mpt dasar analisis multivariate
Post on 12-Aug-2015
71 Views
Preview:
DESCRIPTION
TRANSCRIPT
BAHAN KAJIANMK. METIL TANAH
DASAR ANALISIS MULTIVARIATE
Oleh:Prof.Dr.Ir.Soemarno,M.S
JURS TANAH FPUB JANUARI 2012
MULTIVARIATE ANALYSIS
Obyek Pengamatan
Variabel X1
Variabel X4
Variabel Xn
Variabel X3
Variabel X2
Multi-Variabel
Metode analisis statistik yang melibatkan multi-variabel secara simultan
Analisis multivariateAnalisis multivariate
Multivariate Analysis (MA): Metode analisis yang berkenaan dengan sejumlah besar variabel yang datanya
diperoleh secara simultan dari setiap obyek pengataman
Multivariate Analysis (MA): Metode analisis yang berkenaan dengan sejumlah besar variabel yang datanya
diperoleh secara simultan dari setiap obyek pengataman
Hubungan-hubungan antar variabel secara simultan
( = Analisis Peubah Ganda)
Hubungan-hubungan antar variabel secara simultan
( = Analisis Peubah Ganda)
Proses perhitungannya sangat kompleks Proses perhitungannya sangat kompleks
Dalam proses perhitungannya menggunakan pendekatan matriks
Dalam proses perhitungannya menggunakan pendekatan matriks
Determinan Matriks, Pangkat Matriks,Matriks Kebalikan, Eigen Value, Eigen Vector, dll.
Determinan Matriks, Pangkat Matriks,Matriks Kebalikan, Eigen Value, Eigen Vector, dll.
MATRIKS : 4 7 2
A = 2 5 6 9 3 7
MATRIKS : 4 7 2
A = 2 5 6 9 3 7
Matriks Kovarians: Matriks yang unsur-unsurnya berupa varian (ragam) dan kovarian (peragam) dari sekumpulan variabel. Lambangnya S.
Diagonalnya berupa varians (ragam) dari setiap variabel, sedangkan unsur lainnya berupa kovarians (peragam) antar variabel. Matriks S bersifat simetris atau setangkup
Matriks Kovarians: Matriks yang unsur-unsurnya berupa varian (ragam) dan kovarian (peragam) dari sekumpulan variabel. Lambangnya S.
Diagonalnya berupa varians (ragam) dari setiap variabel, sedangkan unsur lainnya berupa kovarians (peragam) antar variabel. Matriks S bersifat simetris atau setangkup
Matriks Korelasi: Matriks yang unsur-unsurnya berupa koefisien korelasi dari sekumpulan variabel. Lambangnya R .Diagonalnya berupa angka-angka 1, sedangkan unsur lainnya berupa koefisien korelasi antar variabelMatriks ini bersifat Simetris atau Setangkup
Matriks Korelasi: Matriks yang unsur-unsurnya berupa koefisien korelasi dari sekumpulan variabel. Lambangnya R .Diagonalnya berupa angka-angka 1, sedangkan unsur lainnya berupa koefisien korelasi antar variabelMatriks ini bersifat Simetris atau Setangkup
MATRIKS : EIGEN VALUE & EIGEN VECTOR
MATRIKS : EIGEN VALUE & EIGEN VECTOR
Misalnya adadua persamaan linear:2 X1 + 5 X2 = 2
. 4 X1 + 10 X2 = 4dalam bahasa matriks ditulis sbb: Ax = y
x = x1 y = 2 A = 2 5 A : matriks x2 4 4 10 transformasi
linear
Jika A x = x, dimana adalah konstante, maka vektor jawab x yang memenuhi hubungan ini untuk nilai x tertentu
disebut Eigen Vector (Vektor Ciri) dan disebut Eigen Value (Akar Ciri)
Misalnya adadua persamaan linear:2 X1 + 5 X2 = 2
. 4 X1 + 10 X2 = 4dalam bahasa matriks ditulis sbb: Ax = y
x = x1 y = 2 A = 2 5 A : matriks x2 4 4 10 transformasi
linear
Jika A x = x, dimana adalah konstante, maka vektor jawab x yang memenuhi hubungan ini untuk nilai x tertentu
disebut Eigen Vector (Vektor Ciri) dan disebut Eigen Value (Akar Ciri)
Kalau Matriks A bersifat simetris, maka akar ciri dari Aadalah riil danmemiliki vektor ciri yang saling bebas (ortogonal)
KLASIFIKASI APG: KLASIFIKASI APG:
APG untuk analisis identifikasi, prediksi, eksplorasi, deskripsi:1. Principle Component Analysis (PCA)2. Factor Analysis 3. Cluster Analysis 4. MDS5. Correspondence Analysis
APG untuk analisis identifikasi, prediksi, eksplorasi, deskripsi:1. Principle Component Analysis (PCA)2. Factor Analysis 3. Cluster Analysis 4. MDS5. Correspondence Analysis
APG untuk analisis pembandingan:1. T2 Hotelling2. MANOVA / MANCOVA 3. Cluster Analysis
APG untuk analisis pembandingan:1. T2 Hotelling2. MANOVA / MANCOVA 3. Cluster Analysis
APG untuk analisis hubungan antar variabel:1. Analisis Regresi Peubah Ganda2. Analisis Jalur (Path Analysis) 3. SEM (Structural Equation Modelling)4. Korelasi Kanonik5. Analisis Korespondensi6. Multidimentional Scalling 7. Analisis Diskriminan8. Logistic Model9. Logit-Probit
APG untuk analisis hubungan antar variabel:1. Analisis Regresi Peubah Ganda2. Analisis Jalur (Path Analysis) 3. SEM (Structural Equation Modelling)4. Korelasi Kanonik5. Analisis Korespondensi6. Multidimentional Scalling 7. Analisis Diskriminan8. Logistic Model9. Logit-Probit
KLASIFIKASI APG: berdasarkan Pola Ketergantungannya KLASIFIKASI APG: berdasarkan Pola Ketergantungannya
APG untuk analisis DependensiSatu kelompok variabel dipengaruhi (atau bergantung, atau mempengaruhi) kelompok variabel lainnya.1. Banyak hubungan, banyak variabel dependent dan banyak variabel independent: MS, AP, SEM2. Satu hubungan, banyak variabel dependent, dan satu (banyak) variabel independent: KANONIK, MANOVA3. Satu hubungan, satu variabel dependent, dan satu (banyak) variabel independent: RB, AD, Logit-Probit
APG untuk analisis DependensiSatu kelompok variabel dipengaruhi (atau bergantung, atau mempengaruhi) kelompok variabel lainnya.1. Banyak hubungan, banyak variabel dependent dan banyak variabel independent: MS, AP, SEM2. Satu hubungan, banyak variabel dependent, dan satu (banyak) variabel independent: KANONIK, MANOVA3. Satu hubungan, satu variabel dependent, dan satu (banyak) variabel independent: RB, AD, Logit-Probit
APG untuk analisis Interdependensi:Saling ketergantungan antar variabel, atau antar kasus, antar obyek, antar kategori dari variabel1. Analisis saling ketergantungan antar variabel: PCA, FAktor2. Analisis Kemiripan antar kasus: Cluster3. Analisis kemiripan antar obyek atau kategori dari variabel Multidimensional, Korespondensi
APG untuk analisis Interdependensi:Saling ketergantungan antar variabel, atau antar kasus, antar obyek, antar kategori dari variabel1. Analisis saling ketergantungan antar variabel: PCA, FAktor2. Analisis Kemiripan antar kasus: Cluster3. Analisis kemiripan antar obyek atau kategori dari variabel Multidimensional, Korespondensi
MODEL STRUKTURAL = Sistem Persamaan SimultanMODEL STRUKTURAL = Sistem Persamaan Simultan
Input Data: Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis data mentah, bukan data standardize Input Data: Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis data mentah, bukan data standardize
Output: Berupa model, setara dengan hasil analisis RegresiOutput: Berupa model, setara dengan hasil analisis Regresi
Metode Estimasi:Model Rekursif = Metode OLSExact identified = Metode ILSOver identified = Metode TSLSUnder identified = Diberi kendala, shg menjadi Exactidentified
Metode Estimasi:Model Rekursif = Metode OLSExact identified = Metode ILSOver identified = Metode TSLSUnder identified = Diberi kendala, shg menjadi Exactidentified
Kegunaan:Alat untuk eksplanasi, atau prediksi, setara dengan REGRESIKegunaan:Alat untuk eksplanasi, atau prediksi, setara dengan REGRESI
ANALISIS PATH = Analisis Jalur, Analisis Lintas, Sidik LintasANALISIS PATH = Analisis Jalur, Analisis Lintas, Sidik Lintas
Input Data:Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis data standardize
Input Data:Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis data standardize
Output:Model Lintasan atau Jalur-Jalur, pengaruhOutput:Model Lintasan atau Jalur-Jalur, pengaruh
Metode Estimasi:Modelnya harus rekursif, sehingga dapat digunakan metode OLSMetode Estimasi:Modelnya harus rekursif, sehingga dapat digunakan metode OLS
Kegunaan:Untuk menentukan variabel mana yang berpengaruh dominan dan jalur mana yang berpengaruh lebih kuat
Kegunaan:Untuk menentukan variabel mana yang berpengaruh dominan dan jalur mana yang berpengaruh lebih kuat
SEM = Sructural Equation ModellingSEM = Sructural Equation Modelling
Input Data:Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis berupa matriks kovarians atau matriks korelasi.
Input Data:Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis berupa matriks kovarians atau matriks korelasi.
OutputModel struktural, Model Lintasan PengaruhOutputModel struktural, Model Lintasan Pengaruh
Metode Estimasi:Maximum Likelihood (ML), TSLS, PLSMetode Estimasi:Maximum Likelihood (ML), TSLS, PLS
Kegunaan:Merupakan gabungan kegunaan antara analisis faktor, Analisis Path, dan Analisis RegresiKegunaan:Merupakan gabungan kegunaan antara analisis faktor, Analisis Path, dan Analisis Regresi
ANALISIS KORELASI KANONIKKeeratan hubungan antara kelompok variabel dgn kelompok variabel lainnyaANALISIS KORELASI KANONIKKeeratan hubungan antara kelompok variabel dgn kelompok variabel lainnya
Input Data:Data yg digunakan adalah data hasil pengukuran (metrik) Input Data:Data yg digunakan adalah data hasil pengukuran (metrik)
Output:Koefisien Korelasi KanonikOutput:Koefisien Korelasi Kanonik
Metode Estimasi:
Konsep Eigen Value & Eigen Vector
Metode Estimasi:
Konsep Eigen Value & Eigen Vector
Kegunaan:Alat untuk eksplanasi ke-eratan hubungan antar kelompok variabelKegunaan:Alat untuk eksplanasi ke-eratan hubungan antar kelompok variabel
MANOVA = Menguji perbedaan variabel dependent pada kategori-kategori dari variabel independent. Kalau adavariabel penyerta dapat digunakan MANCOVAMANOVA = Menguji perbedaan variabel dependent pada kategori-kategori dari variabel independent. Kalau adavariabel penyerta dapat digunakan MANCOVA
Input Data:Untuk variabel dependent: data hasil pengukuran (metrik)Untuk variabel independent: Data kategori (non-metrik)
Input Data:Untuk variabel dependent: data hasil pengukuran (metrik)Untuk variabel independent: Data kategori (non-metrik)
Output:Tabel MANOVAOutput:Tabel MANOVA
Metode Estimasi:Konsep dekomposisi komponen ragam (varians)Metode Estimasi:Konsep dekomposisi komponen ragam (varians)
Kegunaan:
Untuk mengetahui apakah secara simultan dari sekumpulan variabel dependent terjadi perbedaan yang signifikan.
Kegunaan:
Untuk mengetahui apakah secara simultan dari sekumpulan variabel dependent terjadi perbedaan yang signifikan.
REGRESI BERGANDA = Regresi Linear BergandaREGRESI BERGANDA = Regresi Linear Berganda
Input Data: Raw data, bukan standardize data Variabel dependent: data metrikVariabel independent: data metrik dan/atau data non-metrik
Input Data: Raw data, bukan standardize data Variabel dependent: data metrikVariabel independent: data metrik dan/atau data non-metrik
Output:Model atau persamaan regresi bergandaOutput:Model atau persamaan regresi berganda
Metode Estimasi: OLSMetode Estimasi: OLS
Kegunaan:Alat untuk eksplanasi atau alat untuk prediksi, Prediksi nilai variabel dependent kalau nilai variabel independent diketahui
Kegunaan:Alat untuk eksplanasi atau alat untuk prediksi, Prediksi nilai variabel dependent kalau nilai variabel independent diketahui
ANALISIS DISKRIMINANANALISIS DISKRIMINAN
Input Data:Raw data, bukan standardize dataVariabel dependent: kategori n(non-metrik)Variabel independent: Metrik dan/atau non-metrik
Input Data:Raw data, bukan standardize dataVariabel dependent: kategori n(non-metrik)Variabel independent: Metrik dan/atau non-metrik
Output:Fungsi deskriminanOutput:Fungsi deskriminan
Metode Estimasi:Konsep Eigen Value dan Eigen Vector
Metode Estimasi:Konsep Eigen Value dan Eigen Vector
Kegunaan:Alat untuk prediksi alternatif, pengelompokkan obyek, faktor determinanAlat untuk menentukan variabel mana yang merupakan pembeda terkuat
Kegunaan:Alat untuk prediksi alternatif, pengelompokkan obyek, faktor determinanAlat untuk menentukan variabel mana yang merupakan pembeda terkuat
MODEL LOGIT, PROBIT, TOBIT, GOMPIT, LPMMODEL LOGIT, PROBIT, TOBIT, GOMPIT, LPM
Input Data:Raw data, bukan standardize dataVariabel dependent: kategori n(non-metrik)Variabel independent: Metrik dan/atau non-metrik
Input Data:Raw data, bukan standardize dataVariabel dependent: kategori n(non-metrik)Variabel independent: Metrik dan/atau non-metrik
Output:Model atau persamaanOutput:Model atau persamaan
Metode Estimasi: OLSMetode Estimasi: OLS
Kegunaan:Alat untuk eksplanasi odd-ratioAlat untuk prediksi peluang suatu kategori dari variabel dependent kalau nilai variabel independen diketahui
Kegunaan:Alat untuk eksplanasi odd-ratioAlat untuk prediksi peluang suatu kategori dari variabel dependent kalau nilai variabel independen diketahui
PRINCIPLE COMPONENT ANALYSIS: PCA
Input Data:Matriks kovarians: kalau semua variabel punya satuan yg sama dan homogen, dipakai raw dataMatrik korelasi: kalau satuannya tidak sama, standardize data
Input Data:Matriks kovarians: kalau semua variabel punya satuan yg sama dan homogen, dipakai raw dataMatrik korelasi: kalau satuannya tidak sama, standardize data
Output:Variabel komposit atau disebut Dimensi, Komponen UtamaNilai dari variabel komposit
Output:Variabel komposit atau disebut Dimensi, Komponen UtamaNilai dari variabel komposit
Metode Estimasi:Konsep Eigen Value dan Eigen VectorMetode Estimasi:Konsep Eigen Value dan Eigen Vector
Kegunaan:Eksplorasi Dimensi yg terkandung dalam sekumpulan variabelMendapatkan skor dari Komponen UtamaMapping objectsClustering objectsMenghilangkan multikolinearitas pd regresi berganda
FACTOR ANALYSIS
Input Data:Raw data atau standardize data, seluruh variabel mempunyai “common factor” Input Data:Raw data atau standardize data, seluruh variabel mempunyai “common factor”
Output:Faktor hasil ekstraksi, Skor dari faktor ini (data dari variabel laten). Variabel laten ini juga disebut DIMENSI
Output:Faktor hasil ekstraksi, Skor dari faktor ini (data dari variabel laten). Variabel laten ini juga disebut DIMENSI
Metode Estimasi:Konsep Eigen value & Eigen vectorMetode Estimasi:Konsep Eigen value & Eigen vector
Kegunaan:Analisis faktor konfirmatori: Mencari dimensi yg terkandung dalam sekumpulan variabel (atau faktor)Mapping objectsClustering objectMendapatkan data dari suatu DIMENSI atau Variabel Laten
ANALISIS GEROMBOL = CLUSTER ANALYSIS
Analisis Gerombol hierarkhis: Jumlah gerombol belum diketahui
Analisis tidak-hierarkhis: Jumlah gerombol telah diketahui Analisis Gerombol hierarkhis: Jumlah gerombol belum diketahui
Analisis tidak-hierarkhis: Jumlah gerombol telah diketahui
Metode Analisis: K-mean atau Agromeratif
Output: Kelompok-kelompok obyek
Metode Analisis: K-mean atau Agromeratif
Output: Kelompok-kelompok obyek
INPUT DATA:Raw data atau standardize dataData metrik atau non metrik
INPUT DATA:Raw data atau standardize dataData metrik atau non metrik
Kegunaan:Identifikasi banyaknya kelompok (Analisis hierarkhis)Prediksi anggota setiap kelompok (gerombol)Identifikasi karakteristik gerombol.
MULTIDIMENTIONAL SCALLING
Input data:Pendekatan komposisional: Data hasil pengukuran variabelPendekatan dekomposisional: Data jarak antar obyek
Input data:Pendekatan komposisional: Data hasil pengukuran variabelPendekatan dekomposisional: Data jarak antar obyek
Output:Peta, mapping, obyek kajianOutput:Peta, mapping, obyek kajian
Estimasi: Metode ALSCAL.Estimasi: Metode ALSCAL.
KEGUNAAN:Positioning obyekClustering obyekIdentifikasi karakter setiap obyek atau kelompok obyek.
ANALISIS KORESPONDENSIANALISIS KORESPONDENSI
INPUT DATA: Tabel Frekuensi
OUTPUT:Berupa peta (mapping) kategori dari variabel
METODE PERHITUNGAN: Konsep Eigen value dan Eigen vektor
KEGUNAAN:Positioning kategori variabelClustering kategori dari beberapa variabelIdentifikasi profil suatu variabel berkaitan dengan kategori variabel lainnya.
BAHAN KAJIANMK. METIL TANAH
DASAR ANALISIS MULTIVARIATE
Oleh:Prof.Dr.Ir.Soemarno,M.S
JURS TANAH FPUB JANUARI 2012
top related