Multivariat
1. Pendahuluan
Reference
2
#Bentuk Evaluasi
1) ETS dan EAS
2) Kuis dan atau Tugas
Statistika
Parametrik
Analisis Multivariat
Analisis Multivariat
Multivariabel random:
Saling berhubungan:
7
Analisis Multivariabel
Ilustrasi:
Uji Vektor Mean Satu Populasi
Asumsi data:
1. Berdistribusi Normal P- Variat
2. Matrik Kovarians populasi tidak diketahui
3. Antar vektor observasi independen
[Vektor Random]
Vektor Mean & Matrik Kovarians Populasi
Matrik Kovarians
Populasi
28
Vektor Mean
Sampel
Dirangkum Oleh: Santi Puteri R. Marsudi
30
Dirangkum Oleh: Santi Puteri R. Marsudi
31
Matrik Kovarians
Sampel
Dirangkum Oleh: Santi Puteri R. Marsudi
32
6
8
, 𝐗=
8 ഥ
3
, 𝐗𝟑 =
10
6
, 𝐗𝟐 =
9
6
𝐗𝟏 =
,
,
33
Matriks Korelasi
Populasi
Matriks Korelasi
Sampel
Dirangkum Oleh: Santi Puteri R. Marsudi
38
Dirangkum oleh Santi Puteri R. Marsudi
Dirangkum Oleh: Santi Puteri R. Marsudi
39
Dirangkum oleh Santi Puteri R. Marsudi,
40
Interpretasi: Sign &Magnitude
Dirangkum Oleh: Santi Puteri R. Marsudi
41
Dirangkum Oleh: Santi Puteri R. Marsudi
42
Dirangkum Oleh: Santi Puteri R. Marsudi
43
44
Uji Vektor Mean Satu Populasi:
Statistik Uji (Pendekatan Hotelling)
Ilustrasi
56
Asumsi data:
1. Berdistribusi Normal P- Variat
2. Matrik Kovarians populasi tidak diketahui
3. Antar vektor observasi independen
Review:
Uji Mean Univariat Satu Populasi
Asumsi data:
1. Berdistribusi Normal
2. Varians populasi tidak
diketahui
Univariat ke Multivariat
Statistika
Statistika
Dependence (Supervised method):
Analisis Univariat
Pengelompokan
1. Variabel
a. Principle Component Analysis (data metrik)
b. Factor Analysis (data metrik)
2. Observasi
3. Objek
a. Multidimensional Scaling (data metrik atau non metrik)
b. Correspondence Analysis (data nonmetrik)
74
Pengelompokan Observasi
1. Cluster Analysis
Metric data: Linkage, Ward, K-Means, skor PCA/FA
Non Metric Data: K-Mode, K-Medoids, ROCK, SWFM
Mixed Data: Ensemble ROCK, Ensemble SWFM
1. Single Classifier
a. Non-Kernel
- Discriminant Analysis (DA)
- Logistic Regression (LR)
2. Ensemble Classifier
- Boostrap Agregating (Bagging): Random Forest, etc
- Boosting: Adaptive Boosting (AdaBoost), etc
Etc.
76
Salah satu issue utama : akurasi pada Klasifikasi Imbalanced
Dirangkum Oleh: Santi Puteri R. Marsudi
77
Dirangkum Oleh: Santi Puteri R. Marsudi
78
Dirangkum Oleh: Santi Puteri R. Marsudi
79
Dirangkum Oleh: Santi Puteri R. Marsudi
80
Dirangkum Oleh: Santi Puteri R. Marsudi
81
Dirangkum Oleh: Santi Puteri R. Marsudi
82
Dirangkum Oleh: Santi Puteri R. Marsudi
83
Dirangkum Oleh: Santi Puteri R. Marsudi
84
Dirangkum Oleh: Santi Puteri R. Marsudi
85
86
1. Statistik Uji
2. Confidence Region
Ekuivalensi antara
Confidende Region dg Uji Hipotesis Vektor Mean Satu Populasi
Review:
Uji Mean Univariat Satu Populasi
Asumsi data:
1. Berdistribusi Normal
2. Varians populasi tidak
diketahui
3. Antar observasi
Asumsi data:
1. Berdistribusi Normal P- Variat
2. Matrik Kovarians populasi tidak diketahui
3. Antar vektor observasi independen
Data Asal
Dirangkum Oleh: Santi Puteri R. Marsudi
97
Dirangkum Oleh: Santi Puteri R. Marsudi
98
99