Upload
aldila-sakinah-putri
View
227
Download
0
Embed Size (px)
Citation preview
7/31/2019 Pengantar Multivariat1
1/17
PENGANTAR MULTIVARIAT
7/31/2019 Pengantar Multivariat1
2/17
Pemecahan Masalah(Penelitian)
Suatu Masalah BaruYang Mendasar
Masalah yang akhirnyamembuat pengetahuan
yang telah diperbaiki itumenjadi lebih bermanfaat
PENGEMBANGAN SAINS PENGEMBANGAN TEKNOLOGI
PERGURUAN TINGGI
EKSPERIMEN EKSPERIMEN
&
SURVEY
D A T A
7/31/2019 Pengantar Multivariat1
3/17
DATA
Data
Kualitatif
Data
Kuantitatif
DiskritKontinu
7/31/2019 Pengantar Multivariat1
4/17
Skala PengukuranSifat
Membeda
kan
Ada Urutan/
Tingkatan
Ada
Interval
Ada titik nol
yang punya
arti
Nominal
Ordinal
Interval
Rasio
Skala Pengukuran Data
7/31/2019 Pengantar Multivariat1
5/17
PENENTUAN MODEL TERBAIK
estimasi parameter dan pengujian parametersederhana, akurasi tinggi
terpenuhi asumsi pada error
DATA = MODEL + ERROR
7/31/2019 Pengantar Multivariat1
6/17
pengumpulan dan pengolahan data
penyusunan model
pengujian kevalidan model
7/31/2019 Pengantar Multivariat1
7/17
Pemecahan Masalah (Penelitian)
Seringkali Membatasi Jumlah Peubah Terkait
SEBAGIAN INFORMASI HILANG
PENELITIAN HARUS MELIHATKERANGKA PERMASALAHANSECARA MENYELURUH
MULT
IVARIAT
E
PERLU
7/31/2019 Pengantar Multivariat1
8/17
Skema Metode Multivariate
7/31/2019 Pengantar Multivariat1
9/17
Skema Metode Multivariate
7/31/2019 Pengantar Multivariat1
10/17
Skema Metode Multivariate
7/31/2019 Pengantar Multivariat1
11/17
PENYEDERHANAAN STRUKTURKLASIFIKASI
PENGELOMPOKAN VARIABEL
ANALISIS KETERGANTUNGAN
PEMBENTUKAN & PENGUJIAN HIPOTESIS
KEGUNAAN An. MUTLIVARIATE
(Kendall, 1980)
7/31/2019 Pengantar Multivariat1
12/17
MANOVA
-
Peubah respon banyak- Antar respon tidak bebas
- Korelasi sangat ditentukan oleh n
untuk n kecil, r = 0,85 belum tentu korelasi tinggi
untuk n besar, r = 0,3 bisa korelasinya kuat
ANALISIS KORELASI KANONIK
-
untuk melihat seberapa besar hubungan ituterjadi
- Korelasi diteruskan ke hubungan sebabakibat (multivariate regression)
7/31/2019 Pengantar Multivariat1
13/17
ANALISIS GEROMBOL (CLUSTER)
menggunakan ukuran kedekatan ataukemiripan antar objek
Prinsip cluster: between dan within
Teknik hierarki dan non hierarki
Cluster two step : langkah
menata objek, optimasi jumlah cluster
7/31/2019 Pengantar Multivariat1
14/17
ANALISIS BIPLOT
- Mengoverlay-kan dua plot (plot obyek dan
peubah)
- Banyak digunakan pada bidang marketing untukpencutraan produk alam menentukan variabelpenciri dari suatu objek
ANALISIS KORESPONDENSI
- Untuk mengetahui segmentasi pasar di riset
pemasasaran- Objek tidak diukur melainkan dilihat frekuensinya
7/31/2019 Pengantar Multivariat1
15/17
ANALISIS DISKRIMINAN
- Fungsi untuk mengklasifikasikan kelas (kelas >2 )
- Clusternya harus ada dulu- Jika kelas =2, digunakan logistic regression / logistic
diskriminan
- Pada dasarnya untuk memaksimumkan jarak
- Banyak digunakan pada bidang management risk
MULTI DIMENSIONAL SCALING
- Untuk mengetahui kompetensi produk, penentuan posisi
- Mirip dengan BIPLOT, pemetaan objek saja- Bekerja dari matrik jarak
7/31/2019 Pengantar Multivariat1
16/17
Analisis Komponen Utama
Prinsip dasar:mengelompokkan variabel-variabel yang korelasi liniernya
sejalan linier menjadi satu komponen utama
Tujuan:- penyusutan dimensi banyaknya variabel
atau dapat disederhanakan struktur hubungan variabel
sehingga dengan dimensi yang lebih kecil
- mudah melakukan interpretasi tanpa kehilangan banyak
informasi tentang data, bahkan informasi
yang didapat menjadi lebih padat dan bermakna.
- data (skor komponen) dapat digunakan sebagai input analisis
lanjut (misal: Bi-plot, An. Komponen Regresi, An. Cluster)
7/31/2019 Pengantar Multivariat1
17/17
Analisis FaktorPrinsip dasar: mengekstraksi sejumlah factor (common factor) dari
gugusan variabel asal- banyaknya faktor lebih sedikit dari variabel asal X
- sebagian besar informasi variabel X tersimpan dalam faktor
Tujuan: untuk mendapatkan sejumlah kecil faktor (komponen utama)
yang memiliki sifat mampu menerangkan semaksimal mungkin
keragaman data
Kegunaan:
- mengekstrak laten variabel dari indikator atau mereduksi variabel
unobservables menjadi variabel baru yang jumlahnya lebih sedikit
- mempermudah interpretasi, sehingga didapatkan informasi yang
realistik
- pemeriksaan validitas dan reliabilitas instrumen penelitian
- untuk pemetaan dan pengelompokkan variabel
- data (skor faktor) dapat digunakan sebagai input analisis lanjut
(misal: An. Diskriminan, An. Regresi, An. Cluster, MANOVA )