NAMA_NIM_KELAS

2. a. Jelaskan perbedaan antara Interdependence Technique dengan Dependence

Technique dalam Analisis Multivariat, serta berikan contoh.

Interdependence Technique: Teknik multivariat di mana semua variable dianalisis

secara simultan, tidak ada variable yang didefinisikanbebas atau terikat. Sedangkan
Dependence Technique : Teknik multivariat yang didalamnya terdapat variable atau set
variable terikat (dependent variable) dan variable lainnya sebagai variable bebas
(independent variable).

Contoh :

Sumber : Multivariate
Analysis: Methods and
Applications, Dillon,
W.R., Goldstein M., John
Wiley & Sonsm, New
York, 1984.
Jelaskan perbedaan antara ANAVAR dengan ANCOVA, serta berikan contoh.
Perbedaan
ANAVAR (Analisis Varians / ANOVA)
ANCOVA (Analisis CoVarians)
Definisi
proses memeriksa perbedaan di antara cara-cara beberapa kelompok data untuk
homogenitas.
 teknik yang menghilangkan dampak dari satu atau lebih variabel yang tidak diinginkan
skala metrik dari variabel dependen sebelum melakukan penelitian.
Penggunaan
Baik model linear dan non-linear digunakan.
Hanya model linier yang digunakan.
Termasuk
Variabel kategori.
Variabel kategori dan interval.
Kovariat
Diabaikan
Dianggap
Variasi BG
Variasi Antara Kelompok (BG) atribut, untuk pengobatan.
Variasi Divides Antara Kelompok (BG), menjadi pengobatan dan kovariat.
Variasi WG
Variasi Atribut Dalam Grup (WG), hingga perbedaan individual.
Membagi dalam Kelompok (WG) variasi, menjadi perbedaan individu dan kovariat.

Sumber : Perbedaan Antara ANOVA dan ANCOVA, Anonim, https://id.gadget-

info.com/difference-between-anova , 1 Oktober 2021

Contoh penggunaan ANAVAR (Analisis Varians / ANOVA) :

Suatu penelitian dilakukan untuk mengetahui apakah terdapat pengaruh perbedaan kartu
kredit terhadap penggunaannya. Data di bawah ini  adalah jumlah uang yang
dibelanjakan ibu rumah tangga menggunakan kartu kredit (dalam $). Empat jenis kartu
kredit dibandingkan:
 Jumlah yang dibelanjakan ($)

ASTRA BCA CITI AMEX

8 12 19 13

7 11 20 12

10 16 15 14

19 10 18 15

11 12 19

Ujilah dengan α = 0.05, apakah terdapat pengaruh perbedaan kartu kredit pada
penggunaannya?

Solusi dan pembahasan :

Jumlah yang dibelanjakan ($)

ASTRA BCA CITI AMEX

8 12 19 13

7 11 20 12

10 16 15 14

19 10 18 15

11 12 19  

T = 55 T = 61 T = 91 T = 54

n=5 n=5 n=5 n=4

=11 = 12.2 =18.2 = 13.5

Dari table di atas dapat dihitung:

 Jumlah keseluruhan nilai: T = T1 + T2 + T3 + T4 = 55 + 61 + 91 + 54 = 261

 SSE = SST – SSB = 279.658 – 149.08 = 130.6

Tabel ANOVA yang dibentuk:

 Derajat Bebas Jumlah Rata-rata Ftabel
Sumber  
(Degree of Kuadrat   Kuadrat   Fhitung (lihat
Keragaman
Freedom) (Sum Square) (Mean Square) Tabel)

  149.08/ 3 = F(3,
Antar Grup v1 = 4–1= 3 149.08
49.69 5.71 15)=
Dalam Grup (error) v2 = 19–4= 15 130.6 130.6/ 15 = 8.71 3.29

Total 18 279.68

Pengujian Hipotesis:

 H : μ1 = μ2 = … = μk (semua sama)

 H1 : Tidak semuanya sama (minimal sepasang berbeda, μi ≠ μj untuk i ≠ j)
 Statistik uji = Fhitung = 49.69/8.71 = 5.71 (Lihat tabel F disini)
 Keputusan: Tolak H , terima H1 karena Fhitung > Ftabel

Kesimpulan: Terdapat perbedaan pengaruh kartu kredit terhadap penggunaan

uang yang dibelanjakan oleh ibu rumah tangga

Contoh penggunaan ANCOVA (Analisis Covarians) :

Jelaskan perbedaan antara Cluster Analysis dengan Factor Analysis, serta berikan
contoh
Perbedaan Cluster Analysis Factor Analysis
Definisi Teknik multivariat Teknik untuk
yang mempunyai menemukan
tujuan untuk hubungan beberapa
mengelompokkan variable yang
objek berdasarkan saling independent
karakteristik yang satu dengan yang
 dimilikinya. lainnya sehingga
bisa dibuat satu
atau beberapa
faktor yang lebih
sedikit dari jumlah
variable awal
Prinsip Membandingkan Membuat faktor
objek berdasarkan dan cluster dari
set variable data yang tersedia
Aplikasi SPSS dengan K- Microsof Excel
mean cluster, k- (deskriptif) dan
medoids SPSS
Metode Hierarki dan non Confirmatory
hierarki Factor Analysis
(CFA) dengan cara
Structural
Equation
Modelling
Sampel Populasi dan Membagi sampel
multikolinearitas menjadi dua bagian
kemudian
membandingkan
hasil faktor sampel
satu dengan dua

Sumber : Analisis Partisipasi Masyarakat dalam Pemafaatan Fasilitas Pengolahan

Sampah, Yuliandi Andre, Tesis, Institut Teknologi Bandung, 2013.

Contoh penggunaan Cluster Analysis :

Dari banyak siswa diambil 12 siswa sebagai contoh untuk penerapan algoritma k-
means  dalam penjurusan siswa. Percobaan dilakukan dengan menggunakan parameter-
 parameter berikut:

Jumlah cluster     : 2

Jumlah data        : 12

Jumlah atribut     : 8

Berikut merupakan data yang digunakan untuk melakukan percobaan perhitungan

manual.

Matemati Fisik Kimi Biolo Sejar Akunta Sosiolo Geogra

Nama ka a a gi ah nsi gi fi
NIS
Afgansy
20121
ah 79 75 75 85 76 78 76 80
73
Denny
20121
Sumargo 84 76 79 77 76 77 75 81
74
Lina
20121
Nur Aini 77 84 78 85 92 89 77 82
75
Ananda
20121
Anugrah 78 86 84 77 78 77 75 75
76
Putri
Khadija
20121
h 82 82 81 91 90 82 79 91
77
Ika
20121
Inayah 75 75 70 82 75 75 79 75
78
Wa Ode
20121
Sofia Z. 77 75 75 89 80 80 75 75
79
Budy
20121
Santoso 77 76 70 77 77 80 75 80
80
20121 Andi 79 76 75 84 77 81 76 77
81 Eka
 Murti
Ahsan
20121
Muhajir 80 75 75 75 75 78 77 79
82
Siswan
20121
Sumargo 76 71 75 75 77 81 79 84
83
Anis
20121
Fadilah 80 77 75 78 78 77 77 80
84
Iterasi ke-1

Penentuan pusat awal cluster

Untuk penentuan awal di asumsikan:

Diambil data ke- 2 sebagai pusat Cluster Ke-1: (84, 76, 79, 77, 76, 77, 75, 81)

Diambil data ke- 5 sebagai pusat Cluster Ke-2: (82, 82, 81, 91, 90, 82, 79, 91)

Perhitungan jarak pusat cluster

Untuk mengukur jarak antara data dengan pusat cluster digunakan Euclidian distance,

kemudian akan didapatkan matrik jarak yaitu C1 dan C2 sebagai berikut:

Rumus Euclidian distance

Jarak
Fisi Ki Biol Seja Akunt Sosiol Geog Terpend
Matem
ka mia ogi rah ansi ogi rafi C1 C2 ek
atika
10.4 21.7 10.4403
75 75 85 76 78 76 80 4 26 0651
79
84 76 79 77 76 77 75 81 0 24.0 0
 21
24.1 14.5 14.5602
84 78 85 92 89 77 82 45 6 1978
77
14.1 26.0 14.1774
86 84 77 78 77 75 75 77 38 4688
78
24.0
82 81 91 90 82 79 91 21 0 0
82
15.6 28.8 15.6524
75 70 82 75 75 79 75 52 1 7584
75
16.4 22.1 16.4620
75 75 89 80 80 75 75 62 36 7763
77
11.8 26.2 11.8743
76 70 77 77 80 75 80 74 3 4209
77
11.1 22.4 11.1355
76 75 84 77 81 76 77 36 72 2873
79
6.85 27.0 6.85565
75 75 75 75 78 77 79 57 92 46
80
12.2 25.8 12.2882
71 75 75 77 81 79 84 88 46 0573
76
6.55 22.9 6.55743
77 75 78 78 77 77 80 74 78 8524
80
Pengelompokkan data

Jarak hasil perhitungan akan dilakukan perbandingan dan dipilih jarak terdekat antara
data dengan pusat cluster, jarak ini menunjukkan bahwa data tersebut berada dalam satu
kelompok dengan pusat cluster terdekat.

Berikut ini akan ditampilkan data matriks pengelompokkan group, nilai 1 berarti data
tersebut berada dalam group.

G1
C1 C2
No
 1 0
1
1 0
2
0 1
3
1 0
4
0 1
5
1 0
6
1 0
7
1 0
8
1 0
9
1 0
10
1 0
11
1 0
12

Penentuan pusat cluster  baru

Setelah diketahui anggota tiap-tiap cluster kemudian pusat cluster baru dihitung
berdasarkan data anggota tiap-tiap cluster sesuai dengan rumus pusat anggota cluster.
Sehingga didapatkan perhitungan sebagai berikut:

Matemati Fisi Kim Biolo Sejar Akunta Sosiolo Geogr Cluster

ka ka ia gi ah nsi gi afi baru
Nama
78. 79.
Afgansy
79 75 75 85 76 78 76 80 5 5
ah
Denny
76.
Sumarg
84 76 79 77 76 77 75 81 2 83
o
Lina
75. 79.
Nur
77 84 78 85 92 89 77 82 3 5
Aini
Ananda 78 86 84 77 78 77 75 75 79. 88
Anugra
9
h
Putri
76.
Khadija
82 82 81 91 90 82 79 91 9 91
h
78. 85.
Ika
75 75 70 82 75 75 79 75 4 5
Inayah
76.
Wa Ode
77 75 75 89 80 80 75 75 4 78
Sofia Z.
78. 86.
Budy
77 76 70 77 77 80 75 80 6 5
Santoso
Andi
Eka
79 76 75 84 77 81 76 77    
Murti
Ahsan
80 75 75 75 75 78 77 79    
Muhajir
Siswan
Sumarg
76 71 75 75 77 81 79 84    
o
Anis
80 77 75 78 78 77 77 80    
Fadilah
Iterasi Ke-2

5. Ulangi langkah ke 2 (kedua) hingga posisi data tidak mengalami perubahan.

78. 75. 76.

5 76.2 3 79.9 9 78.4 76.4 78.6
Cluster baru yang ke-1
79. 79.
5 83 5 88 91 85.5 78 86.5
Cluster baru yang ke-2
Jarak
Fisi Ki Biol Seja Akunt Sosiol Geog Terpend
Matem
ka mia ogi rah ansi ogi rafi C1 C2 ek
atika
79 75 75 85 76 78 76 80 5.55 20.5 5.55697
 7 18 7596
7.92 22.9 7.92969
76 79 77 76 77 75 81 97 56 1041
84
21.1 7.28 7.28010
84 78 85 92 89 77 82 82 01 9889
77
14.0 23.1 14.0882
86 84 77 78 77 75 75 88 3 9301
78
23.3 7.28 7.28010
82 81 91 90 82 79 91 81 01 9889
82
9.00 26.6 9.00444
75 70 82 75 75 79 75 44 46 3348
75
10.6 19.5 10.6620
75 75 89 80 80 75 75 62 96 8235
77
6.72 23.3 6.72904
76 70 77 77 80 75 80 9 24 1537
77
5.16 5.16526
76 75 84 77 81 76 77 53 19.9 8628
79
5.66 24.9 5.66392
75 75 75 75 78 77 79 39 6 0903
80
10.0 23.8 10.0039
71 75 75 77 81 79 84 04 54 992
76
3.47 3.47562
77 75 78 78 77 77 80 56 21 9439
80

Langkah selanjutnya sama dengan langkah pada nomor 3 jarak hasil perhitungan akan
dilakukan perbandingan dan dipilih jarak terdekat antara data dengan pusat cluster,
jarak ini menunjukkan bahwa data tersebut berada dalam satu kelompok dengan
pusat cluster terdekat.

G2
No C1 C2
 1 0
1
1 0
2
0 1
3
1 0
4
0 1
5
1 0
6
1 0
7
1 0
8
1 0
9
1 0
10
1 0
11
1 0
12

Karena G2 = G1 memiliki anggota yang sama maka tidak perlu dilakukan

iterasi/perulangan lagi. Hasil clustering telah mencapai stabil dan konvergen.

Contoh Kasus dengan Algoritma K-Medoids

Diketahui sepuluh data dengan k = 2

X1 X2
No
2 6
1
3 4
2
3 8
3
4 7
4
6 2
5
6 4
6
7 3
7
 7 4
8
8 5
9
7 6
10

Langkah 1

Misalkan kita asumsikan

  

Jadi    dipilih sebagai medoids.

Hitung jarak untuk menghubungkan setiap objek data yang terdekat dengan. Nilai yang
terdekat dengan medoids dapat dilihat pada tabel.

 
3
Data Objek Cost 1
2 6 3 3 3
4
3 8 4 4 3
4
4 7 4 5 3
4
6 2 5 6 3
4
6 4 3 7 3
4
7 3 5 9 3
4
8 5 6 10 3
4
7 6 6
4
 
7
Data Objek Cost 1
2 6 7 3 7
4
3 8 8 4 7
4
4 7 6 5 7
4
4 6 2 3 6 7
 6 4 1 7 7
4
7 3 1 9 7
4
8 5 2 10 7
4
7 6 2
4
Sehingga clusternya menjadi:

Langkah 2

Pilih satu cluster yang bukan medoids misalkan 

Jadi sekarang medoidnya adalah 

Jika    adalah medoid baru, maka hitung totalnya menggunakan rumus pada
langkah 1

 
3
Data Objek Cost 1
2 6 3 3 3
4
4 3 8 4 4 3
 4 7 4 5 3
4
6 2 5 6 3
4
6 4 3 7 3
4
7 4 4 9 3
4
8 5 6 10 3
4
7 6 6
4
 
7
Data Objek Cost 1
2 6 8 3 7
3
3 8 9 4 7
3
4 7 7 5 7
3
6 2 2 6 7
3
6 4 2 7 7
3
7 4 1 9 7
3
8 5 3 10 7
3
7 6 3
3

Sehingga total costnya

Karena Total cost baru > Total cost awal, maka tidak terjadi pertukaran posisi.

Sumber : Contoh Kasus Analisis Cluster dengan Menggunakan K-Means dan K-

Medoids, Siswanto, https://swanstatistics.com/contoh-kasus-analisis-cluster-dengan-
menggunakan-k-means-dan-k-medoids/ , 1 Oktober 2021