Applied

Multivariate Techniques
By : Ahmad Mughni, ST.
 :
mughni@trunojoyo.ac.id
: (031) 70189879
Syllabus
• Course Overview
• Course Objective
• Course Benefit
• Course Methode
• Grading
• Textbook
• Tentative Course Schedule
(c) Trunojoyo University Multivariate Analysis 2
Course Objective
( Tujuan Perkuliahan )

Tujuan Perkuliahan :
• Memberikan pemahaman kepada mahasiswa mengenai
pengertian analisis multivariate, ruang lingkup, klasifikasi
dan aplikasinya

• Memberikan pemahaman dan kemampuan kepada

mahasiswa untuk menguji sekumpulan data multivariate
mengenai :
– Pemrosesan data hilang (missing data processes)
– Pengidentifikasian outlier
– Pengujian asumsi data
– Transformasi data
– Variabel nonmetrik  variabel metrik
beserta pengaruhnya terhadap hasil analisis dan berbagai
konsekuensinya
(c) Trunojoyo University Multivariate Analysis 3
Course Objective
( Tujuan Perkuliahan – lanjutan )

• Memberikan pemahaman dan kemampuan kepada mahasiswa

untuk melakukan analisis multivariate dengan menggunakan
berbagai teknik multivariate terapan yang meliputi :
1. Principal Componen Analysis (PCA)
2. Factor Analysis (FA)
3. Canonical Correlation Analysis (CCA)
4. Cluster Analysis (CA)
5. Discriminan Analysis (DA)
6. Multiple Regression Analysis (MRA)
7. Conjoint Analysis (CoA)
8. Analisis Variansi Multivariate (MANOVA),
9. Multidimensional Scalling
10.Structural Equation Modelling (SEM)

• Memberikan kemampuan kepada mahasiswa untuk memilih dan

mempergunakan suatu analisis multivariate yang sesuai dengan
tujuan dilakukannya suatu analisis (studi).

(c) Trunojoyo University Multivariate Analysis 4

Course Benefit
( Manfaat Perkuliahan )

• Lebih memahami aplikasi statistika dalam berbagai

bidang Teknik Industri serta keteknikan yang lain
• Lebih familiar dengan berbagai package statistika
SPSS, SAS, MINITAB dll
• Dapat melakukan interpretasi yang lebih baik
terhadap hasil analisis multivariate
• Ingat bahwa fenomena sosial, psikologi, manajerial,
keteknikan semakin hari semakin kompleks  variabel
semakin multivariate  belajar multivariate =
mempersiapkan senjata anda di masa depan.

(c) Trunojoyo University Multivariate Analysis 5

Course Methode
( Metode Perkuliahan )

• Perkuliahan ini lebih menekankan pada teknik-teknik

multivarate yang aplikatif
• Topik perkuliahan minggu pertama dan kedua akan lebih
menekankan pada pengantar, konsep dan prinsip dasar
analisis multivariate.
• Dengan waktu tatap muka yang tidak banyak (100 menit /
pertemuan) maka perkuliahan ini menuntut anda untuk
mempelajari konsep-konsep dasar dari materi yang akan
diajarkan terlebih dahulu. Dosen akan memfasilitasi proses
belajar saudara tersebut dengan tugas terstruktur.
• Perkuliahan ini akan menfasilitasi anda untuk belajar dan
berlatih berbagai teknik multivariate terapan melalui
penugasan terstruktur.
• Perkuliahan ini menggunakan penunjang software seperti
SPSS, MINITAB maupun SAS.

(c) Trunojoyo University Multivariate Analysis 6

Grading
( Penilaian )

Nilai akhir perkuliahan akan didasarkan pada 5

komponen berikut ini :

1. Tugas Mingguan 25% 125 points

2. Tugas Terstruktur 25% 125 points
3. Tugas Besar 10% 50 points
4. UTS 20% 100 points
5. UAS 20% 100 points 
 
                TOTAL = 100% 500 points

(c) Trunojoyo University Multivariate Analysis 7

Grade Convertion
( Konversi nilai )

•A : 401 – 500
•B + : 351 – 400
•B : 301 – 350
•C + : 251 – 300
•C : 201 – 250
•D + : 151 – 200
•D : 101 – 150
•E : < 100
(c) Trunojoyo University Multivariate Analysis 8
Explanation of Grading
( Penjelasan Penilaian )
Tugas Mingguan
• Seperti dijelaskan di metode perkuliiahan bahwa waktu
tatap muka amat sedikit (100 menit / tatap muka) maka
saudara harus selalu belajar terlebih dahulu materi yang
akan diajarkan.
• Tugas ini mengharuskan saudara untuk membuat sebuah
ringkasan mengenai materi yang akan diajarkan yang
secara detail akan diberikan pada akhir pertemuan
sebelumnya.
• Materi tugas ini biasanya merupakan ringkasan suatu
teknik multivariate yang akan diajarkan yang meliputi :
pengertian suatu metode analisis, aplikasi, asumsi, dan
konsep-konsep dasarnya. (jadi anda bisa menyiapkan point-
point tersebut untuk seluruh analisis mulai sekarang)
• Selama satu semester, akan terdapat 11 tugas mingguan.
• Nilai satu tugas mingguan berkisar antara 0 – 11,37 point
(c) Trunojoyo University Multivariate Analysis 9
Tugas Mingguan

Deadline Topik tugas Keterangan Tugas

Missing data 1. Jelaskan yang dimaksud dg konsep-2 tersebut
Week 2 Outliers 2. Jelaskan penanganan missing data & outliers
Asumsi analisis Multivariate 3. Jelaskan pengertian masing-2 asumsi AM
1. Jelaskan pengertian, tujuan & taksonomi PCA
2. Jelaskan jenis data & asumsi-2 yg digunakan dlm
Week 3 Principal Componen Analysis PCA
3. Jelaskan secara ringkas dasar logika PCA
4. Tulis posedur melakukan PCA dengan SPSS
1. Jelaskan pengertian, tujuan & taksonomi FA
2. Jelaskan jenis data & asumsi-2 yg digunakan dlm FA
Week 4 Factor Analysis 3. Jelaskan secara ringkas dasar logika FA
4. Jelaskan perbedaan PCA dan FA
5. Tulis posedur melakukan FA dengan SPSS
1. Jelaskan pengertian, tujuan & taksonomi CCA
2. Jelaskan jenis data & asumsi-2 yg digunakan dlm
Week 5 Canonical Correlation Analysis CCA
3. Jelaskan secara ringkas dasar logika CCA
4. Tulis posedur melakukan CCA dengan SPSS
1. Jelaskan pengertian, tujuan & taksonomi CA
2. Jelaskan jenis data & asumsi-2 yg digunakan dlm
Week 6 Cluster Analysis CA
3. Jelaskan secara ringkas dasar logika CA
4. Tulis posedur melakukan CA dengan SPSS
1. Jelaskan pengertian, tujuan & taksonomi DA
2. Jelaskan jenis data & asumsi-2 yg digunakan dlm
DA
Week 7 Discriminan Analysis
3. Jelaskan secara ringkas dasar logika DA
4. Jelaskan perbedaan CA dan DA
5. Tulis posedur melakukan DA dengan SPSS

(c) Trunojoyo University Multivariate Analysis 10

Tugas Mingguan

Deadline Topik tugas Keterangan Tugas

1. Jelaskan pengertian, tujuan & taksonomi MRA
2. Jelaskan jenis data & asumsi-2 yg digunakan dlm
Multiple Regression
Week 10 MRA
Analysis 3. Jelaskan secara ringkas dasar logika MRA
4. Tulis posedur melakukan MRA dengan SPSS
1. Jelaskan pengertian, tujuan & taksonomi CoA
2. Jelaskan jenis data & asumsi-2 yg digunakan dlm
Week 11 Conjoin Analysis CoA
3. Jelaskan secara ringkas dasar logika CoA
4. Tulis posedur melakukan CoA dengan SPSS
1. Jelaskan pengertian, tujuan & taksonomi MANOVA
2. Jelaskan jenis data & asumsi-2 yg digunakan dlm
Week 12 MANOVA MANOVA
3. Jelaskan secara ringkas dasar logika MANOVA
4. Tulis posedur melakukan MANOVA dengan SPSS
1. Jelaskan pengertian, tujuan & taksonomi MDS
2. Jelaskan jenis data & asumsi-2 yg digunakan dlm
Week 13 Multi Dimensional Scalling MDS
3. Jelaskan secara ringkas dasar logika MDS
4. Tulis posedur melakukan MDS dengan SPSS
1. Jelaskan pengertian, tujuan & taksonomi SEM
2. Jelaskan jenis data & asumsi-2 yg digunakan dlm
Week 14 SEM SEM
3. Jelaskan secara ringkas dasar logika SEM
4. Tulis posedur melakukan SEM dengan LISREL

(c) Trunojoyo University Multivariate Analysis 11

continue
Tugas Terstruktur
• Tugas terstruktur bertujuan untuk membangun keterampilan anda dalam
berbagai teknik multivariate terapan.
• Dalam tugas ini, saudara akan diberi suatu data set dan diminta untuk
menganalisis data tersebut dengan teknik multivariate tertentu
• Selama satu semester akan diberikan 10 buah tugas terstruktur
• Nilai sebuah tugas terstruktur berkisar antara 0 – 12,5
Tugas Besar
• Tugas besar dikerjakan secara kelompok yang terdiri dari 2 orang
mahasiswa.
• Tugas besar bertujuan untuk membangun kemampuan aplikasi teknik
multivariate anda dalam berbagai fenomena nyata.
• Dalam tugas besar ini, silahkan anda mencari suatu permasalahan yang real
dan cukup kompleks dan dapat dipecahkan dengan suatu teknik
multivariate tertentu, kemudian lakukan analisis, interpretasi dan ambil
kesimpulan (sistematika penulisan seperti laporan TA)
• Permasalahan silahkan anda tentukan dan harus sudah dikumpulkan
maksimal saat pelaksanaan UTS (jadi silakan mulai memikirkan topik TB
mulai sekarang).
• Metode multivariate yang digunakan akan disebar secara merata sesuai
jumlah kelompok.
• Nilai tugas besar berkisar antara 0 – 50 point
(c) Trunojoyo University Multivariate Analysis 12
continue
Laporan tertulis
• Laporan tertulis tugas mingguan minimum 3
halaman dobel spasi (dengan font-size 11
points, margin 1 inch seluruhnya).
• Laporan tertulis tugas terstruktur dibuat dobel
spasi (dengan font-size 11 points, margin 1 inch
seluruhnya), output hasil analisis dengan
software dapat diletakkan di lampiran.
• Laporan tertulis tugas besar telah dijelaskan
sebelumnya. Anda dapat melakukan konsultasi
dengan janjian dulu dengan dosen anda.

(c) Trunojoyo University Multivariate Analysis 13

continue
Ujian Tengah Semester (UTS)
• Ujian bersifat open book
• UTS akan diberikan di kelas. UTS akan mencakup semua materi
dan termasuk seluruh studi kasus. Ujian bisa berupa soal
kuantitatif, uraian singkat ataupun panjang.
• Satu atau beberapa soal mungkin ditulis dalam bahasa Inggris.

Ujian Akhir Semester (UAS)

• Ujian bersifat open book
• Materi UAS meliputi seluruh materi, meskipun lebih fokus dan
menitik beratkan pada konsep dan materi perkuliahan setelah
UTS.
• Ujian akan berisi soal kuantitatif, esay singkat atau panjang.
• Satu atau lebih soal mungkin ditulis dalam bahasa Inggris

(c) Trunojoyo University Multivariate Analysis 14

Text Book
1. Joseph F. Hair, Jr., Rolph E. Anderson, Ronald L. Tatham
and William C. black, “Multivariate Data Analysis”,
Prentice Hall.
2. Supranto, J., (2004) Analisis Multivariat Arti dan
Inerpretasi, Rineka Cipta
3. Sharma, Subbash, (1996), “Aplied Multivariate
Techniques”, John Wiley & Sons.
4. Johnson, A. Richard and Wichern W. Dean, ” Aplied
Multivariate Statistical Analysis”, Upper Saddle River,
Prentice Hall

(c) Trunojoyo University Multivariate Analysis 15

Tentative Course Schedule
Week Kontrak perkuliahan dan Pengantar Analisis
1  bab I
1 Multivariate
1  Bab 2
Week
Mempersiapkan dan menguji data 2  Bab 2 &
2
3
Week
Principal Componen Analysis 2  Bab 4
3
Week 1  Bab 3
Factor Analysis
4 2  Bab 5
Week 1  Bab 8
Canonical Correlation Analysis
5 2  Bab 13
Week 1  Bab 9
Cluster Analysis
6 2  Bab 7

Week 1  Bab 5
Discriminan Analysis
7 2  Bab 8

Week
UTS
8

(c) Trunojoyo University Multivariate Analysis 16

Tentative Course Schedule
1  bab 4
Week 9 Multiple Regression Analysis I
3  bab 7
Week 1  bab 4
Multiple Regression Analysis II
10 3  bab 7
Week
Conjoin Analysis 1  Bab 7
11
Week 1  Bab 6
MANOVA
12 2  Bab 11
Week
Multi Dimensional Scalling 1  Bab 10
13
Week
SEM 1  Bab 11
14
Week
SEM 1  Bab 11
15
Week
UAS
16

(c) Trunojoyo University Multivariate Analysis 17