Metode statistik multivariat
-
Upload
kartiko-edhi -
Category
Education
-
view
6.226 -
download
5
description
Transcript of Metode statistik multivariat
![Page 1: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/1.jpg)
Metode Statistik MultivariatKelompok 1
Haikal H. 116090047
Fahmi Y. 116090049
M. Rizki 116090016&
Kelompok 5
Toni S. 116090030
M. Fathinuddin 116090065
Kartiko E. 116090068
![Page 2: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/2.jpg)
Pengertian
Data yang diperoleh denganmengukur lebih dari satu variabelkriteria pada setiap individu anggotasampel disebut data multivariat.
Teknik-teknik analisis statistik yang memperlakukan sekelompok variabelkriteria yang saling berkorelasisebagai suatu sistem denganmemperhitungkan korelasi antarvariabel-variabel itu disebut MetodeStatistika Multivariat
![Page 3: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/3.jpg)
Tujuan
Menemukan dan menafsirkan struktur
atau ciri-ciri yang mendasari data agar
struktur atau ciri yang ditemukan
bermakna.
Mencari variabel baru yang jumlahnya
lebih kecil tetapi mampu
menghasilkan penjelasan tentang
variasi dari variabel semula yang
jumlahnya lebih banyak (Reduksi)
![Page 4: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/4.jpg)
Tehnik Analisis Multivariat
Metode Ketergantungan Jika
persoalan pokok tentang hubungan
antara dua kelompok variabel, satu
kelompok variabel bebas dan yang
kedua variabel terikat. Teknik yang
digunakan antara lain 1) Analisis
Regresi, 2) Analisis Varians, 3)
Analisis Korelasi Kanonik, 4) Analisis
Diskriminan, 5) Analisis Logit.
![Page 5: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/5.jpg)
Metode Kesalingtergantungan Jika
diantara variabel diukur tidak
dibedakan antara variabel bebas dan
terikatnya, sehingga persoalan pokok
adalah kesalingtergantungan atau
hubungan yang bersifat simetris.
Teknik yang digunakan antara lain, 1)
Analisis Komponen Utama, 2) Analisis
Faktor, 3) Analisis Cluster, 4)
Analisis Log-Linear.
![Page 6: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/6.jpg)
Analisis Cluster
Tujuan dari Analisis Cluster adalahmengelompokkan obyek berdasarkankesamaan karakteristik di antara obyek-obyek tersebut. Dengan demikian, ciri-ciri suatu cluster yang baik yaitumepunyai :
1. Homogenitas internal (within cluster); yaitu kesamaan antaranggota dalam satu cluster.
2. Heterogenitas external (between cluster); yaitu perbedaan antaracluster yang satu dengan cluster yang lain.
![Page 7: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/7.jpg)
Analisis Cluster
Langkah pengelompokan dalam
analisis cluster mencakup 3 hal
berikut :
1. Mengukur kesamaan jarak
2. Membentuk cluster secara hirarkis
3. Menentukan jumlah cluster.
![Page 8: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/8.jpg)
Data
![Page 9: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/9.jpg)
Langkah – 1 :
“Standardisasi/Transformasi” Mengingat data yang terkumpul
mempunyai variabilitas satuan, maka perlu dilakukan langkah standardisasi atau transformasi terhadap variabel yang relevan ke bentuk zscore, sebagaiberikut :1) Setelah keseluruhan data yang
dikumpulkan tersebut diatas dientrydalam program SPSS, selanjutnya klikmenu “analyze” dan pilih sub menu “Descriptives Statistics” lalu“Descriptives” hingga muncultampilan berikut ini :
![Page 10: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/10.jpg)
Standardisasi/Transformasi
![Page 11: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/11.jpg)
Standardisasi/Transformasi
Masukkan ke dalam kotak VARIABLES seluruh variabel instrumen penilai, yaituvariabel jumlah pendapatan, jumlahpinjaman, jumlah dana hibah, jumlahkonsumsi, dan jumlah penduduk. (dalamhal ini variabel kota tidak dimasukkan karena data bertipe string). Kemudianchecklist bagian “Save standardized values as variables”. Abaikan bagianyang lain lalu tekan OK untukmenampilkan output aplikasi program SPSS.
![Page 12: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/12.jpg)
Standardisasi/Transformasi
Output yang didapat yaitu deskripsi
dari keseluruhan variabel yang
meliputi nilai maksimum, nilai
minimun, rataan dan standar deviasi
dari masing-masing variabel.
![Page 13: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/13.jpg)
Standardisasi/Transformasi
Namun, deskripsi tersebut diatas
digunakan sebagai dasar perhitungan
z-score yang diperoleh. Selanjutnya
buka tampilan “data view” dari tabel
data. Hal yang akan dijumpai sebagai
berikut :
![Page 14: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/14.jpg)
Standardisasi/Transformasi
Untuk selanjutnya, hasil z-score inilah
yang akan dipakai dasar analisis
cluster. Namun apabila data yang
terkumpul tidak mempunyai
variabilitas satuan, maka prose
analisis cluster dapat langsung
dilakukan tanpa terlebih dahulu
melakukan transformasi atau
standardisasi.
![Page 15: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/15.jpg)
Langkah – 2 : “Analisis
Cluster” Metode K-Means Cluster (Non-
Hirarkis)
Perlu diingat bahwa bahan analisisbukan lagi data asli, namun data hasiltransformasi / standardisasi.
1) Dari tampilan data yang tertera (hasilstandardisasi/transformasi), bukamenu “Analyze”, lalu pilih sub menu “Classify” dan pilih “K-Means Cluster…” hingga tampak pada layarsebagai berikut :
![Page 16: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/16.jpg)
K-Means Cluster
![Page 17: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/17.jpg)
K-Means Cluster
Masukkan seluruh variabel Z-Score
ke dalam kotak VARIABLES.
Kemudian variabel Kota dimasukkan
dalam kotak “Label Cases by..”.
Number of Clusters dalam hal ini
diisi menurut jumlah cluster yang akan
dibentuk dalam penelitian yang
dimaksud. Dalam hal ini diisi 3, berarti
diharapkan akan dibentuknya 3
cluster.
![Page 18: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/18.jpg)
K-Means Cluster
Kemudian klik mouse pada kotak “Save…” hingga muncultampilan sepertiberikut ini :
Kotak dialog SAVE memungkinkan hasilcluster disimpandalam bentukvariabel baru. Hal iniberguna untukproses profiling cluster, yang akandilakukan padatahapan akhiranalisis cluster.
![Page 19: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/19.jpg)
K-Means Cluster
Check list kedua kotak dalam menu
Save, yaitu “Cluster membership”
dan “Distance from cluster center”.
Selanjutnya tekan tombol “Continue”
untuk kembali ke menu utama.
![Page 20: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/20.jpg)
K-Means Cluster
Kemudian klik mouse pada kotak
“Options…”
Pada bagian Statistics, aktifkan
“Initial cluster centers” dan
“ANOVA table”. Abaikan bagian yang
lain, lalu tekan “Continue” untuk
kembali ke menu utama.
![Page 21: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/21.jpg)
K-Means Cluster
Dari tampilan menu utama
cluster, abaikan bagian yang lain lalu
tekan tombol OK untuk dapat
menampilkan output aplikasi program
SPSS seperti berikut ini.
![Page 22: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/22.jpg)
K-Means Cluster
Tabel diatas merupakan tampilan
pertama proses clustering data
sebelum dilakukan iterasi. Untuk
mendeteksi berapa kali proses iterasi
yang dilakukan dalam proses
clustering dari 12 obyek yang
diteliti, dapat dilihat dari tampilan
output berikut ini :
![Page 23: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/23.jpg)
K-Means Cluster
Ternyata proses clustering yang
dilakukan melalui 2 tahapan iterasi
untuk mendapatkan cluster yang
tepat. Dari tabel diatas disebutkan
bahwa jarak minimum antar pusat
cluster yang terjadi dari hasil iterasi
adalah 3,240.
![Page 24: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/24.jpg)
Adapun hasil akhir dari proses
clustering digambarkan berikut ini :
![Page 25: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/25.jpg)
Output Final Cluster Centers tersebut
diatas masih terkait dengan proses
standardisasi data sebelumnya, yang
mengacu pada z-score dengan
ketentuan sebagai berikut :
1. Nilai negatif (-) berarti data berada
di bawah rata-rata total.
2. Nilai positif (+)berarti data berada
di atas rata-rata total.
![Page 26: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/26.jpg)
Rumus umum yang digunakan yaitu :
Dimana :
X : rata-rata sampel (variabel dalam
cluster)
µ : rata-rata populasi
Z : nilai standardisasi
σ : standar deviasi
![Page 27: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/27.jpg)
Sebagai contoh, apabila ingin diketahui rata-rata jumlah pendapatan kota di cluster-1 yaitu :
(rata-rata pendapatan seluruh kota) + (0,98858 x standar deviasi rata-rata pendapatan)
= 72,58 + (0,98858 x 12,965)
= 85,3969
Jadi rata-rata jumlah pendapatan kota yang berada di cluster-1 adalah Rp 85,3969 trilyun. Demikian seterusnya dapat diketahui rata-rata nilai masing-masing variabel dalam tiapcluster.
![Page 28: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/28.jpg)
Dari tabel output Final Cluster Centers, dengan ketentuan yang telahdijabarkan diatas pula, dapat didefinisikansebagai berikut :
Cluster-1
Dalam cluster-1 ini berisikan kota-kota yang mempunyai jumlah pendapatan kota, jumlah pinjaman, jumlah dana hibah, jumlahkonsumsi, dan jumlah penduduk yang lebih dari rata-rata populasi kota yang diteliti. Hal ini terbukti dari nilai positif (+) yang terdapatpada tabel Final Cluster Centers dalam keseluruhan variabel. Dengan demikian, dapat diduga bahwa cluster-1 inimerupakan pengelompokan dari kota-kotabesar.
![Page 29: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/29.jpg)
Cluster-2
Karakteristik kota yang masuk dalampengelompokan cluster-2 yaitu memiliki rata-rata jumlah pinjaman dan jumlah konsumsi yang melebihirata-rata populasi kota yang diteliti. Untuk instrumen variabel yang lain kota-kota di cluster-2 ini berada di atas ratarata populasi. Dengan demikian, dapat diduga sekumpulan kota-kota menengah berada pada cluster-2.
![Page 30: Metode statistik multivariat](https://reader034.fdocument.pub/reader034/viewer/2022052204/5597313a1a28ab43518b47b6/html5/thumbnails/30.jpg)
Cluster-3
Sedangkan karakteristik kota-kota
yang mengelompok pada cluster-3
adalah keseluruhan instrumen penilai
berada pada posisi dibawah rata-rata
populasi kota yang diteliti. Sehingga
dapat diduga bahwa cluster-3
merupakan pengelompokan kota-kota
kecil.