Analisis Mapping

(Perceptual)

Irlandia Ginanjar
Irlandia_g@unpad.ac.id
Jurusan Statistika, FMIPA, Unpad

Senin, 29 April 2013

Pusat Sains dan Teknologi Atmosfer - LAPAN Bandung
Perceptual Mapping (Pemetaan Presepsi)

Apakah Perceptual Mapping?

Representasi visual dari data persepsi tentang objek yang
disajikan pada dua atau lebih dimensi.

Kenapa harus Perceptual Mapping?

Perceptual mapping menghasilkan visualisasi mengenai hubungan
antar objek-objek yang diamati (Hair, 2006).
Perceptual Mapping (Pemetaan Presepsi)

Perceptual Mapping

Non Iteratif Iteratif

Individual difference
Metrik Non Metrik
scaling

Multidimensional Parallel factor

Biplot PCA
scaling analysis

Multidimensional Correspondence General procrustean

scaling Analysis analysis
Perceptual Mapping (Pemetaan Presepsi)
Informasi yang didapatkan dari berbagai metoda perceptual mapping

Kemiripan Hubungan Nilai Peubah Keragaman

Antar Antar Peubah Pada Suatu peubah
Objek Objek
MDS
CA
INDSCAL
PARAFAC
GPA
BIPLOT
Pengantar Biplot
Biplot diperkenalkan pertama kali oleh Gabriel (1971)
merupakan pemetaan dua dimensi dari Analisis
Faktor Principal Component Analysis, sehingga sering
disebut Gabriel’s biplot. juga Biplot PCA.
Metode ini tergolong dalam analisis eksplorasi peubah
ganda yang ditujukan untuk menyajikan data peubah
ganda dalam peta dua dimensi, sehingga perilaku data
mudah dilihat dan diinterpretasikan.
Definisi
Biplot adalah teknik statistika deskriptif yang
berguna untuk menyajikan secara simultan n obyek
pengamatan dan p peubah dalam ruang bidang
datar, sehingga ciri-ciri peubah dan obyek
pengamatan serta posisi relatif antar obyek
pengamatan dengan peubah dapat dianalisis secara
visual. (Jollife, 1986 & Rawlings 1988).
Informasi Yang Bisa Diambil Dari
Biplot

1. Kemiripan relatif antar obyek pengamatan

2. Hubungan antar peubah
3. Nilai peubah pada suatu objek
4. Keragaman peubah
Contoh Perceptual Mapping
Interpretasi dan Informasi yang
diperoleh dari Biplot
1. Kemiripan relatif antar obyek pengamatan.
Dua obyek dengan karakteristik sama akan
digambarkan dalam dua titik yang posisi-nya
berdekatan.
2. Hubungan antar peubah :
 Jika sudut dua peubah < 900 maka korelasi bersifat
positif
 Jika sudut dua peubah > 900 maka korelasi
bersifat negatif
 Semakin kecil sudutnya, maka semakin kuat
korelasinya.
Interpretasi dan Informasi yang
diperoleh dari Biplot (Lanjutan)
3. Nilai peubah pada suatu obyek.
Karakteristik suatu obyek bisa disimpulkan dari
posisi relatifnya yang paling dekat dengan suatu
peubah.
4. Keragaman peubah.
Peubah dengan keragaman kecil digambarkan dengan
vektor yang pendek. Begitu pula sebaliknya.
Yang perlu diperhatikan dalam
Biplot
Merupakan pereduksian dari ruang berdimensi
besar ke ruang dimensi dua.

Konsekuensi berkurangnya informasi

yang terkandung dalam biplot minimal
70% informasi yang terkandung dalam Biplot
Teori Biplot
Teori Biplot (Lanjutan)
Teori Biplot (Lanjutan)
Secara matematis SVD
dapat ditulis
Teori Biplot (Lanjutan)
Ukuran keragaman Biplot
Studi Kasus
Akan dilakukan analisis terhadap negara-negara
di dunia dengan indikator Environmental
Performance Index (EPI).
Sumber data :
http://epi.yale.edu/downloads
1. Buka program SPSS
2. Pilih “More Files…” untuk mengambil file
3. Pilih “EPI_2012.sav” selanjutnya klik “Open” untuk membuka data
4. Setelah data terbuka Pilih “Analyze  Dimension Reduction  Factor”
selanjutnya klik “Factor” untuk membuka dialog box “Factor Analysis”.
5. Setelah dialog box “Factor Analysis” terbuka, pindahkan peubah-peubah
yang berjudul EHEH, EHAIR, EHWATER, EVAIR, EVWATER, EVBH,
EVAG, EVFOREST, dan CLIMATE,dari kotak sebelah kiri ke kotak yang
berjudul “Variables:”.

6. Selanjutnya pilih “Scores…” untuk membuka dialog box “Factor Scores”

5. Setelah dialog box “Factor Scores” terbuka, centang “Save as variables”,
kemudian pada kotak berjudul “Method” centang “Regression”,
selanjutnya klik Continue.

6. Maka akan kembali ke dialog box “Factor Analysis”, selanjutnya klik

“OK”, maka akan muncul window “Output”, dan pada Window “Data
editor” jumlah kolom akan bertambah, diantaranya ada kolm yang berjudul
FAC1_1 dan FAC2_1.
7. Pilih window “Output” klik duakali pada tabel “Component Matrix”, Copy
Kolom pertama selanjutnya kembali ke Window “Data editor” Paste di
kolom “Country “ baris selanjutnya (124).
8. Kembali ke window “Output”, Copy kolom dibawah “Component 1” selanjutnya
kembali ke Window “Data editor” Paste di kolom “FAC1_1 “ baris selanjutnya
(124).
9. Kembali ke window “Output”, Copy kolom dibawah “Component 2” selanjutnya
kembali ke Window “Data editor” Paste di kolom baru “VAR00001 “ baris
selanjutnya (124).
10. Selanjutnya Pilih “Graphs  Legacy Dialogs  Scatter/Dot…”
selanjutnya klik “Scatter/Dot…” untuk membuka dialog box “Scatter/Dot”.
11. Setelah dialog box “Scatter/Dot” terbuka, klik “Overlay Scatter”,
selanjutnya klik Define, untuk membuka dialog box “Overlay Scatterplot”.

12. Setelah dialog box “Overlay Scatterplot” terbuka,

pindahkan peubah yang berjudul “FAC2_1” dari kotak sebelah kiri ke kotak
yang berjudul “Pairs  Y-X Pairs:  Pair1  Y Variable”,
peubah yang berjudul “FAC1_1” dari kotak sebelah kiri ke kotak yang
berjudul “Pairs  Y-X Pairs:  Pair1  X Variable”,
peubah yang berjudul “VAR00001” dari kotak sebelah kiri ke kotak yang
berjudul “Pairs  Y-X Pairs:  Pair2  Y Variable”,
peubah yang berjudul “FAC1_1” dari kotak sebelah kiri ke kotak yang
berjudul “Pairs  Y-X Pairs:  Pair2  X Variable”,
peubah yang berjudul “Country” dari kotak sebelah kiri ke kotak yang
berjudul “Label Cases by:”
13. Selanjutnya pilih “Options…” untuk membuka dialog box “Options”.
14. Setelah dialog box “Options” terbuka, centang “Exclude cases variable by
variable”, dan centang “Display chart with case labels”, selanjutnya klik
“Continue”.

15. Maka akan kembali ke dialog box “Overlay Scatterplot”, selanjutnya klik
“OK”, maka akan muncul window “Output” yang menghasilkan peta
presepsi.
13. Peta presepsi yang dihasilkan sebagai berikut:
Konversi Objek
Banyak negara yang ditampilkan terlalu banyak, mengakibatkan
kesulitan dalam menganalisis data tersebut, Sehingga diperlukan
penyederhanaan (pengelompokan) dari negara-negara tersebut.
Berdasarkan hal itu maka negara (Country) akan dikelompokan
ke Region, dengan indikator nilai rata-rata Environmental
Performance Index (EPI) dari negara-negara yang tergabung
dalam region tersebut
14. Pada window “Data Editor” Pilih “Analyze  Tables Custom Tables…”
selanjutnya klik “Custom Tables…” untuk membuka dialog box “Custom
Tables”.
15. Setelah dialog box “Custom Tables” terbuka, pindahkan peubah yang
berjudul “Regions” dari kotak sebelah kiri ke kotak yang bertuliskan
“Rows”, pindahkan juga peubah-peubah yang berjudul EHEH, EHAIR,
EHWATER, EVAIR, EVWATER, EVBH, EVAG, EVFOREST, dan
CLIMATE, dari kotak sebelah kiri ke kotak yang bertuliskan “Columns”.

16. Selanjutnya klik “OK”.

16. Pada window “Data Editor” Pilih “File  New  Data” selanjutnya klik
“Data” untuk membuka “Data Editor” baru.
17. Pada window “Data Editor” Pilih tab “Variable View”, isikan setiap sel
dengan isian seperti di gambar bawah.
18. Pilih window “Output” klik duakali pada tabel “Custom Tables”, Copy
Kolom pertama selanjutnya kembali ke Window “Data editor” Paste di
kolom “Region “.
19. Selanjutnya Copy semua data yang ada di “Custom Tables” kembali ke
Window “Data editor” Paste di kolom selanjutnya, sehingga didapatkan
data editor seperti berikut:
20. Save “Data editor”, ulangi langkah 4 sampai dengan langkah 13, sehingga
didapatkan peta persepsi sebagai berikut
21. Untuk mendapatkan peta persepsi yang lebih informatif, peta tersebut
harus di Edit dengan cara klik 2 kali pada peta tersebut.
• Sembunyikan keterangan titik (Hide Legend)
• Tambahkan garis referensi dari titik nol-nya sumbu Y (add a reference line to
the Y axis).
• Tambahkan garis referensi dari titik nol-nya sumbu X (add a reference line to
the X axis)
Sehingga didapatkan peta presepsi dengan garis referensi
22. Selanjutnya Copy gambar ke microsoft word, tambahkan panah-panah,
dari titik nol ke titik-titik berwarna merah. Supaya gambar tetap tampil
rapi, lakukan grouping untuk semua objek gambar.

Saling berkorelasi Saling berkorelasi

Positif Positif

Korelasi yg
Korelasi Negatif sangat rendah
Yg tinggi
Informasi Region berdasarkan indikator
Environmental Performance Index (EPI)
1. Kemiripan relatif antar obyek pengamatan.
Preforma lingkungan di:
 Middle East & North Africa sama dengan Eastern Europe & Central.
 Americas sama dengan Asia & Pacific.
 Europe sangat berbeda dengan region lainnya.
 Sub-Saharan Africa sangat berbeda dengan region lainnya.
2. Hubungan antar peubah :
 Antara EHWATER, EHAIR, EHEH, dan EVFOREST saling berkorelasi
positif
 Antara EVBH, EVAIR, EVWATER, dan CLIMATE saling berkorelasi
positif
 EVFOREST dengan CLIMATE mempunyai korelasi negatif yang tinggi.
 EVAG dengan peubah lainnya mempunyai korelasi yang sangat
rendah.
Informasi Region berdasarkan indikator
Environmental Performance Index (EPI)
3. Nilai peubah pada suatu obyek.
 Middle East & North Africa dengan Eastern Europe & Central
mempunyai nilai indeks preforma tertinggi EVFOREST, tertinggi
kedua EHEH, selanjutnya EHAIR, EHWATER, dan EVAG, sementara itu
nilai peubah lainnya sangat rendah.
 Americas mempunyai nilai indeks preforma tertinggi EVWATER,
tertinggi kedua EVAIR, selanjutnya CLIMATE, EVBH, dan EVAG,
sementara itu nilai peubah lainnya sangat rendah.
 Asia & Pacific mempunyai nilai indeks preforma tertinggi CLIMATE,
tertinggi kedua EVWATER, selanjutnya EVAIR, EVAG, dan EVBH,
sementara itu nilai peubah lainnya sangat rendah.
 Sub-Saharan Africa mempunyai nilai indeks preforma tertinggi
CLIMATE, tertinggi kedua EVWATER, selanjutnya EVAIR, EVBH, dan
EVAG, sementara itu nilai peubah lainnya sangat rendah.
 Europe mempunyai nilai indeks preforma tertinggi EHWATER,
tertinggi kedua EHAIR, selanjutnya EHEH, dan EVFOREST, sementara
itu nilai peubah lainnya sangat rendah.
Informasi Region berdasarkan indikator
Environmental Performance Index (EPI)
4. Keragaman peubah.
EVAG merupakan peubah yang mempunyai keragaman terkecil,
CLIMATE merupakan peubah yang mempunyai keragaman terbesar,
Sedangkan peubah yang lainnya mempunyai keragaman yang relatif
sama.
Daftar Pustaka
Emerson, J.W., A. Hsu, M.A. Levy, A. de Sherbinin, V. Mara, D.C. Esty,
and M. Jaiteh. (2012), 2012 Environmental Performance Index and
Pilot Trend Environmental Performance Index. New Haven: Yale
Center for Environmental Law and Policy.
Gabriel, K.R. (1971), “The biplot graphic display of matrices with
application to principal component analysis”, Biometrika, Vol. 58,
No. 3, hal. 453–467.
Hair, Jr, J.F., Black, W.C., Babin, B.J., Anderson, R.E., Tatham, R.L.
(2006), Multivariate Data Analysis, 6th Ed, Pearson Education Inc,
Singapore.
Jolliffe, I.T. (2002), Principal component analysis, 2nd edition, Springer-
Verlag New York, Inc., New York.