TUGAS 1

ANALISIS DATA MULTIVARIAT 2

“Analisis Komponen Utama”

Dosen Pengampu : Dra. Titi Purwandari, M.S.

Disusun Oleh :

Soffy Mulyani (140610210007)

Salma Zhahira (140610210009)

Varenia Malshagita Augusty (140610210016)

Octavia Aulia Wiratama (140610210018)

Kelas : A

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS PADJADJARAN

2023
I. DASAR TEORI

A. Definisi
Analisis komponen utama atau disebut juga Principal Component Analysis
(PCA) adalah analisis multivariat yang mengubah variabel asli yang saling berkorelasi
menjadi variabel baru yang tidak berkorelasi satu sama lain, mengurangi jumlah
variabel sehingga memiliki dimensi yang lebih sedikit tetapi dapat menjelaskan
dengan sebaik-baiknya dari keragaman variabel asli. Pereduksian (penyederhanaan)
dimensi dilakukan dengan kriteria persentase keragaman data yang diterangkan oleh
beberapa komponen utama pertama. Apabila beberapa komponen utama pertama telah
menerangkan lebih dari 80% keragaman data asli, maka analisis cukup dilakukan
sampai dengan komponen utama tersebut.
Apabila komponen utama diturunkan dari populasi multivariat normal dengan
random vektor X = (X1, X2,… , Xp) dan vektor rata-rata μ = (μ1, μ2, … , μp) dan
matriks kovarians Σ dengan akar ciri (eigenvalue) yaitu λ1 ≥ λ2 ≥ ⋯ ≥ λp ≥ 0 didapat
kombinasi linier komponen utama yaitu sebagai berikut.

B. Kriteria Pemilihan Komponen Utama

Terdapat tiga kriteria dalam pemilihan komponen utama yaitu:
1. Proporsi kumulatif varians yang dapat dijelaskan oleh komponen utama
Komponen utama yang diambil adalah komponen utama yang mencakup
minimal 80% varians pada data.
2. Nilai Eigen
Komponen utama yang diambil adalah komponen utama yang memiliki nilai
eigen lebih dari satu.
3. Scree Plot
Scree Plot merupakan plot antara komponen utama ke-i dengan varians atau
nilai eigen pada komponen tersebut. Banyaknya komponen utama yang
diambil adalah titik dimana terdapat penurunan yang tajam sebelum titik
tersebut dan disusul penurunan yang tidak tajam setelah titik tersebut.

C. Uji Asumsi
Sebelum melakukan analisis komponen utama, ada beberapa asumsi yang harus
terpenuhi agar proses reduksi data mencapai hasil yang maksimal, yaitu data harus
berdistribusi normal multivariat dan semua variabel yang terdapat pada data memiliki
varians yang homogen. Berikut untuk penjelasan lebih lengkapnya:
1. Asumsi Normalitas Data Multivariat
Hal ini harus terpenuhi sebelum melakukan analisis komponen utama.
Normalitas data multivariat dapat dibuktikan dengan beberapa uji asumsi
normalitas data multivariat, yaitu:
a. Secara Visual
Pemeriksaan normalitas data multivariat secara visual dapat dilakukan
menggunakan plot antara jarak Mahalanobis dengan Chi-square yang
diperoleh dari tiap data. Langkah-langkah pengujian normalitas data
multivariat menggunakan jarak Mahalanobis:
1. Hitung nilai jarak Mahalanobis
2 𝑇 −1
𝑑𝑗 = (𝑥𝑖 − 𝑥) 𝑆 (𝑥𝑖 − 𝑥) ; 𝑗 = 1, 2, 3,..., 𝑛
2
2. Urutkan 𝑑𝑗 dari terkecil ke terbesar
2 2 2
𝑑(1) ≤ 𝑑(2) ≤ … ≤ 𝑑(𝑛)

2
3. Hitung nilai 𝑥 𝑗−0,5 dengan j=1,2,...,n dan p menyatakan banyak
𝑝( 𝑛
)
variabel
4. Susun plot dari pasangan 𝑑𝑗 , 𝑥 ( 2 2
𝑝(
𝑗−0,5
𝑛
)
)

Jika hasil penyajian Q-Q Plot jarak Mahalanobis menunjukkan bahwa titik-titik
data menyebar di sekitar garis lurus, maka dapat disimpulkan bahwa data
berdistribusi normal secara multivariat.

b. Secara Statistik
Pemeriksaan normalitas pada data multivariat secara statistik bisa
menggunakan Mardia’s Test dan Shapiro Wilks Test.
- Mardia’s Test
menggunakan nilai skewness dan kurtosis untuk menentukan apakah
data berdistribusi normal atau tidak. Pada pengujian asumsi
menggunakan Mardia’s Test baik kurtosis maupun skewness harus
secara signifikan menunjukkan bahwa data berdistribusi normal
multivariat. Adapun hipotesis yang diuji pada Mardia’s Test adalah
sebagai berikut:
H0 : data berdistribusi normal multivariat
H1 : data tidak berdistribusi normal multivariat

- Shapiro Wilks Test

Uji shapiro wilk adalah metode uji normalitas yang efektif
dan valid digunakan untuk sampel berjumlah kecil. Uji ini merupakan
uji pertama yang mampu mendeteksi kenormalan data
berdasarkan skewness dan kurtosis atau keduanya. Langkah
pengujian normalitas menggunakan shapiro wilk test:
1. Tentukan hipotesisnya, yaitu sebagai berikut:
H0 : data berdistribusi normal multivariat
H1 : data tidak berdistribusi normal multivariat
 2. Tentukan taraf signifikansi
𝑛 2
3. Hitung 𝐷 = ∑ (𝑥𝑖 − 𝑥)
𝑖=1
4. Hitung statistik uji T dengan rumus sebagai berikut:

𝑘 2
1 ⎡ ⎤
𝑇3 = ⎢ ∑ 𝑎 (𝑥 − 𝑥𝑖)⎥
𝐷 ⎢𝑖=1 𝑖 𝑛−1+1 ⎥
⎣ ⎦

5. Lihat nilai dari tabel shapiro wilk untuk taraf signifikansi yang
dipilih
6. Jika statistik uji yang dihitung bernilai lebih dari nilai yang
diperoleh dari tabel, maka diputuskan untuk menolak H0.
2. Asumsi Homogenitas Matriks Kovarians
Uji Bartlett digunakan untuk menguji apakah sampel berasal dari populasi
dengan varians yang sama. Uji bartlett digunakan untuk menguji
sampel/kelompok yang lebih dari 2. Varians yang sama di seluruh sampel
disebut homoscedasticity atau homogenitas varians.
Langkah-langkah dalam uji bartlett:
1. Merumuskan Hipotesis dalam uji bartlett
𝐻0 : 𝑠1 = 𝑠2 = 𝑠3 = ... = 𝑠𝑛, matriks kovarians grup adalah sama

𝐻1 : Minimal ada 1 matriks kovarians grup (𝑠𝑘) yang berbeda

2. Menentukan taraf nyata (α ) dan χ2 tabel

3. Dalam menentukan χ2 tabel dibagi kedalam dua bagian yaitu:
- Jumlah sampel sama:

- Jumlah sampel berbeda:

4. Menghitung statistik uji:

Dimana:

Keterangan:
b = nilai chi square hitung
Sp = varians pool / gabungan
n = banyaknya sampel
 N = jumlah total sampel
k = banyaknya kelompok data
5. Membuat keputusan dengan kriteria seperti berikut ini:
Ho ditolak, jika χ2 hitung < χ2 tabel
Ho diterima, jika χ2 hitung ≥ χ2 tabel

D. Langkah-langkah Analisis Komponen Utama

Setelah semua uji asumsi terpenuhi, selanjutnya dapat dilakukan analisis komponen
utama. Berikut ini langkah-langkah analisis komponen utama:
1. Memilih variabel yang berskala numerik dan tidak memasukkan variabel
respons (Y) jika ada.
2. Menstandardisasikan data ke dalam normal baku. Hal ini dilakukan apabila
variabel yang digunakan memiliki satuan dan rentang yang berbeda dengan
tujuan agar mempunyai bobot yang sama dalam pembentukan komponen
utama. Namun, bisa juga digunakan matriks korelasi (tanpa melakukan
standardisasi data), karena matriks korelasi sudah mengatasi perbedaan satuan
pada variabel.
3. Menghitung matriks ragam-peragam dari data yang sudah distandarisasi. Jika
menggunakan matriks korelasi maka lanjut ke langkah selanjutnya.
Hasil covariance dari data yang sudah distandarisasi adalah sama dengan hasil
korelasi dari data yang tidak distandarisasi. Jadi dapat disebutkan bahwa
matriks covariance atau matriks ragam-peragam adalah matriks korelasi.
4. Menghitung vektor eigen dan nilai eigen dari matriks ragam-peragam atau
matriks korelasi.
Vektor eigen merupakan koefisien dari masing-masing variabel yang
digunakan untuk membentuk komponen utama sedangkan nilai eigen
menggambarkan seberapa besar varians yang dapat ditangkap oleh komponen
utama. Pada nantinya akan terbentuk komponen utama sebanyak jumlah
variabel (p) yang dimasukkan ke dalam persamaan dan sifat dari komponen
utama ini adalah saling tegak lurus dan saling bebas.

II. DATA
Berikut ini data mengenai Proporsi Penduduk Berumur 10 Tahun ke Atas yang
Membaca Selama Seminggu Terakhir di Daerah Perkotaan di Indonesia Tahun 2012
yang meliputi lima jenis bacaan yaitu surat kabar, majalah/tabloid, buku cerita,
pelajaran sekolah, dan pengetahuan. Data ini merupakan data sekunder yang diperoleh
dari website www.bps.go.id.

Surat Majalah/ Buku Pelajaran

Provinsi Pengetahuan
Kabar Tabloid Cerita Sekolah

Aceh 37,17 13,02 8,31 29,19 23,41

Sumatera Utara 22,98 7,31 3,75 25,83 19,23

Sumatera Barat 23,37 10,49 7,12 24,93 19,75

Riau 29,89 11,2 5,76 24,84 19,73

Kepulauan Riau 43,59 15,83 9,97 20,67 20,81

Jambi 26,82 8,7 6,18 23,11 19,53

Sumatera Selatan 32,61 12,14 5,77 24,4 14,19

Kepulauan Bangka Belitung 35,44 12,98 4,87 18,83 13,26

Bengkulu 34,26 11,19 7,02 30,84 24,36

Lampung 24,05 9,35 6,56 22,68 15,76

DKI Jakarta 35,67 17,89 6,49 16,9 14,29

Jawa Barat 16,14 7,94 4,97 20,75 13,25

Banten 20 10,58 5,5 22,56 16,36

Jawa Tengah 16,87 9,13 5,02 21,47 13,25

DI Yogyakarta 37,85 14,97 7,24 22,75 17,47

Jawa Timur 21,72 9,67 5,6 21,07 15,02

Bali 24,14 8,75 5,03 19,98 14,92

Nusa Tenggara Barat 11,52 6,22 6,28 24,28 17,67

Nusa Tenggara Timur 23,43 9,09 8,07 29,44 23,89

Kalimantan Barat 23,84 12,24 6,75 25,54 18,63

Kalimantan Tengah 29,03 9,76 5,88 22,92 14,95

Kalimantan Selatan 24,67 7,89 6,56 23,17 16,26

Kalimantan Timur 34,5 13,44 7,67 23,86 20,02

Sulawesi Utara 27,1 7,56 3,17 21,38 17,8

Gorontalo 14,33 5,04 3,77 20,47 16,21

Sulawesi Tengah 21,6 13,43 3,98 25,3 18,58

Sulawesi Selatan 26,35 13,06 7,52 25,72 20,08

Sulawesi Barat 26,23 14,12 6,41 28,25 25,08

Sulawesi Tenggara 23,94 10,04 5,52 27,66 24,12

Maluku 17,15 10,55 6,96 28,93 23,72

Maluku Utara 27,64 11,68 7,72 26,79 19,51

Papua 17,67 9,5 6,56 29,18 25,12

Papua Barat 28,74 13,11 8,97 29,1 25,19

III. ANALISIS DATA

A. Statistika Deskriptif
Berikut merupakan rata-rata dari data Proporsi Penduduk Berumur 10 Tahun ke Atas
yang Membaca Selama Seminggu Terakhir di Daerah Perkotaan di Indonesia Tahun
2012 untuk masing-masing jenis bacaan:
Surat Kabar Majalah/Tabloid Buku Cerita Pelajaran Sekolah Pengetahuan

Mean 26,07 10,84 6,27 24,33 18,83

B. Uji Asumsi
1. Asumsi Normalitas Data Multivariat
Cara Visual
Dengan menggunakan chi-square plot, diperoleh plot sebagai berikut.
 Interpretasi Chi-Square Plot:
Berdasarkan plot di atas, terlihat bahwa data cenderung menyebar di sekitar garis
lurus sehingga dapat dikatakan bahwa variabel dependen dari data yang digunakan
berdistribusi normal multivariat.

Cara Statistik
● Hipotesis
H0 : data sampel yang berasal dari populasi berdistribusi normal multivariat
H1 : data sampel yang berasal dari populasi tidak berdistribusi normal multivariat

● Taraf Signifikansi
α = 0,05

● Statistik Uji
Uji Mardia

● Kriteria Uji
Tolak H0 jika p-value < α, dan terima dalam hal lainnya.

● Keputusan
Berdasarkan hasil perhitungan uji Mardia menggunakan software R, diperoleh nilai
p-value pada Mardia Kurtosis adalah sebesar 0.577432271095171 yang artinya
p-value > α = 0,05 maka H0 diterima sedangkan nilai p-value pada Mardia Skewness
adalah sebesar 0.0805492753228505 yang artinya p-value > α = 0,05 maka H0
diterima.

● Kesimpulan
Dengan taraf signifikansi 5%, dapat disimpulkan bahwa data Proporsi Penduduk
Berumur 10 Tahun ke Atas yang Membaca Selama Seminggu Terakhir di Daerah
Perkotaan di Indonesia Tahun 2012 berdistribusi normal multivariat.

2. Asumsi Homogenitas
● Hipotesis
H0 : 𝑠1 = 𝑠2 = 𝑠3 = 𝑠4 (varians data homogen)
H1 : paling sedikit ada satu 𝑠𝑘 yang berbeda (varians data tidak homogen)

● Taraf Signifikansi
α = 0,05

● Statistik Uji
Uji Bartlett

● Kriteria Uji
 Tolak H0 jika p-value < α, dan terima dalam hal lainnya.

● Keputusan
Berdasarkan hasil perhitungan Uji Bartlett menggunakan software R, diperoleh nilai
p-value adalah sebesar 4.536e-16 yang artinya p-value < α = 0,05 maka H0 ditolak.

● Kesimpulan
Dengan taraf signifikansi 5%, dapat disimpulkan bahwa data Proporsi Penduduk
Berumur 10 Tahun ke Atas yang Membaca Selama Seminggu Terakhir di Daerah
Perkotaan di Indonesia Tahun 2012 memiliki matriks varians kovarians yang tidak
homogen atau dapat dikatakan varians datanya non homogen.

C. Analisis Komponen Utama

1. Proporsi kumulatif varians yang dapat dijelaskan oleh komponen utama
Berdasarkan hasil perhitungan mengenai analisis komponen utama dengan proporsi
kumulatif varians diperoleh proporsi kumulatif varians dari masing-masing komponen
yaitu:
Comp 1 Comp 2 Comp 3 Comp 4 Comp 5

Proporsi
0,5027 0,8455 0,9247 0,9762 1,000
kumulatif varians

Komponen utama yang diambil adalah komponen utama yang mencakup minimal
80% varians pada data. Berdasarkan tabel di atas diperoleh bahwa komponen utama
kedua dapat menjelaskan 84,55% informasi dari kelima variabel pada data Proporsi
Penduduk Berumur 10 Tahun ke Atas yang Membaca Selama Seminggu Terakhir di
Daerah Perkotaan di Indonesia Tahun 2012.
2. Nilai Eigen
Berdasarkan hasil pengujian asumsi homogenitas diperoleh hasil bahwa data Proporsi
Penduduk Berumur 10 Tahun ke Atas yang Membaca Selama Seminggu Terakhir di
Daerah Perkotaan di Indonesia Tahun 2012 memiliki varians data yang tidak
homogen. Oleh karena itu, matriks yang digunakan dalam perhitungan analisis
komponen utama dengan melihat nilai eigen adalah matriks korelasi. Berikut
merupakan matriks korelasi dari data yang digunakan:

Diperoleh juga nilai eigen dari matriks korelasi di atas:

λ1 = 2, 513 ; λ2 = 1, 714 ; λ3 = 0, 396 ; λ4 = 0, 258 𝑑𝑎𝑛 λ5 = 0, 119
 Komponen utama yang diambil adalah komponen utama yang memiliki nilai eigen
lebih dari satu. Berdasarkan hasil perhitungan nilai eigen dengan menggunakan
matriks korelasi diperoleh hasil bahwa nilai eigen 1 dan nilai eigen 2 saja yang
memiliki nilai eigen lebih dari satu.
3. Scree Plot
Scree Plot merupakan plot antara komponen utama ke-i dengan varians atau nilai
eigen pada komponen tersebut. Banyaknya komponen utama yang diambil adalah titik
dimana terdapat penurunan yang tajam sebelum titik tersebut dan disusul penurunan
yang tidak tajam setelah titik tersebut.

Berdasarkan scree plot di atas, terlihat bahwa pada titik komponen utama kedua
mengalami penurunan yang tajam sebelum titik tersebut dan disusul penurunan yang
tidak tajam setelah titik tersebut.

IV. KESIMPULAN
Berdasarkan perhitungan yang telah dilakukan,diperoleh beberapa hal yaitu:
1. Pada pengujian asumsi normalitas multivariat, dapat disimpulkan bahwa data
Proporsi Penduduk Berumur 10 Tahun ke Atas yang Membaca Selama Seminggu
Terakhir di Daerah Perkotaan di Indonesia Tahun 2012 berdistribusi normal
multivariat.
2. Pada pengujian asumsi homogenitas, dapat disimpulkan bahwa data Proporsi
Penduduk Berumur 10 Tahun ke Atas yang Membaca Selama Seminggu Terakhir
di Daerah Perkotaan di Indonesia Tahun 2012 memiliki varians yang tidak
homogen.
3. Pada perhitungan analisis komponen utama baik menggunakan proporsi
kumulatif varians, nilai eigen maupun scree plot, dapat disimpulkan bahwa
komponen utama kedua sudah cukup menjelaskan 84,55% informasi dari kelima
variabel pada data Proporsi Penduduk Berumur 10 Tahun ke Atas yang Membaca
Selama Seminggu Terakhir di Daerah Perkotaan di Indonesia Tahun 2012.
4. Berdasarkan hasil perhitungan analisis komponen utama, diperoleh model yang
dapat merepresentasikan kelima variabel pada data Proporsi Penduduk Berumur
 10 Tahun ke Atas yang Membaca Selama Seminggu Terakhir di Daerah
Perkotaan di Indonesia Tahun 2012 sebagai berikut:
𝑌1 = − 0, 3897494𝑋1 − 0, 4315374𝑋2 − 0, 5321264𝑋3 − 0, 3912127𝑋4 − 0, 4750421𝑋5
𝑌2 = 0, 51473893𝑋1 + 0, 46343994𝑋2 + 0, 06110884𝑋3 − 0, 55973855𝑋4 − 0. 45080564𝑋5
 DAFTAR PUSTAKA

R-Stats. (2019, March 14). Analisis Komponen Utama (principal component analysis).
Rumus Statistik. Retrieved March 7, 2023, from
https://www.rumusstatistik.com/2015/03/analisis-komponen-utama-principal.html

Mariana, M. (1970, January 1). Analisis Komponen utama. Matematika dan Pembelajaran.
Retrieved March 7, 2023, from
https://www.neliti.com/id/publications/293541/analisis-komponen-utama

Ceria, S. (2014, April 20). Uji Bartlett Untuk Uji Kesamaan Ragam/Varians(homogenitas).
Statistik Ceria. Retrieved March 7, 2023, from
https://statistikceria.blogspot.com/2013/12/uji-bartlett-untuk-uji-kesamaan-ragam-varians-ho
mogenitas.html
 LAMPIRAN

> #### ANALISIS KOMPONEN UTAMA #####

>
> #===== Input Data
> data <- read.csv(file.choose())
> str(data)
'data.frame':33 obs. of 5 variables:
$ Surat.Kabar : num 37.2 23 23.4 29.9 43.6 ...
$ Majalah.Tabloid : num 13.02 7.31 10.49 11.2 15.83 ...
$ Buku.Cerita : num 8.31 3.75 7.12 5.76 9.97 6.18 5.77 4.87 7.02 6.56 ...
$ Pelajaran.Sekolah: num 29.2 25.8 24.9 24.8 20.7 ...
$ Pengetahuan : num 23.4 19.2 19.8 19.7 20.8 ...
> head(data)
Surat.Kabar Majalah.Tabloid Buku.Cerita Pelajaran.Sekolah Pengetahuan
1 37.17 13.02 8.31 29.19 23.41
2 22.98 7.31 3.75 25.83 19.23
3 23.37 10.49 7.12 24.93 19.75
4 29.89 11.20 5.76 24.84 19.73
5 43.59 15.83 9.97 20.67 20.81
6 26.82 8.70 6.18 23.11 19.53
> #===== Uji Asumsi
> #== Uji Normalitas
> # Plot Mahalanobis
> X <- as.matrix(data);X
Surat.Kabar Majalah.Tabloid Buku.Cerita Pelajaran.Sekolah Pengetahuan
[1,] 37.17 13.02 8.31 29.19 23.41
[2,] 22.98 7.31 3.75 25.83 19.23
[3,] 23.37 10.49 7.12 24.93 19.75
[4,] 29.89 11.20 5.76 24.84 19.73
[5,] 43.59 15.83 9.97 20.67 20.81
[6,] 26.82 8.70 6.18 23.11 19.53
[7,] 32.61 12.14 5.77 24.40 14.19
[8,] 35.44 12.98 4.87 18.83 13.26
[9,] 34.26 11.19 7.02 30.84 24.36
[10,] 24.05 9.35 6.56 22.68 15.76
[11,] 35.67 17.89 6.49 16.90 14.29
[12,] 16.14 7.94 4.97 20.75 13.25
[13,] 20.00 10.58 5.50 22.56 16.36
[14,] 16.87 9.13 5.02 21.47 13.25
[15,] 37.85 14.97 7.24 22.75 17.47
[16,] 21.72 9.67 5.60 21.07 15.02
[17,] 24.14 8.75 5.03 19.98 14.92
[18,] 11.52 6.22 6.28 24.28 17.67
[19,] 23.43 9.09 8.07 29.44 23.89
[20,] 23.84 12.24 6.75 25.54 18.63
[21,] 29.03 9.76 5.88 22.92 14.95
[22,] 24.67 7.89 6.56 23.17 16.26
[23,] 34.50 13.44 7.67 23.86 20.02
[24,] 27.10 7.56 3.17 21.38 17.80
[25,] 14.33 5.04 3.77 20.47 16.21
[26,] 21.60 13.43 3.98 25.30 18.58
[27,] 26.35 13.06 7.52 25.72 20.08
[28,] 26.23 14.12 6.41 28.25 25.08
[29,] 23.94 10.04 5.52 27.66 24.12
[30,] 17.15 10.55 6.96 28.93 23.72
[31,] 27.64 11.68 7.72 26.79 19.51
[32,] 17.67 9.50 6.56 29.18 25.12
[33,] 28.74 13.11 8.97 29.10 25.19
> mean <-colMeans(X);mean
Surat.Kabar Majalah.Tabloid Buku.Cerita Pelajaran.Sekolah
26.070000 10.844545 6.271212 24.326970
Pengetahuan
18.830909
> cov <-cov(X);cov
Surat.Kabar Majalah.Tabloid Buku.Cerita Pelajaran.Sekolah
Surat.Kabar 55.193938 15.56303125 5.361675 -1.87081875
Majalah.Tabloid 15.563031 8.05068807 2.273522 0.06353608
Buku.Cerita 5.361675 2.27352244 2.304330 2.05459129
Pelajaran.Sekolah -1.870819 0.06353608 2.054591 12.05193428
Pengetahuan 2.799428 1.87837386 2.940199 11.50314034
Pengetahuan
Surat.Kabar 2.799428
Majalah.Tabloid 1.878374
Buku.Cerita 2.940199
Pelajaran.Sekolah 11.503140
Pengetahuan 14.732884
> d <-(mahalanobis(X,mean,cov));d
[1] 5.2421049 5.5859551 0.9240344 1.1286651 14.7098842 3.0055076 9.1643410
[8] 5.3018353 7.3848359 1.9606894 12.4642325 3.8256486 1.7176159 4.2159710
[15] 3.1034075 1.4811973 2.3110922 6.0478022 4.1131870 2.0003893 3.1850177
[22] 3.4104311 1.7291802 9.9604903 7.3903054 10.2766504 1.7376961 6.6967077
[29] 4.1780868 4.4036882 2.5129920 4.6610160 4.1693421
> ds <-sort(d);ds
[1] 0.9240344 1.1286651 1.4811973 1.7176159 1.7291802 1.7376961 1.9606894
[8] 2.0003893 2.3110922 2.5129920 3.0055076 3.1034075 3.1850177 3.4104311
[15] 3.8256486 4.1131870 4.1693421 4.1780868 4.2159710 4.4036882 4.6610160
[22] 5.2421049 5.3018353 5.5859551 6.0478022 6.6967077 7.3848359 7.3903054
[29] 9.1643410 9.9604903 10.2766504 12.4642325 14.7098842
> n <-nrow(data);n
[1] 33
> p <-ncol(data);p
[1] 5
> j <-qchisq(ppoints(n),df=p);j
[1] 0.6647237 1.0949982 1.4006476 1.6596827 1.8937977 2.1127565 2.3220001
[8] 2.5249876 2.7241379 2.9212773 3.1178784 3.3152015 3.5143850 3.7165091
[15] 3.9226457 4.1339016 4.3514602 4.5766267 4.8108811 5.0559444 5.3138660
[22] 5.5871437 5.8788960 6.1931173 6.5350719 6.9119339 7.3338795 7.8160918
[29] 8.3827779 9.0762648 9.9816248 11.3164433 14.0731271
> plot(j,ds,xlab="Nilai Kuantil Chi Kuadrat",ylab="Jarak Mahalanobis",main="Q-Q
Plot",col="blue")
> abline(lm(ds~j),col="red")
> # Uji Normalitas Shapiro-Wilk
> library(mvShapiroTest)
> mvShapiro.Test(X)

Generalized Shapiro-Wilk test for Multivariate Normality by

Villasenor-Alva and Gonzalez-Estrada

data: X
MVW = 0.97486, p-value = 0.8599

> # Uji Normalitas Multivariat

> library(MVN)
> mvnorm=mvn(data=data,mvnTest="mardia")
> mvnorm
$multivariateNormality
Test Statistic p value Result
1 Mardia Skewness 47.2724642162806 0.0805492753228505 YES
2 Mardia Kurtosis 0.557139281116708 0.577432271095171 YES
3 MVN <NA> <NA> YES

$univariateNormality
Test Variable Statistic p value Normality
1 Anderson-Darling Surat.Kabar 0.3035 0.5532 YES
2 Anderson-Darling Majalah.Tabloid 0.1874 0.8961 YES
3 Anderson-Darling Buku.Cerita 0.1710 0.9244 YES
4 Anderson-Darling Pelajaran.Sekolah 0.3079 0.5424 YES
5 Anderson-Darling Pengetahuan 0.6502 0.0819 YES

$Descriptives
n Mean Std.Dev Median Min Max 25th 75th Skew
Surat.Kabar 33 26.070000 7.429262 24.67 11.52 43.59 21.72 29.89 0.2484053
Majalah.Tabloid 33 10.844545 2.837373 10.55 5.04 17.89 9.09 13.02 0.2636266
Buku.Cerita 33 6.271212 1.518002 6.41 3.17 9.97 5.50 7.12 0.0942882
Pelajaran.Sekolah 33 24.326970 3.471590 24.28 16.90 30.84 21.47 26.79 0.0387182
Pengetahuan 33 18.830909 3.838344 18.63 13.25 25.19 15.76 20.81 0.2416169
Kurtosis
Surat.Kabar -0.5034103
Majalah.Tabloid -0.3068540
Buku.Cerita -0.1875302
Pelajaran.Sekolah -0.8852665
Pengetahuan -1.2106252

> #== Uji Homogenitas Varians

> library(stats)
> bartlett.test(data)

Bartlett test of homogeneity of variances

data: data
Bartlett's K-squared = 78.037, df = 4, p-value = 4.536e-16
> #===== Standardisasi Data
> # untuk mengubah data ke skala yang sebanding
> # jika ada perbedaan besar antara rentang variabel
> X <- as.matrix(scale(data))
> #===== Matriks Varians Kovarians dan Matriks Korelasi
> # untuk memahami hubungan antar variabel
> ## matriks korelasi
> b=cor(X)
> b
Surat.Kabar Majalah.Tabloid Buku.Cerita Pelajaran.Sekolah
Surat.Kabar 1.00000000 0.738298525 0.4754255 -0.072536676
Majalah.Tabloid 0.73829853 1.000000000 0.5278499 0.006450235
Buku.Cerita 0.47542551 0.527849888 1.0000000 0.389874430
Pelajaran.Sekolah -0.07253668 0.006450235 0.3898744 1.000000000
Pengetahuan 0.09817022 0.172473215 0.5046154 0.863265059
Pengetahuan
Surat.Kabar 0.09817022
Majalah.Tabloid 0.17247322
Buku.Cerita 0.50461542
Pelajaran.Sekolah 0.86326506
Pengetahuan 1.00000000
> #===== Nilai dan Vektor Eigen
> ## gunakan matriks korelasi jika asumsi varians homogen tidak terpenuhi
> eigen(b)
eigen() decomposition
$values
[1] 2.5134022 1.7140622 0.3961091 0.2576191 0.1188074

$vectors
[,1] [,2] [,3] [,4] [,5]
[1,] -0.3897494 0.51473893 -0.3249065 0.68690595 -0.07573108
[2,] -0.4315374 0.46343994 -0.2671723 -0.72440301 -0.05346146
[3,] -0.5321264 0.06110884 0.8425890 0.04753245 -0.02986004
[4,] -0.3912127 -0.55973855 -0.2316687 0.01152157 -0.69270648
[5,] -0.4750421 -0.45080564 -0.2437787 0.03175544 0.71461373

> #===== Analisis Komponen Utama

> ## melakukan PCA
> fit_pca=princomp(X,cor=TRUE)
> fit_pca
Call:
princomp(x = X, cor = TRUE)

Standard deviations:
Comp.1 Comp.2 Comp.3 Comp.4 Comp.5
1.5853713 1.3092220 0.6293720 0.5075620 0.3446845

5 variables and 33 observations.

> ## menentukan jumlah komponen utama
> summary(fit_pca)

Importance of components:
Comp.1 Comp.2 Comp.3 Comp.4 Comp.5
Standard deviation 1.5853713 1.3092220 0.62937196 0.50756196 0.34468446
Proportion of Variance 0.5026804 0.3428124 0.07922181 0.05152383 0.02376148
Cumulative Proportion 0.5026804 0.8454929 0.92471470 0.97623852 1.00000000
> ## membentuk plot
> plot(fit_pca,type="barplot",main="Bar Plot",col='cadetblue')
> plot(fit_pca,type="lines",main="Scree Plot",col='red')
> ## menampilkan nilai (score) komponen utama
> fit_pca$scores
Comp.1 Comp.2 Comp.3 Comp.4 Comp.5
[1,] 2.7851280 -0.117213860 0.17667143 0.59788187 0.31690611
[2,] -1.3858628 -1.200438275 1.07351890 0.55450726 0.07912508
[3,] 0.2880711 -0.422435044 -0.53210636 -0.12484582 -0.06935380
[4,] 0.2481368 0.115599051 0.58455080 0.25954147 -0.02989797
[5,] 2.8503035 2.573553921 -0.95027179 0.47436377 -0.76454701
[6,] -0.3751393 -0.190788094 -0.15772532 0.62529925 -0.41385922
[7,] -0.2048403 1.196093552 0.40247129 0.22351132 0.97470335
[8,] -0.9990146 2.520665315 0.67833564 0.21624119 0.04927609
[9,] 2.1964627 -1.061698268 0.77266912 0.77163291 0.38072671
[10,] -0.8100728 0.257713234 -0.70507618 0.17565288 0.20313607
[11,] 0.2568554 3.610638595 0.18054660 -0.98149826 -0.40784578
[12,] -2.5515788 0.017669035 -0.58763731 -0.27962736 0.14599038
[13,] -1.1515255 0.081526428 -0.13927109 -0.55258081 0.02581839
[14,] -2.2287008 0.150568334 -0.42081804 -0.51559557 0.32320867
[15,] 1.2581115 1.973233135 0.17693202 0.05052699 0.15798992
[16,] -1.5037671 0.459478391 -0.39366464 -0.16825247 -0.02036310
[17,] -1.8571473 0.644246517 -0.13318482 0.27485497 -0.22626127
[18,] -1.6375539 -1.644279453 -1.17140423 -0.17678866 -0.02895844
[19,] 1.4496507 -1.843804224 -0.62615423 0.32395050 0.05458985
[20,] 0.3807267 -0.080521678 -0.16623427 -0.55355080 0.29696107
[21,] -0.7978431 0.705622425 -0.09738395 0.50932232 0.45072208
[22,] -0.8836227 -0.080693186 -0.75169479 0.61824726 0.18637479
[23,] 1.4439177 1.015450548 -0.12083897 0.17150025 -0.15456877
[24,] -2.0231952 0.006370174 1.21353394 0.83107552 -0.51636813
[25,] -3.1831081 -0.946941890 -0.09698657 0.28806497 -0.56857207
[26,] -0.5746259 -0.108724634 1.38995298 -1.16170736 0.20203249
[27,] 1.1180345 0.061157193 -0.30466061 -0.49320411 0.11634502
[28,] 1.7981519 -0.827436249 0.91097596 -0.76405488 -0.31945654
[29,] 0.5410092 -1.490577610 0.81890475 0.04038153 -0.37705673
[30,] 0.8657145 -1.985094258 -0.18530141 -0.68266940 -0.07585606
[31,] 1.0956251 -0.176010839 -0.45631376 -0.00911788 0.43186913
[32,] 0.7934177 -2.346929348 0.07009442 -0.36173015 -0.31258674
[33,] 2.7982813 -0.865998938 -0.45242953 -0.18133272 -0.11022357
> ##### FUNCTION
> PCA=function(x, standardize=FALSE){
+ data=as.matrix(x)
+ S = cov(data)
+ if(standardize == TRUE){
+ S = cor(data)}
+ eigen_val = eigen(S)$values
+ eigen_vec = eigen(S)$vector
+
+ n = length(eigen_val)
+ prop = c()

+ for (i in (1:n)){
+ prop[i] = (eigen_val[i])/sum(eigen_val)}
+
+ q = length(prop)
+ propcum = c()
+ for (i in 1:q){
+ propcum[i]=sum(prop[1:i])}
+
+ p = nrow(eigen_vec)
+ corr = matrix(0,p,p)
+ for (i in (1:p)){
+ for (j in (1:p)){
+ corr[i,j] = (eigen_vec[i,j]*sqrt(eigen_val[i]))/S[j,j]
+ }
+ }
+
+ plot(eigen_val, main="Scree Plot", type="o")
+ hasil = list("Matriks Varkov/Korelasi"=S, "Eigen Value"=eigen_val,
+ "Eigen Vector"=eigen_vec, "Proporsi Komponen"=prop,
+ "Proporsi Kumulatif Komponen"=propcum, "Matriks Korelasi Y dan
X"=corr)
+ print(hasil)
+ }
> PCA(X)
$`Matriks Varkov/Korelasi`
Surat.Kabar Majalah.Tabloid Buku.Cerita Pelajaran.Sekolah
Surat.Kabar 1.00000000 0.738298525 0.4754255 -0.072536676
Majalah.Tabloid 0.73829853 1.000000000 0.5278499 0.006450235
Buku.Cerita 0.47542551 0.527849888 1.0000000 0.389874430
Pelajaran.Sekolah -0.07253668 0.006450235 0.3898744 1.000000000
Pengetahuan 0.09817022 0.172473215 0.5046154 0.863265059
Pengetahuan
Surat.Kabar 0.09817022
Majalah.Tabloid 0.17247322
Buku.Cerita 0.50461542
Pelajaran.Sekolah 0.86326506
Pengetahuan 1.00000000

$`Eigen Value`
[1] 2.5134022 1.7140622 0.3961091 0.2576191 0.1188074

$`Eigen Vector`
[,1] [,2] [,3] [,4] [,5]
[1,] -0.3897494 0.51473893 -0.3249065 0.68690595 -0.07573108
[2,] -0.4315374 0.46343994 -0.2671723 -0.72440301 -0.05346146
[3,] -0.5321264 0.06110884 0.8425890 0.04753245 -0.02986004
[4,] -0.3912127 -0.55973855 -0.2316687 0.01152157 -0.69270648
[5,] -0.4750421 -0.45080564 -0.2437787 0.03175544 0.71461373

$`Proporsi Komponen`
[1] 0.50268044 0.34281244 0.07922181 0.05152383 0.02376148

$`Proporsi Kumulatif Komponen`

[1] 0.5026804 0.8454929 0.9247147 0.9762385 1.0000000

$`Matriks Korelasi Y dan X`

[,1] [,2]
[1,] -0.6178975 0.81605233
[2,] -0.5649783 0.60674575
[3,] -0.3349054 0.03846019
[4,] -0.1985647 -0.28410200
[5,] -0.1637396 -0.15538570
[,3] [,4] [,5]
-0.51509749 1.089000999 -0.12006188
-0.34978781 -0.948404344 -0.06999292
0.53030192 0.029915590 -0.01879307
-0.11758621 0.005847912 -0.35159146
-0.08402673 0.010945607 0.24631625