1

BAB I PENDAHULUAN

1.1. LATAR BELAKANG Dalam hal ini sebuah pengambilan keputusan dan begitu pula dengan sebuah analisa berdasarkan sebuah data statistika dengan variable yang sangat bervariasi maka dalam hal ini perlu mengetahui metode-metode statistika yang dimana metode ini memiliki ciri khas tersendiri dalam hal sebuah analisa dan pengambilan keputusan berdasarkan uji parameter data kualitatif dan begitupula dat kuantitatif yaitu dengan cara Analisis Cluster adalah analisis yang digunakan untuk mengelompokkan sampling unit (SU) menjadi beberapa cluster atau kelompok berdasarkan variable yang diamati, sehingga diperoleh kemiripan SU dalam kelompok yang sama dibandingkan antar SU dari kelompok yang bebeda. PCA (Principal Componen Analysis) merupakan suatu teknik untuk menyederhanakan dataset, dengan mengurangi dataset multi- dimensional ke dimensi yang lebih rendah. Tujuan dari PCA adalah mengurangi dimensionalitas data sambil tetap memelihara sebanyak mungkin variansi yang muncul dalam dataset. Keuntungan analisis cluster lebih dari metoda tabel dan ordinasi bahwa penggolongan dapat dilakukan, sungguhpun itu adalah sewenang-wenang. Walaupun menunjukkan penggolongan menjadi subjektif, lebih sedikit analisis cluster diukur proses klasifikasi, sebab beberapa ambang batas dipilih seperti batas yanglebih rendah bagi suatu asosiasi. Juga, hubungan dari asosiasi yang berbeda dapat terukur. Indeks dispersi adalah indeks yang digunakan untuk mengetahui suatu spesies mengelompok atau tidak. Maka dari hal metode statistika itulah maka selanjutnya kita akan mampu menganalisa sebuah data dari data variable yang berbeda-beda dan data yang memiliki dominasi yang bervariasi dapat diasumsikan dengan penganalisaan dengan mudah. Semakin strategisnya kedudukan riset dalam pengambilan keputusan menyebabkan semakin pentingnya kedudukan statistik sebagai salah satu alat bantu dalam riset. Hasil analisis data dengan alat bantu statistik dinilai lebih empiris untuk memecahkan persoalan penelitian. Principal Components Analysis (PCA) pada umumnya merupakan salah satu metode statistik yang sering dipakai apabila seorang peneliti dihadapkan pada kasus yang melibatkan lebih

2 dari satu variabel dan antar variabel tersebut berkorelasi (dependen). Dengan menggunakan PCA sebagai satu alat analisa, akan memudahkan peneliti untuk dapat memberikan interpretasi atas suatu permasalahan yang melibatkan lebih dari satu variable. PCA atau Principal Component Analysis adalah salah satu bentuk analisa multivariate. Jika penelitian misalnya mengukur banyak variable dan ingin mengelompokkan variable-variable tersebut, maka PCA dapat menjadi salah satu alat bantu. 1.2. TUJUAN DAN MANFAAT 1. Mahasiswa mampu mengetahui dan mampu menganalisa sebuah data dengan beberapa metode statistika yaitu PCA (Principal Component Anaysis) 2. Mahasiswa mampu mengetahui dan menjalankan sistem operasi dari software pendukung statistic yaitu MINITAB dalam mengambil sebuah analisa dengan cepat 3. Mahasiswa mempunyai keterampilan dalam hal pengambilan sebuah keputusan dengan sebuah analisa dengan cepat dari sebuah data yang mempunyai variable yang bervariasi dengan teknik PCA dan dengan bantuan MINITAB 4. Mahasiswa mampu mengetahui dan menerapkan sistem metode statistika dengan metode statistika yang mempunyai sistem pengambilan keputusan dan analisa yang mudah yaitu PCA (Principal Component Anaysis) dan Cluster Analysis

3

BAB II TINJAUAN PUSTAKA

2.1. CLUSTER ANALISIS Analisis Cluster adalah analisis yang digunakan untuk mengelompokkan sampling unit (SU) menjadi beberapa cluster atau kelompok berdasarkan variable yang diamati, sehingga diperoleh kemiripan SU dalam kelompok yang sama dibandingkan antar SU dari kelompok yang bebeda. Analisis cluster ada dua teknik yaitu: 1. Teknik berhirarkhi: dipilah menjadi teknik penggabungan (agglomerative) dan teknik pembagian (divisive). 2. Teknik non hirarkhi: yaitu dengan penyekatan seperti teknik rataan. Dalam hal ini cluster analisis dapat pula dikatakan sebagai suatu teknik untuk mengklasifikasikan terhadap suatu pengamatan untuk mengelompokan dan data dari pengelompokan akan menjadi bersifat yang homogeny dan jika dari perbedaan dibedakan pola kelompok, maka oleh karena itu dalam 1 kelompok disebut cluster. .Keuntungan analisis cluster lebih dari metoda tabel dan ordinasi bahwa penggolongan dapat dilakukan, sungguhpun itu adalah sewenang-wenang. Walaupun menunjukkan penggolongan menjadi subjektif, lebih sedikit analisis cluster diukur proses klasifikasi, sebab beberapa ambang batas dipilih seperti batas yang lebih rendah bagi suatu asosiasi. Juga, hubungan dari asosiasi yang berbeda dapat terukur. Tahapan dalam hal perhitungan cluster analisis yaitu: 1. Pengukuran tentang jarak (kemiripan antar variable) 2. Memilih kelompok yang algorithm (pengelompokan) 3. Pengelompokan berdasarkan angka 4. Validasi analisis Dalam hal ini pula analisis cluster dapat dibedakan dengan sistem yaitu: 1. Variance 2. Error ratio

2008). Suatu cluster dikatakan bagus apabila ketika anggota suatu kelompok mempunyai suatu derajat tinggi persamaan untuk satu sama lain (homogenitas internal) dan adalah tidak seperti anggota dari yang lain diluar kelompok (homogenitas eksternal).2. Dari hal tersebut maka akan dipakai atau akan digunakan data yang bertipe unsupervised. Dapat dirumuskan yaitu: 2.4 Variance merupakan untuk mengukur nilai penyebaran dari data-data hasil clustering. Pola pada sekumpulan data akan susah terlihat pada data yang memiliki ukuran dan . Variance pada clustering ada 2 macam yaitu variance within cluster dan variance between clusters. Cluster variance yaitu: Variance within clusters Variance between clusters Variance dari semua Cluster Dalam hal ini selanjutnya error ratio yaitu data yang dimana dipakai atau digunakan ketika jika dataset yang digunakan adalah supervised dan biasanya digunakan untuk mengukur tingkat presisi dari metode clustering (Ridho. Homogenitas internal yaitu variance within cluster (Vw) dan homogenitas eksternal yaitu variance between clusters (Vb). PCA (PRINCIPAL COMPONENT ANALYSIS) Pada dasarnya PCA merupakan salah satu teknik untuk mengidentifikasi pola dari sekumpulan data dan untuk mengetahui persamaan dan perbedaan dari sekumpulan data tersebut.

dimana cara proyeksi data ini dipilih yang paling tepat sehingga informasi tentang hubungan antar variabel tidak banyak yang hilang. Berdasarkan eigen vector dan eigen value akan dapat ditarik sumbu-sumbu garis yang menggambarkan pola data (Soemartini. tentukan terlebih dahulu nilai covariance antar variable 4. Menghitung selisih mean: 3. Hal ini dilakukan dengan cara menghilangkan korelasi diantara variabel bebas melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi sama sekali atau yang biasa disebut dengan principal component. Menghitung mean: 2. maka komponen-komponen tersebut menjadi variabel bebas . Dimisalkan kita memiliki data yang sangat besar dengan banyak variabel dan sejumlah n kasus. Metode PCA dapat dilakukan dengan beberapa tahapan yaitu: 1. Menghitung vector eigen Prosedur PCA pada dasarnya adalah bertujuan untuk menyederhanakan variable yang diamati dengan cara menyusutkan (mereduksi) dimensinya. Menghitung nilai eigen 5. xM adalah vector N x 1. dari hal ini maka selanjutnya kita dapat melakukan perhitungan PCA. Setelah beberapa komponen hasil PCA yang bebas multikolinearitas diperoleh. kurangkan tiap-tiap data dengan nilai rata-ratanya 3. Ada sekumpulan data 2. …. Tujuan dari PCA adalah mereduksi ukuran dan dimensi data tanpa banyak kehilangan informasi penting yang terdapat dalam data tersebut. 1. x2. Dari matriks A=[Φ1 Φ2 … ΦM] (matriks NxM) lalu hitung covariance: 4. Tentukan Covariance Matrix. Dengan melakukan proyeksi data menjadi dimensi yang lebih sedikit. Langkah-langkah kalkulasi PCA: Terlebih dahulu kita anggap x1. Tentukan Eigen vector dan Eigen value dari matrix covariance. Adjust (sesuaikan) data dalam hal ini. Metode PCA dikembangkan pada awalnya oleh Pearson (1901) dan disempurnakan oleh Hoteling (1933).5 dimensi yang sangat besar. 2008).

2. akan tetapi bisa menyerap sebagian besar informasi yang terkandung dalam variabel asli atau yang bisa memberikan kontribusi terhadap varian seluruh variable. Hal ini dilakukan dengan cara menghilangkan korelasi diantara variabel bebas melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi sama sekali. Dapat menghilangkan korelasi secara bersih (korelasi = 0) sehingga masalah multikolinearitas dapat benar-benar teratasi secara bersih. Teknik ini tidak terlepas dari berbagai kelemahan. Untuk itu. Dapat dipergunakan tanpa mengurangi jumlah variabel asal 4. metode ini akan lebih baik digunakan jika kita telah mempelajari terlebih dahulu mengenai analisis faktor. Dalam hal ini kita menggunakan prosedur Principal Component Analysis (PCA) untuk mengatasi multikolinearitas. Dapat digunakan untuk segala kondisi data / penelitian 3. Principal Component Analysis (PCA) merupakan salah satu metode dasar dari analisis faktor. analisis faktor bukan segalanya. PCA memasok pengguna dengan gambar yang lebih rendah-dimensi. . Jika dataset multivarian adalah divisualisasikan sebagai satu set koordinat dalam ruang dimensi data yang tinggi (1 sumbu per variabel). 2008). bayangan ini bila dilihat dari objek. bebas satu sama lainnya. diperlukan suatu teori-teori yang mendukung untuk menentukan banyaknya faktor yang terbentuk secara tepat (Soemartini. Walaupun tampak canggih. operasi dapat dianggap sebagai mengungkap struktur internal data dengan cara yang terbaik menjelaskan varians pada data. memang beberapa paket statistika sengaja conflate dua teknik. Dengan metode PCA. kita akan mendapatkan variabel bebas baru yang tidak berkorelasi. Seringkali.6 baru yang akan diregresikan atau dianalisa pengaruhnya terhadap variabel tak bebas (Y) dengan menggunakan analisis regresi. lebih sedikit jumlahnya daripada variabel asli. Walaupun metode Regresi dengan PCA ini memiliki tingkat kesulitan yang tinggi akan tetapi kesimpulan yang diberikan lebih akurat dibandingkan dengan pengunaan metode lain. Analisis faktor Benar membuat asumsi berbeda tentang struktur dasar dan memecahkan eigenvektor sedikit berbeda dari matriks. Oleh karena itu. Keuntungan penggunaan Principal Component Analysis (PCA) yaitu: 1. PCA berkaitan erat dengan faktor analisis. PCA adalah analisis sederhana benar multivariat eigenvektor berbasis. Prosedur PCA pada dasarnya bertujuan untuk menyederhanakan variabel yang diamati dengan cara menyusutkan (mereduksi) dimensinya. Keterbatasan utama adalah tinginya subjektivitas dalam penentuan jumlah faktor dan interpretasi setiap faktor.

KORELASI Dalam teori probabilitas dan statistika. Asumsi pada linieritas Kami mengasumsikan data harus diamati set kombinasi linier dari basis tertentu. Asumsi ini adalah: 1. keterbatasan utama adalah bahwa hal itu tidak menjelaskan keterpisahan kelas karena tidak membuat penggunaan label kelas dari vektor fitur. korelasi. 2008). Asumsi bahwa varians besar mempunyai dinamika penting PCA hanya melakukan rotasi koordinat yang meluruskan sumbu berubah dengan arah varians maksimum. hanya PCA berkorelasi desumbu. Korelasi dapat dihitung bila simpangan baku finit dan keduanya tidak sama dengan nol. metode ini pertama kali diperkenalkan oleh Francis Galton. Korelasi bernilai 1 jika terdapat hubungan linier yang positif.7 Penggunaaan PCA dibatasi oleh asumsi yang dibuat di derivatnya. 3. PCA hanya melibatkan rotasi dan skala. juga disebut koefisien korelasi. Untuk data non-Gaussian atau multi-modal. Pada dasarnya. koefisien korelasi tak akan melebihi dari 1 dalam nilai absolut. yang diperoleh dengan membagi kovarians kedua variabel dengan perkalian simpangan bakunya. 2. Salah satu jenis korelasi yang paling populer adalah koefisien korelasi momen-produk Pearson.3. dan antara -1 dan +1 yang menunjukkan tingkat dependensi linier antara dua variabel. Tidak ada jaminan bahwa arah varians maksimum ini akan berisi fitur yang baik untuk diskriminasi. Hanya kalau kita percaya bahwa data yang diamati memiliki rasio signal to noise tinggi bahwa komponen utama dengan keragaman yang lebih besar sesuai dengan dinamika yang menarik dan yang lebih rendah sesuai dengan kebisingan. 2. Asumsi tentang pentingnya statistik mean dan kovariansi PCA menggunakan eigenvektor dari kovarians matriks dan hanya menemukan sumbu independen dari data berdasarkan asumsi Gaussian. Dalam pembuktian ketidaksamaan Cauchy-Schwarz. Asumsi di atas dibuat dalam rangka menyederhanakan perhitungan aljabar pada kumpulan data (Soemartini. adalah nilai yang menunjukkan kekuatan dan arah hubungan linier antara dua peubah acak (random variable). . Non-linear metode seperti kernel PCA telah dikembangkan tanpa asumsi linieritas. bernilai -1 jika terdapat hubungan linier yang negatif. Meski memiliki nama Pearson. Ketika PCA digunakan untuk clustering.

dan Wilson. maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear sempurna dengan kemiringan (slope) positif. Jika koefesien korelasi diketemukan -1. Koefisien korelasi non-parametrik masih kurang kuat bila dibandingkan dengan metode parametrik jika asumsi normalitas data terpenuhi. maka kedua variabel tersebut disebut independen. maka terdapat ketergantungan antara dua variabel tersebut. maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear sempurna dengan kemiringan (slope) negatif. Spearman dan Kendal menggunakan skala ordinal. Yang dimaksud dengan koefesien korelasi ialah suatu pengukuran statistik kovariasi atau asosiasi antara dua variabel. Chi Square menggunakan data nominal. semakin kuat korelasi antara kedua variabel tersebut. terdapat pula teknik-teknik korelasi lain. dan Y = X2. Misalnya. karena koefisien korelasi hanya mendeteksi ketergantungan linier antara kedua variabel. Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran asosiasi / hubungan (measures of association). namun cenderung memberikan hasil distrosi ketika asumsi tersebut tak terpenuhi. Korelasi mempunyai kemungkinan pengujian hipotesis dua arah (two tailed). Kuat lemah hubungan diukur diantara jarak (range) 0 sampai dengan 1. Selain kedua teknik tersebut. terdapat dua teknik korelasi yang sangat populer sampai sekarang. dan ia kurang begitu menggambarkan korelasi bila asumsi dasar normalitas suatu data dilanggar. yaitu Korelasi Pearson Product Moment dan Korelasi Rank Spearman. Namun tidak demikian untuk kebalikannya. sebaliknya jika nilai koefesien korelasi negatif. Metode korelasi non-parametrik seperti ρ Spearman and τ Kendall berguna ketika distribusi tidak normal. Somer. Jika koefesien korelasi diketemukan tidak sama dengan nol (0). Dua variabel dikatakan berasosiasi jika perilaku variabel yang satu mempengaruhi variabel yang lain. Pengukuran asosiasi merupakan istilah umum yang mengacu pada sekelompok teknik dalam statistik bivariat yang digunakan untuk mengukur kekuatan hubungan antara dua variabel. Goodman-Kruskal. Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel (kadang lebih dari dua variabel) dengan skala-skala tertentu. Phi Coefficient. peubah acak X berdistribusi uniform pada interval antara -1 dan +1. korelasi disebut tidak searah. Jika tidak terjadi pengaruh. misalnya Pearson data harus berskala interval atau rasio. Jika koefesien korelasi diketemukan +1. Korelasi searah jika nilai koefesien korelasi diketemukan positif. Jika variabel-variabel tersebut saling bebas. Pengukuran asosiasi mengenakan nilai numerik untuk mengetahui tingkatan asosiasi atau kekuatan hubungan antara variabel. Diantara sekian banyak teknikteknik pengukuran asosiasi.8 Semakin dekat dengan -1 atau +1. nilai korelasi sama dengan 0. seperti Kendal. Chi-Square. Koefisien korelasi Pearson merupakan statistik parametrik. Dalam korelasi .

Jika korelasi sama dengan nol (0). Tidak ada istilah variabel bebas dan variabel tergantung. Kesimpulannya. artinya masing-masing variabel berdiri sendiri dan tidak tergantung satu dengan lainnya. karena kedua variabel mempunyai hubungan linear yang sempurna. maka tidak terdapat hubungan antara kedua variabel tersebut. Dalam korelasi aspek-aspek yang melandasi terdapatnya hubungan antar variabel mungkin tidak diketahui atau tidak langsung. Oleh karena itu dengan menetapkan korelasi dalam hubungannya dengan variabel-variabel yang diteliti tidak akan memberikan persyaratan yang memadai untuk menetapkan hubungan kausalitas kedalam variabel-variabel tersebut. Jika digunakan bahasa umum disebut berbentuk kurva bel. Menurut Johnston (2004) ciri-ciri data . Data yang mempunyai distribusi normal artinya data yang distribusinya yang mempunyai distribusi normal ialah sebagai berikut: 1. Korelasi dapat digunakan sebagai salah satu bukti adanya kemungkinan terdapatnya hubungan kausalitas tetapi tidak dapat memberikan indikasi hubungan kausalitas seperti apa jika memang itu terjadi dalam variabel-variabel yang diteliti. maka variabel remunerasi merupakan variabel X dan kepuasan kerja merupakan variabel Y. misalnya X mempengaruhi Y dan Y mempengaruhi X. Dalam korelasi sebenarnya tidak dikenal istilah variabel bebas dan variabel tergantung. Asumsi dasar korelasi diantaranya seperti tertera di bawah ini: Kedua variabel bersifat independen satu dengan lainnya. Artinya korelasi tidak dapat digunakan secara valid untuk melihat adanya hubungan kausalitas dalam variabel-variabel. misalnya regresi. Dengan untuk mengidentifikasi hubungan kausalitas tidak dapat begitu saja dilihat dengan kaca mata korelasi tetapi sebaiknya menggunakan model-model yang lebih tepat. dimana X mempengaruhi Y atau non-recursive.9 sempurna tidak diperlukan lagi pengujian hipotesis. Artinya variabel X mempengaruhi variabel Y secara sempurna. yaitu berada pada rata-rata (mean) nilai distribusi dengan kurva sejajar dan tepat sama pada bagian sisi kiri dan kanannya. analisis jalur atau structural equation model. nilai yang paling sering muncul dalam distribusi normal ialah rata-rata simetris sempurna. Biasanya dalam penghitungan digunakan simbol X untuk variabel pertama dan Y untuk variabel kedua. Sekalipun demikian bukan berarti bahwa korelasi tidak dapat digunakan sebagai indikasi adanya hubungan kausalitas antar variabel. misalnya model recursive. Dalam contoh hubungan antara variabel remunerasi dengan kepuasan kerja. Kurva frekuensi normal menunjukkan frekuensi tertinggi berada di tengahtengah. Terdapat dictum yang mengatakan “correlation does not imply causation”. Data untuk kedua variabel berdistribusi normal.

Koefesien korelasi menunjukkan kekuatan (strength) hubungan linear dan arah hubungan dua variabel acak. Korelasi Sama Dengan Satu Korelasi sama dengan + 1 artinya kedua variabel mempunyai hubungan linier sempurna (membentuk garis lurus) positif. Karakteristik Korelasi. 2. Jika koefesien korelasi positif. Yang menentukan bentuk-bentuk tersebut adalah nilai rata-rata dan simpangan baku (standard deviation) populasi. Karena dua bagian sisi dari tengah-tengah benar-benar simetris. 4. Artinya jika nilai variabel X tinggi. berbentuk simetris sempurna. Besarnya koefesien korelasi berkisar antara +1 s/d -1. Kisaran Korelasi Kisaran (range) korelasi mulai dari 0 sampai dengan 1. maka kedua variabel mempunyai hubungan terbalik. Kurva normal dapat mempunyai bentuk yang berbeda-beda. Korelasi dapat positif dan dapat pula negatif. Sebaliknya.10 (average). maka nilai variabel Y akan menjadi rendah (dan sebaliknya). 5. Untuk memudahkan melakukan interpretasi mengenai kekuatan hubungan antara dua variabel penulis memberikan kriteria sebagai berikut (Sarwono:2006): . Frekuensi total semua nilai dalam populasi akan berada dalam area dibawah kurva. Korelasi sempurna seperti ini mempunyai makna jika nilai X naik. Artinya jika nilai variabel X tinggi. dengan setengahnya berada dibawah rata-rata dan setengahnya yang lain berada di atas rata-rata. 3. Korelasi Sama Dengan Nol Korelasi sama dengan 0 mempunyai arti tidak ada hubungan antara dua variabel. maka Y juga naik Koefesien korelasi ialah pengukuran statistik kovarian atau asosiasi antara dua variabel. jika koefesien korelasi negatif. Kurva normal. maka kedua variabel mempunyai hubungan searah. Perlu diketahui bahwa area total dibawah kurva mewakili kemungkinan munculnya karakteristik tersebut. 2. 3. sering juga disebut sebagai kurva bel. korelasi mempunyai karakteristik-karakteristik diantaranya: 1. maka frekuensi nilai-nilai diatas rata-rata (mean) akan benar-benar cocok dengan frekuensi nilai-nilai di bawah rata-rata. maka nilai variabel Y akan tinggi pula.

4. atau variabel Y. Regresi Linier Sederhana b.5 – 0. 2008). Y = a + bX. variabel X (karena seringkali digambarkan dalam grafik sebagai absis.25 3. Nilai peubah bebas ditulis pada sumbu X (sumbu horizontal) Nilai peubah takbebas ditulis pada sumbu Y (sumbu vertikal) Nilai peubah takbebas ditentukan oleh nilai peubah bebas Jenis-jenis Persamaan Regresi : 1. >0. . REGRESI Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebabakibat antara satu variabel dengan variable yang lain. variabel dependen. variabel eksplanatorik.75 – 0. Kedua variabel ini dapat merupakan variabel acak (random).99 6.75 5.25 – 0.11 1.5 4. >0 – 0. Analisis Regresi adalah teknis analisis yang mencoba menjelaskan bentuk hubungan anrata dua peubah atau lebih khususnya hubungan antara peubah-peubah yang mengandung sebab akibat. >0. Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi. Hampir semua bidang ilmu yang memerlukan analisis sebab-akibat boleh dipastikan mengenal analisis ini. Regresi Linier Sederhana 0 : Tidak ada korelasi antara dua variabel : Korelasi sangat lemah : Korelasi cukup : Korelasi kuat : Korelasi sangat kuat : Korelasi sempurna (Thomas. Variabel "penyebab" disebut dengan bermacam-macam istilah: variabel penjelas. Persamaan regresi adalah persamaan matematik yang memungkinkan melakukan peramalan nilai-nilai suatu peubah tak bebas (dependent variable) dari satu atau lebih peubah bebas (independent variable). Regresi Linier Berganda 2. Regresi Eksponensial 1. atau secara bebas. Analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya. Regresi Linier : a. Regresi Linier : 1. variabel independen. 2. namun variabel yang dipengaruhi harus selalu variabel acak. >0. Regresi Nonlinier a. variabel terikat. atau sumbu X). 1 2.

(least square method): metode paling populer untuk menetapkan persamaan regresi linier sederhana Y = a + bX Nilai b dapat positif (+) dapat negatif (-) (Thomas. INDEKS DISPERSI .12 dimana. Y : peubah tak bebas a : konstanta X : peubah bebas ke-1 b : kemiringan ke-1 1 2 n 1 2 n X : peubah bebas ke-2 b : kemiringan ke-2 X : peubah bebas ke-n b : kemiringan ke-n 2. Bentuk umum Regresi Eksponensial x Y = ab log Y = log a + (log b) x Regresi linier sederhana 1.+ b X 1 1 2 2 n n dimana. Regresi Non Linier a.5.. 2. 2008). Y : peubah tak bebas X : peubah bebas a : konstanta b : kemiringan 2. Metode Kuadrat Terkecil.. Regresi Linier Berganda Y = a + b X + b X + .

Minitab adalah program komputer yang dirancang untuk melakukan pengolahan statistik. Project Manager window. 3. bersama-sama Data window merupakan lingkungan yang akan terlihat pertama kali saat Minitab dibuka. Saat ini versi terbaru Minitab adalah 14. pembuatan grafik.13 Indeks dispersi adalah indeks yang digunakan untuk mengetahui suatu spesies mengelompok atau tidak. Perintah-perintah Minitab dapat diakses melalui menu.2. Ada 4 lingkungan window dalam Minitab yaitu : 1. merupakan lingkungan window berikutnya. yang dirilis 18 Mei 2005. Minitab mengkombinasikan kemudahan penggunaan layaknya Microsoft Excel dengan kemampuannya melakukan analisis statistik yang kompleks. serta sesi Command yang merupakan layar untuk menampilkan hasil. peringkasan nilai-nilai numerik. manipulasi data. yaitu Worksheet (lembar kerja) untuk melihat dan mengedit lembar kerja. dan analisis statistika lainnya. tempat kita melakukan entry data.6. melihat atau mengedit data. Minitab mempunyai dua layar primer. kotak dialog maupun perintah interaktif. 2008). jika nilai ID lebih dari 1 maka sebaran spesies tersebut adalah clumped (mengelompok). 2. tempat dimana akan ditampilkan hasil analisis yang kita lakukan berupa report pada saat . merupakan salah satu layar primer Minitab tempat Worksheet atau lembar kerja Minitab berada. Rumus dari Indeks dispersi yaitu: Keterangan : = mean S = Standar Deviasi Dimana apabila nilai ID = 1 maka sebaran dari spesies tersebut adalah random (acak). Data window. 2. dan jika nilai ID kurang dari 1 maka sebaran dari spesies tersebut adalah uniform (seragam) (Thomas. Session window. Window ini juga merupakan layar untuk menampilkan hasil analisis yang berupa teks dan juga tempat untuk menuliskan perintah-perintah interaktif berupa syntax command. MINITAB Paket program Minitab merupakan perangkat lunak statistika yang dapat digunakan sebagai media pengolahan data yang menyediakan berbagai jenis perintah yang memungkinkan proses pemasukan data.

Menu Data Sort Rank Delete Rows Erase Variables Copy Columns Stack Unstack Concatenate Code Change D.14 Minitab ini dijalankan. : Membatalkan proses/perintah sebelumnya : Menghapus isi cell tanpa merubah baris/kolom : Menghapus isi cell : Menggandakan isi cell : Menghapus/memindah isi cell : Menyisipkan isis cell : Membuka project baru : Membuka worksheet baru : Membuka file project : Membuka file worksheet : Menyimpan project : Menyimpan worksheet . Menu Edit Undo Clear Cells Delete Cells Copy Cells Cut Cells Paste Cells 3. Window ini akan tampil melalui menu : Window > Project Manager. Berikut akan disampaikan beberapa penggunaan menu yang sering digunakan : 1. 4. terlebih dahulu harus dikenali menu-menu yang tersedia dalam paket program ini. Pengenalan Baris Menu pada Minitab sebelum memulai bekerja dengan minitab. adalah lingkungan window terakhir. Menu File New Project New Worksheet Open Project Open Worksheet Save Project Save Worksheet 2. Meni calc : Mengurutkan data dalam satu kolom atau lebih : Menyimpan skor rangking dalam suatu kolom : Menghapus baris-baris tertentu dari setiap kolom : Menghapus variabel : Menggandakan kolom : Menggabungkan beberapa kolom menjadi satu kolom : Memecah satu kolom menjadi beberapa kolom : Menggabungkan beberapa kolom text dalam satu kolom : Memberikan koding nilai pada suatu kolom : Merubah tipe kolom : Menampilkan data dari worksheet ke sesi command. Graph window. Type Display Data 4. yang akan tampil secara otomatis jika kita menginginkan keluaran berupa grafik.

korelasi dan uji normalitas : Perhitungan/uji untuk analisis regresi : Perhitungan/uji untuk analisis variansi. : Operasi aritmatika : Perhitungan statistik berdasarkan kolom : Perhitungan statistik berdasarkan baris : Pemusatan dan penskalaan data dalam suatu kolom : Mengekstrak kolom yang bertipe date/time dan menyimpan dalam kolom dengan tipe numerik/text : Pembangkitan bilangan random untuk distribusi tertentu : Menghitung peluang. Minitab for Windows . Distri. : Perhitungan/uji untuk rancangan percobaan : Perhitungan/uji untuk analisis multivariabel. peluang kumulatif dan invers peluang kumulatif dari data kontonu. uji hipotesis.15 Calculator Column Statistic Row Statistics Standardize Extract from Date Random Data Prob. Menu Stat Basic Statistics Regression ANOVA DOE Multivariate : Perhitungan statistika dasar meliputi : deskripsi data. : Perintah untuk operasi matriks. Matrices 5.

yaitu data ditulis dalam satu kolom atau data ditulis dalam beberapa kolom (seperti pada uji hipotesis). Dalam hal ini Minitab berfungsi sebagai antara lain dibidang stastistik dan maupun diluar lingkup statistik yaitu: 1. Analisis item dengan Cronbach's Alpha untuk Survei Handal 5. Tahapan . Disebut anava satu jalan karena pada eksperimen ini hanya ada satu faktor yang diselidiki. Dapat menganalisis Che-Squre Analisis Variansi. Anova merupakan suatu analisis statistika untuk menguji secara serentak apakah populasi mempunyai rataan yang sama. satu kolom untuk koding faktor kedua dan satu kolom untuk data respon. Dalam Minitab input data untuk prosedur ini terdiri dari satu kolom untuk koding faktor pertama. Anova Dua Jalan Disebut anava dua jalan karena pada eksperimen ini hanya ada dua faktor yang diselidiki. Dalam Minitab ada dua pilihan untuk keperluan uji ini. Two-Sample T-Tes dan juga dalam hal pengelompokan bias dilakukan dengan analisis 1 dan 2 kelompok data sampel. Dalam hal ini juga bias digunakan dalam sistem One-way Analysis of Variance. Dapat mengontrol nilai output lebih banyak 2. Dapat mengetahui distribusi data baik Input dan Output 6. Anova Satu Jalan.16 Worksheet Minitab. Pada contoh anava dua jalan dengan sel tidak sama di atas akan dibuat plot interaksi. Untuk memperjelas dalam Minitab disediakan perintah untuk membuat plot interaksi sehingga lebih mudah untuk dipahami. Plot Interaksi. Pada anava dua jalan terdapat faktor interaksi yang terkadang kurang tepat dalam menginterpretasikan makna kata interaksi. Dapat membuat grafik duplicat 3. Distribusi Probabilitas Plot 4.

Dalam beberapa. Untuk itu alasan mereka sering tidak dianggap kuat. untuk data padaskala ordinal. metode parametrik dapat menghasilkan lebih akurat dan tepat perkiraan. metode non-parametrik dipandang oleh beberapa ahli statistik sebagai meninggalkan lebih sedikit ruang untuk penggunaan yang tidak benar dan kesalahpahaman. mereka dapat diterapkan dalam situasi di mana sedikit yang diketahui tentang aplikasi tersebut. Karena baik untuk kesederhanaan ini dan ketahanan mereka yang lebih besar. 2. Asumsi Anova 1. seperti ketika mengkaji preferensi dalam hal tingkat pengukuran . Secara khusus. C2. C3). Juga. Dengan kata lain. kesederhanaan mereka membuat untuk mereka non-robustness. 2. . Penggunaan metode non-parametrik mungkin diperlukan ketika data memiliki peringkat tapi tidak jelas numerik interpretasi. Uji Normalitas Misalkan pada contoh anava satu jalan di atas akan diuji apakah data kolom pertama berasal dari populasi yang berdistribusi normal. bahkan ketika penggunaan metode parametrik dibenarkan. tapi pasti tidak semua kasus.17 kerja dengan menggunakan Minitab adalah sebagai berikut : (data sudah ada dalam kolom C1. non-parametrik tes memiliki lebih sedikit daya. Mereka dikatakan telah lebih kekuatan statistik. non-parametrik metode mungkin lebih mudah untuk digunakan. parametrik formula sering sederhana untuk menulis dan lebih cepat untuk menghitung. ukuran sampel yang lebih besar dapat diminta untuk menarik kesimpulan yang sama dengan tingkat kepercayaan (Triyanto. penerapannya jauh lebih luas daripada metode parametrik yang sesuai. Metode Non-parametrik yang banyak digunakan untuk mempelajari populasi yang mengambil urutan peringkat. Di sisi lain. 2009). Ketika metode-metode non-parametrik membuat asumsi yang lebih sedikit.7. 2009). terutama jika perawatan diambil untuk memeriksa statistik diagnostik. Uji Homogenitas Misalkan pada contoh anava satu jalan di atas akan diuji apakah populasipopulasinya homogeny (Triyanto. metode non-parametrik lebih kuat. karena ketergantungan pada asumsi yang lebih sedikit. FAKTOR PARAMETRIK DAN NON-PARAMETRIK Secara umum metode parametrik membuat asumsi lebih dari metode non-parametrik. Penerapan yang lebih luas dan meningkatkan ketahanan dari tes non-parametrik datang dengan biaya: dalam kasus di mana tes parametrik akan sesuai. Dalam kasus tertentu. Pembenaran lain untuk penggunaan metode non-parametrik adalah kesederhanaan. Jika asumsi-asumsi tambahan adalah benar.

nobilis H.7 1.di 5 stasiun pengamatan .1.7 1.7 1.3 1. rigida H.7 4.0 Nilai tengah kepadatan teripang pada setiap area cuplik (ekor m-2 ).3 2.3 6.7 1.0 5.7 2.7 6.3 1.3 3. 11 Juni 2010 : Laboratorium Komputasi Ilmu Kelautan Lantai 3.0 3.7 2.3 2.0 2.7 1.0 2.3 1.0 2.0 1.0 0.3 7.0 0.3 3.00 WIB s/d Selesai Jumat.0 6.3 2.7 4.2.0 1.0 1.3 0.2.0 1.0 2. scabra H.3 0.3 1. variegatus Keterangan: 2.18 BAB III MATERI METODE 3.3 3.3 0.0 2. Universitas Diponegoro Semarang 3.7 0. METODE 3.0 7.7 1.7 2.0 0. edulis H.3 3.7 3.0 3. marmorata Holothuria atra H. WAKTU DAN TEMPAT Waktu Tempat : 08.0 7. verrucosa Stichopus chloronatus S.7 0.3 Stasiun 4 0.7 Sampling Unit SU Stasiun 2 Stasiun 3 3.3 0.0 4.1.7 1. ENABLE COMMAND Data yang akan digunakan dari Eddy Yusron dan Pitra Widianwari yang berjudul “Struktur Komunitas Teripang (Holothuroidea) Di Beberapa Perairan Pantai Kai Besar.7 8.3 Stasiun 5 1.7 4.3 2. lecanora Bochadschia argus B.3 1.0 1. graffei B.0 1.0 2.7 2. Maluku Tenggara” Spesies Stasiun 1 Actinopyga echinetes A.0 1.7 2.0 2.7 1. horrens S.7 2.0 1.

17 Stasiun 5 33.70 30. 3.83 29.60 28.20 Stasiun 4 32. dan masukkan rumus-rumus MTB> let k1=stdev (c2) MTB> let k2=mean (c2) MTB> let k3=k1*k1/k2 MTB> print k1 k2 k3 .19 Faktor Lingkungan Salinitas (‰) Suhu (°C) Stasiun 1 33.83 29. Kemudian Masukan data yang akan digunakan ke worksheet minitab. Kemudian Klik Editor kemudian pilih Enable Commad.13 Stasiun 2 33.80 29.80 1.50 Stasiun 3 32. Pertama Buka Program Minitab 2.

20 4. Kemudian Enter. Setelah telah ketemu Data Display maka selanjutnya kita akan melakukan suatu analisa cluster dengan cara Klik Stat kemudian Multivariate kemudian Cluster Observations akan muncul seperti berikut 2. terlebih dahulu kita klik C2-C15 kemudian select. dan akan keluar Data Display 3. Pada kolom Cluster Observation.2. COMMUNITY CLASIFICATION (CLUSTER ANALISIS) 1.2. kemudian check list show dendrogram dan OK .

Selanjutnya dengan cara yang sama maka Klik Stat kemudian Multivariate kemudian Cluster Observations akan muncul seperti berikut . 4. Kemudian setelah muncul Dendrogram maka selanjutnya kita mulai mengelompokkan berdasarkan dendrogram tersebut dan dilakukan pada worksheet.21 3.

22 5. Selanjutnya kita akan masukkan data yaitu Salinitas dan C7. Selanjutnya kita akan melakukan Uji Parameter suatu Sample T. dengan cara klik Stat kemudian Basic Statistics kemudian 2-sample t 6. kemudian select dan OK .

Selanjutnya kita akan melakukan suatu analisa PCA dengan cara klik Stat kemudian Multivariate kemudian Principal Component Analysis 2. kemudian Select dan Number of Component to computer diisi dengan 2.23 3. COMMUNITY ORDINASI (PCA) 1.3. . Kemudian klik C2-C15.3.

24 3. Maka akan keluar 2 buah Plot yaitu . Kemudian klik Graphs. Kemudian klik Storage dan tulis pada Coefficients c19-c20 dan Score c21-c22 dan OK 5. dan check list Eigenvalue dan Score plot dan OK 4.

Kemudian pada Graph Y diisi dengan c20 dan X diisi c19 .25 6. Selanjutnya kita klik Graph kemudian klik Plot 7.

maka akan keluar plot-plot setiap stasiunnya. Kemudian klik Annotation dan klik Data Labels dan check list Show data dan juga Use label from colums diisi dengan SU dan OK.26 8. .

Suhu.3. HUBUNGAN ANTARA FAKTOR BIOTIK DAN ABIOTIK (KORELASI) 1. Kemudian Variables diisi dengan Salinitas. Selanjutnya kita akan melakukan suatu analisa korelasi dengan klik Basic Statistics kemudian Correlation 2.4.27 3. C21 dan C22 dan OK .

1.1. HASIL 4. ENABLE COMMAND .28 BAB IV HASIL DAN PEMBAHASAN 4.1.

1.29 4.2. COMMUNITY CLASIFICATION (CLUSTER ANALISIS) .

30 .

3. COMMUNITY ORDINASI (PCA) .1.31 4.

4. HUBUNGAN ANTARA FAKTOR BIOTIK DAN ABIOTIK (KORELASI) .32 4.1.

Dalam hal ini ketika melihat suatu plot yang dimana bergambarkan diagram yaitu maka dalam hal ini kita dapat menganalisa berdasarkan tingkat kemiripan dan kesamaan antarspesies baik dari karakteristiknya dan lainnya yaitu pada hal ini didapatkan 2 kelompok yang dimana kelompok pertama yaitu stasiun 2 dan stasiun 3 memiliki kesamaan yang dominan dan juga dalam hal ini kemungkinan spesies juga memiliki karakteristik yang sama dan begitu pula pada stsiun 1 yang dimana dalam hal ini stasiun 1. Maka dari data tersebut dapat dibuat dengan sebuah aplikasi yang berdasarkan pronsip statistika yaitu dengan MINITAB.2.2. K2= 1.66. Maluku Tenggara.2. PEMBAHASAN 4. Maka setelah diproses maka dalam tahapan ini diperoleh sebuah analisa yang dimana dalam hal ini menurut data yang telah diproses yaitu nilai Enable Commad yaitu mempunyai hasil nilai K>1(K1= 1. COMMUNITY CLASIFICATION (CLUSTER ANALISIS) Dalam hal ini dilakukan sebuah analisis yaitu Cluster Analisis yang dimana dalam hal ini bertujuan untuk mengetahui kemiripan dan kesamaan antar spesies dengan cara melihat kelompok antar sampling unit menjadi grup. 2 dan 5 memiliki kesamaan dan kemiripan antarspesies yang dimana stasiun ini dalam 1 kelompok atau group.33.33 4. K3= 1. 4.1. Bisa pula factor lingkungan sama dan tingkat kelimpahan antar spesies . Jadi bukan hany itu saja pada kelompok 1 ini memiliki tingkat kelimpahan spesies yang sama dan juga factor lingkungan yang sama pula. Sedangkan pada kelompok 2 yaitu stasiun 3 dan 4 dalam hal ini memiliki kemiripan dan tingkat kesamaan yang sama pula dan begitu pula tingkat kelimpahan dan factor lingkungan yang sama pula. Maka dalam hal ini dapat dikatakan bahwa data yang diperoleh dan menurut analisa yang didapatkan bahwa data spesies tersebut pada waktu pengambilannya secara menyebar dan data tersebut tidak mengumpul dan juga bias dikatakan bahwa data tersebut mempunyai data kelimpahan spesies yang beranekaragam dalam 5 lokasi tersebut. ENABLE COMMAND Dalam hal ini menurut data yang diperoleh yang dimana berdasarkan pada data Struktur Komunitas Teripang (Holothuroidea) Di Beberapa Perairan Pantai Kai Besar.06) yang dimana dalam hal ini artinya data tersebut mempunyai data spesies yang menyebar atau tidak mengumpul dan jika data tersebut K=1 maka data tersebut Acak atau Random.2. Dan dari grup tersebutlah maka kita dapat mengasumsikan dan mengestimasikan bahwa pada dalam 1 grup tersebut memiliki tingkat kesamaan dan kemiripan dari karakteristiknya. Jadi dari 2 kelompok ini dapat dikatakan bahwa factor lingkungan mempengaruhi tingkat kelimpahan spesies.

Selanjutnya berdasarkan data uji parameter two-sample t-test yang dimana dalam hal ini didapatkan sebuah nilai Mean. scabra. yaitu Holothuria edulis. dan SE Mean. meliputi kepadatan.5 maka dapat diambil sebuah hipotesa yaitu factor lingkungan berbeda sangat nyata.0012 dan Proportion 0. Data Eigenvalue yaitu 5.015 jadi apabila data tersebut memiliki niali <0. Dalam hal ini menurut data Eigenvalue didapatkan sebuah data yang dimana nilainya >1 maka data tersebut memiliki tingkat kelimpahan antarspesies yang dominan. Variable dan PC1 merupakan analisa berdasarkan kerataan antar spesies.34 mempunyai tingkat keanekaragaman yang sama pula. Principal Components Analysis (PCA) pada umumnya merupakan salah satu metode statistik yang sering dipakai apabila dihadapkan pada kasus yang melibatkan lebih dari satu variabel dan antar variabel tersebut berkorelasi (dependen). Dan dalam hal ini apabila dilihat dari data Proportion yang dimana merupakan sebuah data korelasi antar Spesies dan Koordinat yaitu PC1 dan jika memiliki nilai negative maka memiliki kelimpahan yang kecil.357 maka dari hal ini didapatkan dan sesuai dengan hal diatas yang dimana memiliki kelimpahan spesies yang dominan. namun tingkat antar jarak spesies sangat rendah. kemerataan dan kemiripan. Jadi tingkat kesamaan tinggi. H. keragaman. 4. H. Kecilnya variasi indeks ekologis pada seluruh lokasi menunjukkan bahwa karakteristik komunitas pada seluruh lokasi tersebut relatif sama.2. atra dan Stichopus chloronatus. Standar deviasi. Analisis terhadap data jumlah dan jenis fauna melibatkan lima indeks ekologis. jadi antara kelompok 1 dan kelompok 2 tadi memiliki tingkat factor lingkungan yang berbeda sangat nyata dari analisa lingkungan yang mempengaruhi persebran dan kelimpahan distribusi spesies. COMMUNITY ORDINASI (PCA) Dalam hal ini dilakukan sebuah analisa yaitu dengan metode PCA yang dimana Principal Component Analysis dalam hal ini dilakukan metode ini bertujuan untuk menyederhanakan atau meringkas data matriks data spesies dan matriks data factor lingkungan sehingga didapatkan sampling unit bias digambarkan dan dianalisis dan berdasarkan data kualitatif dan data kuantitatif. kekayaan jenis.3. H. PCA atau Principal Component Analysis adalah salah satu bentuk analisa multivariate. Principal Component Analysis adalah sebuah metode yang menggunakan statistical . Dalam hal ini data tersebut dapat dilakukan sebuah hipotesa yang dimana dalam hal ini tertuju pada data SE Mean. Terungkap bahwa komunitas teripang terdiri dari 14 jenis dimana lima jenis diantaranya hadir dengan kepadatan yang lebih tinggi di semua lokasi. Data SE Mean yang diperoleh yaitu 0. nobilis. Jadi dalam hal ini factor lingkungan mempengaruhi tingkat kelimpahan dan juga tingkat dominansi antarspesies.

Dalam hal ini didapatkan sebuah korelasi antara 2 faktor tersebut yaitu C21 dengan salinitas didapatkan -0. Factor kelimpahan antarspesies sangat tergantung pada factor lingkungan. Data satasiun 4 lebih kecil dari pada data-data yang lain dan bisa dikatakan yaitu stasiun 4 lebih dekat dengan sumbu 1.2. Selanjutnya apabila kita melihat distribusi berdasarkan scatterplot yaitu bila plot tersebut dekat dengan sebuh garis maka akan membentuk sudut cosinus dan dari hal ini membuktikan bahwa data tersebut lebih kecil dengan data-data yang lain dan hal ini pula dapat dikatakn scatterplot tersebut merupakn sebuah cerminan dari sebuah analisa data. Jadi dalam hal ini dapat dikatakan bahwa terjadi hubungan yang sangat dekat. jadi factor lingkungan mempengaruhi factor kelimpahan antarspesies.35 technique untuk menemukan pattern dari objek yang memiliki dimensi besar. . Hal in terlihat jelas pada sebaran data yang mengelompok. 4. PCA sangat berguna untuk aplikasi yang berkaitan dengan face recognition.757 dan C22 dengan Suhu didapatkan 0.658. hanya sebagian kecil dari data yang di peroleh memiliki perbedaan di bandingkan dengan data yang lainnya.4. HUBUNGAN ANTARA FAKTOR BIOTIK DAN ABIOTIK (KORELASI) Dalam hal ini selanjutnya kita akan membahas mengenai korelasi antara factor lingkungan dan factor kelimpahan. image processing. maka dari hal tersebut dapat kita asumsikan yaitu bahwa data tersebut jika data tersebut kurang<1 maka data korelasi antara factor lingkungan dan kelimpahan sangat dekat. Semakin besar data dari factor kelimpahan maka factor lingkungan akan semakin kecil. dominan dan juga mempengaruhi antar sebuah data yang didapatkan dengan factor lingkungan dengan factor kelimpahan antarspesies. Sedangkan pada score plot terlihat sebaran data yang di peroleh pada umumnya memiliki kesamaan. dan macam-macam teknik untuk menemukan pattern pada data yang memiliki dimensi yang besar.

jadi factor lingkungan mempengaruhi factor kelimpahan antarspesies.36 BAB V KESIMPULAN 1. Dalam hal ini menurut data Eigenvalue didapatkan sebuah data yang dimana nilainya >1 maka data tersebut memiliki tingkat kelimpahan antarspesies yang dominan. Kecilnya variasi indeks ekologis pada seluruh lokasi menunjukkan bahwa karakteristik komunitas pada seluruh lokasi tersebut relatif sama. K3= 1.66. Terungkap bahwa komunitas teripang terdiri dari 14 jenis dimana lima jenis diantaranya hadir dengan kepadatan yang lebih tinggi di semua lokasi. meliputi kepadatan.757 dan C22 dengan Suhu didapatkan 0.33. Dalam hal ini dilakukan sebuah analisa yaitu dengan metode PCA yang dimana Principal Component Analysis dalam hal ini dilakukan metode ini bertujuan untuk menyederhanakan atau meringkas data matriks data spesies dan matriks data factor lingkungan sehingga didapatkan sampling unit bias digambarkan dan dianalisis dan berdasarkan data kualitatif dan data kuantitatif.658. 4. Jadi dalam hal ini factor lingkungan mempengaruhi tingkat kelimpahan dan juga tingkat dominansi antarspesies. H. Nilai Enable Commad yaitu mempunyai hasil nilai K>1(K1= 1. Analisis terhadap data jumlah dan jenis fauna melibatkan lima indeks ekologis.06) yang dimana dalam hal ini artinya data tersebut mempunyai data spesies yang menyebar atau tidak mengumpul 2. nobilis. Dalam hal ini selanjutnya kita akan membahas mengenai korelasi antara factor lingkungan dan factor kelimpahan. Dalam hal ini menurut data yang diperoleh yang dimana berdasarkan pada data Struktur Komunitas Teripang (Holothuroidea) Di Beberapa Perairan Pantai Kai Besar. K2= 1. yaitu Holothuria edulis. scabra. atra dan Stichopus chloronatus. Maluku Tenggara. kemerataan dan kemiripan. H. Dalam hal ini didapatkan sebuah korelasi antara 2 faktor tersebut yaitu C21 dengan salinitas didapatkan -0. H. maka dari hal tersebut dapat kita asumsikan yaitu bahwa data tersebut jika data tersebut kurang<1 maka data korelasi antara factor lingkungan dan kelimpahan sangat dekat. . kekayaan jenis. 3. keragaman.

No. Ikatan Statistika Indonesia Journal of the Electrochemical Society.Maluku Tenggara. ISBN 0-471-90808-8 Manual Minitab 13. Applied Statistics for Engineers and Physical Scientists. Lembaga Ilmu Pengetahuan Indonesia. John Wiley. 2004.V. Widianwari. Proc. pp 225-232. April 2004: 15-20. A. D. pp. Indonesia . 2008. Macmillan Publishing Company. Inc.1987. Pengenalan MINITAB. 1992. Surabaya Ryan. ali.. Principal Component Analysis (PCA) Sebagai Salah Satu Metode Untuk Mengatasi Masalah Multikolinearitas. dari Int'l Conf. 8.1976. Vol. 2008. 139.1997. Soemartini. Vol. Umum Sebuah Kerangka untuk Meningkatkan Robustness PCA Korelasi Berbasis Clustering Algorithms. (1925). P. R. Fakultas Matematika Dan Ilmu Pengetahuan Alam.37 DAFTAR PUSTAKA Badan Pusat Statistik (BPS) Indonesia C. Zimek. Surakarta Yusron.. Jakarta 14430. John Wiley & Sons. T. No. Oliver & Boyd. (ICML 2004). 2009. E. J. Hogg. 2.. Pitra. Struktur Komunitas Teripang (Holothuroidea)Di Beberapa Perairan Pantai Kai Besar. Kroger. Institut Teknologi Sepuluh November ITS.Eddy. Fisher. Schubert. Sains. Universitas Brawijaya MATLAB PCA berbasis perangkat lunak statistic Montgomery. 4th Edition. D. Ding. Clustering melalui Analisis Komponen Utama. Making Decisions. Normal Probability Plots and Tests for Normality.L. Jurusan Statistika. 2004. Program Studi Pendidikan Matematika. Pusat Penelitian Oseanografi. Statistical Methods for Research Workers. R. Universitas Padjadjaran . Edinburgh.A. 1. NY. Lindley. Makara. HP.A. Pelatihan Analisis Data Kategorik dalam Penelitian Sosial Menggunakan Paket Program SPSS dan MINITAB Ridho. Ledolter. 2008. 524-532. Joiner.C. Pengenalan MINITAB. Kriegel.Jatinangor Statistik Blog Triyanto... LPM. B. Cluster Analysis. Second Edition 1985. Design and Analysis of Experiments. Universitas Sebelas Maret.

Sign up to vote on this title
UsefulNot useful