Makalah Korespondensi Dan Biplot PDF Free
Makalah Korespondensi Dan Biplot PDF Free
Analisis Korespondensi
&
Analisis Biplot
Kelompok 1
1. Viarie Chirstin Katiandagho (413417028)
2. Chairunnisa Y. Tilolango (413417027)
3. Windiyawati Datau (413417037)
4. Sri Maryam A. Bobihu (413417047)
5. Sri Rahayu Pipii (413417013)
6. Wawan Iswanto Bihaki (413417016)
7. Karmila Thalib (413417033)
Puji syukur dipanjatkan kehadirat Allah SWT yang telah memberikan rahmat, taufiq
serta inayah-Nya, sehingga kami dapat menyelesaikan makalah yang berjudul Analisis
Korespondensi & Analisis Biplot.
Tidak ketinggalan pula, bersama ini kami mengucapkan terima kasih yang sebanyak-
banyaknya kepada berbagai pihak yang telah memberikan saran dan kritik dalam proses
pembuatan makalah ini. Semoga makalah ini dapat bermanfaat bagi kita semua. Amin.
Gorontalo,Desember
2019
Penyusun
DAFTAR ISI
Contents
KATA PENGANTAR................................................................................................................................... ii
BAB I PENDAHULUAN ............................................................................................................................ iv
1. Latar Belakang............................................................................................................................ iv
2. Rumusan Masalah ....................................................................................................................... v
3. Tujuan ......................................................................................................................................... v
BAB II PEMBAHASAN ............................................................................................................................. vi
A. Analisis Korenspondensi ............................................................................................................ vi
1. Sifat-sifat Dasar Analisis Korespondensi. ............................................................................... vi
3. Kelebihan dan Kekurangan Analisis Korespondensi. ............................................................ vii
B. Analisis Biplot ............................................................................................................................xvi
1. Tujuan Analisis Biplot ............................................................................................................xvi
2. Manfaat Analisis Biplot .........................................................................................................xvi
3. Asumsi yang harus dipenuhi sebelum analisis dilakukan ....................................................xvii
4. Prosedur dan Langkah-langkah Analisis.............................................................................. xviii
5. Contoh Kasus dan Pembahasan ............................................................................................xix
BAB III ............................................................................................................................................... xxxvii
PENUTUP .......................................................................................................................................... xxxvii
DAFTAR PUSTAKA ........................................................................................................................... xxxviii
BAB I
PENDAHULUAN
1. Latar Belakang
Analisis korespondensi adalah teknik penyajian data antar baris, antar kolom,
dan antar baris dan kolom dari tabel kontingensi (dua arah yang kemudian dapat
diperluas untuk tabel kontingensi multiarah) pada suatu ruang vektor berdimensi kecil
dan optimal. Analisis ini memberikan output berupa peta persepsi yang merupakan
plot antara baris dan kolom dari matriks yang berbentuk data kategori. Dalam analisis
korespondensi data yang digunakan adalah data dengan skala pengukuran nominal
atau ordinal, variabel-variabelnya kualitatif dan tidak ada asumsi tentang distribusi
data yang harus dipenuhi. Oleh karena itu, analisis ini dapat digunakan untuk melihat
perkembangan di suatu wilayah berdasarkan indikatorindikator tertentu yang
merupakan data-data dengan skala pengukuran nominal
Selain itu dalam Analisis Mutivariat terdapat banyak metode yang dapat
digunakan untuk menyelesaikan masalah atau mengolah data yang melibatkan banyak
variabel. Misalnya pada saat melakukan suatu penelitian, data yang diperoleh adalah
rekapan data yang berupa tabel nilai rata-rata dari beberapa peubah/variabel pada
beberapa objek. Semakin banyak peubah yang diukur dan semakin banyak objek yang
diamati, maka ukuran tabel yang dimiliki akan semakin besar dan semakin sulit untuk
menginterpretasikannya. Untuk itu diperlukan suatu metode yang mampu
mempermudah interpretasi dari data yang dimiliki. Metode Mutivariat yang dapat
digunakan untuk mengatasi masalah tersebut salah satunya adalah biplot.
Analisis Biplot diperkenalkan oleh Gabriel pada tahun 1971. Biplot adalah salah satu
upaya menggambarkan data -data yang ada pada tabel ringkasan dalam grafik
berdimensi dua. 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.
Biplot merupakan teknik statistika deskriptif yang dapat menyajikan secara
simultan n objek pengamatan terhadap p peubah dalam dua dimensi, sehingga ciri-ciri
peubah dan objek pengamatan serta posisi relatif antar objek pengamatan dengan
peubah dapat dianalisis.
2. Rumusan Masalah
1. Apa yang dimaksud dengan analisis korespondensi dan bagaimana penerapannya
2. Bagaimana penggunaan Biplot dalam suatu analisis?
3. Tujuan
1. Untuk mengetahui lebih jelas apa yang dimaksud dengan analisis korespondensi serta
cara penyelesaiannya melalui sebuah contoh kasus.
2. Untuk mengetahui bagaimana cara penggunaan Biplot dalam suatu analisis
BAB II
PEMBAHASAN
A. Analisis Korenspondensi
Analisis korespondensi ditemukan dan dikembangkan pertama kali tahun
1960- an oleh Jean-Paul Benzécri dan kawan-kawan di Perancis. Analisis ini diartikan
sebagai teknik penyajian data antar baris, antar kolom, dan antara baris dan kolom
dari tabel kontingensi (dua arah yang kemudian dapat diperluas untuk tabel
kontingensi multi arah) pada suatu ruang vector berdimensi kecil dan optimal.
Analisis ini juga didesain untuk digunakan dalam pengembangan pengelompokan
yang mewakili data frekwensi.
1) Sangat tepat untuk menganalisis data variabel kategori ganda yang dapat
digambarkan secara sederhana dalam data tabulasi silang.
2) Tidak hanya menggambarkan hubungan antar baris dengan kolom tetapi
juga antar kategori dalam setiap baris dan kolom.
3) Memberikan tampilan grafik gabungan dari kategori baris dan kolom
dalam satu gambar yang berdimensi sama.
4) Cukup fleksibel untuk digunakan dalam data matrik berukuran besar.
b) Kekurangan
1) Analisis ini tidak cocok untuk pengujian hipotesis tetapi sangat tepat
untuk eksplorasi data.
2) Analisis ini kurang tepat bila dipakai untuk analisis data kuantitatif.
Data
Ya
Variabel Kategori
Tabel Indikator
Analisis Korespondensi
Peta Persepsi
Kesimpulan
a. Manual
b. Program
Syntax
Output
d. Pengujian
Pasta gigi Region 1 Region 2 Region 3 Total
Merk A 5 5 30 40
Ekspektasi 13.33 13.33 13.33
Merk B 5 25 5 25
Ekspektasi 8.33 8.33 8.33
Merk C 15 5 5 25
Ekspektasi 8.33 8.33 8.33
Merk D 15 5 0 20
Ekspektasi 6.67 6.67 6.67
Total 40 40 40 120
Mencari hitung
2
13.33 13.33 13.33
5 8.33 25 8.33 5 8.33
2 2 2
hitung
2
8.33
8.33
8.33
8.33 8.33 8.33
15 6.67 5 6.67 0 6.67
2 2 2
6.67 6.67 6.67
hitung
2
79.607
Mencari tabel
2
db = (k-1)(r-1) = (3-1)(4-1) = 6
tabel
2
12.59
e. Kesimpulan
- Hasil Program R
a. Hipotesis
H0 : Tidak terdapat hubungan antara merk pasta gigi dan region.
H1 : Terdapat hubungan antara merk pasta gigi dan region.
b. Taraf Signifikan
𝛼 = 0.05
c. Daerah Penolakan
Tolak H0 jika p-value < 𝛼
d. Pengujian
Syntax :
Output :
e. Kesimpulan
Berdasarkan pengujian, karena p-value < 𝛼 maka tolak H0. Artinya,
terdapat hubungan antara merk pasta gigi dan region.
d. Matriks profil baris
- Hasil Manual
5 5 30
40 40 40
5 25 5
35 35 35
R
15 5 5
25 25 25
15 5 0
20 20 20
- Hasil Program R
Syntax :
Output :
e. Matriks profil kolom
- Hasil Manual
5 5 30
40 40 40
5 25 5
40 40 40
C
15 5 5
40 40 40
15 5 5
40 40 40
- Hasil Program R
Syntax :
Output :
f. Hasil inersia
- Hasil Manual
Baris 0.260417 0.190476 0.066667 0.145833
0.206399
Kolom 0.184970
0.272024
- Hasil Program R
Syntax :
Output :
Output :
h. Kontribusi baris
- Hasil Manual
0.333 0.1 0.393
0.292 0.1 0.287
Mass qlt inertia
0.208 0.1 0.1
0.167 0.1 0.22
- Hasil Program R
Syntax :
Output :
i. Kontribusi kolom
- Hasil Manual
Mass 0.333 0.333 0.333
qlt 0.1 0.1 0.1
Inertia 0.311 0.279 0.41
- Hasil Program R
Syntax :
Output :
Output :
Interpretasi :
Analisis Korespondensi dari contoh menunjukan adanya perbedaan
penggunaan pasta gigi pada penduduk yang tinggal di wilayah tertentu. Hal ini
terbukti dengan hasil pemetaan yang memperlihatkan bahwa karakteristik penggunaan
pasta gigi penduduk pada Region 1 pada umumnya adalah pengguna merk C dan D,
untuk Region 2 karakteristik umum adalah pengguna cenderung menggunakan merk
B, sementara pada Region 3 umumnya adalah pengguna merk A.
B. Analisis Biplot
Biplot merupakan teknik statistika deskriptif yang dapat menyajikan secara
simultan n objek pengamatan terhadap p peubah dalam dua dimensi, sehingga ciri-ciri
peubah dan objek pengamatan serta posisi relatif antar objek pengamatan dengan
peubah dapat dianalisis.
Pada analisis biplot, analisis data dilakukan terhadap matriks data yang
terkoreksi terhadap nilai tengahnya. Setelah data dipusatkan akan didapatkan matriks
data yang telah terkoreksi terhadap nilai tengahnya, yang dinotasikan dengan 𝑋̃.
2. Keragaman peubah
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.
Hipotesis :
𝐻0 = 𝜌 = 0 (tidak ada korelasi antar variabel)
𝐻1 = 𝜌 ≠ 0 (terdapat korelasi antar variabel)
Kriteria Uji:
p-value < α , Tolak H0
p-value > α, Terima H0
3) Pengujian kehomogenan ragam
Ragam yang heterogen merupakan penyimpangan asumsi dasar pada
analisis ragam. Keheterogenan galat akan mengakibatkan berkurangnya
keefisienan pendugaan beda pengaruh antar perlakuan.
Hipotesis:
H0 : galat menyebar normal
H1 : galat tidak menyebar normal.
Gunakan Test Equal Varians, jika P-value besar α maka ragam galat homogen.
4) Pengujian keaditifan model
Biasanya apabila data bersifat aditif, maka data tersebut mempunyai
ragam yang homogen. Sebaliknya apabila data bersifat tidak aditif, maka data
tersebut mempunyai ragam yang heterogen. Artinya data yang tidak memenuhi
pengaruh aditif akan memiliki keragaman galat yang besar. Untuk menguji
keeaditifan model gunakan uji Tukey.
√𝜆1 0 … 0
0
𝐿 = [ 0 √𝜆2 … ⋮ ]
⋮ ⋱
⋮ …
0 0 √𝜆𝑟
𝐴 = [𝑎1 𝑎2 … 𝑎𝑟 ], (𝑣𝑒𝑘𝑡𝑜𝑟 𝑒𝑖𝑔𝑒𝑛)
1 1 1
𝑈={ 𝑋𝑎1 , 𝑋𝑎2 , … , 𝑋𝑎𝑟 }
√𝜆1 √𝜆2 √𝜆𝑟
Membuat matriks G = ULα dan matriks H = AL1-α
6) Mengambil 2 kolom pertama dari masing – masing matriks G dan H sehingga
menjadi matriks G2 dan H2 yang merupakan titik – titik koordinat dari grafik
biplot, dimana setiap baris matriks G2 merupakan koordinat (x,y) untuk
masing – masing objek, sedangkan setiap baris dari matriks H2 merupakan
koordinat (x,y) untuk setiap variabel
7) Menghitung keragaman yang dapat diterangkan oleh biplot dengan rumus
(𝜆1 + 𝜆2 )
𝜌2 =
∑𝑟𝑘=1 𝜆𝑘
8) Menganalisis biplot.
9) Membuat kesimpulan.
Menggunakan software R:
2) Melihat kebebasan galat ( tidak ada korelasi antara variabel).
Menggunakan software R
3) Pengujian keaditifan model
Diasumsikan untuk kasus di atas datanya mempinyai ragam yang homogen,
sehingga data bersifat aditif.
Dari pengujian asumsi di atas didapatkan hasil bahwa tidak terjadi pelangaran asumsi atau
uji asumsi terpenuhi, maka analisis biplot dapat dapat dilakukan.
1) Matriks X data :
3) Matriks X’X :
𝜆1 = 49,5635
𝜆2 = 14,3119
𝜆3 = 5,6099
𝜆4 = 1,7274
𝜆5 = 0,4245
Matriks U :
Dimana 𝑈 = 𝑋𝐴𝐿−1
0,142043 0 0 0 0
0 0,264333 0 0 0
𝐿−1= 0 0 0,422205 0 0
0 0 0 0,760861 0
[ 0 0 0 0 1,53485]
(49,5635+14,3119)
𝜌2 = = 0,891651
71,6372
Nilai keragaman total yang mampu diterangkan oleh biplot adalah sebesar
0,891651. Ini berarti biplot mampu menjelaskan sebesar 89% dari total keragaman data
Program R
Krisis ekonomi telah berdampak pada berbagai aspek kehidupan. Salah satu
sektor yang terkena dampaknya adalah sektor pendidikan. Dampak yang paling
dirasakan adalah berkurangnya kemampuan untuk menyediakan pendidikan yang
layak bagi anak-anak. Angka drop-out siswa dengan demikian semakin meningkat
dan kualitas pelayanan pendidikan yang diselenggarakan sekolah semakin jauh
berkurang. Hal ini menjadi keprihatinan tersendiri karena berkembangnya
pembangunan di suatu wilayah tidak terlepas dari sumber daya yang tersedia di
daerah tersebut. Tentunya hal ini tidak bisa dipisahkan dari dunia pendidikan. Sebagai
salah satu upaya mengatasi dampak krisis ekonomi terhadap dunia pendidikan
pemerintah telah mengembangkan Program Jaring Pengaman Sosial Beasiswa dan
Dana Bantuan Operasional, yang lebih dikenal sebagai Program JPS Beasiswa dan
DBO.
APSS APS DROP DROP
Nama HDI PDRB IK APBD
D SLTP SD SLTP
Aceh 65.3 2548 14.91 895.48 96.3 81.7 3 10.4
Sumut 66.6 1976 16.15 397.4 97.2 87.4 2.9 11.8
Sumbar 65.8 1678 13.56 582.13 96.7 84 4.7 16.6
Riau 67.3 4773 10.95 491.07 96.3 85.2 2.6 11.2
Jambi 65.4 1254 14.54 456.46 96.2 81.1 3.5 11.7
Sumsel 63.9 1692 15.68 329.36 95.2 77 5 18
Bengkulu 64.8 1158 13.11 447.55 95.4 82.2 3.7 16.8
Lampung 63 952 17.23 226.19 95.1 81 2.9 12.3
DKI 72.5 5943 4.33 801.61 98.4 92.4 1.6 5.9
Jabar 64.6 1616 12.89 274.04 95.4 72.2 3.3 10.3
Jateng 64.6 1282 17.97 299.32 97.4 81.5 1.6 7.1
Yogya 68.7 1554 13.53 431.69 99.2 95.4 0.5 3.5
Jatim 61.8 1628 18.34 326.86 95.4 80.4 2.5 9.2
Kalbar 60.6 1871 25.65 470.64 90.3 76 5.4 25.2
Kalteng 66.7 2350 16.06 699.73 97.5 80.6 3.2 17
Kalsel 62.2 1975 16.97 600.54 94.7 72.2 5 16.4
Kaltim 67.8 8401 14.98 576.04 97 84.6 3.1 10.8
Sulut 67.1 1434 11.69 521.82 93.6 76.7 6.8 23.2
Sulteng 62.8 1070 11.13 450.94 94.6 69.4 5,8 23.1
Sulsel 63.6 1207 9.38 482.69 91.1 69.6 6.7 18.9
Sultra 62.9 907 12.79 602.48 93.7 77 5.8 21.4
Bali 65.7 2431 5.31 829.25 96.7 83.6 2.1 6.9
NTB 54.2 852 19.65 412.18 93 71.5 5.8 21.7
NTT 60.4 712 23.97 173.06 89 69.7 6 29.5
Maluku 67.2 1339 26.21 726.99 94.4 84.8 3 14.4
IRJA 58.8 4074 24.59 923.13 82.8 75.5 4.5 20
Malut 66.4 1329.5 21.91 238.45 92.25 80.75 4.55 24.95
Banten 63.5 1992.4 9.43 252.35 94.94 70.12 3.24 12.14
Syntax
Output
- Hipotesis
H0 : Sampel Berdistribusi Normal
H1 : Sampel Tidak Berdistribusi Normal
- Taraf signifikan
α = 0,05
- Kriteria pengujian
Tolak H0 Jika p-value < α
Terima H0 Jika p-value ≥ α
- Kesimpulan
Karena semua variabel p-valuenya > α(0.05) maka Terima
H0 dan tolak H1 sehingga dapat disimpulkan bahwa sampel
Berdistribusi Normal
Syntax
Output
- Hipotesis
- Kriteria pengujian
Tolak H0 jika VIF > 10
Terima H0 jika VIF < 10
- Kesimpulan
Berdasarkan hasil pengujian bahwa semua nilai 𝑉𝐼𝐹 < 10 ini berarti
terima H0 dan tolak H1 sehingga dapat disimpulkan bahwa Tidak ada
hubungan antara variabel X2 ,X3,X4 dan X5
Pengujian keaditifan model
Diasumsikan untuk kasus di atas datanya mempinyai ragam yang homogen,
sehingga data bersifat aditif. Dari pengujian asumsi di atas didapatkan hasil
bahwa tidak terjadi pelangaran asumsi atau uji asumsi terpenuhi, maka analisis
biplot dapat dapat dilakukan.
Langkah-Langkah Analisis
Bipllot MANUAL
a. Matriks X data :
9,88 9,16 7,13 9,69 9,20
6,32 7,50 7,71 7,49 7,89
4,20 5,94 5,18 6,72 4,25
7,79 8,22 7,24 7,69 7,09
X=
7,79 7,27 6,95 5,34 6,59
5,42 5,06 9,11 5,61 7,25
6,18 5,69 6,25 6,01 6,26
[7,36 6,98 6,08 7,41 6,99]
Matriks A :
−0,612591 0,012676 0,627915 0,264940 −0,400127
−0,470369 0,263443 0,061055 −0,782138 0,306403
A= −0,097830 −0,780068 −0,193928 −0,390595 −0,437893
−0,426325 0,351418 −0,728997 0,175178 −0,364182
[ −0,460610 −0,445462 −0,181522 0,367171 0,649336 ]
Matriks U :
Dimana 𝑈 = 𝑋𝐴𝐿−1
0,142043 0 0 0 0
0 0,264333 0 0 0
−1 0 0 0,422205 0 0
𝐿 =
0 0 0 0,760861 0
[ 0 0 0 0 1,53485]
−0,721426 0,110475 −0,162016 0,247403 −0,194482
−0,089874 −0,186752 −0,418555 −0,313937 0,745480
0,518761 0,576276 −0,297685 −0,180575 −0,183125
−0,219129 0,078003 0,027951 −0,503238 −0,411906
U=
0,023394 −0,087774 0,788824 −0,304616 0,151483
0,287726 −0,747633 −0,206991 0,111243 −0,377221
0,259795 0,042239 0,197659 0,516234 0,164268
[ −0,059247 0,215167 0,070812 0,427485 0,105503 ]
Membuat matriks G = ULαdan matriks H = AL1-α
Jika α = 0 maka 𝑮 = 𝑼, 𝑯 = 𝑨𝑳
−0,721426 0,110475 −0,162016 0,247403 −0,194482
−0,089874 −0,186752 −0,418555 −0,313937 0,745480
0,518761 0,576276 −0,297685 −0,180575 −0,183125
−0,219129 0,078003 0,027951 −0,503238 −0,411906
G=
0,023394 −0,087774 0,788824 −0,304616 0,151483
0,287726 −0,747633 −0,206991 0,111243 −0,377221
0,259795 0,042239 0,197659 0,516234 0,164268
[ −0,059247 0,215167 0,070812 0,427485 0,105503 ]
−4,31272 0,04795 1,48723 0,34821 −0,260695
−3,31146 0,99663 0,14461 −1,02797 0,199631
𝐻= −0,68874 −2,95108 −0,45932 −0,51336 −0,285300
−3,00139 1,32945 −1,72664 0,23024 −0,237275
[ −3,24275 −1,68523 −0,42994 0,48257 0,423062 ]
b. Output
b. Output
3. Matriks X ' X :
a. Syntax
b. Output
4. Nilai Eigen Matriks X ' X :
a. Syntax
b. Output
b. Output
7. Menghitung keragaman yang dapat diterangkan oleh biplot dengan rumus
(𝜆1 + 𝜆2 )
𝜌2 =
∑𝑟𝑘=1 𝜆𝑘
(49,5635+14,3119)
𝜌2 = = 0,891651
71,6372
Nilai keragaman total yang mampu diterangkan oleh biplot adalah sebesar
0,891651. Ini berarti biplot mampu menjelaskan sebesar 89% dari total
keragaman data.
8. Membuat biplot dengan menggunakan Princomp (PCA) (Model1)
a. Syntax
b. Output
Interpretasi ;
Pada Output di atas terlihat bahwa analisis biplot mampu mejelaskan keragaman
data sebesar 89,76% diperoleh dari penjumlahan proportion of variance comp1
dan comp 2 yaitu: 63,7%+26,06% =89,76%
b. Output
Interpretasi:
Pada output di atas terlihat bahwa biplot pada model 2 dengan R mengahsilkan
output yang berbeda dengan model 1 tetapi interpretasinya sama.
Perbedaannya hanyalah pada visual grafik dari segi kuadran.
BAB III
PENUTUP
Metode biplot mampu menggambarkan data yang ada pada tabel ringkasan dalam
grafik dimensi dua. Analisis biplot bersifat deskriptif yaitu dengan menyajikan secara visual
suatu kumpulan objek dan variabel dalam satu grafik yang berbentuk bidang datar. Pada
analisis biplot, analisis data dilakukan terhadap matriks data yang terkoreksi terhadap nilai
tengahnya.
Asumsi-asumsi pada analisis Biplot yaitu normalitas galat,korelasi antar peubah,homogenitas
ragam,dan keaditifan ragam.
DAFTAR PUSTAKA
Heriyanto, B., & Kinansi, R. R. (2013). Analisis Biplot pada Data kasus
Penyakit di Beberapa Daerah di Indonesia Tahun 2009. Buletin Penelitian
Kesehatan, 41(2 Jun), 120-130.
Rifkhatussa'diyah, E. F., Yasin, H., & Rusgiyono, A. (2014). Analisis Biplot
Komponen Utama pada Bank Umum (Commercial Bank) yang Beroperasi di Jawa
Tengah. Jurnal Gaussian, 3(1), 61-70.