Makalah

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)

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI GORONTALO
2019/2020
 KATA PENGANTAR

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. Sifat-sifat Dasar Analisis Korespondensi.

Analisis ini juga mempunyai beberapa sifat dasar yang perlu diperhatikan
yaitu:

a. Dipergunakan untuk data non-metrik dengan skala pengukuran nominal dan

ordinal.
b. Bisa dipergunakan untuk hubungan non-linier.
c. Tidak ada asumsi tentang distribusi.
d. Tidak ada model yang dihipotesiskan.
e. Sebagai salah satu metode dalam eksplorasai data yang hasil akhirnya dapat
berupa hipotesis yang perlu di uji lebih lanjut.
f. Salah satu teknik struktur pengelompokan atau reduksi data.

2. 2.Tujuan Analisis Korespondensi

Tujuan dari analisis korespondensi dua arah adalah:

a. Membandingkan kemiripan (similarity) dua kategori dari variabel kualitatif

pertama (baris) berdasarkan sejumlah variabel kualitatif kedua (kolom).
b. Membandingkan kemiripan (similarity) dua kategori dari variabel kualitatif
kedua (kolom) berdasarkan sejumlah variabel kualitatif pertama (baris).
 c. Mengetahui hubungan antara satu kategori variabel baris dengan satu
kategori variabel kolom.
d. Menyajikan setiap kategori variabel baris dan kolom dari tabel kontingensi
sedemikian rupa sehingga dapat ditampilkan secara bersama-sama pada satu
ruang vektor berdimensi kecil secara optimal.

3. Kelebihan dan Kekurangan Analisis Korespondensi.

Analisis Korespondensi juga memiliki kelebihan dan kekurangan bila
dibandingkan dengan analisis lainya, yaitu:
a) Kelebihan

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.

1. Metode Analisis Data

Cara mengolah data untuk mencari peta presepsi dengan menggunakan

Analisis Korespondensi sangat efektif bila dipakai untuk mencari peta persepsi,
dengan asumsi dari analisis Korespondensi itu sendiri, yaitu jenis data non-metrik.
Peta presepsi ini dapat memperlihatkan suatu diagram plot jarak antar kategori
baris dan antar kategori kolom, diagram itu memperlihatkan bagaimana hubungan
antara kategori baris, kategori kolom maupun kategori baris dan kolom.
 2. Diagram. Flowchart untuk analisis korespondensi

Data

Bkn Variabel Kategori Tidak

Nominal/Ordinal

Ya

Variabel Kategori

Tabel Indikator

Analisis Korespondensi

Peta Persepsi

Hubungan antar Hubungan antar Hubungan antar kategori

kategori baris kategori baris baris dan kolom

Kesimpulan

3. Contoh Kasus dan Pembahasan

Berikut ini adalah tabel kontingensi dari frekuensi 4 merk pasta gigi di 3
daerah, data berasal dari hasil random 120 pengguna pasta gigi di berbagai
daerah.
Tabel 3. Tabel Kontingensi Frekuensi Merk Pastagigi
Region 1 Region 2 Region 3 Total
Merk A 5 5 30 40
 Merk B 5 25 5 35
Merk C 15 5 5 25
Merk D 15 5 0 20
Total 40 40 40 120

a. Manual

Pasta Gigi Region 1 Region 2 Region 3 Total

Merk A 5 5 30 40
Merk B 5 25 5 35
Merk C 15 5 5 25
Merk D 15 5 0 20
Total 40 40 40 120

b. Program
 Syntax

 Output

c. Melihat nilai chi-square

- Hasil Manual
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  hitung  tabel

2 2

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

 5  13.33  5  13.33  30  13.33

2 2 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


15  8.33  5  8.33  5  8.33

2 2 2

  
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

Berdasarkan pengujian, karena  hitung  tabel maka tolak H0. Artinya,

2 2

terdapat hubungan antara merk pasta gigi dan region.

- 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 

 0.125 0.125 0.75 

0.1428571 0.7142857 0.1428571
R 
 0.6 0.2 0.2 
 
 0.75 0.25 0 

- 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 

0.125 0.125 0.75 

0.125 0.625 0.125
C
0.375 0.125 0.125
 
0.375 0.125 0 

- 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 :

g. Analisis table kontingensi

- Hasil Program R
 Syntax :

 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 :

j. Plot analisis korespondensi

 Syntax :

 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.

1. Tujuan Analisis Biplot

Tujuan dari analisis biplot adalah untuk menyajikan secara simultan n objek
pengamatan dan p variabel dalam ruang bidang datar sehingga ciri-ciri variabel
dan objek pengamatan serta posisi relatif antar objek pengamatan dapat dianalisis

2. Manfaat Analisis Biplot

Tiga hal penting yang bisa didapatkan dari tampilan biplot adalah
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 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.

3. Korelasi antar peubah

 Dari informasi ini bisa diketahui bagaimana suatu variabel 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 yang mengapitnya kurang dari 90o. Sementara itu, dua variabel yang
memiliki nilai korelasi negatif akan digambarkan dalam bentuk dua garis dengan
arah yang berlawanan atau membentuk sudut lebar (tumpul) yang mengapitnya
lebih dari 90o. Sedangkan dua variabel yang tidak berkorelasi akan digambarkan
dalam bentuk dua garis dengan sudut yang mendekati 900 (siku-siku).

4. Nilai peubah 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. Perlu
dipahami sebelumnya bahwa biplot adalah upaya membuat gambar di ruang
berdimensi banyak menjadi gambar di ruang berdimensi dua. Pereduksian
dimensi ini mengakibatkan menurunnya informasi yang terkandung dalam biplot.
Biplot yang mampu memberikan informasi sebesar 70% dari seluruh informasi
dianggap cukup.

3. Asumsi yang harus dipenuhi sebelum analisis dilakukan

Sebelum melakukan analisis terhadap suatu data, maka terlebih dulu harus
dilihat apakah data itu layak digunakan atau tidak. Layak atau tidaknya suatu data
untuk di analisis dapat dilihat dari asumsi-asumsi yang dipenuhi. Data yang baik
dan layak digunakan adalah data yang memenuhi semua asumsi yang sudah
ditetapkan. Pada analisis Biplot ini, data yang akan di analisis harus memenuhi
beberapa asumsi yaitu :
1) Normality test ( pengujian kenormalan galat )
 Jika menggunakan analisis ini galat harus menyebar normal. Tidak
terpenuhinya asumsi ini akan mengakibatkan kesimpulan yang tidak akurat dan
berbias. Hipotesis yang akan diuji adalah :
H0 : galat menyebar normal
H1 : galat tidak menyebar normal.
Jika P-value > α maka ragam galat menyebar normal.

2) Melihat kebebasan galat ( tidak terdapat korelasi antar variabel ).

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.

4. Prosedur dan Langkah-langkah Analisis

Langkah-langkah dalam analisis RSVD adalah sbb:
1) Membentuk matriks observasi nxp
2) Melakukan transformasi terhadap matriks data X dengan mengurangi nilai
data matriks dengan rata – ratanya.
 𝑥11 − 𝑥̃1 𝑥12 − 𝑥̃2 … 𝑥1𝑝 − 𝑥̃𝑝
𝑥 − 𝑥̃1 𝑥22 − 𝑥̃2
𝑋̃ = [ 21 … 𝑥2𝑝 − 𝑥̃𝑝 ]
⋮ ⋮ ⋱ ⋮
𝑥𝑛1 − 𝑥̃1 𝑥𝑛2 − 𝑥̃2 …
𝑥𝑛𝑝 − 𝑥̃𝑝
3) Cari 𝑋̃ ′ 𝑋̃
4) Cari nilai eigen dan vektor eigen, kemudian urutkan dari yang terbesar.
5) Menentukan matriks L, A, dan U dengan metode Singular Value
Decompotition (SVD).

√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.

5. Contoh Kasus dan Pembahasan

 Manual :

Saat ini sudah banyak bank indonesia.Semakin banyak yang beroperasi,akan

meningkatkan suatu persaingan di antara mereka.Persaingan untuk menarik pasar dilakukan
dengan berbagai cara baik dalam bentuk fasilitas yang diberikan,hadiah,pelayan,lokasi,dan
penggunan ATM.Untuk mengantisipasi persaingan ini pihak bank terkait perlu mengetahui
posisi pesaing mereka.Berikut ini adalah rata-rata nilai yang diberikan responden :
Nama BANK Fasilitas Hadiah Pelayanan Lokasi ATM
BCA 9,88 9,16 7,13 9,69 9,20
BNI 6,32 7,50 7,71 7,49 7,89
MANDIRI 4,20 5,94 5,18 6,72 4,25
BI 7,79 8,22 7,24 7,69 7,09
MEGA 7,79 7,27 6,95 5,34 6,59
UNIVERSAL 5,42 5,06 9,11 5,61 7,25
MUAMALAT 6,18 5,69 6,25 6,01 6,26
SYARI’AH 7,36 6,98 6,08 7,41 6,99

 Asumsi yang harus dipenuhi :

1) Uji normalitas Galat

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 :

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]
2) Transformasi nilai X terhadap nilai tengahnya.

3,0125 2,1825 0,17375 2,695 2,26

−0,5475 0,5225 0,75375 0,495 0,95
−2,6675 −1,0375 −1,77625 −0,275 −2,69
X= 0,9225
0,9225
1,2425 0,28375 0,695 0,15
0,2925 −0,00625 −1,655 −0,35
−1,4475 −1,9175 2,15375 −1,385 0,31
−0,6875 −1,2875 −0,70625 −0,985 −0,68
[ 0,4925 0,0025 −0,87625 0,415 0,05 ]

3) Matriks X’X :

21,0030 14,1343 2,04132 10,5820 13,3226

14,1343 13,0766 −0,25607 10,7302 8,5849
X’X= 2,0413 −0,2561 9,73919 −1,1135 7,0357
10,5820 10,7302 −1,11355 13,8664 8,2454
[ 13,3226 8,5849 7,03570 8,2454 13,9522 ]

4) Nilai Eigen Matriks X’X :

𝜆1 = 49,5635
𝜆2 = 14,3119
𝜆3 = 5,6099
𝜆4 = 1,7274
𝜆5 = 0,4245

Vektor Eigen Matriks X’X :

−0,612591 0,012676 0,627915 0,264940 −0,400127
−0,470369 0,263443 0,061055 −0,782138 0,306403
−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 ]

5) Menentukan matriks L, A, dan U dengan metode Singular Value Decompotition

(SVD).
Matriks L :
7,04013 0 0 0 0
0 3,78311 0 0 0
L= 0 0 2,36852 0 0
0 0 0 1,314301 0
[ 0 0 0 0 0,65153]
 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
𝐿−1= 0 0 0,422205 0 0
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 = ULα dan 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 ]

6) Mengambil 2 kolom pertama dari masing – masing matriks G dan H.

−0,721426 0,110475
−0,089874 −0,186752
0,518761 0,576276
−0,219129 0,078003
G=
0,023394 −0,087774
0,287726 −0,747633
0,259795 0,042239
[ −0,059247 0,215167 ]
 −4,31272 −3,31146
0,04795 0,99663
H= 1,48723 0,14461
0,34821 −1,02797
[−0,260695 0,199631 ]

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

 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

 Normality test ( pengujian kenormalan galat )

Jika menggunakan analisis ini galat harus menyebar normal. Tidak
terpenuhinya asumsi ini akan mengakibatkan kesimpulan yang tidak akurat dan
berbias. Hipotesis yang akan diuji adalah :

 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

 Melihat kebebasan galat ( tidak terdapat korelasi antar variabel ).

 Syntax

 Output

- Hipotesis

H0 : Tidak ada hubungan antara variabel X2 ,X3,X4 dan X5

H1 : Ada hubungan antara variabel X2 ,X3,X4 dan X5

- 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]

b. Transformasi nilai X terhadap nilai tengahnya.

3,0125 2,1825 0,17375 2,695 2,26
−0,5475 0,5225 0,75375 0,495 0,95
−2,6675 −1,0375 −1,77625 −0,275 −2,69
0,9225 1,2425 0,28375 0,695 0,15
X=
0,9225 0,2925 −0,00625 −1,655 −0,35
−1,4475 −1,9175 2,15375 −1,385 0,31
−0,6875 −1,2875 −0,70625 −0,985 −0,68
[ 0,4925 0,0025 −0,87625 0,415 0,05 ]
c. Matriks X’X :
21,0030 14,1343 2,04132 10,5820 13,3226
14,1343 13,0766 −0,25607 10,7302 8,5849
X’X= 2,0413 −0,2561 9,73919 −1,1135 7,0357
10,5820 10,7302 −1,11355 13,8664 8,2454
[ 13,3226 8,5849 7,03570 8,2454 13,9522 ]
d. nilai Eigen Matriks X’X :
𝜆1 = 49,5635
𝜆2 = 14,3119
𝜆3 = 5,6099
𝜆4 = 1,7274
𝜆5 = 0,4245
Vektor Eigen Matriks X’X :
 −0,612591 0,012676 0,627915 0,264940 −0,400127
−0,470369 0,263443 0,061055 −0,782138 0,306403
−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 ]
e. Menentukan matriks L, A, dan U dengan metode Singular Value
Decompotition (SVD).
Matriks L :
7,04013 0 0 0 0
0 3,78311 0 0 0
L= 0 0 2,36852 0 0
0 0 0 1,314301 0
[ 0 0 0 0 0,65153]

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 ]

f. Mengambil 2 kolom pertama dari masing – masing matriks G dan H.

−0,721426 0,110475
−0,089874 −0,186752
0,518761 0,576276
−0,219129 0,078003
G=
0,023394 −0,087774
0,287726 −0,747633
0,259795 0,042239
[ −0,059247 0,215167 ]
−4,31272 −3,31146
0,04795 0,99663
H= 1,48723 0,14461
0,34821 −1,02797
[−0,260695 0,199631 ]
g. 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.
 Biplot Program R
1. Matriks X data :
a. Syntax

b. Output

2. Transformasi nilai X terhadap nilai tengahnya.

a. Syntax

b. Output
3. Matriks X ' X :
a. Syntax

b. Output
4. Nilai Eigen Matriks X ' X :
a. Syntax

b. Output

5. Menentukan matriks L, A, dan U dengan metode Singular Value Decompotition

(SVD).
Matriks L :
a. syntax
b. Output
6. Mengambil 2 kolom pertama dari masing – masing matriks G dan H.
a. Syntax

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%

9. Membuat biplot dengan menggunakan Prcomp (Model 2)

a. Syntax

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

Rusgiyono, A. (2010). Analisis Korespondensi Untuk Pemetaan

Persepsi. Media Statistika, 3(2), 117-123.
Yamin, S., & Kurniawan, H. (2009). SPSS Complete: Teknik Analisis
Statistik Terlengkap dengan Software SPSS. Jakarta: Salemba Infotek.

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.