Metode statistik multivariat
Download as PPTX, PDF3 likes12,589 views
Metode statistik multivariat digunakan untuk menganalisis data yang melibatkan lebih dari satu variabel. Teknik k-means cluster digunakan untuk mengelompokkan kota-kota ke dalam 3 kelompok berdasarkan karakteristik ekonomi mereka."
Metode statistik multivariat
- 1. Metode Statistik Multivariat Kelompok 1 Haikal H. 116090047 Fahmi Y. 116090049 M. Rizki 116090016 & Kelompok 5 Toni S. 116090030 M. Fathinuddin 116090065 Kartiko E. 116090068
- 2. Pengertian Data yang diperoleh dengan mengukur lebih dari satu variabel kriteria pada setiap individu anggota sampel disebut data multivariat. Teknik-teknik analisis statistik yang memperlakukan sekelompok variabel kriteria yang saling berkorelasi sebagai suatu sistem dengan memperhitungkan korelasi antar variabel-variabel itu disebut Metode Statistika Multivariat
- 3. Tujuan Menemukan dan menafsirkan struktur atau ciri-ciri yang mendasari data agar struktur atau ciri yang ditemukan bermakna. Mencari variabel baru yang jumlahnya lebih kecil tetapi mampu menghasilkan penjelasan tentang variasi dari variabel semula yang jumlahnya lebih banyak (Reduksi)
- 4. Tehnik Analisis Multivariat Metode Ketergantungan Jika persoalan pokok tentang hubungan antara dua kelompok variabel, satu kelompok variabel bebas dan yang kedua variabel terikat. Teknik yang digunakan antara lain 1) Analisis Regresi, 2) Analisis Varians, 3) Analisis Korelasi Kanonik, 4) Analisis Diskriminan, 5) Analisis Logit.
- 5. Metode Kesalingtergantungan Jika diantara variabel diukur tidak dibedakan antara variabel bebas dan terikatnya, sehingga persoalan pokok adalah kesalingtergantungan atau hubungan yang bersifat simetris. Teknik yang digunakan antara lain, 1) Analisis Komponen Utama, 2) Analisis Faktor, 3) Analisis Cluster, 4) Analisis Log-Linear.
- 6. Analisis Cluster Tujuan dari Analisis Cluster adalah mengelompokkan obyek berdasarkan kesamaan karakteristik di antara obyek- obyek tersebut. Dengan demikian, ciri- ciri suatu cluster yang baik yaitu mepunyai : 1. Homogenitas internal (within cluster); yaitu kesamaan antar anggota dalam satu cluster. 2. Heterogenitas external (between cluster); yaitu perbedaan antara cluster yang satu dengan cluster yang
- 7. Analisis Cluster Langkah pengelompokan dalam analisis cluster mencakup 3 hal berikut : 1. Mengukur kesamaan jarak 2. Membentuk cluster secara hirarkis 3. Menentukan jumlah cluster.
- 8. Data
- 9. Langkah – 1 : “Standardisasi/Transformasi” Mengingat data yang terkumpul mempunyai variabilitas satuan, maka perlu dilakukan langkah standardisasi atau transformasi terhadap variabel yang relevan ke bentuk zscore, sebagai berikut : 1) Setelah keseluruhan data yang dikumpulkan tersebut diatas dientry dalam program SPSS, selanjutnya klik menu “analyze” dan pilih sub menu “Descriptives Statistics” lalu “Descriptives” hingga muncul tampilan berikut ini :
- 11. Standardisasi/Transformasi Masukkan ke dalam kotak VARIABLES seluruh variabel instrumen penilai, yaitu variabel jumlah pendapatan, jumlah pinjaman, jumlah dana hibah, jumlah konsumsi, dan jumlah penduduk. (dalam hal ini variabel kota tidak dimasukkan karena data bertipe string). Kemudian checklist bagian “Save standardized values as variables”. Abaikan bagian yang lain lalu tekan OK untuk menampilkan output aplikasi program SPSS.
- 12. Standardisasi/Transformasi Output yang didapat yaitu deskripsi dari keseluruhan variabel yang meliputi nilai maksimum, nilai minimun, rataan dan standar deviasi dari masing-masing variabel.
- 13. Standardisasi/Transformasi Namun, deskripsi tersebut diatas digunakan sebagai dasar perhitungan z-score yang diperoleh. Selanjutnya buka tampilan “data view” dari tabel data. Hal yang akan dijumpai sebagai berikut :
- 14. Standardisasi/Transformasi Untuk selanjutnya, hasil z-score inilah yang akan dipakai dasar analisis cluster. Namun apabila data yang terkumpul tidak mempunyai variabilitas satuan, maka prose analisis cluster dapat langsung dilakukan tanpa terlebih dahulu melakukan transformasi atau standardisasi.
- 15. Langkah – 2 : “Analisis Cluster” Metode K-Means Cluster (Non- Hirarkis) Perlu diingat bahwa bahan analisis bukan lagi data asli, namun data hasil transformasi / standardisasi. 1) Dari tampilan data yang tertera (hasil standardisasi/transformasi), buka menu “Analyze”, lalu pilih sub menu “Classify” dan pilih “K-Means Cluster…” hingga tampak pada layar sebagai berikut :
- 16. K-Means Cluster
- 17. K-Means Cluster Masukkan seluruh variabel Z-Score ke dalam kotak VARIABLES. Kemudian variabel Kota dimasukkan dalam kotak “Label Cases by..”. Number of Clusters dalam hal ini diisi menurut jumlah cluster yang akan dibentuk dalam penelitian yang dimaksud. Dalam hal ini diisi 3, berarti diharapkan akan dibentuknya 3 cluster.
- 18. K-Means Cluster Kemudian klik mouse pada kotak “Save…” hingga muncul tampilan seperti berikut ini : Kotak dialog SAVE memungkinkan hasil cluster disimpan dalam bentuk variabel baru. Hal ini berguna untuk proses profiling cluster, yang akan dilakukan pada
- 19. K-Means Cluster Check list kedua kotak dalam menu Save, yaitu “Cluster membership” dan “Distance from cluster center”. Selanjutnya tekan tombol “Continue” untuk kembali ke menu utama.
- 20. K-Means Cluster Kemudian klik mouse pada kotak “Options…” Pada bagian Statistics, aktifkan “Initial cluster centers” dan “ANOVA table”. Abaikan bagian yang lain, lalu tekan “Continue” untuk kembali ke menu utama.
- 21. K-Means Cluster Dari tampilan menu utama cluster, abaikan bagian yang lain lalu tekan tombol OK untuk dapat menampilkan output aplikasi program SPSS seperti berikut ini.
- 22. K-Means Cluster Tabel diatas merupakan tampilan pertama proses clustering data sebelum dilakukan iterasi. Untuk mendeteksi berapa kali proses iterasi yang dilakukan dalam proses clustering dari 12 obyek yang diteliti, dapat dilihat dari tampilan output berikut ini :
- 23. K-Means Cluster Ternyata proses clustering yang dilakukan melalui 2 tahapan iterasi untuk mendapatkan cluster yang tepat. Dari tabel diatas disebutkan bahwa jarak minimum antar pusat cluster yang terjadi dari hasil iterasi adalah 3,240.
- 24. Adapun hasil akhir dari proses clustering digambarkan berikut ini :
- 25. Output Final Cluster Centers tersebut diatas masih terkait dengan proses standardisasi data sebelumnya, yang mengacu pada z-score dengan ketentuan sebagai berikut : 1. Nilai negatif (-) berarti data berada di bawah rata-rata total. 2. Nilai positif (+)berarti data berada di atas rata-rata total.
- 26. Rumus umum yang digunakan yaitu : Dimana : X : rata-rata sampel (variabel dalam cluster) µ : rata-rata populasi Z : nilai standardisasi σ : standar deviasi
- 27. Sebagai contoh, apabila ingin diketahui rata- rata jumlah pendapatan kota di cluster-1 yaitu : (rata-rata pendapatan seluruh kota) + (0,98858 x standar deviasi rata-rata pendapatan) = 72,58 + (0,98858 x 12,965) = 85,3969 Jadi rata-rata jumlah pendapatan kota yang berada di cluster-1 adalah Rp 85,3969 trilyun. Demikian seterusnya dapat diketahui rata- rata nilai masing-masing variabel dalam tiap cluster.
- 28. Dari tabel output Final Cluster Centers, dengan ketentuan yang telah dijabarkan diatas pula, dapat didefinisikan sebagai berikut : Cluster-1 Dalam cluster-1 ini berisikan kota-kota yang mempunyai jumlah pendapatan kota, jumlah pinjaman, jumlah dana hibah, jumlah konsumsi, dan jumlah penduduk yang lebih dari rata-rata populasi kota yang diteliti. Hal ini terbukti dari nilai positif (+) yang terdapat pada tabel Final Cluster Centers dalam keseluruhan variabel. Dengan demikian, dapat diduga bahwa cluster-1 ini merupakan pengelompokan dari kota-kota besar.
- 29. Cluster-2 Karakteristik kota yang masuk dalam pengelompokan cluster-2 yaitu memiliki rata-rata jumlah pinjaman dan jumlah konsumsi yang melebihi rata-rata populasi kota yang diteliti. Untuk instrumen variabel yang lain kota-kota di cluster-2 ini berada di atas ratarata populasi. Dengan demikian, dapat diduga sekumpulan kota-kota menengah berada pada cluster-2.
- 30. Cluster-3 Sedangkan karakteristik kota-kota yang mengelompok pada cluster-3 adalah keseluruhan instrumen penilai berada pada posisi dibawah rata-rata populasi kota yang diteliti. Sehingga dapat diduga bahwa cluster-3 merupakan pengelompokan kota-kota kecil.