You are on page 1of 21

BAHAN KAJIAN MK.

METIL TANAH

DASAR ANALISIS MULTIVARIATE

Oleh: Prof.Dr.Ir.Soemarno,M.S
JURS TANAH FPUB JANUARI 2012

Obyek Pengamatan
Variabel X1 Variabel X2 Variabel X3

Variabel X4 Variabel Xn

Multi-Variabel

Metode analisis statistik yang melibatkan multi-variabel secara simultan

Analisis multivariate

MULTIVARIATE ANALYSIS

Multivariate Analysis (MA): Metode analisis yang berkenaan dengan sejumlah besar variabel yang datanya diperoleh secara simultan dari setiap obyek pengataman Hubungan-hubungan antar variabel secara simultan ( = Analisis Peubah Ganda) Proses perhitungannya sangat kompleks Dalam proses perhitungannya menggunakan pendekatan matriks Determinan Matriks. . Pangkat Matriks. Matriks Kebalikan. Eigen Vector. dll. Eigen Value.

Matriks S bersifat simetris atau setangkup Matriks Korelasi: Matriks yang unsur-unsurnya berupa koefisien korelasi dari sekumpulan variabel. sedangkan unsur lainnya berupa koefisien korelasi antar variabel Matriks ini bersifat Simetris atau Setangkup .MATRIKS : A = 4 2 9 7 2 5 6 3 7 Matriks Kovarians: Matriks yang unsur-unsurnya berupa varian (ragam) dan kovarian (peragam) dari sekumpulan variabel. Diagonalnya berupa varians (ragam) dari setiap variabel. sedangkan unsur lainnya berupa kovarians (peragam) antar variabel. Lambangnya R . Lambangnya S. Diagonalnya berupa angka-angka 1.

dimana  adalah konstante.MATRIKS : EIGEN VALUE & EIGEN VECTOR Misalnya adadua persamaan linear: 2 X1 + 5 X2 = 2 . 4 X1 + 10 X2 = 4 dalam bahasa matriks ditulis sbb: Ax = y x= x1 x2 y= 2 4 A= 2 5 4 10 A : matriks transformasi linear Jika A x =  x. maka akar ciri dari Aadalah riil danmemiliki vektor ciri yang saling bebas (ortogonal) . maka vektor jawab x yang memenuhi hubungan ini untuk nilai x tertentu disebut Eigen Vector (Vektor Ciri) dan  disebut Eigen Value (Akar Ciri) Kalau Matriks A bersifat simetris.

Logistic Model 9. Analisis Jalur (Path Analysis) 3. Multidimentional Scalling 7. Analisis Korespondensi 6. MDS 5. Factor Analysis 3. SEM (Structural Equation Modelling) 4. Principle Component Analysis (PCA) 2. T2 Hotelling 2. Analisis Diskriminan 8. Cluster Analysis APG untuk analisis hubungan antar variabel: 1. MANOVA / MANCOVA 3. Analisis Regresi Peubah Ganda 2. Korelasi Kanonik 5.KLASIFIKASI APG: APG untuk analisis identifikasi. Cluster Analysis 4. eksplorasi. deskripsi: 1. Correspondence Analysis APG untuk analisis pembandingan: 1. Logit-Probit . prediksi.

dan satu (banyak) variabel independent: KANONIK. Analisis Kemiripan antar kasus: Cluster 3. FAktor 2. MANOVA 3. dan satu (banyak) variabel independent: RB. antar kategori dari variabel 1. banyak variabel dependent. SEM 2. Satu hubungan. Analisis saling ketergantungan antar variabel: PCA. AP. Logit-Probit APG untuk analisis Interdependensi: Saling ketergantungan antar variabel. antar obyek. AD. Analisis kemiripan antar obyek atau kategori dari variabel Multidimensional. Satu hubungan. satu variabel dependent. 1. banyak variabel dependent dan banyak variabel independent: MS. atau mempengaruhi) kelompok variabel lainnya. Korespondensi . Banyak hubungan.KLASIFIKASI APG: berdasarkan Pola Ketergantungannya APG untuk analisis Dependensi Satu kelompok variabel dipengaruhi (atau bergantung. atau antar kasus.

shg menjadi Exactidentified Output: Berupa model. setara dengan hasil analisis Regresi Kegunaan: Alat untuk eksplanasi.MODEL STRUKTURAL = Sistem Persamaan Simultan Input Data: Data dari variabel observasi atau skor dari indikator variabel latent. atau prediksi. Data yg dianalisis data mentah. setara dengan REGRESI . bukan data standardize Metode Estimasi: Model Rekursif = Metode OLS Exact identified = Metode ILS Over identified = Metode TSLS Under identified = Diberi kendala.

ANALISIS PATH = Analisis Jalur. Analisis Lintas. sehingga dapat digunakan metode OLS Output: Model Lintasan atau Jalur-Jalur. pengaruh Kegunaan: Untuk menentukan variabel mana yang berpengaruh dominan dan jalur mana yang berpengaruh lebih kuat . Sidik Lintas Input Data: Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis data standardize Metode Estimasi: Modelnya harus rekursif.

PLS Output Model struktural. dan Analisis Regresi .SEM = Sructural Equation Modelling Input Data: Data dari variabel observasi atau skor dari indikator variabel latent. Model Lintasan Pengaruh Kegunaan: Merupakan gabungan kegunaan antara analisis faktor. Analisis Path. Metode Estimasi: Maximum Likelihood (ML). TSLS. Data yg dianalisis berupa matriks kovarians atau matriks korelasi.

ANALISIS KORELASI KANONIK Keeratan hubungan antara kelompok variabel dgn kelompok variabel lainnya Input Data: Data yg digunakan adalah data hasil pengukuran (metrik) Metode Estimasi: Konsep Eigen Value & Eigen Vector Output: Koefisien Korelasi Kanonik Kegunaan: Alat untuk eksplanasi ke-eratan hubungan antar kelompok variabel .

MANOVA = Menguji perbedaan variabel dependent pada kategori-kategori dari variabel independent. . Kalau adavariabel penyerta dapat digunakan MANCOVA Input Data: Untuk variabel dependent: data hasil pengukuran (metrik) Untuk variabel independent: Data kategori (non-metrik) Metode Estimasi: Konsep dekomposisi komponen ragam (varians) Output: Tabel MANOVA Kegunaan: Untuk mengetahui apakah secara simultan dari sekumpulan variabel dependent terjadi perbedaan yang signifikan.

bukan standardize data Variabel dependent: data metrik Variabel independent: data metrik dan/atau data non-metrik Metode Estimasi: OLS Output: Model atau persamaan regresi berganda Kegunaan: Alat untuk eksplanasi atau alat untuk prediksi.REGRESI BERGANDA = Regresi Linear Berganda Input Data: Raw data. Prediksi nilai variabel dependent kalau nilai variabel independent diketahui .

faktor determinan Alat untuk menentukan variabel mana yang merupakan pembeda terkuat . bukan standardize data Variabel dependent: kategori n(non-metrik) Variabel independent: Metrik dan/atau non-metrik Metode Estimasi: Konsep Eigen Value dan Eigen Vector Output: Fungsi deskriminan Kegunaan: Alat untuk prediksi alternatif. pengelompokkan obyek.ANALISIS DISKRIMINAN Input Data: Raw data.

TOBIT. LPM Input Data: Raw data. GOMPIT.MODEL LOGIT. bukan standardize data Variabel dependent: kategori n(non-metrik) Variabel independent: Metrik dan/atau non-metrik Metode Estimasi: OLS Output: Model atau persamaan Kegunaan: Alat untuk eksplanasi odd-ratio Alat untuk prediksi peluang suatu kategori dari variabel dependent kalau nilai variabel independen diketahui . PROBIT.

Komponen Utama Nilai dari variabel komposit Kegunaan: Eksplorasi Dimensi yg terkandung dalam sekumpulan variabel Mendapatkan skor dari Komponen Utama Mapping objects Clustering objects Menghilangkan multikolinearitas pd regresi berganda .PRINCIPLE COMPONENT ANALYSIS: PCA Input Data: Matriks kovarians: kalau semua variabel punya satuan yg sama dan homogen. standardize data Metode Estimasi: Konsep Eigen Value dan Eigen Vector Output: Variabel komposit atau disebut Dimensi. dipakai raw data Matrik korelasi: kalau satuannya tidak sama.

seluruh variabel mempunyai “common factor” Metode Estimasi: Konsep Eigen value & Eigen vector Output: Faktor hasil ekstraksi. Variabel laten ini juga disebut DIMENSI Kegunaan: Analisis faktor konfirmatori: Mencari dimensi yg terkandung dalam sekumpulan variabel (atau faktor) Mapping objects Clustering object Mendapatkan data dari suatu DIMENSI atau Variabel Laten .FACTOR ANALYSIS Input Data: Raw data atau standardize data. Skor dari faktor ini (data dari variabel laten).

.ANALISIS GEROMBOL = CLUSTER ANALYSIS Analisis Gerombol hierarkhis: Jumlah gerombol belum diketahui Analisis tidak-hierarkhis: Jumlah gerombol telah diketahui INPUT DATA: Raw data atau standardize data Data metrik atau non metrik Metode Analisis: K-mean atau Agromeratif Output: Kelompok-kelompok obyek Kegunaan: Identifikasi banyaknya kelompok (Analisis hierarkhis) Prediksi anggota setiap kelompok (gerombol) Identifikasi karakteristik gerombol.

mapping. obyek kajian KEGUNAAN: Positioning obyek Clustering obyek Identifikasi karakter setiap obyek atau kelompok obyek.MULTIDIMENTIONAL SCALLING Input data: Pendekatan komposisional: Data hasil pengukuran variabel Pendekatan dekomposisional: Data jarak antar obyek Estimasi: Metode ALSCAL. . Output: Peta.

.ANALISIS KORESPONDENSI INPUT DATA: Tabel Frekuensi METODE PERHITUNGAN: Konsep Eigen value dan Eigen vektor OUTPUT: Berupa peta (mapping) kategori dari variabel KEGUNAAN: Positioning kategori variabel Clustering kategori dari beberapa variabel Identifikasi profil suatu variabel berkaitan dengan kategori variabel lainnya.

Soemarno.BAHAN KAJIAN MK.S JURS TANAH FPUB JANUARI 2012 .Ir.Dr. METIL TANAH DASAR ANALISIS MULTIVARIATE Oleh: Prof.M.