positif yang tinggi tinggi nilai
cosinus sudut antar vektornya sempit cukup, juga pula dengan variabellain. Sedangkan ik
dan apssd; tetes dan apssmp; hdi dan tetes; apssd dan tetes;dan variabel lain, memiliki
korelasi sedang sudut yang mana nama baik sudutlebar yang.
5. Provinsi IRJA, Kalbar, NTB, NTT, Sulsel, Kalsel, Sulteng, Sulut, dan Sultra
merupakanprovinsi yang tingkatnya turun, dropsmp, dan ik yang tinggi. Provinsi DKI,
Bali, Riau, dan Yogya tingkat apssmp dan hdi yang tinggi. Provinsi Sumbar,Bengkulu,
Jambi, Jatim, Sumsel, Malut, Banten, Jabar, Lampung, Jateng, Sumuttingkat memiliki
apsd yang tinggi. Sedangkan sisanya yaitu Provinsi Maluku, Kalteng,Aceh, dan Kaltim
tingkat badan APBD dan PDRB Yang Tinggi.