Modul Multi

Praktikum Analisis Data Multivariat II Menggunakan Software R
MODUL I ANALISIS KOMPONEN UTAMA
1. Analisis Komponen Utama Analisis komponen utama digunakan untuk menjelaskan struktur matriks varianskovarians dari suatu set variabel melalui kombinasi linier dari variabel-variabel tersebut. Secara umum komponen utama dapat berguna untuk reduksi dan interpretasi variabel-variabel. Misalkan saja terdapat p buah variabel yang terdiri atas n buah objek. Misalkan pula bahwa dari p buah variabel tersebut dibuat sebanyak k buah komponen utama (dengan k <= p) yang merupakan kombinasi linier atas p buah variabel tersebut. k komponen utama tersebut dapat menggantikan p buah variabel yang membentuknya tanpa kehilangan banyak informasi mengenai keseluruhan variabel. Umumnya analisis komponen utama merupakan analisis intermediate yang berarti hasil komponen utama dapat digunakan untuk analisis selanjutnya. Dalam bentuk matematis, katakan saja bahwa Y merupakan kombinasi linier dari variabel-variabel X1, X2, , Xp yang dapat dinyatakan sebagai
Y = W1X1 + W2X2 + + WpXp dengan Wi Xi Y adalah bobot atau koefisien untuk variabel ke i adalah variabel ke i adalah kombinasi linier dari variabel X
Secara prinsip pembentukan komponen utama merupakan pembentukan kombinasi linier dari variabel-variabel yang diamati. Dalam analisis komponen utama ditentukan suatu metode untuk mendapatkan nilai-nilai koefisien atau bobot dari kombinasi linier variabel-variabel pembentuknya dengan ketentuan sebagai berikut Bertho Tantular - 1

a) Ada sebanyak p komponen utama, yaitu sebanyak variabel yang diamati dan setiap komponen utama adalah kombinasi linier dari variabel-variabel tersebut b) Setiap komponen utama saling ortogonal (tegak lurus) dan saling bebas. c) Komponen utama dibentuk berdasarkan urutan varians dari yang terbesar hingga yang terkecil, dalam arti sebagai berikut komponen utama pertama (KU1) merupakan kombinasi linier dari seluruh variabel yang diamati dan memiliki varians terbesar komponen utama kedua (KU2) merupakan kombinasi linier dari seluruh variabel yang diamati yang bersifat ortogonal terhadap KU 1 dan memiliki varians kedua terbesar komponen utama ketiga (KU3) merupakan kombinasi linier dari seluruh variabel yang diamati yang bersifat ortogonal baik terhadap KU 1 maupun KU2, dan memiliki varians ketiga terbesar : komponen utama ke p (KUp) merupakan kombinasi linier dari seluruh variabel yang diamati yang bersifat ortogonal terhadap KU 1, KU2, , KU(p-1) dan memiliki varians yang terkecil. Untuk mendapatkan koefisien komponen utama secara bersamaan dapat menggunakan salah satu cara berikut ini dekomposisi eigen value dan eigen vector dari matriks korelasi atau kovarians dari variabel-variabel yang diamati. Dalam hal ini eigen value merupakan varians setiap komponen utamanya dan eigen vector merupakan koefisien-koefisien komponen utamanya dekomposisi nilai singular dari matriks data yang berukuran n x p. Interpretasi dari komponen utama adalah bahwa komponen utama tersebut merupakan suatu sistem sumbu baru dalam ruang vektor berdimensi banyak peubah yang diamati. Melalui komponen utama salib-salib sumbu tersebut telah diubah skalanya dan dirotasi hingga memiliki sifat varians yang terurut semakin kecil dan ortogonal. Bertho Tantular - 2

Apabila varians dari variabel-variabel yang diamati mempengaruhi besarnya bobot atau koefisien kompomnen utamanya maka analisis komponen utama dapat dilakukan menggunakan matriks varians-kovarians. Secara sederhana varians merupakan suatu informasi dari variabel yang diamati yang berarti apabila sebuah variabel memiliki pengamatan yang semua nilainya sama maka variabel tersebut tidak memiliki informasi yang dapat membedakan antar pengamatan. Komponen utama adalah himpunan variabel baru yang merupakan kombinasi linier dari variabel-variabel yang diamati. Komponen utama memiliki sifat varians yang semakin mengecil, sebagian besar variasi (keragaman atau informasi) dalam himpunan variabel yang diamati cenderung berkumpul pada beberapa komponen utama pertama, dan semakin sedikit informasi dari variabel asal yang terkumpul pada komponen utama terakhir. Hal ini berarti bahwa komponen-komponen utama pada urutan terakhir dapat diabaikan tanpa kehilangan banyak informasi. Dengan cara ini analisis komponen utama dapat digunakan untuk mereduksi variabel-variabel. Untuk keperluan reduksi variabel tentu harus ditentukan berapa banyak komponen utama yang mesti diambil. Ada beberapa cara untuk menentukan berapa banyak komponen utama yang harus diambil diantaranya adalah menggunakan scree plot. Banyak komponen yang diambil adalah pada titik kurva tidak lagi menurun tajam atau mulai melandai. menggunakan proporsi kumulatif varinas terhadap total varians Telah dijelaskan bahwa antar komponen utama bersifat ortogonal yang artinya bahwa setiap komponen utama merupakan wakil dari seluruh variabel asal sehingga komponenkomponen utama tersebut dapat dijadikan pengganti variabel asal apabila analisis terhadap variabel tersebut membutuhkan ortogonalitas, Dalam analisis regresi linier multipel memerlukan suatu syarat tidak adanya multikolinieritas antara variabel-variabel bebasnya. Apabila ternyata dalam data terdapat multikolinieritas maka komponen utama dapat digunakan sebagai pengganti variabel-variabel bebas dalam model regresi tersebut. Dalam analisis komponen utama diperoleh beberapa ukuran-ukuran berikut
Bertho Tantular - 3

1. Nilai total varians merupakan informasi dari seluruh variabel asal yang dapat dijelaskan oleh komponen-komponen utamanya 2. proporsi varians komponen utama ke k terhadap total varians menunjukkan besarnya persentase informasi variabel-variabel asal yang terkandung dalam komponen utama ke-k 3. Nilai koefisien korelasi antara komponen utama dengan variabelnya
2. Analisis Komponen Utama dalam R (a) Fungsi princomp Analisis Komponen Utama dalam software R dapat dianalisis menggunakan fungsi princomp. Fungsi princomp menganalisis komponen utama dari data berupa matriks numerik dan menghasilkan nilai-nilai berupa suatu objek dalam kelas princomp. Penjelasan mengenai syntax dan penggunaan fungsi princomp adalah sebagai berikut
> fit_pca <- princomp(x, ...) atau > fit_pca <- princomp(formula, data = NULL, subset, na.action, ...) atau > fit_pca <- princomp(x, cor = FALSE, scores = TRUE, covmat = NULL, subset = rep(TRUE, nrow(as.matrix(x))), ...)
Keterangan: formula: data: adalah formula untuk variabel numerik tanpa melibatkan variabel respon data yang digunakan berupa data frame meliputi variabel-variabel dalam formula Sebagai default diambil variabel dari environment(formula). subset: sebuah vektor yang digunakan untuk memilih baris (pengamatan) dari matriks X Bertho Tantular - 4

na.action: hilang x: analisis komponen utama cor: untuk matriks kovarians (matrix korelasi hanya dapat digunakan apabila tidak ada variabel konstanta) scores: FALSE untuk tidak menampilkan setiap nilai komponen utamanya. covmat: Biasanya bernama cov.wt atau cov.mve atau 'cov.mcd yang diperoleh dari pajet MASS. digunakan apabila inputnya adalah matriks kovarians atau matriks korelasi. bernilai TRUE untuk menampilkan setiap nilai komponen utamanya dan bernilai bernilai TRUE apabila yang digunakan matriks korelasi dan bernilai FALSE adalah matriks numerik atau data frame yang berisi data yang digunakan untuk sebuah fungsi yang mengindikasikan apa yang akan dilakukan apabila ada data
Nilai-nilai yang dapat ditampilkan hasil analisis fungsi princomp adalah sebagai berikut
sdev: loadings: vector. scale: n.obs: scores: na.action:
simpangan baku (standard deviation) dari komponen utamanya matriks variabel loading yaitu matriks yang kolom-kolomnya berupa eigen center: rata-rata yang digunakan.
transformasi dari tiapvariabel. banyak pengamatan. nilai-nilai komponen utamanya bila ada penanganan data hilang
Bertho Tantular - 5

Perintah-perintah berikut digunakan untuk menampilkan hasil analisis
summary(fit_pca) loadings(fit_pca) plot(fit_pca,type="lines") fit_pca$scores
untuk menampilkan nilai varians untuk menampilkan nilai loadings untuk membuat scree plot untuk menampilkan nilai komponen utama
Dalam fungsi princomp analisis komponen utama menggunakan nilai eigen dari matriks korelasi atau matriks varians-kovarians. Analisis komponen utama yang menggunakan dekomposisi nilai singular dari matriks X berada dalam fungsi lain yaitu prcomp. Fungsi print dapat digunakan untuk menampilkan hasil analisis dan fungsi plot dapat digunakan untuk menampilkan screeplot.
Contoh Kasus 1: Jolicoeur dan Mosimann mempelajari mengenai hubungan antara ukuran dan bentuk sejenis kura-kura. Pada penelitiannya mereka mengambil sampel sebanyak 24 kura-kura jantan dan 24 kura-kura betina dan diukur panjang, lebar dan tinggi kura-kura tersebut. (data diambil dari Johnson & Wichern, 2002 halaman 339) Sebelum melakukan analisis dengan definisikan variabel X1 = length, X2 = width, X3 = height dan X4 = sex kemudian input dulu data tersebut menggunakan software R sebagai berikut
> x1<c(98,103,103,105,109,123,123,133,133,133,134,136,138,138,141,147,149,153,155, 155,158,159,162,177,93,94,96,101,102,103,104,106,107,112,113,114,116,117,117, 119,120,120,121,125,127,128,131,135)
> x2<c(81,84,86,86,88,92,95,99,102,102,100,102,98,99,105,108,107,107,115,117,115,1 18,124,132,74,78,80,84,85,81,83,83,82,89,88,86,90,90,91,93,89,93,95,93,96,95, 95,106)
Bertho Tantular - 6
>
x3<-
c(38,38,42,42,44,50,46,51,51,51,48,49,51,51,53,57,55,56,63,60,62,63,61,67,37, 35,35,39,38,37,39,39,38,40,40,40,43,41,41,41,40,44,42,45,45,45,46,47) > x4<-rep(c(F,M),each=24)
Lakukan transformasi sederhana terhadap data (x1, x2 dan x3) tersebut menggunakan log sebagai berikut
> y1<-log(x1) > y2<-log(x2) > y3<-log(x3) > y<-data.frame(y1,y2,y3) > Y<-y[25:48,]
Analisis data kura-kura jantan menggunakan fungsi princom() sebagai berikut
> fit_pca<-princomp(Y, cor=FALSE) > summary(fit_pca) Importance of components: Comp.1 Standard deviation Comp.2 Comp.3
0.1494402 0.02394526 0.01856994
Proportion of Variance 0.9605077 0.02466069 0.01483157 Cumulative Proportion 0.9605077 0.98516843 1.00000000
Terlihat dari proporsi varians kumulatif Komponen pertama dapat menjelaskan 96% total varians dan bila ditambahkan komponen kedua menjadi 98%. Artinya apabila kita hanya mengambil satu komponen saja yaitu komponen pertama sudah mencukupi. Nilai simpangan baku (standard deviation) pada baris pertama hasil diatas diperoleh dari akar positif nilai eigen (eigen value) matriks kovarians dari log(y1), log(y2) dan log(y3). Bertho Tantular - 7
> loadings(fit_pca) Loadings: Comp.1 Comp.2 Comp.3 y1 y2 y3 0.683 -0.159 0.713
0.510 -0.594 -0.622 0.523 0.788 -0.324
Comp.1 Comp.2 Comp.3 SS loadings Proportion Var Cumulative Var 1.000 0.333 0.333 1.000 0.333 0.667 1.000 0.333 1.000
Nilai-nilai loading yang ditampilkan pada hasil di atas adalah nilai vektor eigen dari matriks kovarians log(y1), log(y2) dan log(y3). Fungsi komponen utamanya adalah sebagai berikut
KU1 = 0.683 log(y3) + 0.510 log(y3) + 0.523 log(y3) KU2 = -0.159 log(y3) - 0.594 log(y3) + 0.788 log(y3) KU3 = 0.713 log(y3) - 0.622 log(y3) - 0.324 log(y3)
Untuk membuat dan menampilkan scree plot dilakukan dengan cara sebagai berikut
> plot(fit_pca,type="lines")
Bertho Tantular - 8
Dari scree plot tersebut terlihat bahwa kurva mulai landai pada titik comp 2 artinya bahwa dengan satu komponen saja sudah mencukupi untuk mewakili ketiga variabel tersebut Menampilkan nilai (score) komponen utama
> fit_pca$scores Comp.1 25 -0.268473390 Comp.2 0.0610685037 Comp.3 0.0004066149
26 -0.263344980 -0.0157244390 -0.0066858875 27 -0.236045707 -0.0341210935 -0.0074276738 28 -0.119923476 0.0141251769 -0.0366922244
29 -0.120728388 -0.0149572760 -0.0286045130 30 -0.152592781 -0.0089082112 31 -0.106039296 32 -0.093027430 0.0169793685
0.0165711616 -0.0083826652 0.0135333730 0.0051929344 0.0278503862
33 -0.106371042 -0.0012452738
34 -0.006575259 -0.0167441765 -0.0071889505 35 -0.006268452 -0.0114497088 36 -0.011979592 37 0.060886922 0.0008012246 0.0061739765 0.0267516989
0.0280465362 -0.0125896593
Bertho Tantular - 9

38 39 40 41 42 43 44 45 46 47 48 0.041862973 -0.0108766303 0.047500815 -0.0174403631 0.070171264 -0.0330572711 0.040553932 -0.0277470963 0.112788083 0.0089785626 0.0021060793 0.0006647271 0.0419820919
0.0212894116 -0.0162796865
0.105004626 -0.0293536649 -0.0085075394 0.152416632 0.179458559 0.179473590 0.206783903 0.0324987788 0.0055238164
0.0111082110 -0.0029094996 0.0160774637 0.0297129498 0.0091929735 0.0185740872
0.294468494 -0.0232075863 -0.0351090182
Contoh Kasus 2: Data berikut mengenai rates of return dari lima saham perusahaan yaitu Allied Chemical, du Pont, Union Carbide, Exxon dan Texaco yang berada di pasar saham New York yang diambil pada periode 1975 hingga Desember 1976. Berdasarkan nilai penutupan pada hari Jum'at rates of return didefiniskan sebagai
rates of return=
Harga penutupan Jum ' at iniHarga penutupan Jum ' at sebelumnya Harga penutupan Jum ' at sebelumnya
Diasumsikan bahwa pengamatan saling bebas dalam hal ini adalah minggu dan saham perusahaan adalah variabelnya yang saling berkorelasi. Dari data sebanyak 100 minggu diperoleh vektor rata-ratanya adalah
x ' =[0.0054, 0.0048, 0.0057, 0.0063, 0.0037]
dan matriks korelasinya adalah
Bertho Tantular - 10

1.000 0.577 R= 0.509 0.387 0.462
0.577 1.000 0.599 0.389 0.322
0.509 0.599 1.000 0.436 0.426
0.387 0.389 0.436 1.000 0.523
0.462 0.322 0.426 0.523 1.000
R merupakan matriks varians-kovarians dari matriks pengamatan yang sudah dibakukan. (Johnson dan Wichern, 2002) Dalam kasus ini yang diketahui adalah matriks kovarians atau matriks korelasi maka fungsi princomp digunakan dengan cara sebagai berikut
# Input matriks R dengan cara sebagai berikut
> r<c(1,.577,.509,.387,.462,.577,1,.599,.389,.322,.509,.599,1,.436,.426,.387, .389,.436,1,.523,.462,.322,.426,.523,1) > R<-matrix(r, 5, 5) > R
[,1]
[,2]
[,3]
[,4]
[,5]
[1,] 1.000 0.577 0.509 0.387 0.462 [2,] 0.577 1.000 0.599 0.389 0.322 [3,] 0.509 0.599 1.000 0.436 0.426 [4,] 0.387 0.389 0.436 1.000 0.523 [5,] 0.462 0.322 0.426 0.523 1.000
# Nilai eigen value dan eigen vector dapat diperoleh
> eigen(R)$value [1] 2.8567110 0.8091637 0.5396752 0.4515001 0.3429499

> eigen(R)$vector [,1] [1,] -0.4636052 [2,] -0.4571078 [3,] -0.4701756 [,2] 0.2403390 [,3] [,4] [,5]
0.6117054 -0.3866346 -0.4512622 0.6762233
0.5093047 -0.1781895 -0.2064744 0.2604483 -0.3350565
0.6624447 -0.4000072
[4,] -0.4214588 -0.5256649 -0.5407628 -0.4720060 -0.1755986 [5,] -0.4212245 -0.5819699 0.4351755 0.3824388 0.3850245
# Analisis menggunakan fungsi princomp
> fit_pca2<-princomp(covmat=R, cor=TRUE, n.obs=100) > summary(fit_pca2) Importance of components: Comp.1 Standard deviation Comp.2 Comp.3 Comp.4 Comp.5
1.6901808 0.8995353 0.7346259 0.67193757 0.58561928
Proportion of Variance 0.5713422 0.1618327 0.1079350 0.09030002 0.06858999 Cumulative Proportion 0.5713422 0.7331749 0.8411100 0.93141001 1.00000000
dari hasil perhitungan tersebut terlihat bahwa proporsi varians untuk komponen 1 baru mencapai 57% dan apabila diambil dua komponen proporsi varians mencapai 73%.
> loadings(fit_pca2) Loadings: Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 [1,] -0.464 [2,] -0.457 [3,] -0.470 0.240 0.612 -0.387 -0.451 0.676
0.509 -0.178 -0.206 0.260 -0.335
0.662 -0.400
[4,] -0.421 -0.526 -0.541 -0.472 -0.176 [5,] -0.421 -0.582 0.435 0.382 0.385

Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 SS loadings Proportion Var Cumulative Var 1.0 0.2 0.2 1.0 0.2 0.4 1.0 0.2 0.6 1.0 0.2 0.8 1.0 0.2 1.0
Nilai loading yang diperoleh hasilnya sama dengan nilai eigen vektor. Nilai loading ini digunakan sebagai koefisien dari fungsi komponen utamanya.
(2) Fungsi prcomp Selain menggunakan fungsi princomp analisis komponen utama juga dapat menggunakan fungsi prcomp. Fungsi prcomp menganalisis komponen utama menggunakan dekomposisi nilai singular (singular value decomposition atau svd) dari matriks data berbeda dengan fungsi princomp yang menggunakan nilai eigen dari matriks varians-kovarians. Fungsi print dapat digunakan untuk menampilkan hasil analisis dan fungsi plot dapat digunakan untuk menampilkan screeplot. Berikut penjelasan syntax dan pengunaannya.
> prcomp(x, ...) atau > prcomp(formula, data = NULL, subset, na.action, ...) atau > prcomp(x, retx = TRUE, center = TRUE, scale. = FALSE, tol = NULL, ...)
keterangan: formula: data: adalah formula untuk variabel numerik tanpa melibatkan variabel respon data yang digunakan berupa data frame meliputi variabel-variabel dalam formula Sebagai default diambil variabel dari environment(formula). subset: sebuah vektor yang digunakan untuk memilih baris (pengamatan) dari matriks X

na.action: sebuah fungsi yang mengindikasikan apa yang akan dilakukan apabila ada data hilang x: adalah matriks numerik atau data frame yang berisi data yang digunakan untuk analisis komponen utama retx: berisi nilai logical (TRUE atau FALSE) yang mengindikasikan rotasi variabel yang akan digunakan center: berisi nilai logical (TRUE atau FALSE) yang mengindikasikan pemusatan data terhadap rata-ratanya. scale: berisi nilai logical (TRUE atau FALSE) yang mengindikasikan variabel yang dibakukan tol: berisi nilai yang mengindikasikan batas bawah komponen mana yang harus diabaikan. Komponen diabaikan apabila nilai simpangan bakunya kurang dari atau sama dengan nilai tol.
Nilai-nilai yang dapat ditampilkan hasil analisis fungsi princomp adalah sebagai berikut
sdev:
Nilai simpangan baku dari komponen utamanya. Yaitu akar dari nilai eigen matriks varians-kovarians atau matriks korelasinya melalui perhitungan nilai singular matriks
data.rotation: adalah matriks variabel loading. Yaitu matriks yang kolom-kolomnya merupakan nilai-nilai eigen matriks varians-kovarians. x: adalah nilai dari data yang telah dirotasikan. Nilai ini akan ada apabila fungsi retx bernilai TRUE . center, scale: adalah nilai pemusatan dan pembakuan yang digunakan
Penggunaan fungsi prcomp dapat dilakukan pada contoh kasus 1 dengan cara sebagai berikut

> fit_pca<-prcomp(Y, rex=TRUE, tol=0.1) > summary(fit_pca) Importance of components: PC1 Standard deviation PC2 PC3
0.153 0.0245 0.0190
Proportion of Variance 0.961 0.0247 0.0148 Cumulative Proportion 0.961 0.9852 1.0000
> fit_pca$x PC1 25 -0.268473390 PC2 PC3
0.0610685037 -0.0004066149 0.0066858875 0.0074276738 0.0366922244 0.0286045130
26 -0.263344980 -0.0157244390 27 -0.236045707 -0.0341210935 28 -0.119923476 0.0141251769
29 -0.120728388 -0.0149572760
30 -0.152592781 -0.0089082112 -0.0169793685 31 -0.106039296 32 -0.093027430 0.0165711616 0.0083826652
0.0135333730 -0.0051929344
33 -0.106371042 -0.0012452738 -0.0278503862 34 -0.006575259 -0.0167441765 0.0071889505
35 -0.006268452 -0.0114497088 -0.0061739765 36 -0.011979592 37 38 39 40 41 42 43 44 45 0.060886922 0.0008012246 -0.0267516989 0.0280465362 0.0125896593
0.041862973 -0.0108766303 -0.0089785626 0.047500815 -0.0174403631 -0.0021060793 0.070171264 -0.0330572711 -0.0006647271 0.040553932 -0.0277470963 -0.0419820919 0.112788083 0.0212894116 0.0162796865 0.0085075394
0.105004626 -0.0293536649 0.152416632 0.179458559
0.0324987788 -0.0055238164 0.0111082110 0.0029094996

46 47 48 0.179473590 0.206783903 0.0160774637 -0.0091929735 0.0297129498 -0.0185740872 0.0351090182
0.294468494 -0.0232075863
Dengan cara ini menghasilkan nilai skor komponen utama yang sama dengan cara sebelumnya. Nilai proporsi varians untuk tiap komponen utama juga bernilai sama dengan cara sebelumnya. Selain menggunakan fungsi princomp dan prcomp analisis komponen utama juga dapat dilakukan dengan fungsi principal. Tetapi fungsi principal ini hanya dapat dilakukan apabila telah diinstallkan paket psych. Paket psych dapat diunduh secara gratis di CRAN (http://cran.rproject.org/).
MODUL II ANALISIS FAKTOR

1. Analisis Faktor Analisis Faktor adalah suatu cara menjelaskan suatu set variabel berdasarkan dimensi yang lebih umum. Pada dasarnya analisis faktor bertujuan untuk memudahkan interpretasi melalui struktur pola hubungan atau untuk mereduksi variabel. Hal ini dilakukan dengan cara mengidentifikasi struktur yang terdapat dalam set variabel yang terobservasi. Secara umum ada tiga kegunaan utama dari Analisis Faktor yaitu: Eksplorasi (disebut Eksploratory factor analysis (EFA)) yaitu membentuk variabel baru yang diperoleh melalui reduksi variabel Konfirmasi (disebut Confirmatory Factor Analysis (CFA)) yaitu menguji struktur variabel yang dihipotesiskan berdasarkan banyaknya faktor yang signifikan dan besarnya faktor loading Alat Pengukur (model measurment) yaitu pembentukan indeks-indeks yang akan digunakan sebagai pengamatan baru dalam analisa selanjutnya Misalkan terdapat satu set variabel dengan banyak variabel adalah p dan ternyata antar variabel tersebut mempunyai tingkat korelasi yang tinggi. Dimungkinkan ada satu atau lebih variabel yang tidak terobservasi (disebut sebagai variabel laten) yang merupakan penyebab p variabel di atas. Keberadaan variabel yang tak terobservasi yang mampu menjelaskan variabel yang teramati merupakan pembahasan dalam Analisis Faktor. Dengan demikian pada intinya Analisis Faktor menjelaskan hubungan struktur kovarians dari variabel yang teramati dengan variabel yang tidak teramati. Analisis Faktor dapat dirumuskan dalam suatu model persamaan linier. Misalkan vektor acak X dengan p komponen memiliki rata-rata dan matriks covariance . Maka dapat dibentuk model persamaan faktornya adalah

X1 1 = l11 F1 + l12 F2 + + l1m Fm + 1 X2 2 = l21 F1 + l22 F2 + + l2m Fm + 2 : : : :
Xp p = lp1 F1 + lp2 F2 + + lpm Fm + p
dengan: i = rata-rata variabel asal ke i i = spesifik faktor ke i Fj = Common faktor ke j. lij disebut loading dari peubah asal ke i pada faktor ke j. Atau dalam bentuk matriks menjadi
(X ) (px1)
(pxm) (mx1) (px1)
Asumsi yang digunakan dalam analisis faktor adalah: Data berasal dari populasi yang berdistribusi normal univariat Dalam set data terdapat multikolinieritas dapat diuji dengan menggunakan Uji Bartlett. E(F) = 0, E(e) = 0
Cov(F) = E(FF) = I Cov(e) = E(e e) = = diag(1, ., p) F dan saling bebas, Cov (, F) = E (, F) = 0
Koefisien lij disebut loading dari variabel asal ke i pada faktor ke j, maka matriks L adalah matriks factor loading dan F1, F2,., Fm , 1, 2,. p adalah tidak terobservasi.

Berikut adalah hal-hal yang perlu dilakukan dalam analisis faktor Mengidentifikasikan struktur Menentukan jumlah faktor (scree plot, eigen values, proporsi varians) Menduga parameter (factor loading dan sistematik varians) - Metode Komponen Utama - Metode Kemungkinan Maksimum - Metode Kuadrat Terkecil Rotasi faktor (ortogonal: varimax, quartimax, equimax; oblique: oblimax, quartimin, oblimin) Interpretasi faktor (eigen values, explained variances, factor scores, koefisien faktor)
2. Analisis Faktor dalam R Analisis Faktor dalam software R dapat dianalisis melalui fungsi factanal(). Fungsi factanal() adalah analisis ekstraksi faktor menggunakan metode kemungkinan maksimum. Dalam software R, penjelasan tentang model analisis faktor adalah sebagai berikut
x=f+e
dengan x adalah vektor berukuran (p x 1), adalah matriks loading berukuran (p x k), f adalah vektor skor faktor berukuran (k x 1) dan e adalah galat berukuran (p X 1). Dalam model ini tidak ada komponen yang terobservasi kecuali x. Asumsi yang mendasari model ini adalah bahwa faktor tidak saling berkorelasi, dan bahwa galat saling bebas dengan varians phi yang disebut uniquenesses. Kemudian dalam analisi faktor model bagi matriks varians-kovarians x adalah
=' +i
Apabila dilakukan rotasi terhadap data maka dapat digantikan dengan G untuk setiap Bertho Tantular - 19

matriks G yang ortogonal. Input data berupa matriks varians-kovarians dapat digunakan dalam analisis faktor. Selain itu matriks data X juga dapat digunakan atau berupa formula yang menyatakan model konstruk dalam bentuk matriks sehingga dapat diperoleh dari matriks data tersebut matriks varians-kovariansnya. Yang perlu diperhatikan dalam hal ini adalah bahwa semua nilai-nilai dalam variabel-variabel yang terlibat harus numerik. Dalam analisis menggunakan fungsi factanal, matriks varians-kovarians dikonversi menjadi matriks korelasi. Model fit diperoleh dengan mengoptimasi fungsi log likelihood dibawah asumsi uniquenesses berdistribusi multivariat normal. Nilai uniquenesses secara teknis berada dalam interval [0, 1], tetapi apabila nilainya mendekati nol akan menjadi masalah, dan optimalisasi berakhir dengan batas bawah 0.005. Nilai faktor skor hanya dapat diperoleh apabila yang digunakan adalah matriks data. Metode yang digunakan adalah metode regresi dari Thomson (1951) dan metode weighted least squares (WLS) dari Bartlett (1937). Kedua metode ini menaksir nilai skor F. Metode Thomson menaksir F dengan model sebagai berikut
1 F =' X
dan kemudian menggantikan nilai-nilai parameter dengan penaksirnya. Prinsip Metode Bartlett adalah meminimumkan jumlah kuadrat galat yang sudah dibakukan atau diboboti. Uraian berikut ini adalah penjelasan syntax dan cara penggunaannya.
> factanal(x, factors, data = NULL, covmat = NULL, n.obs = NA, subset, na.action, start = NULL, scores = c("none", "regression", "Bartlett"), rotation = "varimax", control = NULL, ...)
Keterangan:

x: factors: data: covmat: juga termasuk matriks varians-kovarians. n.obs: banyaknya pengamatan dari data, opsi ini digunakan apabila opsi covmat adalah matriks kovarians. subset: Spesifikasi pengamatan yang digunakan. Digunakan apabila opsi x digunakan sebagai matriks data atau formula. na.action: start: opsi untuk data hilang, digunakan apabila opsi 'x' berupa formula dengan nilai default NULL adalah matriks yang berisi nilai awal dengan tiap kolom merupakan set awal uniquenesses. scores: metode Thompson, dan "Bartlett" bila menggunakan metode Bartlett's weighted least-squares rotation: tipe rotasi yang digunakan, secara default bernilai "none" nilai skor. Ada dua tipe yaitu "regression" bila menggunakan berupa formula atau matriks numerik dari objek banyak faktor yang digunakan. adalah data frame yang digunakan apabila x berupa formula. adalah matriks varians-kovarians dalam hal ini matriks korelasi
Nilai-nilai hasil analisis faktor menggunakan fungsi factanal
loadings: ke
menampilkan matriks loading faktor yang terurut dari besar
kecil berdasarkan jumlah kuadrat loading.. uniquenesses: correlation: criteria: menampilkan nilai uniquenesses. menampilkan matriks korelasi yang digunakan. hasil dari optimalisasi yaitu nilai -2 log-likelihood dan informasi iterassi yang digunakan factors: dof: The argument factors. menampilkan nilai derajat kebebasan model analisis faktor

method: scores: n.obs: STATISTIC, PVAL: metode yang digunakan (dalam hal ini adalah "mle"). menampilkan matriks faktor skor banyak pengamatan. menampilkan nilai signifikansi statistik uji dan p-value.
Dalam analisis faktor ada banyak variasi penggunaannya sehingga sulit bagi kita untuk membandingkan output dari program yang berbeda-beda. Bagaimanapun metode optimalisasi dalam analisis faktor menggunakan maximum likelihood cukup sulit.
Syntax berikut adalah contoh pengunaannya
> fit <- factanal(dataku, factors=banyak_faktor, rotation="varimax") > print(fit, digits=2, cutoff=.3, sort=TRUE) > load <- fit$loadings > plot(load,type="n") > text(load,labels=names(mydata),cex=.7) # Output analisis faktor # Menampilkan loading factor # plot faktor 1 dan faktor 2 # menambahkan nama variabel
Contoh Kasus 1 Dalam suatu studi consumer-preference diambil sampel acak dari sejumlah konsumen. Kepada mereka ditanyakan mengenai 5 atribut dari sebuah produk baru. Respon dari konsumen menggunakan skala 7 semantik differensial, yang hasilnya telah dihitung menjadi matriks korelasi berikut ini (Johnson & Wichern, 2002 halaman 487)
Atribut (Variabel) Taste Good buy for money Flavor Suitable for snack Provides lots energy
1 1 0.02 0.96 0.42 0.01
2 0.02 1 0.13 0.71 0.85
3 0.96 0.13 1 0.5 0.11
4 0.42 0.71 0.5 1 0.79
5 0.01 0.85 0.11 0.79 1 Bertho Tantular - 22
Lakukan analisis faktor terhadap matriks korelasi dari 5 variabel tersebut
Sebelum menganalisis data tersebut perlu diinputkan dulu matriks korelasinya dengan cara sebagai berikut
> mc<matrix(c(1,.02,.96,.42,.01,.02,1,.13,.71,.85,.96,.13,1,.5,.11,.42,.71,.5,1,.7 9,.01,.85,.11,.79,1), 5, 5) > mc [,1] [,2] [,3] [,4] [,5] [1,] 1.00 0.02 0.96 0.42 0.01 [2,] 0.02 1.00 0.13 0.71 0.85 [3,] 0.96 0.13 1.00 0.50 0.11 [4,] 0.42 0.71 0.50 1.00 0.79 [5,] 0.01 0.85 0.11 0.79 1.00
Kemudian analisis faktor menggunakan perintah sebagai berikut
> fit<-factanal(factors=2, covmat=mc) > fit Call: factanal(factors = 2, covmat = mc)
Uniquenesses: [1] 0.028 0.237 0.040 0.168 0.052
Loadings: Factor1 Factor2 [1,] 0.985

[2,] [3,] [4,] [5,] 0.873 0.131 0.817 0.973 0.971 0.405
Factor1 Factor2 SS loadings Proportion Var Cumulative Var 2.396 0.479 0.479 2.078 0.416 0.895
The degrees of freedom for the model is 1 and the fit was 0.0233
Dari output diatas terlihat bahwa Faktor 1 beranggotakan variabel 2, variabel 4 dan variabel 5 sedangkan variabel 1 dan variabel 3 berada pada Faktor 2.
3. Menentukan Banyak Faktor Hal yang penting dalam analisis faktor adalah menentukan berapa banyak faktor yang mesti diambil. Beberapa metode dapat digunakan untuk menentukan banyak faktor, misalnya menggunakan kriteria nilai eigen, proporsi varians dan secara grafis menggunakan screeplot. Untuk itu dalam software R disediakan paket nFactors. Fungsi yang digunakan dalam paket ini adalah nScree, uraian berikut adalah penjelasan mengenai syntax dan contoh penggunaannya Fungsi nScree dalam software R adalah suatu fungsi untuk menganalisis banyaknya komponen atau faktor dalam analisis faktor eksplanatori. Fungsi ini berguna untuk memberikan informasi mengenai banyak faktor melalui aturan Kaiser dan analisis paralel.
> nScree(eig=NULL, x=eig, aparallel=NULL, cor=TRUE, model="components", criteria=NULL, ...)
Keterangan: eig: adalah parameter berupa eigenvalues yang akan dianalisis Bertho Tantular - 24

x: adalah input dapat berupa vektor eigenvalues, atau matriks korelasi atau kovarians dari data (data frame) aparallel: Cor hasil dari analisis paralel. berniilai TRUE apabila yang digunakan matriks korelasi dan 'FALSE' apabila yang digunakan matriks kovarians model: criteria: bernilai "components atau "factors" bernilai numerik.
Hasil analisis yang dapat ditampilkan dari paket nFactors
Components
: berupa data frame yang berisi banyaknya komponen atau faktor yang didasarkan atas aturan yang berbeda
Components$noc Components$naf
: Banyaknya komponen atau faktor berdasarkan koordinat optimal (oc) : Banyaknya komponen atau faktor berdasarkan acceleratoin factor (af)
Components$npar.analysis : Banyaknya komponen atau faktor berdasarkan koordinat analisis paralel Components$nkaiser : Banyaknya komponen atau faktor berdasarkan aturan Kaiser Analysis : Berupa Data frame berisi vektor yang berkaitan dengan aturan yang berbeda Analysis$Eigenvalues : Menampilkan nilai eigen Analysis$Prop Analysis$Cumu Analysis$Pred.eig Analysis$OC : Nilai proporsi varians yang dihitung dari nilai eigen : proporsi kumulatif dari varians yang dihitung dari nilai eigen : prediksi nilai eigen dari setiap koordinat garis regresi optimal : nilai koordinat optimal (oc)
Analysis$Acc.factor : nilai Acceleration factor _af_ Analysis$AF : nilai kritis acceleration factor _af_
Secara umum contoh penggunaan paket nFactors untuk data pada Contoh kasus 1 dengan banyak pengamatan adalah 200 dapat dilihat pada syntax berikut ini
# Menentukan banyak faktor yang diekstraksi > library(nFactors) > ev <- eigen(mc) # get eigenvalues > ap <- parallel(subject=200,var=5,rep=100,cent=.05) > nS <- nScree(ev$values, ap$eigen$qevpea) > plotnScree(nS)

Dari gambar diatas diperoleh hasil bahwa banyak faktor yang dapat diambil adalah 2 berdasarkan analisis paralel. Berdasarkan metode acceleration factor (AF) banyak faktor yang dapat diambil adalah 1. Hal ini sesuai dengan output yang dapat ditampilkan diantaranya sebagai berikut
> nS$Components noc naf nparallel nkaiser 1 0 1 2 3
> nS$Analysis Eigenvalues 1 2 3 4 5 Prop Cumu Par.Analysis Pred.eig OC Acc.factor AF
1.1171429 0.2392734 0.2392734 1.0352471 0.2217327 0.4610062 0.9487875 0.2032145 0.6642207 0.8484528 0.1817245 0.8459452 0.7192661 0.1540548 1.0000000
1 1.1405741 1 1.0635482 1 0.9776396 1 1 NA NA
NA (< AF) -0.004563809 -0.013875043 -0.028852103 NA
Fungsi Alternatif untuk Analisis Faktor dalam R (1) Fungsi factor.pa dalam Paket psych Fungsi lain untuk analisis faktor adalah factor.pa( ) yang terdapat pada Paket psych. Dalam fungsi ini menyertakan analisis faktor menggunakan principal axis. Dari sekian banyak metode analisis faktor pendekatan konvensional adalah principal axes melalui dekomposisi nilai eigen dari matriks korelasi dipeorleh nilai komunalitas dari tiap variabel dan ditaksir n faktor pertama. Nilai komunalitas ini dimasukkan ke dalam diagonal matriks dan prosedur diulang hingga jumlah diagonal tidak berubah. Metode lain adalah menggunakan Metode kuadrat terkecil untuk memperoleh nilai solusi residual minimum (disebut minres). Variasi dari minres digunakan dalam kuadrat terkecil diboboti (weighed least squares). Metode penaksiran lainnya adalah metode kemungkinan maksimum. Metode ini bisa diperoleh dari fungsi fa atau factanal yang telah dijelaskan sebelumnya. Bertho Tantular - 27

Metode Principal axes dapat digunakan pada saat metode kemungkinan maksimum tidak mencapai konvergen. Masalah dalam analisis faktor adalah mencari penaksir terbaik bagi komunalitas. Apabila Squared Multiple Correlation (SMC) digunakan untuk tiap variabel akan diperoleh nilai komunalitas yang underestimate. Algoritma yang digunakan tidak mencoba untuk menemukan solusi terbaik (seperti dalam kriteria kemungkinan maksimum) tetapi cukup dengan mencapai konvergen dengan cepat melalui dekomposisi nilai eigen. Pendekatan yang berbeda adalah solusi yang diperoleh dari minimum residual (minres) merupakan metode kuadrat terkecil yang tidak diboboti (unweighted least squares). Fungsi optim digunakan dan disesuaikan dengan elemen-elemen matriks korelasi untuk meminimumkan kuadrat residu. Metode minres dan pa dapat digunakan pada saat metode maksimum likelihood tidak mencapai konvergen dan dapat digunakan apabila matriks input singular. Setidaknya solusi yang diperoleh dari metode minres lebih mirip dengan metode kemungkinan maksimum dibandingkan solusi dari metode pa. Secara umum solusi dari metode minres dan WLS mengikuti ide dari fungsi factanal. Metode weighted least squares (WLS) memberikan bobot dari matriks residu dengan 1 dibagi diagonal invers matriks korelasi. Metode generalized least squares (GLS) memberikan bobotmatriks residual dengan invers matriks korelasi. Beberapa metode rotasi dalam analisis faktor yang dapat digunakan adalah varimax meliputi Varimax, quartimax, bentlerT dan geominT berupa rotasi ortogonal, dan oblique meliputi "promax", "oblimin", "simplimax", "bentlerQ, dan "geominQ" atau "cluster". Uraian berikut adalah penjelasan mengenai syntax dan contoh penggunaannya
> fa(r,nfactors=1,n.obs = NA, rotate="oblimin", scores=FALSE, residuals=FALSE, SMC=TRUE, covar=FALSE,missing=FALSE,impute="median",min.err = 0.001, max.iter = 50,symmetric=TRUE,warnings=TRUE,fm="minres",alpha=.1, ...)
> factor.pa(r, nfactors=1, residuals = FALSE, rotate = "varimax",n.obs = NA, scores = FALSE,SMC=TRUE, missing=FALSE,impute="median",min.err = 0.001, digits = 2, max.iter = 50,symmetric=TRUE,warnings=TRUE,fm="pa") Bertho Tantular - 28
> factor.minres(r, nfactors=1, residuals = FALSE, rotate = "varimax",n.obs = NA, scores = FALSE,SMC=TRUE, missing=FALSE,impute="median",min.err = 0.001, digits = 2, max.iter = 50,symmetric=TRUE,warnings=TRUE,fm="minres")
> factor.wls(r,nfactors=1,residuals=FALSE,rotate="varimax",n.obs = NA, scores=FALSE,SMC=TRUE,missing=FALSE,impute="median", min.err = .001, digits=2, max.iter=50,symmetric=TRUE,warnings=TRUE,fm="wls") Keterangan: r Nfactors n.obs : adalah matriks korelasi atau matriks data mentah. : adalah banyak faktor yang akan diekstrak, nilai defaultnya adalah satu : banykanya pengamatan yang digunakan. Opsi ini berlaku apabila input adalah matriks korelasi. Dan digunakan untuk mencari statistik goodness of fit statistics. Rotate : berisi metode rotasi meliputi "none", "varimax", "quartimax", "bentlerT", dan "geominT" untuk rotasi ortogonal. "promax", "oblimin", "simplimax", "bentlerQ, dan "geominQ" or "cluster". Nilai default untuk opsi ini adalah oblimin residuals scores SMC covar : Matriks residual yang akan ditampilkan : bernilai TRUE untuk menampilkan nilai taksiran factor scores : benilai TRUE apabila menggunakan squared multiple correlations : bernilai TRUE bila yang digunakan matriks kovarians, bernilai FALSE bila yang digunakan matriks korelasi missing : Bernilai TRUE apabila akan mengganti data hilang dengan rata-rata atau median. Opsi ini digunakan apabila opsi scores bernilai TRUE. impute : digunakan untuk mengganti data hilang. Opsi ini bernilai "median" untuk mengganti dengan median atau "mean" untuk mengganti dengan rata-rata. Bertho Tantular - 29

min.err : adalah nilai batas untuk iterasi. Iterasi berhenti pada saat perubahan komunalitas lebih kecil dari nilai min.err digits max.iter symmetric warnings : berapa banyak digit output yang digunakan : Nilai maksimum iterasi : bernilai TRUE atau FLASE : bernilai TRUE untuk menampilkan peringatan apabila terlalu banyak faktor yang akan diekstrak fm : metode faktorisasi bernilai "minres" untuk minimum residual (OLS), bernilai wls" untuk weighted least squares (WLS), gls" untuk generalized weighted least squares (GLS), "pa" untuk principal factor dan "ml" untuk maximum likelihood. alpha : adalah nilai alpha untuk selang kepercayaan RMSEA
Hasil-hasil yang dapat ditampilkan adalah sebagai berikut:
values e.values communality
: menampilkan nilai eigen dari common faktor : menampilkan nilai eigen dari matriks asli : menampilkan nilai taksiran komunalitas setiap item. Nilai ini merupakan jumlah kuadrat loading faktor untuk item tersebut.
Rotation n.obs loadings fit
: menampilkan rotasi yang digunakan : menampilkan banyak pengamatan yang digunakan : menampilkan nilai loading : How well does the factor model reproduce the correlation
matrix. This is just (sum(r^2ij - sum(r*^2ij))/sum(r^2ij (See VSS, ICLUST, and principal for this fit statistic. fit.off Dof : how well are the off diagonal elements reproduced? : derajat kebebasan dari model yang digunakan. Nilai ini merupakan Bertho Tantular - 30

banyaknya nilai korelasi pengamatan dikurangi banyaknya parameter. Dituliskan dalam rumus matematika adalah sebagai berikut
dof =
n n1 q q1 n q 2 2
dengan n adalah banyaknya pengamatan q banyaknya faktor objective STATISTIC : menampilkan fungsi objektif. : Nilai statistik chi kuadrat yang didasarkan atas fungsi objektif. Apanila dituliskan dalam rumus matematika adalah sebagai berikut
2 =
n12 p5 2 q f 6 3
dengan n adalah banyak pengamatan p adalah banyak variabel q adalah banyak faktor f adalah fungsi objektif Phi : interfactor correlation.
communality.iterations: menampilkan taksiran komunalitas dari tiap iterasi (Hanya digunakan pada metode principal axis) Residual BIC R2 : menampilkan matriks korelasi residual setelah model faktor digunakan : menampilkan nilai Bayesian Information Criterion : Nilai R2 multiple antara faktor dengan penaksir factor score. Menggunakan nilai ini dapat diketahui korelasi minimum antara dua faktor dengan rumus 2R2 - 1 r.scores weights : nilai korelasi dari penaksir factor score : pembobot yang digunakan Bertho Tantular - 31

valid score.cor : nilai koefisien validitas : matriks korelasi dari penaksir faktor score dengan pembobot berdasarkan matriks loading.
Syntax berikut adalah contoh analisis faktor menggunakan principal axis dengan fungsi factor.pa()
# Principal Axis Factor Analysis library(psych) fit <- factor.pa(dataku, nfactors=3, rotation="varimax") fit # print results
dataku rfactors rotation
adalah data yang digunakan (raw data atau matriks kovarians/korelasi). banyak faktor yang diekstraksi rotasi yang digunakan dalam hal ini "varimax" or "promax".
(2) Paket FactoMineR Paket FactoMineR meliputi beragam fungsi tambahan dalam analisis faktor eksploratori. Dalam Paket ini menyertakan analisis faktor untuk variabel kualitatif maupun kuantitatif. Dalam paket ini juga menyertakan grafik untuk analisis faktor secara otomatis. Fungsi yang digunakan adalah PCA dan contoh penggunaan paket FactoMineR secara sederhana.
# PCA Variable Factor Map library(FactoMineR) result <- PCA(mydata) # grafik digambarkan secara otomatis
Paket nFactors, psych dan FactoMineR tidak disertakan secara default dalam software tetapi dapat diunduh secara gratis pada the Comprehensive R Archive Network (CRAN) di alamat http://CRAN.R-project.org/. Bertho Tantular - 32
MODUL III ANALISIS KORELASI KANONIK

1. Pendahuluan Analisis korelasi kanonik berguna untuk mengidentifikai dan kuantifikasi asosiasi antara dua set variabel. Analisis korelasi kanonik tercurah pada korelasi antara kombinasi linier dari suatu set variabel dengan kombinasi linier set variabel lainnya. Pasangan-pasangan kombinasi linier disebut sebagai variabel kanonik sedangakn korelasinya disebut korelasi kanonik. Korelasi kanonik mengukur kekuatan asosiasi antara dua set variabel.
2. Korelasi Kanonik dalam R Analisis Korelasi Kanonik dalam software R dapat dianalisis melalui Paket CCA yang dapat diunduh pada the Comprehensive R Archive Network (CRAN) di alamat http://CRAN.Rproject.org/. Setelah itu install paket tadi di software R kemudian loading dengan perintah
> library(CCA)
Adapun syntax untuk analisis korelasi kanonik adalah sebagi berikut
> cc( X, Y)
X Y
adalah set variabel yang pertama berukuran n x p adalah set variabel yang kedua berukuran n x q
Contoh Data berikut mengenai studi nutrisi dari tikus. Data diperoleh dari Pascal Martin dari the Toxicology and Pharmacology Laboratory (French National Institute for Agronomic Research). Data ini sudah disertakan dalam paket CCA dengan nama nutrimouse sehingga kita tinggal Bertho Tantular - 33

mempergunakannya saja. Dari data nutrimouse ingin dikorelasikan gen dengan lipid dari tikus. Berikut adalah syntax yang digunakan
> data(nutrimouse) > X=as.matrix(nutrimouse$gene[,1:10]) gen > Y=as.matrix(nutrimouse$lipid) lipid > res.cc=cc(X,Y) > plot(res.cc$cor,type="b") > plt.cc(res.cc)
# menggunakan data nutrimouse # set variabel pertama yaitu
# set variabel kedua yaitu
# korelasi kanonik # plot korelasi
Output dari syntax tersebut adalah
Untuk menampilkan seluruh output gunakan syntax berikut
> res.cc > res.cc$cor > res.cc$xcoef > res.cc$ycoef > res.cc$scores
# Menampilkan seluruh output # Menampilkan nilai korelasi kanoniknya # Menampilakn penaksir koefisien bagi variabel X # Menampilakn penaksir koefisien bagi variabel Y # Menampilkan koordinat bagi variat kanonik
MODUL IV ANALISIS DISKRIMINAN

1. Pendahuluan Analisis Diskriminan adalah suatu teknik mutivariat yang terkonsentrasi pada pemisahan secara tegas suatu set objek atau pengamatan dan menenpatkan suatu objek atau pengamatan baru ke dalam kelompok yang telah didefinisikan sebelumnya. Tujuan analisis diskriminan sendiri adalah untuk menduga keanggotaan objek atu pengamatan dalam suatu kelompok melalui fungsi dari variabel-variabel yang diukur pada objek tersebut. Fungsi pembentuk kelompok tersebut merupakan sebuah model yang linier terhadap variabel maupun terhadap koefisiennya. Model linier yang mendasari analisis diskriminan mempunyai setidaknya tiga asumsi yaitu 1. antar objek atau pengamatan harus saling bebas 2. variabel-variabel penjelas harus memiliki distribusi normal multivariat 3. banyaknya pengamatan harus lebih besar dari banyaknya variabel
2. Analisis Diskriminan dalam R Analisis Diskriminan dalam software R dapat dianalisis melalui Paket MASS. Secara default paket MASS telah disertakan dalam installasi awal software R sehingga kita tinggal mengaktifkannya dengan perintah
> library(MASS)
Paket MASS telah meliputi fungsi analisis diskriminan linier dan kuadratik. Penggunaan analisis diskriminan menggunakan software R akan dijelaskan melalui ilustrasi berikut ini: Dalam rangka mengatur penangkapan Ikan Salmon, sangat diinginkan bisa mengidentifikasi Bertho Tantular - 36

apakah ikan yang tertangkap berasal dari Alaska atau Kanada. Ikan Salmon mempunyai ciri khas dalam perkembangan pertumbuhannya. Ikan salmon lahir di air tawar kemudian tumbuh dewasa di air laut. Untuk keperluan tersebut lima puluh Ikan Salmon diambil dari masingmasing tempat, dan pertumbuhan diameternya diukur ketika ikan-ikan itu hidup di air tawar dan ketika hidup di air laut, selain itu dibedakan pula terhadap jenis kelaminnya. Tujuannya adalah untuk mengetahui apakah ikan yang tertangkap di kemudian hari berasal dari Alaska atau dari Kanada. (Johnson & Wichern 2002 halaman 607). Untuk keperluan analisis untuk jenis kelamin diberi kode 1 untuk ikan jantan dan 2 untuk ikan betina.
Deskripsi Data Untuk menampilkan deskripsi dari data salmon lakukan perintah-perintah berikut:
> salmon<-read.csv("salmon.csv") > str(salmon) 'data.frame': 100 obs. of 4 variables: $ Ikan.Salmon: Factor w/ 2 levels "Alaska","Kanada": 1 1 1 1 1 1 1 1 1 1 ... $ AirTawar $ AirLaut $ JK : int 108 131 105 86 99 87 94 117 79 99 ... : int 368 355 469 506 402 423 440 489 432 403 ... : int 2 1 1 2 1 2 1 2 2 1 ...
> alaska<-c(mean(salmon$AirTawar[1:50]),sd(salmon$AirTawar[1:50]) ) > kanada<-c(mean(salmon$AirTawar[51:100]),sd(salmon$AirTawar[51:100])) > sdes<-data.frame(alaska,kanada) > row.names(sdes)=c("Rata-rata","Simp.Baku") > sdes alaska Rata-rata Simp.Baku 98.38000 16.14335 kanada 137.46000 18.05797
> alaska<-c(mean(salmon$AirLaut[1:50]),sd(salmon$AirLaut[1:50]) ) > kanada<-c(mean(salmon$AirLaut[51:100]),sd(salmon$AirLaut[51:100]))

> sdes2<-data.frame(alaska,kanada) > row.names(sdes2)=c("Rata-rata","Simp.Baku") > sdes alaska Rata-rata Simp.Baku 429.66000 37.40436 kanada 366.62000 29.88747
Secara deskriptif terlihat bahwa rata-rata diameter pertumbuhan ikan salmon di Alaska lebih kecil dibandingkan dengan di Kanada.
Pengujian Asumsi Normalitas Multivariat Secara umum ada dua pendekatan untuk menguji distribusi data Normal Multivariat yaitu menggunakan metode grafik (Q-Q Plot) dan menggunakan pengujian hipotesis (Uji Mshapiro). Baris-baris perintah berikut adalah pengujian distribusi normal multivariat untuk kedua metode
# Metode Grafik QQ-Plot > salmon2<-data.frame(salmon$AirTawar, salmon$AirLaut) > X <- as.matrix(salmon2) > center <- colMeans(X) > n <- nrow(X) > p <- ncol(X) > cov <- cov(X) > d <- mahalanobis(X,center,cov) + ylab="Jarak Mahalanobis") > abline(a=0,b=1) # Menghitung Jarak Mahalanobis > qqplot(qchisq(ppoints(n),df=p),d,main="QQ-Plot untuk Data Salmon", # membentuk matriks n x p # titik pusat
# Pengujian Hipotesis Shapiro library(mvnormtest) mshapiro.test(M) # input M harus matriks
Dari grafik data terlihat agak melenceng untuk jarak data yang cukup besar yang mengindikasikan data tidak berdistribusi normal multivariat.
Fungsi Diskriminan Linier Fungsi lda() dalam paket MASS dapat digunakan untuk analisis diskriminan linier. Fungsi ini didasarkan pada variabel-variabel yang terpusat tetapi bukan nilai baku. Uraian berikut adalah penjelasan mengenai penggunaan fungsi lda.
> lda(x, ...)

atau
> lda(formula, data, ..., subset, na.action)
atau > lda(x, grouping, prior = proportions, tol = 1.0e-4, method, CV = FALSE, nu, ...)
> lda(x, grouping, ..., subset, na.action)
keterangan: formula : adalah model atau fungsi yang digunakan. Contoh G ~ x1 + x2 + ... dalam hal ini G adalah variabel respon berupa data nominal yang menjelaskan kelompok dan x1, x2, adalah variabelnya. data x : berupa data frame dari variabel-variabel yang digunakan dalam formula : berupa matriks atau data frame dari variabel-variabel penjelas. Opsi ini digunakan apabila formula tidak didefinisikan grouping : suatu faktor yang mendefinisikan kelompok dari tiap pengamatan Opsi ini digunakan apabila formula tidak didefinisikan prior tol : adalah fungsi peluang prior dari keanggotaan kelompok. : nilai toleransi yang digunakan apabila diperoleh matriks singular. Variabel dan kombinasi linier varians unit variabel yang nilainya kurang dari Nilai kuadrat tol berguna akan ditolak atau dikeluarkan. na.action method : suatu fungsi untuk penanganan data hilang : bernilai "moment" untuk penaksir baku bagi rata-rata dan varianas, "mle untuk penaksir kemungkinan maksimum, "mve" untuk digunakan dalam cov.mve, atau "t" untuk penaksir robust berdasarkan distribusi t. CV Nu : bernilai TRUE untuk menampilkan cross-validation. : derajat bebas untuk metode "t". Bertho Tantular - 40
Hasil yang dapat ditampilkan adalah sebagai berikut prior means scaling : prior probabilities yang digunakan. : rata-rata kelompok. : menampilkan matriks yang mentransformasikan pengamatan menjadi fungsi diskriminan. svd : menampilkan dekomposisi nilai singular yaitu ratio simpangan baku antar kelompok dengan simpangan baku dalam kelompok. Kuadrat dari nilai ini adalah nilai statistik F. n call : banyak pengamatan yang digunakan. : fungsi yang dihasilkan.
Untuk analisis diskriminan linier data Ikan salmon dapat menggunakan perintah-perintah berikut
> library(MASS) > fit <- lda(Ikan.Salmon ~ AirTawar + AirLaut, data=salmon, na.action="na.omit") Call: lda(Ikan.Salmon ~ AirTawar + AirLaut, data = salmon, na.action = "na.omit")
Prior probabilities of groups: Alaska Kanada 0.5 0.5
Group means: AirTawar AirLaut Alaska Kanada 98.38 137.46 429.66 366.62

Coefficients of linear discriminants: LD1 AirTawar AirLaut 0.04458572 -0.01803856
Kemudian apabila ingin mengetahui akurasi dari analisis diskriminan yang telah dibuat lakukan prosedur berikut ini
# Menampilkan tabel keanggotaan sebenarnya dan hasil prediksi > fit <- lda(Ikan.Salmon ~ AirTawar + AirLaut, data=salmon, na.action="na.omit",CV=T) > ct <- table(salmon$Ikan.Salmon, fit$class) > ct Alaska Kanada Alaska Kanada 44 1 6 49
# Menentukan persentase ketepatan keanggotaan untuk tiap kategori > diag(prop.table(ct, 1)) Alaska Kanada 0.88 0.98
# Menentukan Total persentase ketepatan keanggotaan > sum(diag(prop.table(ct))) [1] 0.93
Secara umum kekeliruan dalam klasifikasi sebesar 7% cukup kecil. Artinya hanya sekitar 7 dari 100 ekor Ikan Salmon Alaska yang diklasifikasikan sebagai Ikan Salmon Kanada dan Ikan Salmon Kanada yang diklasifikasikan sebagai Ikan Salmon Alaska. Bertho Tantular - 42
Fungsi Diskriminan Kuadratik Untuk memperoleh fungsi diskriminan kuadratik dapat melalui fungsi qda( ) atau lda( ). Fungsi diskriminan kuadratik tidak mengasumiskan homogenitas matriks varians-kovarians. Kedua fungsi ini ada didalam paket MASS. Uraian berikut adalah penjelasan mengenai penggunaan fungsi qda.
> qda(x, ...)
atau
> qda(formula, data, ..., subset, na.action)
atau > lda(x, grouping, prior = proportions, tol = 1.0e-4, method, CV = FALSE, nu, ...)
> qda(x, grouping, ..., subset, na.action)
keterangan: formula : adalah model atau fungsi yang digunakan. Contoh G ~ x1 + x2 + ... dalam hal ini G adalah variabel respon berupa data nominal yang menjelaskan kelompok dan x1, x2, adalah variabelnya. data x : berupa data frame dari variabel-variabel yang digunakan dalam formula : berupa matriks atau data frame dari variabel-variabel penjelas. Opsi ini digunakan apabila formula tidak didefinisikan grouping : suatu faktor yang mendefinisikan kelompok dari tiap pengamatan Opsi ini digunakan apabila formula tidak didefinisikan Bertho Tantular - 43

prior tol : adalah fungsi peluang prior dari keanggotaan kelompok. : nilai toleransi yang digunakan apabila diperoleh matriks singular. Variabel dan kombinasi linier varians unit variabel yang nilainya kurang dari Nilai kuadrat tol berguna akan ditolak atau dikeluarkan. na.action method : suatu fungsi untuk penanganan data hilang : bernilai "moment" untuk penaksir baku bagi rata-rata dan varianas, "mle untuk penaksir kemungkinan maksimum, "mve" untuk digunakan dalam cov.mve, atau "t" untuk penaksir robust berdasarkan distribusi t. CV Nu : bernilai TRUE untuk menampilkan cross-validation. : derajat bebas untuk metode "t".
Hasil yang dapat ditampilkan adalah sebagai berikut prior means scaling : prior probabilities yang digunakan. : rata-rata kelompok. : menampilkan matriks yang mentransformasikan pengamatan menjadi fungsi diskriminan. svd : menampilkan dekomposisi nilai singular yaitu ratio simpangan baku antar kelompok dengan simpangan baku dalam kelompok. Kuadrat dari nilai ini adalah nilai statistik F. n call Ldet Lev class posterior : banyak pengamatan yang digunakan. : fungsi yang dihasilkan. : menampilkan vektor setengah log determinan matriks dispersi. : menampilkan tingkatan dari faktor kelompok : menampilkan mapping klasifikasi : menampilkan distribusi posterior
Berikut contoh penggunaan analisis diskriminan kuadratik dengan banyak kelompok adalah 3 dan banyak variabel adalah 4 dan ketiga kelompok mempunyai nilai peluang prior yang sama Bertho Tantular - 44
> library(MASS) > fit <- qda(G ~ x1 + x2 + x3 + x4, data=na.omit(mydata), prior=c(1,1,1)/3))
Menggambarkan Hasil Semua pengamatan dapat diplot kedalam sebuah gambar dua dimensi dengan mengambil dua fungsi diskriminan pertama
# Menggambarkan Histogram kedua kategori plot(fit) # fit from qda
Menggambarkan scatterplot bagi kedua variabel untuk memperlihatkan keanggotaan kedua kategori. Fungsi partimat( ) dalam paket klaR dapat menggambarkan hasil dari fungsi Bertho Tantular - 45

diskriminan linier dua variabel. Perintah-perintah berikut adalah langkah-langlahnya
# Grafik Eksplorasi untuk Analisis Diskriminan Linier > library(klaR) > partimat(Ikan.Salmon ~ AirTawar + AirLaut, data=salmon, method="lda")
Selain itu juga bisa dibuat scatterplot dengan menggunakan warna untuk masing-masing kategori. Untuk itu gunakan perintah-perintah berikut ini.
# Scatterplot > pairs(salmon[c("AirTawar","AirLaut")], main="Plot Analisis Diskriminan Ikan Salmon", pch=22, bg=c("red", "blue")[unclass(salmon$Ikan.Salmon)])
Dari Gambar diatas menunjukkan perbedaan kelompok Ikan Salmon dilihat dari dua variabel diameter ikan pada saat hidup di air tawar dan diameter ikan pada saat hidup di air laut. Warna merah adalah Ikan Salmon yang berasal dari Alaska dan warna biru menunjukkan Ikan Salmon yang berasal dari Kanada.
MODUL V ANALISIS KLASTER

1. Pendahuluan Secara sederhana Analisis Klaster digunakan untuk menentukan pengelompokkan objek atau pengamatan yang didasarkan atas kemiripan objek. Objek yang berada dalam satu kelompok merupakan objek yang mirip satu sama lain dan sebaliknya yang berbeda kelompok merupakan objek yang tidak mirip satu sama lain.Berbagai metode digunakan untuk menentukan keanggotaan kelompok dalam analisis klaster. Secara umum analisis klaster dibagi menjadi dua yaitu Analisis Klaster Hierarki dan Analisis Klaster Non-Hirarki. Data yang digunakan dalam Analisis Klaster dapat berupa data pengamatan yang berdistribusi Multivariat atau bisa berupa sebuah matriks simetris proximity yaitu kemiripan antar objek (similarity) atau ketakmiripan antar objek (dissimilarity). Matriks korelasi bisa digunakan sebagai matriks proximity sebagai ukuran kemiripan sedangakn matriks jarak (misalnya Euclidian Distance) sebagai ukuran ketakmiripan.
2. Analisis Klaster Dalam R Software R memiliki beragam fungsi untuk analisis klaster. Dalam bagian ini akan dijelaskan tiga pendekatan dalam analisis klaster yaitu: Analisis Klaster hierarki agglomerative dan Metode partitioning (K-means). Beberapa pendekatan dalam penentuan banyak klaster akan dijelaskan pula dalam bagain ini. Ilustrasi berikut merupakan penjelasan mengenai penggunaan software R untuk analisis klaster hierarki. Data berikut dikumpulkan pada 22 perusahaan publik di Amerika Serikat pada tahun 1975, pada tiap perusahaan diukur variabel-variabel berikut ini: X1 X2 X3 X4 : Fixed-charge coverage ratio (income/debt) : Rate of Return on capital : Cost per KW capacity in place : Annual load factor Bertho Tantular - 48

X5 X6 X7 X8 : Peak kWh demand grouth from 1974 to 1975 : Sales (kWh use per year) : Percent nuclear : Total Fuel cost (cents per kWh)
Sumber : Johnson & Wichern 2002 halaman 687 Dengan menggunakan data tersebut perusahaan-perusahaan akan dikelompokkan berdasarkan kedelapan variabel yang telah diukur. Hal pertama yang harus dilakukan adalah mempersiapkan data agar dapat dianalisis. Baris-baris berikut beberapa hal yang dapat dilakukan untuk mempersiapkan data
> dataku <- na.omit(dataku) > dataku <- scale(dataku)
# Menghilangkan/menghapus data hilang # membakukan variabel-variabel
2. Analisis Klaster Hierarki Analisis Klaster Hierarki merupakan metode pengelompokkan yang didasarkan atas konsep kedekatan antar objek. Oleh karena itu matriks jarak merupakan input yang diperlukan dalam analisis ini. Beberapa metode dalam Analisis Klaster Hierarki adalah sebagai berikut 1. Metode Agglomerative / Metode Pautan (Linkage Method) a) Pautan Tunggal (Single Linkage) b) Pautan Lengkap (Complete Linkage) c) Pautan Rata-rata (Average Linkage) d) Metode Ward 2. Metode Divisive Dalam Analisis Klaster Hierarki baik metode agglomerative maupun metode Divisive menghasilkan suatu diagram dua dimensi yang disebut sebagai dendogram. Dalam R untuk semua metode agglomerative dalam Analisis Klaster Hierarki dapat menggunakan baris-baris perintah berikut ini

# Membuat Matriks Jarak d <- dist(dataku, method =....)
Dalam hal ini metode diisi dengan jarak yang digunakan yaitu "euclidean", "maximum", "manhattan", "canberra", "binary" atau "minkowski"
# Analisis Klaster Hierarki fit <- hclust(d, method=....) plot(fit) groups <- cutree(fit, k=k) Klaster # d adalah matriks jarak # Menggambarkan dendogram # Memotong Dendogram untuk k
Dalam hal ini metode diisi dengan metode klaster yang digunakan yaitu "ward", "single", "complete" atau "average". Apabila tidak ingin terlihat tahap dalam dendogramnya gunakan perintah berikut
> plot(fit, hang= -1)
# Menggambarkan Dendogram dengan warna dan banyak klaster ditentukan

rect.hclust(fit, k=5, border="red")
Analisis Klaster untuk data pada ilustrasi diatas menggunakan software R adalah sebagai berikut Menggunakan metode Single Lingkage
> publik<-read.csv("public.csv") > str(publik) 'data.frame': $ x1 $ x2 $ x3 22 obs. of : num : num : int 8 variables:
1.06 0.89 1.43 1.02 1.49 1.32 1.22 1.1 1.34 1.12 ... 9.2 10.3 15.4 11.2 8.8 13.5 12.2 9.2 13 12.4 ... 151 202 113 168 192 111 175 245 168 197 ...

$ x4 $ x5 $ x6 $ x7 $ x8 : num : num : int : num : num 54.4 57.9 53 56 51.2 60 67.6 57 60.4 53 ... 1.6 2.2 3.4 0.3 1 -2.2 2.2 3.3 7.2 2.7 ... 9077 5088 9212 6423 3300 11127 7642 13082 8406 6455 ... 0 25.3 0 34.3 15.6 22.5 0 0 0 39.2 ... 0.63 1.56 1.06 0.7 2.04 1.24 1.65 0.31 0.86 0.62 ...
> publik1 <- scale(publik) > d <- dist(publik1, method ="euclidean") > fit <- hclust(d, method="single") > plot(fit)
Apabila menggunakan metode Complete Linkage

> fit2 <- hclust(d, method="complete") > plot(fit2)
Apabila menggunakan metode Average Linkage

> fit3 <- hclust(d, method="average") > plot(fit3)
Apabila menggunakan metode Ward

> fit3 <- hclust(d, method="complete") > plot(fit3)
Dari keempat metode yang digunakan terlihat menghasilkan Dendogram yang berbedabeda, sehingga kita harus memilih metode yang dapat mengelompokkan data dengan jelas. Katakan saja dalam kasus ini kita akan menggunaka metode Ward untuk mengelompokkan data kita. Selanjutnya kita akan mengelompokkan data dengan cara memotong dendogram menjadi 3 klaster menggunakan perintah berikut ini
> groups<-cutree(fit, k=3) > rect.hclust(fit, k=3, border=red)
Dari hasil dendogram tersebut terlihat bahwa setiap kotak merupakan sebuah klaster dengan anggotanya adalah setiap bilangan yang ada dalam kotak tersebut yang menyatakan objek atau pengamatan. Klaster 1 beranggotakan objek ke 2, 4, 5, 7, 10, 12, 13, 15, 17, 20, 21 Klaster 2 beranggotakan objek ke 1, 3, 6, 9, 14, 18, 22 Klaster 3 beranggotakan objek ke 8, 11, 16, 19 Salah satu kelebihan software R dalam Analisis Klaster adalah bisa menampilkan pvalue dari Analisis Klaster Hierarki berdasarkan metode bootstrap. Fungsi pvclust( ) dalam paket pvclust yang digunakan untuk hal tersebut. Klaster-klaster yang sangat didukung oleh data memiliki p-values yang tinggi. Tetapi perlu diperhatikan dalam paket pvclust yang dikelompokkan adalah kolom bukan baris, sehingga data kita harus ditranspos terlebih dahulu. Berikut perintah yang digunakan untuk fungsi pvclust Bertho Tantular - 55
> library(pvclust) > fit <- pvclust(mydata, method.hclust="ward",method.dist="euclidean") > plot(fit) > pvrect(fit, alpha=.95) # Menggambarkan dendogram dengan p values # Menambahkan kotak diantara kelompok yang sangat didukung oleh data
Dalam modul ini tidak akan dibahas lebih lanjut mengenai penggunaan fungsi pvclust() ini.
3. Analisis Klaster Non Hierarki Salah satu metode analisis klaster non hierarki atau disebut juga metode partioning yang paling populer adalah Analisis Klaster K-means. Pada metode ini banyaknya klaster secara pasti harus sudah diketahui. Sebuah cara sederhana yang dapat digunakan untuk menentukan banyak klaster yang akan digunakan adalah plot dari jumlah kuadrat dalam klaster (within sum of squares) dengan banyak klaster yang mana hasilnya mirip dengan screeplot dalam analisis faktor. Berikut adalah perintah-perintah yang digunakan dalam Analisis Klaster K-Means
# Menentukan Banyak Klaster > wss <- (nrow(dataku)-1)*sum(apply(dataku,2,var)) > for (i in 2:15) wss[i] <- sum(kmeans(dataku, centers=i)$withinss) > plot(1:15, wss, type="b", xlab="Banyak Klaster",ylab="Jumlah Kuadrat dalam Klaster")
# Analisis Klaster K-Means > fit <- kmeans(dataku, banyak_klaster)
# Menentukan Rata-rata Klaster > aggregate(dataku,by=list(fit$cluster),FUN=mean)
# Keanggotaan Klaster > agt_klaster<- data.frame(dataku, fit$cluster)
Data sebelumnya digunakan untuk contoh penggunaan analisis klaster K-means. Berikut Bertho Tantular - 56

adalah hasil yang diperoleh dari software R
> wss <- (nrow(publik1)-1)*sum(apply(publik1,2,var)) > for (i in 2:15) wss[i] <- sum(kmeans(publik1, centers=i)$withinss) > plot(1:15, wss, type="b", xlab="Banyak Klaster",ylab="Jumlah Kuadrat dalam Klaster")
Dari gambar diatas banyak klaster yang dapat diambil adalah 6 yaitu titik pada saat kurva mulai melandai. Sehingga analisis klaster K-means adalah sebagai berikut
> fit <- kmeans(publik1, 6) > fit K-means clustering with 6 clusters of sizes 6, 1, 4, 3, 5, 3
Cluster means: x1 x7 1 0.04105853 -0.4469734 0.4285248 0.7485504 -0.3712261 -0.8536317 x2 x3 x4 x5 x6
-0.2997473 2 -1.91907572 -1.9323833 -0.7812761 -0.2203441 3 -0.13056613 -0.7146294 4 -0.60027572 -0.8331800 -0.7146294 5 -0.01133215 1.5650384 6 1.35082566 1.4394973 -0.9107532 0.1844205 -0.1413963 0.1880632 0.3313815 0.2189339 -0.3580408 0.1664686 -0.4018738 1.3389101 -0.4805802 0.9917178 1.8565214 0.2845910 -1.0422533 -0.7290215 -0.7507124 0.4747076 1.1034665 1.8468982 -0.9014253
-0.2679860 x8 1 2 1.2132359 1.4679800
3 -0.6493932 4 -0.9655756 5 -0.5963464 6 -0.0904546
Clustering vector: [1] 3 1 6 5 1 6 1 4 6 5 4 1 5 3 1 4 2 3 3 5 1 5
Within cluster sum of squares by cluster: [1] 23.335588 0.000000 7.182296 9.534465 10.190007 10.152177
Available components:

[1] "cluster" "centers" "withinss" "size"
> aggregate(publik1,by=list(fit$cluster),FUN=mean) Group.1 1 2 3 4 5 6 1 x1 x2 x3 0.4285248 x4 x5 x6
0.04105853 -0.4469734
0.7485504 -0.3712261 -0.8536317 1.1034665 1.8468982 -0.9014253 0.4747076 1.8565214
2 -1.91907572 -1.9323833 -0.7812761 3 -0.13056613
0.2845910 -1.0422533 -0.7290215 -0.7507124 1.3389101 -0.4805802 0.2189339 -0.3580408 0.9917178
4 -0.60027572 -0.8331800 5 -0.01133215 6 1.35082566 x7 x8 1.2132359 1.4679800 0.3313815
0.1664686 -0.4018738 0.1880632
1.4394973 -0.9107532
0.1844205 -0.1413963
1 -0.2997473 2 -0.2203441
3 -0.7146294 -0.6493932 4 -0.7146294 -0.9655756 5 1.5650384 -0.5963464
6 -0.2679860 -0.0904546
> agt_klaster<- data.frame(publik1, fit$cluster) > agt_klaster x1 1 2 3 4 5 6 7 8 9 10 x2 x3 x4 x5 x6 0.04590290
-0.29315791 -0.68463896 -0.417122002 -0.57771516 -0.52622751 -1.21451134 -0.19445367 1.71214073 -0.50994695 0.821002037
0.20683629 -0.33381191 -1.07776413 0.05101929 0.08393124
2.07822360 -1.339645796 -0.89153574
0.20660702 -0.004413989 -0.21906307 -0.94312798 -0.70170610 0.578232617 -1.29501935 -0.71864311 -1.58142837 0.67756716 -1.74485965 0.62337028
2.03732429 -0.86288816 1.11597086 0.57399826
1.23153991 -1.388199680 0.65223002 0.165524604 1.864910540
2.38116460 -0.33381191 -0.35832428 0.00509449 0.76723019 0.01895002 1.17407698
-0.07636887 -0.68463896 1.22436538 0.03202565
1.00872841 -0.004413989 0.74135462
1.26965142 -0.14311204
0.699617327 -0.89153574 -0.17346558 -0.69269198

11 -1.97327298 -1.44219805 12 13 0.08622291 0.19461744 0.07292013 0.87504152 0.116970720 -1.22777208 0.238355430 1.12588228 1.04516655 2.40196983
0.14722709 -0.77748109 1.01309729 -0.48874740 0.21379097
0.748171211 -0.73462545
14 -0.13056613
0.56310542 -1.752353809 -1.60883993 -0.59036605
15 -0.83513051 -1.39763576 -0.101521757 16 0.24881470 -0.37270287
1.17071379 -1.07140505 -0.68902999 1.91103676 1.99351729
2.034849134 -0.21906307 1.10346652
17 -1.91907572 -1.93238335 -0.781276132 18 -0.34735517 19 20 0.24881470 0.46560374
1.84689822 -0.90142531 0.34534086 1.29379583
0.83047922 -0.441398944 -0.06215278 -0.17346558 0.42941852 -1.558138274 -0.66737818 -1.71279038 0.47398082 -0.489952828 0.869555920 0.65515141 0.90172472
0.08308855 -0.45832473 0.08308855 -0.63776215 0.85275095 0.33210137
21 -0.40155243 -0.95201276 22 -0.23896065 -0.64007666 x7 1 2 3 4 5 6 7 8 9 10
0.141247662 -0.60013092
x8 fit.cluster 3 1 6 5 1 6 1 4 6 5 4 1 5 3 1 4 2 3
-0.7146294 -0.85168995 0.7920476 0.82063024
-0.7146294 -0.07846664 1.3280197 -0.72581638 0.2143888 0.6253007 -0.7146294 1.68376323 0.24520824 0.98246767
-0.7146294 -1.42711195 -0.7146294 -0.43810539 1.6198267 -0.86967188
11 -0.7146294 -0.59994282 12 -0.7146294 13 1.43201611
2.2749037 -1.03150932
14 -0.7146294 -0.92361770 15 -0.6610322 0.53291924
16 -0.7146294 -0.86967188 17 -0.2203441 18 -0.7146294 1.46797999 0.01144305

19 -0.7146294 -0.83370801 20 1.7329764 -0.72581638 1.82761873 0.37108180 3 5 1 5
21 -0.7146294 22 0.8694658
Menggambarkan Hasil Dalam software R memungkinkan kita untuk menggambarkan hasil analisis klaster Kmeans. Untuk itu harus menggunakan paket Cluster dan paket fpc.Perintah-perintah berikut yang digunakan untuk menggambarkan klaster yang terbentuk
> library(cluster) > clusplot(publik1, fit$cluster, color=TRUE, shade=TRUE, labels=2, lines=0)
Dari gambar terlihat dengan jelas anggota dari masing-masing klaster dari warna dan bentuk titik masing-masing klaster.
> library(fpc) > plotcluster(publik1, fit$cluster)
Terlihat dari gambar keanggotaan tiap klaster dengan menggunakan angka dan warna untuk masing-masing klaster tetapi objek yang menjadi anggota klasternya tidak terlihat. Fungsi lain yang dapat digunakan untuk analisis klaster adalah metode validasi dari klaster atau lebih tepatnya perbandingan dari dua metode klaster. Fungsi cluster.stats() dalam paket fpc adalah suatu metode membandingkan kesamaan dua hasil klaster menggunakan kriteria validasi Hubert's gamma coefficient, the Dunn index dan the corrected rand index. Baris-basris berikut adalah metode validasi secara umum
# membandingkan 2 hasil klaster > library(fpc) > cluster.stats(d, fit1$cluster, fit2$cluster)
dengan d adalah matriks jarak fit1 dan fit2 adalah hasil dari dua metode klaster yang digunakan untuk data yang sama. Bertho Tantular - 63

4. Multidimensioal Scalling Multidimensional scalling adalh suatu teknik statistika multivariat yang bertujuan untuk menganalisis kemiripan (similarity) dan ketakmiripan (dissimilarity) antar objek. Hasil dari analisis multidimensional scalling adalah berupa gambar titik-titik yang mana jarak antar titik menunjukkan kemiripan atau ketakmiripan. Selain itu penggunaan multidimensional scalling juga dapat memberikan petunjuk untuk mengidentifikasi peubah yang tidak diketahui atau faktor yang memengaruhi munculnya kemiripan atau ketakmiripan. Dalam software R fungsi yang digunakan untuk multidimensoinal scalling dibedakan menjadi dua yaitu classical multidimensional scalling (Classical MDS) dan nonmetric multidimensional (kolom). scaling (Nonmetric MDS). Input data yang dibutuhkan dalam multidimensional scalling adalah N objek yang diukur (baris) dalam p variabel numerik
Classical MDS Untuk classical MDS dapat digunakan fungsi cmdscale( ) dengan perintah-perintah sebagai berikut:
> d <- dist(dataku) > fit <- cmdscale(d,eig=TRUE, k=2) > fit
# jarak euclidean antar baris # dalam 2 dimensi # menampilkan hasil
Input data adalah dataku dengan N baris dan p kolom
# Menggambarkan hasil > x <- fit$points[,1] > y <- fit$points[,2] > plot(x, y, xlab="Nama Koordinat 1", ylab="Nama Koordinat 2", main="Classical MDS", type="n") > text(x, y, labels = row.names(dataku), cex=.7)
Data mengenai jarak udara antar 12 kota terpilih di amerika serikat sebagai ilustrasi penggunaan classical MDS dalam software R. Data yang digunakan sebenarnya antar kota. (Johnson & Wichern 2002, halaman 703) Hal pertama yang mesti dilakkukan adalah menginput data berupa matriks simetris kemudian diberi nama misalkan airline.csv (dalam format .csv). Kemudian lanjutkan dengan perintah-perintah berikut ini sehingga keluar output yang diinginkan telah berupa jarak
> airline<-read.csv("airline.csv") > names(airline)<c("Atlanta","Boston","Cincinati","Columbus","Dallas","Indianapolis","Little Rock","Los Angeles","Memphis","St.Louis","Spokane","Tampa") > d<-as.dist(airline) > d Atlanta Boston Cincinati Columbus Dallas Indianapolis Little Rock Boston Cincinati Columbus Dallas Indianapolis Little Rock Los Angeles 1701 Memphis 137 St.Louis 353 Spokane 1988 Tampa 467 1379 928 985 1077 975 2467 2747 2067 2131 1891 1959 558 1178 338 409 645 234 366 1355 502 586 464 436 1068 461 549 805 508 505 2197 867 769 1819 941 1494 3052 107 943 108 618 2186 1050 172 725 2245 882 325 1403 562 2080

912 Los Angeles Memphis St.Louis Spokane Boston Cincinati Columbus Dallas Indianapolis Little Rock Los Angeles Memphis St.Louis Spokane Tampa 1831 1848 1227 2480 294 2042 779 1820 1016 2821
> fit <- cmdscale(d,eig=TRUE, k=2) > fit $points [,1] Atlanta Boston Cincinati Columbus Dallas Indianapolis Little Rock Los Angeles Memphis St.Louis Spokane Tampa -539.553369 [,2] 295.5910
-1110.896190 -710.4137 -361.088094 -232.6231 -420.410259 -287.8358 275.413193 490.9508
-254.115644 -237.7739 3.782515 1704.311998 -118.427684 289.5550 480.7388 223.8966
-55.803594 -110.0129 1654.001584 -817.4730 -777.214456 615.4001
Output diatas adalah koordinat yang diperlukan untuk menggambarkan ke 12 kota dalam 2 dimensi. Untuk menampilkan gambarnya lanjutkan dengan perintah-perintah berikut ini Bertho Tantular - 66
> y <- fit$points[,1] > x <- fit$points[,2] > plot(x, y, main="Classical MDS", type="p", pch=20) > text(x, y, labels = names(airline), cex=0.7, pos=3)
Gambar diatas menunjukkan setiap titik-titik yang berdekatan menunjukkan lokasi kota yang juga berdekatan begitu pula sebaliknya. Dalam ilustrasi ini memperlihatkan kemiripan antar objek adalah kedekatan jarak sebenarnya secara geografis.
Nonmetric MDS Selain untuk data metrik multidimensional scalling juga dapat dilakukan untuk data Bertho Tantular - 67

nonmetrik yang disebut Nonmetric MDS. Dalam software R Nonmetrik MDS dapat dianalisis menggunakn fungsi isoMDS( ) dalam paket MASS. Baris perintah berikkut adalah tahapan dalam Nonmetric MDS
> library(MASS) > d <- dist(dataku) > fit <- isoMDS(d, k=2) > fit # Menggambarkan hasil x <- fit$points[,1] y <- fit$points[,2] plot(x, y, main="Nonmetric MDS", type="p", pch=20) text(x, y, labels = row.names(mydata), cex=.7) # jarak euclidean antar baris # MDS dalam 2 dimensi # menampilkan hasil
5. Analisis Korespondensi Analisis Korespondensi adalah suatu prosedur grafis untuk menjelaskan asosiasi dalam tabel frekuensi terutama pada tabel frekuensi dua arah atau disebut juga tabel kontingensi. Dalam tabel kontingensi terdiri atas I baris dan J kolom. Analisis korespondensi menghasilkan titik-titik yang diplotkan dalam grafik yang terdiri atas dua set yaitu sebanyak I titik pada set pertama yang menyatakan baris dan sebanyak J titik pada set kedua yang menyatakan kolom. Posisi titik pada grafik menyatakan asosiasi antara keduanya. Analisis Korespondensi secara umum merupakan metode grafik dalam eksplorasi hubungan antara dua variabel dalam tabel kontingensi, tentunya variabel yang digunakan besifat kategori. Grafik yang dihasilkan dalam analisis korespondensi merupakan grafik mdua dimensi. Dengan titik-titik merupakan kategori dari masing-masing variabel. Dalam software R ada beberapa fungsi yang dapat digunakan untuk analisis korespondensi salah satunya adalah paket ca. Paket yang dibuat oleh Nenadic dan Greenacre ini menghasilkan nilai-nilai yang diperlukan dalma analisis korespondensi selain itu juga menghasilkan grafik yang sesuai. Paket ca dapat menganalisis multiple correspondence yaitu apabila variabel kategorinya lebih dari dua. Tetapi dalam modul ini hanya dibahas untuk analisis Bertho Tantular - 68

korespondensi sederhana yaitu dua variabel kategori saja. Ilustrasi berikut merupakan contoh data yang akan digunakan dalam analisis korespondensi mengunakan software R. Data yang digunakan mengenai situs-situs arkeologi yang ada di amerika selatan. Ada 7 kategori situs (P0, P1, P2, P3, P4, P5, P6) yang digunakan dalam penelitian ini dan dibagi dalam 4 tipe pottery (A, B, C, D) yang berbeda. (Johnson & Wichern 2002, halaman 709). Untuk menganalisis korespondensi data tersebut menggunakan software R pertama-tama input data dan simpan dengan format csv kemusian gunakan perintah-perintah berikut ini
> situs<-read.csv(situs.csv) > tabel1<-xtabs(y~Situs+Tipe, data=situs) kontingensi > tabel1 # Membuat tabel
Tipe Situs P0 P1 P2 P3 P4 P5 P6 A 30 53 73 20 46 45 16 B 10 4 1 6 36 6 C 10 16 41 1 37 59 D 39 2 1 4 13 10 5
28 169
> prop.table(tabel1, 1)
# Menhitung proporsi tiap baris
Tipe Situs A B C D
P0 0.33707865 0.11235955 0.11235955 0.43820225 P1 0.70666667 0.05333333 0.21333333 0.02666667

P2 0.62931034 0.00862069 0.35344828 0.00862069 P3 0.64516129 0.19354839 0.03225806 0.12903226 P4 0.34848485 0.27272727 0.28030303 0.09848485 P5 0.37500000 0.05000000 0.49166667 0.08333333 P6 0.07339450 0.12844037 0.77522936 0.02293578
> prop.table(tabel1, 2)
# Menampilkan proporsi tiap kolom
Tipe Situs A B C D
P0 0.106007067 0.109890110 0.030030030 0.527027027 P1 0.187279152 0.043956044 0.048048048 0.027027027 P2 0.257950530 0.010989011 0.123123123 0.013513514 P3 0.070671378 0.065934066 0.003003003 0.054054054 P4 0.162544170 0.395604396 0.111111111 0.175675676 P5 0.159010601 0.065934066 0.177177177 0.135135135 P6 0.056537102 0.307692308 0.507507508 0.067567568
> library(ca) Loading required package: rgl > fit <- ca(tabel1) > fit Principal inertias (eigenvalues): 1 Value 2 3 # Analisis Korespondensi # Menampilkan hasil
0.283588 0.170107 0.058786 33.19% 11.47%
Percentage 55.34%
Rows: P0 Mass P1 P2 P3 P4 0.169014 P5 0.153649 P6 0.279129
0.113956 0.096031 0.148528 0.039693

ChiDist Inertia Dim. 1 Dim. 2 1.215782 0.718887 0.622375 0.805202 0.168442 0.049628 0.057532 0.025735 1.726644 0.710109 0.258106 1.314784 0.510045 0.043968 0.223132 0.007650 0.755982 0.159525
0.278019 -0.147142 -1.360869 0.209840 -0.514610
-1.823771 1.482365 1.420528 0.535927 -0.327672
Columns: A Mass 0.362356 B 0.116517 0.727924 0.061739 C 0.426376 0.578220 0.142554 D 0.094750 1.355601 0.174118 1.766557
ChiDist 0.608270 Inertia 0.134069 Dim. 1 Dim. 2
0.789392 -0.014957 -1.059346
1.065840 -0.869081 -0.163493 -2.271664
> summary(fit)
# Menampilkan hasil lainnya
Principal inertias (eigenvalues): dim 1 2 3 value 0.283588 0.170107 0.058786 % cum% 55.3 88.5 scree plot ************************* ************
55.3 33.2
11.5 100.0
-------- ----Total: 0.512481 100.0
Rows: name 1 | 2 | 3 | 4 | 5 | P0 | P1 | P2 | P3 | P4 | mass 114 qlt 955 inr 329 | 97 | 112 | 50 | 86 | k=1 cor ctr k=2 cor ctr
919 572 340 | -752 383 379 | 378 277 137 49 48 | 10 | 69 | 611 723 211 | 586 886 300 | 221 75 70 11 | 18 |
96 1000 149 40 169 935 831 154
700 756 148 84
13 | -135

6 | 7 | P5 | P6 | 154 279 274 998 15 | -78 123 3 | 87 150 79 7 | 74 |
311 | -725 919 517 | -212
Columns: name 1 | 2 | 3 | 4 | A | B | C | D | mass qlt inr 262 | 120 | k=1 cor ctr 420 478 226 | -8 0 k=2 cor ctr 440 522 412 | 88 | 11 |
362 1000 117 426 95 243 965 959
0 | -358 242 -67 14
278 | -564 952 478 | 340 |
941 482 296 | -937 478 489 |
> plot(fit)
Titik-titik baris (berbentuk bulat) pada gambar yang berdekatan memiliki profil kolom yang mirip begitupun sebaliknya titik-titik kolom (berbentuk segitiga) pada gambar yang berdekatan memiliki profil baris yang mirip. Tetapi kita tidak dapat menginterpretasikan jarak Bertho Tantular - 72

antar titik-titik kolom dan baris secara langsung.
# Untuk menggambarkan dengan warna yang berbeda antar kelompok > plot(fit, mass = TRUE, contrib = "absolute", map ="rowgreen")
6. Analisis Biplot Analisis Biplot adalah representasi grafis mengenai informasi yang ada dalam matriks data berdimensi n x p. Dalam Biplot meliputi dua macam informasi yang ada dala matriks data yaitu informasi mengenai baris yang berarti unit-unit sampling dan informasi mengenai kolom yang berarti variabel-variabel. Apabila hanya dua variabel saja maka untuk merepresentasikan kedua informasi ini dapat menggunakan scatter plot. Tetapi untuk variabel lebih dari dua diperlukan suatu alat yang dapat memberikan informasi mengenai kedua hal tadi yaitu analisis biplot. Secara umum Biplot dapat menyajikan posisi relatif n objek pengamatan dengan p Bertho Tantular - 73

variabel secara simultan dalam grafik dua dimensi. Sehingga dari penggambaran tersebut dapat diperoleh informasi mengenai hubungan diantara variabel-variabel, kesamaan relatif dari titiktitik data individu dan posisi relatif antara individu dengan variabel. Ilustrasi berikut akan memberikan gambaran mengenai penggunaan Biplot. Data yang digunakan mengenai 25 Universitas di Amerika Serikat. Dari 25 universitas tersebut diukur variabel-variabel yang mendukung pada ranking universitas. Variabel yang digunakan adalah sebagai berikut: X1 X2 X3 X4 X5 X6 : Rata-rata nilai mahasiswa baru : persentase mahasiswa baru berasal dari SMA favorit (10 besar) : Persentase pendaftar yang diterima : rasio mahasiswa-fakultas : Nilai harapan belanja tahunan : Tingkat kelulusan (%)
Data ini akan dibakukan karena ukuran dari variabel-variabel berbeda-beda. (Johnson & Wichern 2002, halaman 722) Dalam software R penggunaan Biplot bisa menggunakan fungsi biplot() atau fungsi bpca() yang terdapat pada paket bpca.
Penggunaan Fungsi biplot() Input data yang digunakan dalam biplot adalah nilai-nilai komponen utama. Sehingga penggunaan fungsi biplot() untuk data diatas adalah sebagai berikut
> univ<-read.csv("univ.csv") > univ2<-scale(univ) > biplot(prcomp(univ), scale=FALSE)
# membaca data # Membakukan data # Analisis biplot
Penggunaan Fungsi bpca() Input data yang digunakan dalam biplot adalah nilai-nilai komponen utama. Sehingga penggunaan fungsi biplot() untuk data diatas adalah sebagai berikut
> library(bpca) > plot(bpca(univ3, var.scale=TRUE), var.cex=1,obj.cex=1)
Secara umum hasil dari kedua fungsi ini menghasilkan gambar yang mirip, hanya saja fungsi bpca() memperlihatkan gambar yang sedikit lebih jelas dibandingkan dengan fungsi biplot().
DAFTAR PUSTAKA
Johnsom, Richard A, Wichern, Dean W. (2002) Applied Multivariate Statistical Analysis. Pearson Education International, New Jersey. Maindonald, John, Barun, W John. (2006) Data Analysis and Graphics Using R an ExampleBased Approach . Cambridge University Press. UK http://www.statmethods.net/advstats/ http://cran.r-project.org/packages/

Modul Multi

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modul Multi

Uploaded by

Copyright:

Available Formats

Praktikum Analisis Data Multivariat II Menggunakan Software R

MODUL I ANALISIS KOMPONEN UTAMA

Praktikum Analisis Data Multivariat II Menggunakan Software R

Praktikum Analisis Data Multivariat II Menggunakan Software R

Praktikum Analisis Data Multivariat II Menggunakan Software R

Praktikum Analisis Data Multivariat II Menggunakan Software R

sdev: loadings: vector. scale: n.obs: scores: na.action:

Praktikum Analisis Data Multivariat II Menggunakan Software R

summary(fit_pca) loadings(fit_pca) plot(fit_pca,type="lines") fit_pca$scores

> x1<c(98,103,103,105,109,123,123,133,133,133,134,136,138,138,141,147,149,153,155, 155,158,159,162,177,93,94,96,101,102,103,104,106,107,112,113,114,116,117,117, 119,120,120,121,125,127,128,131,135)

> x2<c(81,84,86,86,88,92,95,99,102,102,100,102,98,99,105,108,107,107,115,117,115,1 18,124,132,74,78,80,84,85,81,83,83,82,89,88,86,90,90,91,93,89,93,95,93,96,95, 95,106)

Praktikum Analisis Data Multivariat II Menggunakan Software R

c(38,38,42,42,44,50,46,51,51,51,48,49,51,51,53,57,55,56,63,60,62,63,61,67,37, 35,35,39,38,37,39,39,38,40,40,40,43,41,41,41,40,44,42,45,45,45,46,47) > x4<-rep(c(F,M),each=24)

Analisis data kura-kura jantan menggunakan fungsi princom() sebagai berikut

0.1494402 0.02394526 0.01856994

Praktikum Analisis Data Multivariat II Menggunakan Software R

> loadings(fit_pca) Loadings: Comp.1 Comp.2 Comp.3 y1 y2 y3 0.683 -0.159 0.713

0.510 -0.594 -0.622 0.523 0.788 -0.324

Praktikum Analisis Data Multivariat II Menggunakan Software R

> fit_pca$scores Comp.1 25 -0.268473390 Comp.2 0.0610685037 Comp.3 0.0004066149

26 -0.263344980 -0.0157244390 -0.0066858875 27 -0.236045707 -0.0341210935 -0.0074276738 28 -0.119923476 0.0141251769 -0.0366922244

29 -0.120728388 -0.0149572760 -0.0286045130 30 -0.152592781 -0.0089082112 31 -0.106039296 32 -0.093027430 0.0169793685

0.0165711616 -0.0083826652 0.0135333730 0.0051929344 0.0278503862

Praktikum Analisis Data Multivariat II Menggunakan Software R

0.105004626 -0.0293536649 -0.0085075394 0.152416632 0.179458559 0.179473590 0.206783903 0.0324987788 0.0055238164

0.0111082110 -0.0029094996 0.0160774637 0.0297129498 0.0091929735 0.0185740872

0.294468494 -0.0232075863 -0.0351090182

x ' =[0.0054, 0.0048, 0.0057, 0.0063, 0.0037]

dan matriks korelasinya adalah

Praktikum Analisis Data Multivariat II Menggunakan Software R

0.577 1.000 0.599 0.389 0.322

0.509 0.599 1.000 0.436 0.426

0.387 0.389 0.436 1.000 0.523

0.462 0.322 0.426 0.523 1.000

# Input matriks R dengan cara sebagai berikut

> r<c(1,.577,.509,.387,.462,.577,1,.599,.389,.322,.509,.599,1,.436,.426,.387, .389,.436,1,.523,.462,.322,.426,.523,1) > R<-matrix(r, 5, 5) > R

# Nilai eigen value dan eigen vector dapat diperoleh

> eigen(R)$value [1] 2.8567110 0.8091637 0.5396752 0.4515001 0.3429499

Praktikum Analisis Data Multivariat II Menggunakan Software R

0.6117054 -0.3866346 -0.4512622 0.6762233

0.5093047 -0.1781895 -0.2064744 0.2604483 -0.3350565

# Analisis menggunakan fungsi princomp

1.6901808 0.8995353 0.7346259 0.67193757 0.58561928

0.509 -0.178 -0.206 0.260 -0.335

Praktikum Analisis Data Multivariat II Menggunakan Software R

Praktikum Analisis Data Multivariat II Menggunakan Software R

Praktikum Analisis Data Multivariat II Menggunakan Software R

0.153 0.0245 0.0190

> fit_pca$x PC1 25 -0.268473390 PC2 PC3

0.0610685037 -0.0004066149 0.0066858875 0.0074276738 0.0366922244 0.0286045130

26 -0.263344980 -0.0157244390 27 -0.236045707 -0.0341210935 28 -0.119923476 0.0141251769

30 -0.152592781 -0.0089082112 -0.0169793685 31 -0.106039296 32 -0.093027430 0.0165711616 0.0083826652

33 -0.106371042 -0.0012452738 -0.0278503862 34 -0.006575259 -0.0167441765 0.0071889505

35 -0.006268452 -0.0114497088 -0.0061739765 36 -0.011979592 37 38 39 40 41 42 43 44 45 0.060886922 0.0008012246 -0.0267516989 0.0280465362 0.0125896593

0.105004626 -0.0293536649 0.152416632 0.179458559

0.0324987788 -0.0055238164 0.0111082110 0.0029094996

Praktikum Analisis Data Multivariat II Menggunakan Software R

Praktikum Analisis Data Multivariat II Menggunakan Software R

MODUL II ANALISIS FAKTOR

Praktikum Analisis Data Multivariat II Menggunakan Software R

Xp p = lp1 F1 + lp2 F2 + + lpm Fm + p

(pxm) (mx1) (px1)

Cov(F) = E(FF) = I Cov(e) = E(e e) = = diag(1, ., p) F dan saling bebas, Cov (, F) = E (, F) = 0

Praktikum Analisis Data Multivariat II Menggunakan Software R