P. 1
analisis korespondensi

analisis korespondensi

|Views: 1,364|Likes:
UNIVERSITAS NEGERI MALANG
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROGRAM STUDI MATEMATIKA
UNIVERSITAS NEGERI MALANG
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROGRAM STUDI MATEMATIKA

More info:

Published by: Aldila Sakinah Putri on Aug 24, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

05/11/2015

pdf

text

original

Analisis Korespondensi

Disusun untuk memenuhi tugas matakuliah
Analisis Statistik Multivariat
yang dibina oleh Ibu Trianingsih Eny Lestari










Anggota kelompok :
Griselda A.Y 308312417486
Yunis Sulistyorini 308312417488
Syaifudin 308312417498
Laili Kartika 908312410094





Fakultas Matematika dan Ilmu Pengetahuan Alam
Jurusan Matematika
2011

BAB I
PENDAHULUAN

A. Latar Belakang
Analisis korespondensi adalah teknik penyajian data antar baris, antar kolom, dan
antar baris dan kolom dari tabel kontingensi (dua arah yang kemudian dapat diperluas untuk
tabel kontingensi multiarah) pada suatu ruang vektor berdimensi kecil dan optimal. Analisis
ini memberikan output berupa peta persepsi yang merupakan plot antara baris dan kolom dari
matriks yang berbentuk data kategori. Dalam analisis korespondensi data yang digunakan
adalah data dengan skala pengukuran nominal atau ordinal, variabel-variabelnya kualitatif
dan tidak ada asumsi tentang distribusi data yang harus dipenuhi. Oleh karena itu, analisis ini
dapat digunakan untuk melihat perkembangan di suatu wilayah berdasarkan indikator-
indikator tertentu yang merupakan data-data dengan skala pengukuran nominal.
Dalam makalah ini, penyusun akan melihat perkembangan pembangunan di
kabupaten Sumedang dengan melihat data dari tiap-tiap kecamatan yang ada dalam
kabupaten tersebut. Dalam prosesnya terdapat beberapa variabel yang digunakan yaitu
adanya banyaknya fasilitas pendidikan, banyaknya perusahaan, dan letak stategis dari
masing-masing kecamatan yang merupakan beberapa indikator untuk melihat keberhasilan
pembangunan di wilayah tersebut. Dari hasil analisis korespondensi tersebut kita juga akan
melihat hubungan antara variabel-variabel indikator keberhasilan pembangunan tersebut.

B. Rumusan Masalah
1. Bagaimana peta persepsi yang dihasilkan dalam analisis korespondensi ?
2. Bagaimana hubungan antara variabel-variabel indikator keberhasilan pembangunan di
kecamatan ?

BAB II
KAJIAN PUSTAKA

Analisis korespondensi ditemukan dan dikembangkan pertama kali tahun 1960- an
oleh Jean-Paul Benzécri dan kawan-kawan di Perancis. Analisis ini diartikan sebagai teknik
penyajian data antar baris, antar kolom, dan antara baris dan kolom dari tabel kontingensi
(dua arah yang kemudian dapat diperluas untuk tabel kontingensi multi arah) pada suatu
ruang vector berdimensi kecil dan optimal. Analisis ini juga didesain untuk digunakan dalam
pengembangan pengelompokan yang mewakili data frekwensi.

 Sifat-sifat Dasar Analisis Korespondensi.
Analisis ini juga mempunyai beberapa sifat dasar yang perlu diperhatikan yaitu:
a. Dipergunakan untuk data non-metrik dengan skala pengukuran nominal dan ordinal.
b. Bisa dipergunakan untuk hubungan non-linier.
c. Tidak ada asumsi tentang distribusi.
d. Tidak ada model yang dihipotesiskan.
e. Sebagai salah satu metode dalam eksplorasai data yang hasil akhirnya dapat berupa
hipotesis yang perlu di uji lebih lanjut.
f. Salah satu teknik struktur pengelompokan atau reduksi data.

 Tujuan Analisis Korespondensi
Tujuan dari analisis korespondensi dua arah adalah:
a. Membandingkan kemiripan (similarity) dua kategori dari variabel kualitatif pertama
(baris) berdasarkan sejumlah variabel kualitatif kedua (kolom).
b. Membandingkan kemiripan (similarity) dua kategori dari variabel kualitatif kedua
(kolom) berdasarkan sejumlah variabel kualitatif pertama (baris).
c. Mengetahui hubungan antara satu kategori variabel baris dengan satu kategori variabel
kolom.
d. Menyajikan setiap kategori variabel baris dan kolom dari tabel kontingensi sedemikian
rupa sehingga dapat ditampilkan secara bersama-sama pada satu ruang vektor berdimensi
kecil secara optimal.




 Kelebihan dan Kekurangan Analisis Korespondensi.
Analisis Korespondensi juga memiliki kelebihan dan kekurangan bila dibandingkan
dengan analisis lainya, yaitu:
a) Kelebihan
1) Sangat tepat untuk menganalisis data variabel kategori ganda yang dapat digambarkan
secara sederhana dalam data tabulasi silang.
2) Tidak hanya menggambarkan hubungan antar baris dengan kolom tetapi juga antar
kategori dalam setiap baris dan kolom.
3) Memberikan tampilan grafik gabungan dari kategori baris dan kolom dalam satu
gambar yang berdimensi sama.
4) Cukup fleksibel untuk digunakan dalam data matrik berukuran besar.
b) Kekurangan
1) Analisis ini tidak cocok untuk pengujian hipotesis tetapi sangat tepat untuk eksplorasi
data.
2) Analisis ini kurang tepat bila dipakai untuk analisis data kuantitatif.

 Perhitungan dalam Analisis Korespondensi
1. Kategori Variabel dan Matriks Indikator
Buatlah kategori variabel penelitian berdasarkan aturan normalitas, menggunakan
aturan Sturges. Setelah terbentuk kategori, dapat dibuat matriks indikator (Z) disebut juga
Matriks Burt dengan nilai 0 jika objek tidak termasuk dalam kategori tersebut dan nilai 1 jika
objek tersebut masuk dalam kategori Z=UΛP dengan P =Z’Z dan Λ adalah matriks diagonal
λi, dan U dalah ZZ’.
2. Matriks Korespondensi
Misalkan N matriks kontingensi, dan P matriks korespondensi.
N(IxJ) ≡ [n
ij
] ; n
ij
≥ 0
P ≡ (1/n..)N ;n.. = 1
T
N1 …(2.1)
Jumlah baris dan kolom P ditulis sebagai:
r ≡ P1 dan c ≡ P
T
1 …(2.2)
dimana r
i
> 0 (I = 1, …,I), cj > 0 (j = 1, …,J)
D
r
≡ diag (r) dan D
c
≡ diag (c) …(2.3)
Matriks P disebut juga matriks kepadatan peluang, karena jika kita jumlahkan setiap
baris matriks P hasilnya 1 (satu). Simbol 1 pada persamaan (2.2) adalah matriks kolom yang
setiap unsurnya adalah 1 (satu), ditulis 1 ≡ [1…1]
T
. D
r
dan D
c
berturut-turut adalah matriks
diagonal baris dan matriks diagonal kolom yang unsur diagonalnya masing-masing adalah r
dan c.
3. Matriks Profil Baris dan Kolom
Matriks profil baris dan kolom dari P didefinisikan sebagai vektor baris dan vektor
kolom dari P dibagi oleh jumlah masing-masing, ditulis;
R ≡ D
r
-1
P ≡ [

̃

̃

] dan C ≡ D
c
-1
P
T
≡ [

̃

̃

] …(2.4)
Kedua profil baris

̃ (i = 1…I) dan profil kolom

̃ (i = 1…J) masing-masing ditulis
dalam baris R dan kolom C. Profil-profil ini identik dengan baris dan kolom N yang dibagi
oleh jumlah masing-masing.
4. Titik, Massa dan Metrik
Kumpulan baris
Titik : Profil baris ke-I

̃

̃ dalam ruang dimensi-J
Massa : Elemen sebanyak I dari r
Metrik : Bobot Euclidean dengan bobot D
c
-1

Kumpulan kolom
Titik : Profil baris ke-J

̃

̃ dalam ruang dimensi-I
Massa : Elemen sebanyak I dari c
Metrik : Bobot Euclidean dengan bobot D
r
-1

5. Pusat Baris dan Pusat Kolom
Pusat baris : c ≡ R
T
r dan Pusat kolom: r ≡ C
T
c …(2.5)

6. Total Inersia
Jumlah kuadrat jarak berbobot dari titik (baris atau kolom) terhadap sentroidnya:
in(I) = ∑

̃

̃

= trace[D
r
(R-1c
T
)D
c
-1
(R-1c
T
)
T
] …(2.6)
in(J) = ∑

̃

̃

= trace[D
c
(R-1r
T
)D
r
-1
(R-1r
T
)
T
] …(2.7)
in(I) dan in(J) berturut-turut adalah total inersia titik baris dan total inersia titik
kolom. Hubungan inersia baris dengan inesia kolom.
in(I)= in(J) =∑ ∑

;

∑ ∑

= trace[D
r
-1
(P-rc
T
)D
c
-1
(P-rc
T
)
T
] …(2.8)

7. Sumbu Utama
Misalkan SVD dari P - rc
T
adalah :
P – rc
T
= AD
µ
B
T
dimana A
T
D
r
-1
A = B
T
D
c
-1
B = I…(2.9)

maka kolom dari matriks A dan B berturut-turut mendefinisikan
sumbu utama dan sumbu utama baris, dimana
[

]

[

]
[

];

adalah akar pangkat dua dari nilai eigen (√ ) dan e adalah vektor eigen yang
didapatkan dari matrik [P – rc
T
].

8. Kooordinat Baris dan Kolom
Misalkan
B D P F
K x J
J x J
T
J x I
1
r
K x I
1
c
1c D
÷
|
|
.
|

\
|
÷ =
÷
adalah koordinat utama dari profil baris
terhadap sumbu utama B, maka F = D
r
-
1
AD
µ
…(2.10)
Misalkan
A D P G
K x I
I x I
T
I x J
1
C
K x J
1
r
1r D
÷
|
|
.
|

\
|
÷ =
÷
adalah koordinat utama dari profil kolom
terhadap sumbu utama A, maka G = D
c
-
1
BD
µ
…(2.11)

9. Transisi Baris dan Kolom
Transisi dari baris (F) ke kolom (G)
G = D
c
-1
P
T
FD
µ
-1
atau GD
µ
= D
c
-1
P
T
F …(2.12)
Transisi dari kolom (G) ke baris (F)
F = D
r
-1
PGD
µ
-1
= RGD
µ
-1
atau FD
µ
= D
r
-1
PG …(2.13)

10. Inersia Utama
Pusat kumpulan profil baris dan profil kolom terhadap sumbu koordinat berada pada
titik pusat sumbu tersebut. Jumlah bobot kuadrat dari titik-titik koordinat (momen inersia)
sepanjang sumbu utama ke-k adalah

yang dinotasikan dengan

dan disebut inersia
utama.
Inersia utama terhadap kumpulan baris
F
T
D
r
F = D
µ
2
= D
λ
…(2.14)
Inersia utama terhadap kumpulan baris
G
T
D
c
G = D
µ
2
= D
λ
…(2.15)
Berdasarkan persamaan (2.12), (2.13), (2.14), dan (2.15) maka total inersia dari setiap
kumpulan titik-titik dapat dikomposisikan sepanjang sumbu utama dan diantaranya titik-titik
itu sendiri. Dekomposisi tersebut analog dengan dekomposisi variasi.



 Metode Analisis Data
Cara mengolah data untuk mencari peta presepsi dengan menggunakan Analisis
Korespondensi sangat efektif bila dipakai untuk mencari peta persepsi, dengan asumsi dari
analisis Korespondensi itu sendiri, yaitu jenis data non-metrik. Peta presepsi ini dapat
memperlihatkan suatu diagram plot jarak antar kategori baris dan antar kategori kolom,
diagram itu memperlihatkan bagaimana hubungan antara kategori baris, kategori kolom
maupun kategori baris dan kolom.
Diagram 1. Flowchart untuk analisis korespondensi



Ya
Data
Nominal/Ordinal
Variabel Kategori
Tabel Indikator
Analisis Korespondensi
Peta Persepsi
Hubungan antar
kategori baris
Hubungan antar
kategori baris
Hubungan antar kategori
baris dan kolom
Bkn Variabel Kategori
Susun Variabel Kategori
Tidak
Kesimpulan
BAB III
Analisis dan Pembahasan


Data yang digunakan menggunakan tiga(3) variabel indikator pembangunan yaitu
X
1
: Banyaknya fasilitas pendidikan (SD-SMU),
X
2
: Banyaknya perusahaan perdagangan (menengah ke atas),
X
3
: Letak strategis kecamatan yang diberi kode 1 untuk kecamatan yang dilewati jalan
propinsi dan 0 untuk kecamatan yang tidak dilewati jalan propinsi.

Peta dari Kabupaten Sumedang dapat dilihat pada gambar di bawah ini,
Gambar 1 Peta wilayah Kabupaten Sumedang








Data yang akan digunakan adalah sebagai berikut
No Kecamatan
Banyaknya fasilitas
pendidikan
(X
1
)
Banyaknya
perusahaan
(X
2
)
Letak
Strategis
(X
3
)
1 Jatinangor 83 317 1
2 Cimanggung 56 148 0
3 Tanjungsari 73 320 1
4 Sukasari 19 0 0
5 Pamulihan 39 137 1
6 Rancakalong 49 242 0
7 Sum.Sel 81 194 1
8 Sum.Utr 88 318 1
9 Ganeas 41 8 0
10 Situraja 45 226 0
11 Cisitu 31 0 0
12 Darmaraja 61 243 0
13 Cibugel 25 84 0
14 Wado 48 2 0
15 Jatinunggal 51 123 0
16 Jatigede 31 297 0
17 Tomo 34 113 1
18 Ujungjaya 31 164 0
19 Conggeang 41 197 0
20 Paseh 54 174 1
21 Cimalaka 69 204 1
22 Cisarua 22 20 0
23 Tanjungkerta 54 155 0
24 Tanjungmedar 45 0 0
25 Buahdua 38 151 0
26 Surian 15 1 0

Kategori dari ketiga variabel tersebut adalah sebagai berikut
Variabel Nama variabel Kategori
X
1
Banyaknya fasilitas pendidikan X
11
: pend
X
12
: < pend < 70
X
13
: pend
X
2
Banyaknya perusahaan X
21
: ush
X
22
: 100 < ush < 200
X
23
: ush 200
X
3
Letak strategis X
31
: dilalui jalan propinsi
X
32
: tidak dilalui jalan propinsi
Berdasarkan tabel kategori diatas diperoleh tabel indikatornya adalah sebagai berikut,
No Kecamatan X
11
X
12
X
13
X
21
X
22
X
23
X
31
X
32

1 Jatinangor
0 0 1 0 0 1 1 0
2 Cimanggung
0 1 0 0 1 0 0 1
3 Tanjungsari
0 0 1 0 0 1 1 0
4 Sukasari
1 0 0 0 0 0 0 1
5 Pamulihan
0 1 0 0 1 0 1 0
6 Rancakalong
0 1 0 0 0 1 0 1
7 Sum.Sel
0 0 1 0 1 0 1 0
8 Sum.Utr
0 0 1 0 0 1 1 0
9 Ganeas
0 1 0 1 0 0 0 1
10 Situraja
0 1 0 0 0 1 0 1
11 Cisitu
0 1 0 1 0 0 0 1
12 Darmaraja
0 1 0 0 0 1 0 1
13 Cibugel
1 0 0 1 0 0 0 1
14 Wado
0 1 0 1 0 0 0 1
15 Jatinunggal
0 1 0 0 1 0 0 1
16 Jatigede
0 1 0 0 0 1 0 1
17 Tomo
0 1 0 0 1 0 1 0
18 Ujungjaya
0 1 0 0 1 0 0 1
19 Conggeang
0 1 0 0 1 0 0 1
20 Paseh
0 1 0 0 1 0 1 0
21 Cimalaka
0 1 0 0 0 1 1 0
22 Cisarua
1 0 0 1 0 0 0 1
23 Tanjungkerta
0 1 0 0 1 0 0 1
24 Tanjungmedar
0 1 0 1 0 0 0 1
25 Buahdua
0 1 0 0 1 0 0 1
26 Surian
1 0 0 1 0 0 0 1

Dari tabel indikator tersebut selanjutnya dianalisis menggunakan Analisis
Korespondensi Multipel dengan bantuan Software Minitab 14.

1. Tabel Burt
Tabel ini berisi data tentang frekuensi obyek (kecamatan) yang memenuhi kriteria
berdasarkan variabel pada kolom dan barisnya.

Burt Table

X11 X12 X13 X21 X22 X23 X31 X32
X11 4 0 0 4 0 0 0 4
X12 0 18 0 4 9 5 4 14
X13 0 0 4 0 1 3 4 0
X21 4 4 0 8 0 0 0 8
X22 0 9 1 0 10 0 4 6
X23 0 5 3 0 0 8 4 4
X31 0 4 4 0 4 4 8 0
X32 4 14 0 8 6 4 0 18


Sebagai contoh dari tabel Burt diatas diperoleh :
- data di baris X11 dan kolom X11 menunjukkan terdapat 4 objek (kecamatan) yang
memenuhi kriteria X11.
- baris X11 dan kolom X21 menunjukkan terdapat 4 objek (kecamatan) yang
memenuhi kriteria baik di X11 dan di X21
- begitu pula pada data selanjutnya

2. Analysis of Indicator Matrix

Analysis of Indicator Matrix

Axis Inersia Proportion Cumulative Histogram
1 0.7100 0.4260 0.4260 ******************************
2 0.4594 0.2757 0.7016 *******************
3 0.2848 0.1709 0.8725 ************
4 0.1109 0.0665 0.9390 ****
5 0.1016 0.0610 1.0000 ****
Total 1.6667


Berdasarkan data diatas diperoleh bahwa :
Terdapat 5 dimensi yang dibuat dalam analisis korespondensi ini.
- Dengan menggunakan axis pertama saja (1 dimensi) maka model dalam analisis
ini dilihat dari kolom Comulative di axis pertama, yang hanya mampu
menjelaskan variasi sebesar 42,6 %.
- Jika menambahkan axis ke 2 maka dapat dilihat dari Propotion terdapat tambahan
27,57 % sehingga dengan 2 dimensi sudah mampu menjelaskan variasi sebesar
70,16%.
- Jika menambahkan axis ke 3 maka dapat dilihat dari Propotion terdapat tambahan
17,09 % sehingga dengan 3 dimensi sudah mampu menjelaskan variasi sebesar
87,25 %.
- Jika menambahkan axis ke 4 maka dapat dilihat dari Propotion terdapat tambahan
6,65 % sehingga dengan 4 dimensi sudah mampu menjelaskan variasi sebesar
93,9 %.
- Jika menambahkan axis ke 5 maka dapat dilihat dari Propotion terdapat tambahan
6,1 % sehingga dengan 5 dimensi sudah mampu menjelaskan semua variasi yaitu
sebesar 100 %.

Dalam penentuan jumlah dimensi, penambahan yang dilakukan sampai jumlah dimensi
maksimum mampu meningkatkan kemampuan model dalam menjelaskan variasi. Namun
perlu diperhatikan juga bahwa penambahan jumlah dimensi yang digunakan akan
berpengaruh terhadap peningkatan kekomplekan untuk menginterpretasikan hasilnya.
Oleh karena itu, dalam permasalahan ini kita dapat menggunakan 2 dimensi saja yang
ternyata telah mampu menjelaskan variasi sebesar 70,16 %.

3. Kontribusi Kolom

Column Contributions

Component 1 Component 2
ID Name Qual Mass Inert Coord Corr Contr Coord Corr Contr
1 X11 0.762 0.051 0.169 1.517 0.418 0.166 1.374 0.343 0.211
2 X12 0.773 0.231 0.062 0.041 0.004 0.001 -0.585 0.769 0.172
3 X13 0.812 0.051 0.169 -1.699 0.525 0.209 1.257 0.287 0.176
4 X21 0.804 0.103 0.138 1.170 0.609 0.198 0.664 0.196 0.098
5 X22 0.601 0.128 0.123 -0.262 0.043 0.012 -0.945 0.558 0.249
6 X23 0.434 0.103 0.138 -0.842 0.315 0.102 0.518 0.119 0.060
7 X31 0.711 0.103 0.138 -1.223 0.665 0.216 0.324 0.047 0.023
8 X32 0.711 0.231 0.062 0.543 0.665 0.096 -0.144 0.047 0.010

Dari data di atas diperoleh bahwa :
- Coord atau koordinat menggambarkan letak dari masing-masing variabel dalam
penggambaran peta persepsi-nya dimana Component 1 sebagai sumbu-x dan
Component 2 sebagai sumbu-y. Sehingga diperoleh
1. variabel X
11
terletak pada koordinat (1,517; 1,374)
2. variabel X
12
terletak pada koordinat (0,041; -0,585)
3. variabel X
13
terletak pada koordinat (-1,699; 1,257)
4. variabel X
21
terletak pada koordinat (1,170; 0,664)
5. variabel X
22
terletak pada koordinat (-0,262; -0,945)
6. variabel X
23
terletak pada koordinat (-0,842; 0,518)
7. variabel X
31
terletak pada koordinat (-1,223; 0,324)
8. variabel X
32
terletak pada koordinat (0,543; 0,665)

- Corr merupakan kontribusi dari masing-masing komponen terhadap inersia masing-
masing variabel. Sehingga diperoleh (dalam presentase)
1. Component 1 memberikan kontribusi 41,8 % terhadap inersia variabel X
11
dan
component 2 memberikan kontribusi 34,3 % terhadap inersia variabel X
11
.
Sedangkan sisanya sekitar 23,9 % diberikan oleh komponen lain yang tidak
disebutkan.
2. Component 1 memberikan kontribusi 0,4 % terhadap inersia variabel X
12
dan
component 2 memberikan kontribusi 76,9 % terhadap inersia variabel X
12
.
Sedangkan sisanya sekitar 22,7 % diberikan oleh komponen lain yang tidak
disebutkan.
3. Component 1 memberikan kontribusi 52,5 % terhadap inersia variabel X
13
dan
component 2 memberikan kontribusi 28,7 % terhadap inersia variabel X
13
.
Sedangkan sisanya sekitar 18,8 % diberikan oleh komponen lain yang tidak
disebutkan.
4. Component 1 memberikan kontribusi 60,9 % terhadap inersia variabel X
21
dan
component 2 memberikan kontribusi 19,6 % terhadap inersia variabel X
21
.
Sedangkan sisanya sekitar 19,5 % diberikan oleh komponen lain yang tidak
disebutkan.
5. Component 1 memberikan kontribusi 4,3 % terhadap inersia variabel X
22
dan
component 2 memberikan kontribusi 55,8 % terhadap inersia variabel X
22
.
Sedangkan sisanya sekitar 39,9 % diberikan oleh komponen lain yang tidak
disebutkan.
6. Component 1 memberikan kontribusi 31,5 % terhadap inersia variabel X
23
dan
component 2 memberikan kontribusi 11,9 % terhadap inersia variabel X
23
.
Sedangkan sisanya sekitar 56,6 % diberikan oleh komponen lain yang tidak
disebutkan.
7. Component 1 memberikan kontribusi 66,5 % terhadap inersia variabel X
31
dan
component 2 memberikan kontribusi 4,7 % terhadap inersia variabel X
31
.
Sedangkan sisanya sekitar 28,8 % diberikan oleh komponen lain yang tidak
disebutkan.
8. Component 1 memberikan kontribusi 66,5 % terhadap inersia variabel X
32
dan
component 2 memberikan kontribusi 4,7 % terhadap inersia variabel X
32
.
Sedangkan sisanya sekitar 28,8 % diberikan oleh komponen lain yang tidak
disebutkan.

- Cont merupakan kontribusi dari masing-masing variabel terhadap sumbu inersia
masing-masing component. Sehingga diperoleh (dalam presentase)
1. variabel X
11
memberikan kontribusi sebesar 16,6 % terhadap component 1 dan
21,1 % terhadap component 2.
2. variabel X
12
memberikan kontribusi sebesar 0,1 % terhadap component 1 dan 17,2
% terhadap component 2.
3. variabel X
13
memberikan kontribusi sebesar 20,9 % terhadap component 1 dan
17,6 % terhadap component 2.
4. variabel X
21
memberikan kontribusi sebesar 19,8 % terhadap component 1 dan 9,8
% terhadap component 2.
5. variabel X
22
memberikan kontribusi sebesar 1,2 % terhadap component 1 dan 24,9
% terhadap component 2.
6. variabel X
23
memberikan kontribusi sebesar 10,2 % terhadap component 1 dan 6
% terhadap component 2.
7. variabel X
31
memberikan kontribusi sebesar 21,6 % terhadap component 1 dan 2,3
% terhadap component 2.
8. variabel X
32
memberikan kontribusi sebesar 9,6 % terhadap component 1 dan 0,1
% terhadap component 2.
Jadi, dapat dilihat bahwa variabel X
31
memberikan kontribusi paling besar pada
component 1 yaitu sebesar 21,6 % dan variabel X
22
memberikan kontribusi paling
besar terhadap component 2 yaitu sebesar 24,9 %.

- Qual atau quality atau kualitas merupakan proporsi inersia masing-masing variabel
yang diberikan oleh semua komponen. Sehingga (dalam persentase) diperoleh bahwa
1. kedua komponen mampu menjelaskan X
11
dengan kualitas sebesar 76,2 %.
2. kedua komponen mampu menjelaskan X
12
dengan kualitas sebesar 77,3 %.
3. kedua komponen mampu menjelaskan X
13
dengan kualitas sebesar 81,2 %.
4. kedua komponen mampu menjelaskan X
21
dengan kualitas sebesar 80,4 %.
5. kedua komponen mampu menjelaskan X
22
dengan kualitas sebesar 60,1 %.
6. kedua komponen mampu menjelaskan X
23
dengan kualitas sebesar 43,4 %.
7. kedua komponen mampu menjelaskan X
31
dengan kualitas sebesar 71,1 %.
8. kedua komponen mampu menjelaskan X
32
dengan kualitas sebesar 71,1 %.

- Mass atau massa merupakan proporsi dari masing-masing variabel terhadap total
frekuensi.
massa

massa

massa

massa

massa

massa

massa

massa

- Inert merupakan proporsi dari inersia yang diberikan oleh masing-masing variabel.
Sehingga (dalam persentase) diperoleh bahwa
1. variabel X
11
memberikan kontribusi ke inersia total sebesar 16,9 %.
2. variabel X
12
memberikan kontribusi ke inersia total sebesar 6,2 %.
3. variabel X
13
memberikan kontribusi ke inersia total sebesar 16,9 %.
4. variabel X
21
memberikan kontribusi ke inersia total sebesar 13,8 %.
5. variabel X
22
memberikan kontribusi ke inersia total sebesar 12,3 %.
6. variabel X
23
memberikan kontribusi ke inersia total sebesar 13,8 %.
7. variabel X
31
memberikan kontribusi ke inersia total sebesar 13,8 %.
8. variabel X
32
memberikan kontribusi ke inersia total sebesar 6,2 %.


Dari Minitab 14 diperoleh ploting tiap variabel kategorinya sebagai berikut

Dari gambar diatas diperoleh analisis sebagai berikut :
- X13, X31 dan X23 memiliki kemiripan yang besar karena berada dalam satu kuadran
(kuadran 1).
- X11 dan X21 memiliki kemiripan yang besar karena berada dalam satu kuadran (kuadran
2)
- X32 dan X12 memiliki kemiripan yang besar karena berada dalam satu kuadran (kuadran
3).
- X22 berada dalam kuadran 4 dan tidak memilki kemiripan dengan varabel lain.







Component 1
C
o
m
p
o
n
e
n
t

2
1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5 -2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-2.0
X32
X31
X23
X22
X21
X13
X12
X11
Column Plot
BAB IV
PENUTUP


A. Kesimpulan
1. Analisis koresponsi menghasilkan output berupa peta persepsi yang dapat
digunakan untuk melihat hubungan antar variabel-variabelnya.
2. Banyaknya fasilitas sekolah yang lebih dari sama dengan 70, banyaknya
perusahaan yang lebih dari sama dengan 200 dan dilalui jalan propinsi saling
mempengaruhi satu sama lain.
3. Banyaknya fasilitas sekolah yang kurang dari sama dengan 30 dan banyaknya
perusahaan yang kurang dari sama dengan 100 saling mempengaruhi satu sama
lain.
4. Banyaknya fasilitas sekolah yang lebih dari 30 dan kurang dari sama dengan 70
dan tidak dilalui jalan propinsi saling mempengaruhi satu sama lain.
5. Banyaknya perusahaan yang lebih dari 100 dan kurang dari 200 tidak dipengaruhi
oleh indikator apapun.

B. Saran
1. Untuk melihat perkembangan di suatu wilayah dapat ditambahkan beberapa
variabel indikator lain.






You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->