ANALISIS MTV1 (1)

8/17/2019 ANALISIS MTV1 (1)

1/80

ANALISIS KOMPONEN UTAMA

( PRINCIPAL COMPONENT ANALYSIS)

Pertemuan 8

Multivariate Data Analysis


2/80

TUJUAN

Mentransformasi p variabel menjadi variabel

baru ( yang merupakan kombinasi linear dari

variabel asal) yang tidak saling berkorelasi

dan disusun berurut dari yang terbanyak

memberikan kontribusi terhadap totalvariabilitas dalam populasi ( atau data )

Tujuannya adalah untuk mengurangi dimensi

data ( atau pengukuran ) dengan

menghilangkan kontributor yang tidaksignifikan dan mungkin untuk menemukan

variabel baru yang membuat data lebih

mudah dipahami .


3/80

NOTES

Menggunakan PCA merupakan langkah

menengah bukan langkah terakhir dalam

analisis data. Misalnya, analisis cluster dapat

dilakukan pada beberapa ( misalnya , 6 atau 7 )

komponen utama ( variabel baru yang diperolehdari PCA) daripada variabel asli ( misalnya,80).

Selain itu juga untuk analisis regresi berganda

ataupun analisis faktor.

Analisis Komponen Utama dilakukan untukmenyederhanakan sekumpulan variabel yang

saling berhubungan


4/80


5/80

Komponen utama yang pertama = kombinasi linier

yang memaksimumkan dengan syarat

Komponen utama yang kedua = kombinasi linier

yang memaksimumkan dengan syarat

dan

Untuk komponen utama ke-i

= kombinasi linier yang memaksimumkan

dengan syarat dan untuk


6/80

RESULT 8.1


7/80

RESULT 8.2


8/80

Sehingga total varians populasi

Proporsi keragaman total yang dapat dijelaskan

oleh komponen utama ke-k adalah


9/80

RESULT 8.3

Jika adalah komponen

utama dari matriks kovarians maka

adalah koefisien korelasi antara komponen dan

variabel

adalah pasangan akar ciri

dan vektor ciri matriks


10/80

PRINCIPAL COMPONENT FROM STANDARDIZED VARIABLES

Komponen utama juga dapat diperoleh dari variabelyang sudah distandarkan

atau dalam bentuk matriks

dengan dan


11/80

RESULT 8.4

Komponen utama ke-i dari variabel yangdistandarkan dengan

adalah

dengan pasangan akar ciri

dan vektor ciri dimana


12/80

PENENTUAN BANYAKNYA KOMPONEN

UTAMA

Menggunakan persentase kumulatif total variasi (80 % atau

90 %)

Kaiser rule :

- Untuk matriks korelasi : varians ≥1 atau < 1 sebagai cut -

off (apabila cenderung mempertahankan beberapa variabelmaka disarankan 0,7 bukan 1 ) .

- Untuk matriks kovarians : variance ≥ atau < dari

varians rata-rata sebagai cut-off .

menggunakan scree plot:

Plot akar ciri ke-k ( diatur dalam urutan menurun )dibandingkan k.

aturan lain: uji hipotesis ; validasi silang, penggunaan

korelasi parsial , dll


13/80

LATIHAN


14/80

ANALISIS FAKTOR(FACTOR ANALYSIS)

Pertemuan 9

Multivariate Data Analysis


15/80

SEJARAH

Galton (1888), Pertama kali menemukan tentang

konsep faktor laten.

Spearman (1904) meneliti pola tertentu yang

sistematik pada matriks korelasi dari skor nilai

pada suatu sekolah.

general intellective ability

individual tests.


16/80

KENAPA ANALISIS FAKTOR?

Pemilihan analisis faktor sebagai alatanalisis pada penelitian ini, disebabkankarena penelitian ini mencobamenemukan hubungan (interrelationship)beberapa variabel yang saling independensatu dengan yang lainnya, sehingga bisadibuat kumpulan variabel yang lebihsedikit dari jumlah variabel awal sehinggaakan lebih mudah dalammenginterpretasikan


17/80

DEFINISI DAN KONSEP

Analisis Faktor , metode multivariate yang

digunakan untuk menganalisis variabel-

variabel yang diduga memiliki keterkaitan satusama lain sehingga keterkaitan tersebut dapat

dijelaskan dan dipetakan atau dikelompokkan

pada faktor/variabel laten yang tepat

(Sharma,1996).Teknik Interdepedensi dengan data metrik


18/80

TUJUAN ANALISIS FAKTOR

1. untuk menentukan jumlah faktor/

variabel laten yang mendasari

membangun satu set item (variabel)

2. untuk menjelaskan variasi antarvariabel (item) melalui beberapa

variabel laten (Faktor),

3. untuk menentukan isi atau makna

faktor/variabel laten


19/80

PERBEDAAN AKU & AF

• AF menghasilkan faktor; AKU memproduksi komponen

•Faktor menyusun variabel; komponen disusun dari variabel

FA

I1 I3I2

PCA

I1 I3I2


20/80

PERBEDAAN AKU & AF (2)

AF mengkaji varians yang diberikan masing-masing

variabel (varians umum saja, tidak mengkaji

varians khusus atau residual);

AF: “Apa yang mendasari proses sehinggamenghasilkan korelasi tsb?”;

PCA mengkaji keseluruhan varians

PCA: meringkas asosiasi empiris, berdasarkan data


21/80

JENIS-JENIS ANALISIS FAKTOR

Exploratory FA

Confirmatory FA


22/80

EXPLORATORY FA

digunakan untuk penelitian awal di mana

faktor-faktor yang mempengaruhi suatu

faktor / variabel laten belum

diidentifikasikan secara baik terutamadigunakan dalam explanatory research.


23/80

EFA DAPAT DIGUNAKAN UNTUK:

Menentukan banyaknya konstruk yang harus

dibentuk dari teori yang ada, dimana teori

mengenai indikator penyusun variabel latennya

belum ada sehingga struktur hubungan variabel

dalam model tidak dispesifikasi secara khususoleh peneliti

Menentukan satu set variabel terukur/indikator

mendasari suatu konstruk yang dijelaskan

dengan muatan (loading) faktornya


24/80

CONFIRMATORY FA

Digunakan untuk mengestimasi parameter dan

menguji hipotesis tentang sejumlah faktor yang

mendasari hubungannya dengan suatu set

indikator.


25/80

CFA DIGUNAKAN UNTUK:

Menguji hipotesis mengenai hubungan antara

variabel yang diamati dan laten yang mendasari

konstrak yang ada.

Menguji validitas suatu alat ukur/rangkaian

kuesioner yang diguakan untuk mengukur suatu

konstrak teoritis

Memverifikasi struktur faktor dari satu set

variabel yang diamati.


26/80


27/80

MODEL FAKTOR

Dengan:

adalah rata-rata variabel ke-i

adalah faktor khusus ke-i/spesific factor

adalah faktor umum ke- j /common facor

adalah loading dari variabel ke-ipada faktor ke-j

adalah matriks dari faktor loading

( ) ( ) ( ) ( ) ( )1x1xx1x1x pmm p p p εFLμX ++=

i µ

iε

j F

ijl

L


28/80


29/80

ASUMSI ANALISIS FAKTOR


30/80

STRUKTUR COVARIANS X

( ) ( ) ( )( )( ) ( )( )

( ) ( ) '''''

''

''

εε ε ε

ε ε

ε ε µ µ

+++=

++=

++=−−

LF LF LF LF

LF LF

LF LF X X

( )( )( ) ( )( )

'

'.

)'()'(

'''

LL

I LL

FF E LL

L F LF E LF LF E

=

=

=

= ( ) ( )

00'

'''''

==

=

L

F E L L F E ε ε

( ) ψ εε =' E

( )( ) ψ µ µ +=Σ==−− ')cov(' LL X X X E


31/80

STRUKTUR COVARIANS X(2)

lij’ lij:komunalitas atau varians faktor umum

Merupakan jumlah kuadrat dari loadingDigunakan untuk menyatakan proporsi yang mampu dijelaskan oleh

faktor umum

Ekspektasi: komunalitas memberikan kontribusi yang sebesar-besarnya


32/80

LOADING FAKTOR (L)Korelasi antara variabel asal dengan faktor yang

terbentuk


33/80

Cluster Analysis


34/80

CLUSTER ANALYSIS

Cluster Analysisadalah suatu teknik analisis multivariate metode

interdependen, dengan tujuan meringkas data denganpenggerombolan obyek (responden) sehingga terbentuk beberapa

kelompok, disebut cluster. Obyek di dalam suatu cluster lebih mirip

dibandingkan antar cluster. Kemiripan ini sudah didasarkan pada

sekumpulan variabel secara simultan.

KEGUNAAN2 identifikasi banyaknya cluster dari sekumpulan obyek2 identifikasi karakteristik setiap cluster2 prediksi jumlah anggota masing-masing subpopulasi berdasarkan

perhitungan anggota setiap cluster yang diperoleh dari data

sampel

BASIS KLASTERING DAN INPUT2 Pengelompokkan dibuat berbasis pada kesamaan (similiarities)

atau jaraknya (disimiliarities/distance)2 Input yang diperlukan berupa ukuran kesamaan atau data


35/80

CLUSTER ANALYSIS

Analisis Cluster dalam beberapa bidang keilmuan

Dalam analisis Pemasaran, Cluster analysis dapat digunakan untuk

(a) mengetahui segmentasi dan menentukan target pasar yang dituju;

(b) mengetahui positioning produk dan menentukan pengembangan

produk baru; (c) Memilih pasar yang akan dipilih untuk produk baru

perusahaan.

Dalam analisis penelitian pendidikan, data untuk clustering dapat

berupa data siswa, orang tua, jenis kelamin atau nilai ujian.

Clustering merupakan metode penting untuk memahami dan utilitas

dari cluster dalam penelitian pendidikan, msialnya untuk

pengelompokkan siswa ataupun sekolah.


36/80

CLUSTER ANALYSIS

Tahapan dalam Cluster Ananlysis

Tahap 1. Partitioning (membentuk cluster)

1. Variabel apa yang digunakan untuk menghitung

similarity (atau distance) antar objek

2. Bagaimana menentukan ukuran similarity (atau distance)

3. Algoritma apa yang sebaiknya digunakan dalam

menempatkan suatu objek ke dalam cluster

4. Berapa jumlah cluster yang terbentuk

Tahap 2. Interpretasi

Tahap 3. Validasi dan Profil


37/80

CLUSTER ANALYSIS

Ukuran ketakmiripan

Ukuran jarak yang sering digunakan adalah jarak euclidean (d)dengan mengukur proximity pada ruang dua dimensi sehingga

jarak antara dua observasi menunjukkan kesamaan. Secara

umum jarak euclid antara 2 amatan dengan pvariabel dinyatakan

sebagai

Ukuran Mikowski dan Mahalanobis

∑=

−= p

k

kjki X X dij1

2)(

m p

k

m

jk ik X X dij

/1

1

−= ∑

=

( ) ( ) j

t

j S dij XXXX ii −−= −1


38/80

CLUSTER ANALYSIS

Ukuran kemiripan

Sifat-sfat ukuran ketakmiripan:

• d(uv)≥0

• d(uu)=0

• d(uv)=d(vu)

• d(uv)akan meningkat nilainya dengan semakin tak miripnyageromboludan v

Nilai jarak tersebut akan disajikan dalam matriks jarak yang

disebut dengan matriks proksimitas/ proximity


39/80

CLUSTER ANALYSIS

Asumsi Analisis Gerombol

♦ Data antar pengamatan (case) independen

♦ Sampel diambil secara random

♣ Antar variabel tida saling bebas (berorelasi)

♣ Data !nt! sel!r!" variabel minimal memilii sala interval

(ter!tama bila !!ran emiripan #ang dig!naan adala" $ara)


40/80

CLUSTER ANALYSIS

Metode analisis :

1) %irari (ber$en$ang) &- 'erstr!t!r - Dapat ditel!s!ri penggerombolan s!at! ob$e dengan ob$e lainn#a- Stabil- an#a elompo bel!m dieta"!i

*!tp!t ber!pa dendogram pemotongan & $ara lompatan ter$a!"

2) 'ida er"irari &- 'ida terstr!t!r

- an#a elompo ditent!an terlebi" da"!l! (dieta"!i)- +engg!naan ,terasi- -!rang Stabil

*!tp!t & anggota elompo dan centroid

CLUSTER ANALYSIS


41/80

CLUSTER ANALYSIS

+etode #ang sering dig!naan !nt! pengelompoan ob#e pada

Hierarchical clustering adala"

1 Metode !enggum!alan "agglomerati#$

Setiap ob#e dianggap sebagai s!at! gerombol /cluster,

em!dian dielompoan dengan ob#e #ang memilii $ara

terdeat% Metode !embagian "di&isi&e$

eer$a dengan membagi 2 berdasaran $!mla" ob$e

dipisa"an dengan dicari ob#e #ang memp!n#ai $ara ter$a!"

CLUSTER ANALYSIS


42/80

CLUSTER ANALYSIS

Hirarki "ber'en'ang$

+etode #ang sering dig!naan !nt! pengelompoan ob#e pada

Hierarchical clustering adala" metode !enggum!alan

"agglomerati#$

'erdapat / metode pengelompoan

Agglomerative #ang seringdiperg!naan !nt! per"it!ngan $ara

antar cl!ster dengan ob#e ata!

dengan cl!ster lain di dalam

penggerombolan ber$en$ang #ait!

single lingkage (pa!tan t!nggal)complete linkage (pa!tan lengap

average linkage (pa!tan ratarata)

centroid, median, minimum variance,

ward

CLUSTER ANALYSIS


43/80

CLUSTER ANALYSIS


nt! teni pengelompoan dengan metode Divisive ada 2

metode #ang sering dig!naan #ait! &

• A splinter Average Distance +et"od

• A!tomatic ,nteraction Detection

CLUSTER ANALYSIS


44/80

CLUSTER ANALYSIS


*!tp!t & ber!pa dendogram

(

)

CLUSTER ANALYSIS


45/80

CLUSTER ANALYSIS


ati"an&

Dieta"!i data variabel pendidian dan pendapatan !nt!

amatan adala" sebagai beri!t&

3ilai 4endapatan& 51512560

3ilai 4endidian& 517152018

Dengan mengg!naan metode 4a!tan t!nggal

CLUSTER ANALYSIS


46/80

CLUSTER ANALYSIS

Hasil

*enda!atan *endidikan )elom!ok

+ + 1

, , 11+ 1- %

1, 1+ %

%+ %. %

/. 10 %

CLUSTER ANALYSIS


47/80

CLUSTER ANALYSIS

A*L)A2

S!at! penelitian dila!an dengan cara s!rve# bert!$!an ingin

mengeta"!i peta arateristi ana $alanan. ilamana mapping ini

dapat dila!an di"arapan dapat diembangan model pembinaan

#ang e9eti9.

Variabel #ang diamati adala" pendidian alasan dan einginan.Analisis dila!an dengan program S4SS


48/80

Data ini akan digunakan untuk membuat pemetaan karakteristik anak

jalanan dengan analisis cluster.

Dat Pendididkan Alasan Menjadi Anak Jalanan dan

Keinginan Anak Jalanan

CLUSTER ANALYSIS


49/80

CLUSTER ANALYSIS

HA2L A3AL22

-oe9isien agglomerasi meng"asilan lompatan (selisi") terbesar dari

stage 8: e 88 #ait! dari :.:17 e 12.7. Dengan demiian dapat

dieta"!i ba";a dari 100 ana $alanan terseb!t membent! 2 cl!ster.

CLUSTER ANALYSIS


50/80

CLUSTER ANALYSIS

HA2L A3AL22

4enempatan setiap ob#e (case) e dalam cl!ster dapat dili"at

pada tabel di ba;a" ini.

CLUSTER ANALYSIS


51/80

CLUSTER ANALYSIS

HA2L A3AL22Ana $alanan #ang ber$!mla" 100 orang membent! d!a cl!ster

dan !nt! mela!an identi9iasi arateristi setiap cl!sterdila!an analisis disripti9.

Karakteristik cluster 1 adalah pendidikan orang tua cukup tinggi akan tetapi

pendidikan anak tidak terurus, mereka menjadi anak jalanan bukan karena

keadaan (ekonomi) dan sebenarnya mereka tidak ingin menjadi anak jalanan.

Tampaknya anak jalanan di dalam kelompok ini lebih disebabkan karena

sangat kurangnya perhatian orang tua.

CLUSTER ANALYSIS


52/80

CLUSTER ANALYSIS

HA2L A3AL22

-arateristi cl!ster 2 adala" pendidian orang t!a renda" !nt!

bisa berta"an "id!p merea "ar!s men$adi ana $alanan se"ingga

ada einginan #ang tinggi !nt! men$adi ana $alanan. 4ada

cl!ster ini tampan#a merea men$adi ana $alanan

dilatarbelaangi ondisi eonomi el!arga.

4embinaan ana $alanan pada cl!ster 1 se"ar!sn#a berbeda

dengan pada cl!ster 2. Dengan ata lain dari "asil pemetaan

(mapping ) ini selan$!tn#a dapat dirancang model dan

program pembinaan ana $alanan #ang e9eti9.

CLUSTER ANALYSIS


53/80

CLUSTER ANALYSIS

4idak Hirarki "tidak ber'en'ang$

4ada analisis gerombol tida ber$en$ang $!mla" cl!ster "ar!s

ditetapan terlebi" da"!l! sebel!m ita mela!an analisis data.

Dengan ata lain non "ierarc"ical cl!stering dig!naan bilamana

$!mla" gerombol dapat ditent!an sebel!m analisis dila!an.4enent!an $!mla" cl!ster dapat didasaran pada r!$!an teoritis

ondisional common sense dan ata! t!$!an penelitian.

+etode #ang ban#a dig!naan adala" Metode )5rataan ") 5

mean Method$

CLUSTER ANALYSIS


54/80

CLUSTER ANALYSIS

A*L)A2

Suatu penelitian dilakukan dengan tujuan untuk mengetahui karakteristik

karyawan. ilamana terdapat beberapa kelompok karaktersitik, maka padasetiap kelompok ingin diketahui !aktor apa yang dominan berpengaruh

terhadap kinerjanya (per!orm). "ariabel yang diamati adalah loyalitas,

moti#asi, kepuasan, dan kinerja.

$engembangan model dan program pembinaan karyawan gunameningkatkan kinerjanya ditetapkan hanya % macam. &leh karena itu,

karyawan akan dikelompokkan menjadi %, selanjutnya akan diidenti!ikasi

karakteristik dari dari setiap kelompok. 'n!ormasi ini akan digunakan

sebagai bahan pengembangan model dan program pembinaan

karyawan.

engingat jumlah cluster (kelompok) sudah ditetapkan terlebih

dahulu, maka analisis untuk penggerombolan yang paling tepat

adalah analisis gerombol tidak berjenjang. asil analisis data,

menggunakan S$SS, disajikan sebagai berikut.

CLUSTER ANALYSIS


55/80

CLUSTER ANALYSIS

HA2L A3AL22

Kelompok (cluster) 1 beranggotakan

*+ orang karyawan, dengan center(mean) untuk semua #ariabel positi!.

Dengan demikian, pada kelompok ini

upaya pembinaan diarahkan untuk

lebih meningkatkan kinerja.

CLUSTER ANALYSIS


56/80

CLUSTER ANALYSIS

HA2L A3AL22

-elompo 2 beranggotaan 7 orang ar#a;an dengan center

sem!an#a negati9. Se"ingga pada elompo ini diperl!an !pa#a

pembinaan #ang t!$!ann#a adala" perbaian berbagai aspe perila!

ar#a;an.

Kemudian pada kelompok % ini akan diidenti!ikasi !aktor apa yang dominan

berpengaruh terhadap kinerja (per!orm)


57/80

CLUSTER ANALYSIS


58/80

CLUSTER ANALYSIS

/6//.0:6.202:.78:

6.1/6.671=

+

+= RS


59/80

MATRIX DATA VARIABLES = X1 TO X5

/FORMAT = LIST FULL DIAGONAL

/CONTENTS = PROX.

BEGIN DATA.

10 4 3 6 7

4 10 5 2 5

3 5 10 8 46 2 8 10 1

7 5 4 1 10

END DATA.

VALUE LABELS ROWTYPE_ 'PROX' 'SIMILARITY' .

CLUSTER X1 X2 X3 X4 X5

/MATRIX = IN (*)

/METHOD BAVERAGE

/PRINT SCHEDULE DISTANCE

/PLOT DENDROGRAM .


60/80

ANALISIS DISKRIMINAN

nalisis Diskriminan merupakan tehnik statistik jika #ariabel


61/80

nalisis Diskriminan merupakan tehnik statistik jika #ariabel

dependen yang berbentuk kategorikal (nominal atau non metrik)

dan #ariabel independen berbentuk metrik.

Dalam banyak kasus #ariabel dependen terklasi!ikasi menjadi

dua kelompok atau atau lebih, sebagai contoh narapidana yang

bebas bersyarat yang telah dan belum melanggar hukum, bank

yang bangkrut dan yang tidak bangkrut.

0ika Teknik analisis diskriminan dibedakan menjadi dua kelompokkategori,

maka #ariabel tak bebas (2) dikelompokan menjadi dua, dan

diperlukan satu !ungsi diskriminan,

jika #ariabel tak bebas dikelompokkan menjadi lebih dari dua kelompokdisebut analisis diskriminan berganda (multiple discriminant analysis)

diperlukan !ungsi diskriminan sebanyak k-1, jika ada 3k4 kategori.


62/80

. embuat suatu !ungsi diskriminan atau kombinasi linier dari prediktortau #ariabel bebas yang bisa membedakan kategori #ariabel tak bebas

kelompok)

. engidenti!ikasi #ariabel bebas yang mana yang memberikan

umbangan terbesar terhadap terjadinya perbedaan antar kelompok atau

embedakan 3terbaik4 di antara dua kelompok (disebut #ariabel pembeda)

. embuat prosedur untuk mengklasi!ikasi objek baru

indi#idu, perusahaan, produk, dan sebagainya) ke dalam salah satu kelompoktas dasar nilai mereka di set independen #ariables.

Tujuan dari Analisis Diskriminan


63/80

Ilustrasi Analisis Diskriminan

Desain penelitian untuk Analisis


64/80

Memilih Variabel Independen dan variabel dependen

6ntuk menerapkan analisis discriminant, maka peneliti harus terlebih dahulumenetapkan #ariabel yang harus independen dan #ariabel yang akan bergantungtak

bebas. 'ngat bahwa dependen #ariabel berbentuk kategori dan #ariabel independen

adalah metrik dan bisa membedakan.

Ukuran Sampel nalisis Diskriminan sangat peka terhadap rasio untuk ukuran sampel dalam #ariabel

bebas. anyak studi menyarankan rasio %7 obser#asi untuk setiap #ariabel bebas.

Pembagian Sampel

$rosedur yang biasa adalah dengan membagi total sampel responden secara acak

ke dalam dua kelompok. Salah satu dari kelompok ini, analisis sampel, digunakan

untuk mengembangkan discriminant !unction. Kelompok kedua. yang holdout sampel,

digunakan untuk menguji discriminant !ungsi. etode ini mem#alidasi !ungsi ini

disebut sebagai split-sampel atau pendekatan

lintas-#alidasi

Diskriminan

AsumsidariAnalisisDiskriminan


65/80

$ara peneliti harus memeriksa data dan asumsi jika melanggar, maka peneliti

harus mengidenti!ikasi metode alternati! yang tersedia dan dampak pada hasilyang dapat diharapkan.

Data tidak memenuhi asumsi dapat menimbulkan masalah dalam melakukan

estimasi 8ungsi diskriminasi, sehingga bisa salah klasi!ikasi.

sumsi9

Data sudah dikelompokkan

Asumsi dari Analisis Diskriminan

21

21

)

Σ=Σ

≠

Σ

µ µ

µ "3:X !

Pengujian Ragam Analisis


66/80

Dalam pengujian asumsi kesamaan ragam kehomogenan #arians9

enggunakan statistik uji o:;s (hal 517 (


67/80

/otasi9

Kombinasi linier untuk analisis discriminan dikenal juga sebagai

8ungsi diskriminan linier dide!inisikan sebagai9

2 jk A a1 B1k C a% B%k C ...... C an Bnk

dimana 9

2 jk A discriminan score dalam !ungsi discriminan j untuk objek k

ai A discriminan weight untuk #ariabel independen i

B jk A "ariabel independen i untuk objek k

Fungsi Diskriminan Fisher

1

%1 9$:μ"μa:

;a:<

−−=

=



68/80




69/80


turan Klasi!ikasi


70/80

turan Klasi!ikasi

turan pengelompokkan pada analisis Diskriminan9

1. Cut o Value !CV"#merupakan batas/kriteria skor untukmenentukan suatu individu/obyek termasuk dalam

kelompok yang mana

$. Prior Probability , untuk meminumkan salah klasi!ikasi

5. emininumkan biaya salah klasi!ikasi

*. 0arak ahalanobis

Cut o Value !CV"


71/80

Cut o Value !CV"

turan pengelompokkan 9

0ika merupakan #ektor pengukuran berukuran p % 1 dari suatu indi#idu maka

atau

atau jika

CV

( ) ( )1

1

21

1

211' X S X X X S X X X

−−−−∈ mendekati jikaπ

( ) ( ) 21211212 ' X S X X X S X X X −− −−∈ mendekati jikaπ

( ) ( ) ( ) ( ) 2

1

21

1

211

1

21

1

21

1

X S X X S X X X S X X S X X

X

−−−−−−− −

Cut o Value !CV" &.. !$"


72/80

Cut o Value !CV" &.. !$"

turan pengelompokkan 9

0ika n1A n%

0ika n1E n%

( ) ( )

( ) ( )21

1

212

21

1

211

'2

1

'2

1

X X S X X X

X X S X X X

+−≤∈

+−>∈

−

−

y jika

y jika

π

π

( ) ( )

( ) ( )21

2

1

2121

1

2111

21

2

1

2121

1

211

1

'

'

nn

X S X X n X S X X n X

nn

X S X X n X S X X n X

+

−+−∈

−−

−−

y jika

y jika

π

π

Prior Probability


73/80

Prior Probability

etode untuk meminumkan salah klasi!ikasi, dengan alokasi

pengelompokkan

dimana9

pi 9 prob. prior sebuah indi#idu termasuk ke kelompok ke i

( ) ( )

( ) ( )

++−


74/80

emininumkan biaya salah klasi!ikasi

turan pengelompokkan untuk meminimumkan biaya atau e%pected cost o

misclassiication !'CM"

9 iaya salah pengelompokkan karena B yang berasal dari populasi j

terklasi!ikasi pada populasi i

( ) ( ) ( )

( )

( ) ( ) ( )( )

++−


75/80

0arak ahalanobis9

minimum

( ) ( )iii

X X S X X X −−∈ − jika 1'π

Tahapan Analisis Diskriminan


76/80

Dengan !ungsi yang diperkirakan, secara keseluruhan model dapat dinilai

dengan beberapa cara. $ertama, discriminant skor, juga dikenal sebagai nilai , bisa dihitung

untuk setiap objek. $erbandingan kelompok berarti pada skor menyediakan satu ukuran

discriminan antar kelompokmenentukan cutting score. 'nput keakuratan diukur sebagai jumlah obser#asi diklasi!ikasikan ke

dalam kelompok yang benar, dengan menyusun matriks klasi!ikasi

(conusion matri%" Sejumlah kriteria yang tersedia untuk menilai apakah proses mencapai

klasi!ikasi praktis dan atau statistik signi!ikan.

p

Menghitung Z skore Diskriminan


77/80

Setelah batasan fungsi diskriminan ditetapkan sebagai

dasar perhitungan Z skor Diskriminan yang dapatdihitung berdasarkan formula sebagai berikut :

Zjk = W1 X jk + W2 X2k + .... + Wn Xnkdimana :

Z jk = Z skore diskriminan dari fungsi diskriminan j

untuk objek k

W1 = estimasi koefisien diskriminan dalam variabel

independeni

X ik = Variabel independeni dalam objek kNilai estimasi koef. Diskriminan dinyatakan sebagai:

g g

Pemilihan Variabel Pembeda


78/80

enggunakan pilihan prosedur

1. 8orwards

%. ack>ard5. Stepwise,yaitu membuat fungsi diskriminan berdasarkan kekuatan

peubah bebas dalam membedakan kelompok yang ada. Peubah yang

paling baik dalam membedakan peubah tak bebasnya akan masuk

dalam model terlebih dahulu, diikuti peubah terbaik kedua yang

mampu mencirikan peubah tak bebas yang ada bersama-samadengan peubah pertama yang sudah masuk dalam model, dan

demikian seterusnya.

4.Simultaneous (direct) method, yaitu membuat fungsi diskriminan

berdasarkan semua peubah bebas yang ada, tanpa membedakan

kekuatan masing-masing peubah.

6kuran kebaikan #ariabel pembeda

F. >ilk;s Gamda


79/80

Jika secara statistik signifikansi fungsi diskriminasi dan klassifikasi akurasinya dapat

diterima, maka peneliti harus fokus pada pembuatan substansi interpretasi terhadap

hasil temuan tersebut.

Proses ini melibatkan pemeriksaan diskriminan yang berfungsi untuk menentukan

relatif pentingnya setiap variabel independen dalam membedakan antara kelompok

melalui:

i.Koefisien diskriminan (discriminant weight)

Semakin besar pembobot diskriminan menunjukkan semakin besar pula kekuatan

peubah yang bersesuaian dalam fungsi diskriminan.

ii. Discriminant structure correlation

Besaran ini mengukur korelasi linear sederhana antara masing-masing peubah bebas

dengan fungsi diskriminan.

iii.Nilai f parsial

Besarnya nilai f parsial dari suatu peubah bebas menunjukkan kekuatan peubah

tersebut di dalam fungsi diskriminan untuk membedakan amatan/obyek ke dalam

kelompok yang ada. Nilai f parsial ini sering digunakan apabila pembentukan fungsi

diskriminan menggunakan metode stepwise.

p

Ukuran Keakuratan Pengelompokkan


80/80

Berdasarkan matriks klasifikasi:

Hit Ratioatau Apparent Error Rate (APER)

g p

Date post:	06-Jul-2018
Category:	Documents
Upload:	anna-rahmawati
View:	214 times
Download:	0 times

ANALISIS MTV1 (1)

Documents