Tugas4
Tugas4
p (banyak variabel) = 24
n (banyak observasi) = 75
3
Tabulasi Data
4
Simbol Variabel
X1 Jurusan matematika dapat diketahui melalui iklan dan media
massa
X2 Promosi dikemas secara kreatif dan menarik dengan berisi
informasi lengkap tentang jurusan matematika
X3 Sosialisasi jurusan matematika yang dilakukan di sekolah-sekolah
X4 Sosialisasi dari alumni
. .
. .
. .
. .
. .
X21 Latar belakang orang tua yang dari lulusan sarjana sains
X22 Tidak lulus dari jurusan lain
X23 Biaya pendidikan yang murah
X24 Jarang terjadi kriminal seperti tawuran
5
Analisis Faktor Orthogonal
Uji
Korelasi dan Kelayakan variabel (Uji Bartlet Spherecity)
- Hipotesis vs
- Statistik Uji
- Keputusan : Tolak
Karena nilai Sig (0.000) < nilai (0.05)
- Kesimpulan : Terdapat hubungan antar variabel X 6
Uji Measure of Sampling Adequancy (MSA)
Digunakan untuk mengukur homogenitas antar variabel dan
melakukan penyaringan antar variabel sehingga hanya variabel yang
memenuhi syarat dapat di proses lebih lanjut.
Nilai MSA berkisar antara 0.5-1.0
Jika MSA = 1 variabel dapat diprediksi tanpa kesalahan var. lain
Jika MSA 0.5 variabel dapat di prediksi dan dianalisis lanjut
Jika MSA 0.5 variabel tidak dapat di prediksi dan dikeluarkan
dari variabel lain
- Hipotesis
= variabel tidak layak dan tidak dapat di proses
= variabel layak dan dapat diproses
- Statistik Uji KMO = 0.530
- Keputusan : Tolak karena nilai KMO (0.53) > 0.5
- Kesimpulan : Variabel layak dan dapat di proses lebih lanjut
7
Nilai
Anti Image Matrices Correlation setelah Uji MSA
Variabel yang memiliki nilai MSA < 0.5 akan dikeluarkan dari
variabel lain, setelah dilakukan pengeluaran variabel berikut hasil yang
sudah sesuai dengan kriteria MSA 0.5
8
Proses faktoring atau ekstraksi
Dengan menggunakan Metode Principal Component Analysis
(PCA), untuk menentukan banyak faktor (m) dipilih nilai eigen
yang > 1
Berdasarkan tabel diatas dapat ketahahui bahwa variabel X4, X11, X12
masuk kedalam faktor 1 dan variabel X17, X 18 masuk kedalam faktor 2
11
Kesimpulan Analisis Faktor Ortogonal
Faktor Variabel
X4 (Sosialisasi dari alumni)
Sosial dan X11 (Jurusan Matematika memiliki Lab Komputer yang
Fasilitas memadai)
X12 (Jurusan Matematika memiliki perpustakaan jurusan)
X17 (Prospek dunia kerja Program Studi Matematika
memiliki peluang keja yang baik)
Pekerjaan
X18 (Lulusan jurusan Matematika yang dapat diterima di
berbagai tempat kerja)
- Keputusan : Tolak
Karena nilai Sig (0.000) < nilai (0.05)
- Kesimpulan : Terdapat hubungan antar variabel X
13
Reduksi Dimensi Varibel (Ekstraksi PC)
Kriteria untuk menentukan banyak kelompok yaitu
dengan melihan Eigenvalue > 1
18
Resume Perbandingan Antar Metode
Analisis Faktor Ortogonal dan Principal Component
Analysis (PCA)
Analisis Faktor Ortogonal PCA
Digunakan untuk mereduksi variabel Digunakan untuk mereduksi variabel
Terdapat beberapa asumsi yang mengikat, Semua variabel masuk dalam suatu
banyak variabel yang dikeluarkan, kelompok tertentu
sehingga tidak semua variabel
dikelompokkan
Berdasarkan data diatas, proporsi Berdasarkan data diatas, proporsi
variabilitas komulatif yang dihasilkan variabilitas komulatif yang dihasilkan
lebih kecil dari PCA lebih besar dari analisis faktor
Terdapat hubungan antara analisis faktor dengan PCA, dimana analisis faktor
merupakan pengembangan dari PCA. Dalam pengelompokannya, analisis faktor
menggunakan metode pembobot Principal Component yang konsep dasarnya berasal
dari Principal Component Analysis.
19
Analisis Faktor Eksploratori dan Analisis Faktor
Konfirmatori
Analisis Faktor Eksploratori Analisis Faktor Konfirmatori
Metode statistika yang digunakan untuk membangun model struktur yang
terdiri dari banyak variabel .
20
Analisis Diskriminan Linier
SUMBER DATA
Data diperoleh dari jurnal yang berjudul:
1 37 -26.9 5018
1 52 -31.4 5076
1 68 -26.9 5018
1 36 -40.0 5009
1 57 -36.1 5228
1 33 -46.2 5099
2 34 -46.2 5099
2 60 -50.8 4964
2 37 -41.8 5228
2 47 -36.1 5228
2 28 -38.3 4992
2 36 -41.8 5228
23
PENGUJIAN HOMOGENITAS MATRIKS VARIAN KOVARIAN
Pada
pengujian asumsi homogenitas ini digunakan untuk mengetahui apakah
matriks kovarian memiliki sifat multivariat homogenitas atau tidak.
Hipotesis:
dimana : g=2
Berikut hasil pengujian menggunakan uji Box’s M:
Test Results
Box's M 18.804
Approx. 6.130
df1 3
F
df2 1728720.000
Sig. .000
Dengan melihat nilai signifikansi sebesar 0.000 yang lebih kecil dari , sehingga
dapat dikatakan bahwa terdapat perbedaan rata-rata antara kategori 1 dan
kategori 2 dengan asumsi perbedaan rata-rata antar kelompok terpenuhi.
26
HUBUNGAN ANTAR VARIABEL
(UJI MULTIKOLINIERITAS)
Pada pengujian asumsi multikolinieritas ini digunakan untuk mengetahui
hubungan (korelasi) antar variabel prediktor.
Berdasarkan hasil dari metode stepwise dengan iterasi sebanyak dua kali, telah
didapatkan dua variabel yang signifikan membedakan dua kategori, karena
nilai signifikansinya lebih kecil dari 0.05.
Dengan tingkat residual error yang semakin kecil yang dinyatakan oleh Wilk’s
Lambda mulai dari level 0.709 dan berkurang hingga menjadi 0.680 setelah
kedua variabel tersebut terpilih untuk dimasukkan ke dalam fungsi
diskriminan. Hal ini dapat diartikan bahwa kemampuan diskriminasi dari
fungsi yang dihasilkan semakin meningkat.
28
MENETAPKAN VARIABEL YANG MASUK MODEL
DENGAN MENGGUNAKAN METODE STEPWISE
29
KEBAIKAN FUNGSI DISKRIMINAN
30
DISCRIMINANT LOADINGS
Discriminant Loading ini menunujukkan kontribusi
variabel terhadap fungsi diskriminan. Beberapa
peneliti menerangkan bahwa variabel yang memiliki
peran besar dalam klasifikasi adalah yang memiliki
nilai absolut loading > 0.40.
31
FUNGSI DISKRIMINAN
Berdasarkan
tabel di atas dapat diperoleh model
diskriminan sebagai berikut:
32
KLASIFIKASI OBSERVASI BERDASARKAN CUTTING SCORE
Dengan
menggunakan asumsi probabilitas
prior yang sama:
35
PERBANDINGAN ANTARA METODE ANALISIS DISKRIMINAN LINIER,
METODE MANOVA ONE WAY, DAN METODE ANALISIS REGRESI LOGISTIK
37
TERIMA KASIH