UAS Project - Analisis Multivariat Kel 1 - Kelas TIRM 18C
UAS Project - Analisis Multivariat Kel 1 - Kelas TIRM 18C
UAS Project - Analisis Multivariat Kel 1 - Kelas TIRM 18C
ANALISIS MULTIVARIAT
Disusun oleh :
TI RM - 18 C
S1. Untuk mempermudah analisa dari test psikologi yang mempunyai banyak pertanyaan
(variabel), peneliti ingin mengelompokan pertanyaan-pertanyaan tersebut dalam kelompok-
kelompok yang lebih kurang sama tanggapannya dari responden
a) Terangkan satu tools (alat bantu) dari analisis multivariat yang dapat membantu
melaksanakan tugas ini.
b) Buatlah pengelompokkan untuk pertanyaan test psikologi seperti dalam file
S1_UAS.sav dan berilah nama serta analisis singkat dari pengelompokkan tersebut.
S2. Data rata-rata jam kerja, harga dan penghasilan dari penduduk di beberapa kota besar di
dunia adalah seperti pada file S2_UAS.sav, untuk mengetahui profile dan kemudian
menggolongkannya kedalam beberapa kelas kota dunia anda diminta membuat analisis
statistika:
a) Terangkan secara singkat kaidah analisis apa saja yang bisa dipakai untuk membuat
penggolongan tersebut
b) Gunakan kaidah MDS untuk membuat penggolongan
c) Gunakan kaidah K-Means untuk membagikan sample pada 3 cluster. Simpulkan,
tafsirkan serta beri nama pada setiap cluster yang menggambarkan kelompok kota
yang didapat
d) Gunakan kaidah Hierarchical. Kalau dari Dendogram kita ambil tiga cluster apakah
hasilnya sama dengan hasil yang diperoleh sebelumnya (dengan menggunakan K-
Means). Terangkan
e) Bandingkan ketiga hasil yang didapat dan simpulkan
S3. Dosen Universitas diwajibkan untuk melakukan penelitian atau riset ilmiah minimal sekali
setahun. Untuk membantu dosen melakukan riset, perguruan tinggi menyediakan dana yang
dapat diperoleh setelah proposal penelitian dianggap layak. Para dosen yang merasa mampu
juga dapat melakukan penelitian tanpa harus melalui lembaga Litbang. Ternyata sekalipun
Universitas menyediakan dana, lebih banyak dosen yang melakukan penelitian dengan biaya
sendiri. Untuk mengetahui penyebab, dilakukan penelitian terhadap 50 dosen yang
melakukan penelitian 24 diantaranya didanai universitas dan 26 menggunakan biaya sendiri.
Empat variabel yang dijadikan sebagai variabel independen adalah: gaji, sikap terhadap
Litbang, kemampuan melakukan riset dan daya tarik topik yang diteliti. Sampel dibagi 2
sebanyak 30 responden dipakai sebagai sampel analisis data dan sisanya 20 responden
dijadikan sebagai sampel untuk memvalidasi.
a) Terangkan secara singkat kaidah yang perlu dipakai untuk analisis tersebut.
b) Berdasarkan data yang terkumpul dalam file S3_UAS.xcl, tentukan fungsi
diskriminan untuk kasus di atas. Tentukan Cutting Score serta Hit Ratio untuk
keseluruhan datanya (50 data)
/01/2022 /01/2022
1. Sebuah survey diadakan oleh Badan Psikologi guna mengetahui hasil analisis
penelitian yang mereka lakukan terhadap responden. Data yang dikumpulkan ada di
Test Psikologi.sav.
Survey ini mencakup 44 pertanyaan apa yang dirasakan oleh responden. Survey
ini mengukur sejumlah factor-faktor yang mendasarinya tetapi modelnya tidak
diketahui. Jadi pertanyaan penelitian untuk analisis ini adalah:
a Berapa banyak faktor yang diukur oleh 44 pertanyaan kita ?
b Aspek kepuasan mana yang diwakili oleh faktor apa?
c Pertanyaan mana yang mengukur faktor yang serupa?
Terangkan satu tools (alat bantu) dari analisis multivariat yang dapat membantu
melaksanakan tugas ini. Dan jawablah ketiga pertanyaan diatas.
ANALISIS:
Salah satu tools yang digunakan dalam menyelesaikan tugas ini adalah
menggunakan analisis faktor. Analisis faktor merupakan proses analisis yang
digunakan untuk menemukan hubungan antara sejumlah variabel-variabel yang
saling independen satu dengan yang lain sehingga bisa dibuat satu atau beberapa
kumpulan variabel yang lebih sedikit dari jumlah variabel awal.
df 946
Sig. ,000
3. Hasil Anti Image Matrices
Pada bagian bawah (anti image correlation), khususnya pada angka
korelasi yang bertanda a ( arah diagonal dari kiri atas ke kanan bawah). Seperti
angka MSA untuk pertanyaan banyak bicara adalah 0,831 untuk variabel
menemukan kesalahan adalah 0,764 dan seterusnya untuk variabel yang lain.
Pada tabel tersebur terdapat kode huruf (a) yang artinya tanda untuk Measure
of Sampling Adequancy. Dengan kriteria angka MSA seperti ini nilainya diatas
0,5 maka seluruh variabel masih bisa di prediksi dan bisa dianalisis lebih lanjut.
Hal ini dapat dilihat pada gambar dibawah yang menunjukan hasil Anti Image
Matrices.
TAHAP II: OUTPUT FACTORING DAN ROTASI
1. Hasil Communalities
Communalities pada dasarnya adalah jumlah varians dari suatu variabel mula-
mula yang bisa dijelaskan oleh faktor yang ada. Untuk variabel Banyak Bicara
mendapatkan angka sebesar 0,749. Hal ini dapat diartikan sekitar 74,9% varians
dari variabel Banyak Bicara bisa dijelaskan oleh faktor yang terbentuk. Untuk
variabel menemukan kesalahan yaitu sebesar 0,564 yang berarti 56,4% varians
dari variabel menemukan kesalahan bisa dijelaskan oleh variabel yang
terbentuk. Begitu juga dengan variabel yang lainnya.
Communalities
Initial Extraction
Component Matrixa
Component
1 2 3 4 5 6 7 8 9 10
banyak bicara ,551 -,285 ,278 -,490 ,035 -,017 ,041 -,076 ,181 -,067
menemukan
-,185 -,195 ,354 ,081 ,539 -,019 -,130 -,190 ,112 -,053
kesalahan
melakukan
pekerjaan yang ,510 ,434 ,065 -,002 ,316 ,053 ,100 -,056 ,105 -,038
menyeluruh
murung -,516 ,262 ,329 -,089 ,045 -,070 ,104 ,034 -,105 ,357
original ,568 -,083 ,277 ,226 -,119 -,179 ,197 ,211 ,053 -,059
pemalu -,369 ,526 -,023 ,380 ,015 ,200 ,073 -,233 -,040 -,054
sangat membantu ,532 ,299 -,001 -,216 -,193 ,042 ,108 ,082 ,222 ,323
ceroboh -,468 -,340 ,200 -,079 -,225 ,303 ,039 ,057 ,000 -,077
santai ,402 -,244 -,393 ,363 -,068 ,242 ,112 ,166 ,136 ,013
penasaran ,313 -,006 ,444 ,165 -,002 ,101 ,156 -,185 -,186 -,280
penuh tenaga ,353 -,306 ,159 ,172 ,147 ,389 -,206 -,014 -,207 -,077
memulai
-,294 -,263 ,185 ,104 ,279 ,100 -,015 ,249 ,233 ,201
pertengkaran
dapat diandalkan ,556 ,410 ,036 -,101 ,124 -,012 ,093 -,047 ,197 -,277
tegang -,379 ,310 ,499 -,241 ,117 ,070 -,006 ,003 -,176 ,093
berbakat ,166 ,160 ,366 ,403 -,047 -,045 ,132 ,477 -,108 ,063
membangkitkan
antusiasme pada ,459 -,334 ,327 -,018 ,100 ,278 ,007 -,026 -,299 ,131
orang lain
memaafkan ,252 -,012 -,015 -,114 -,275 ,397 ,038 -,199 -,019 ,007
kacau -,382 -,370 ,059 -,072 -,457 ,185 ,050 ,043 -,012 -,102
khawatir -,189 ,475 ,419 -,211 -,055 -,046 -,110 ,244 -,092 -,116
imajinatif ,301 -,052 ,506 ,125 -,144 -,060 ,230 -,045 -,015 -,256
pendiam -,435 ,552 -,143 ,399 -,082 ,228 ,047 -,088 -,019 -,039
mudah percaya ,448 ,163 -,006 -,343 -,266 ,298 -,031 ,047 ,107 ,009
malas -,562 -,388 ,123 -,017 -,203 ,047 ,101 ,025 ,107 ,154
stabil secara
,419 -,310 -,301 ,309 -,034 ,196 ,060 ,070 ,172 -,151
emosional
inventif ,302 -,215 ,364 ,349 -,099 -,118 ,232 -,248 -,239 ,059
teguh pendirian ,386 -,465 ,229 ,102 ,328 ,108 -,035 ,042 -,034 ,139
dingin dan
-,416 ,005 ,118 ,255 ,305 ,162 -,028 ,025 ,380 ,028
menyendiri
pantang
,559 ,390 ,031 -,033 ,221 -,029 ,034 -,030 ,124 -,098
menyerah
mudah marah -,346 ,123 ,448 -,088 ,172 ,085 ,159 -,069 ,386 ,061
menghargai
pengalaman ,206 ,079 ,327 ,392 -,325 -,013 -,429 -,104 ,171 ,002
artistik
malu -,364 ,495 -,047 ,245 -,186 ,277 ,109 -,169 ,210 -,079
penuh perhatian ,517 ,344 ,036 -,262 -,189 ,252 ,063 -,028 ,043 ,364
efisien ,390 ,296 -,031 ,123 ,479 ,126 ,038 -,174 -,177 ,308
tenang dalam
,299 -,263 -,358 ,364 ,071 ,208 ,213 -,136 -,041 ,243
situasi tegang
lebih suka
-,185 ,158 -,133 -,007 ,160 ,369 -,420 ,369 -,129 -,105
pekerjaan rutin
ramah ,494 -,460 ,162 -,285 ,050 ,154 -,209 -,050 ,039 -,052
kadang kasar -,386 -,417 ,245 ,103 ,235 ,020 ,107 ,085 ,288 -,043
tetap pada
,481 ,241 ,058 ,098 ,295 ,123 -,222 ,080 ,058 -,110
rencana
grogi -,465 ,386 ,290 -,082 -,001 ,309 -,028 ,015 -,141 -,085
reflektif ,333 ,141 ,343 ,355 -,278 -,035 ,200 ,315 ,025 ,055
sedikit minat
-,293 -,053 -,203 -,194 ,281 ,311 ,351 ,342 -,137 -,107
artistik
kooperatif ,530 ,259 ,064 -,291 -,199 ,153 ,015 ,093 ,103 ,003
menarik perhatian -,404 -,310 ,281 -,142 -,162 ,264 ,054 -,244 ,111 ,032
canggih dalam
,185 ,024 ,267 ,388 -,305 -,078 -,503 -,009 ,088 ,207
seni & musik
Berdasarkan hasil plot dengan 2 dimensi ini terdapat 4 kelompok negara berdasarkan
jam kerja, gaji, dan harga kebutuhannya dikarenakan jaraknya yang dekat.
Sebagai contoh, angka 1740,83 pada variabel rata-rata jam kerja (average working
hours) pada clustur 1, yaitu:
x = μ + zσ
dimana:
x : rata-rata sample (dalam hal ini rata-rata variabel pada cluster tertentu)
µ : rata-rata popolasi
𝜎 : standar deviasi
Rata-rata jam kerja seluruh populasi adalah 1879,91 dan untuk standar deviasi adalah 174,34
- Cluster 1 berisi responden yang mempunyai waktu jam kerja lebih pendek dari rata-
rata, harga diatas rata-rata populasi dan mempunyai pendapatan diatas rata-rata
populasi. Dari ciri-ciri diatas, bisa diduga mereka kebanyakan adalah orang kaya dan
relatif mapan
d. Kaidah Hierarchical:
Tabel berikut menyatakan matriks proximity, dengan angka yang tertera adalah jarak
(distance) antara dua buah variabel.
e. Perbandingan ketiga metode:
Perbandingan ketiga metode
Analisis MDS menentukan posisi suatu variable berdasarkan penilaian terhadap
kemiripan dari tiap variable yang akan diteliti, dengan mengelompokkan terhadap
dimensi yang akan dibuat, dalam hal ini 2 dimensi dan didapatkan kelompok data sebagai
berikut
Kelompok MDS
1 2 3 4
Amsterdam Copenhagen Bogota Chicago
Athens Geneva Bombay Houston
Brussels Helsinki Buenos Aires Los Angeles
Dublin London Caracas New York
Dusseldorf Luxembourg Hong Kong Taipei
Frankfurt Madrid Johannesburg Tel Aviv
Lagos Milan Kuala Lumpur Toronto
Lisbon Montreal Manila
Nicosia Oslo Mexico City
Rio de Janeiro Paris Nairobi
Sao Paulo Stockholm Panama
Seoul
Sydney
Tokyo
Vienna
Singpore Kelompok data hasil analisis MDS
Zurich
Analisis K Means cluster menentukan variable berdasarkan jumlah cluster yang ditetapkan di
awal, dalam hal ini 3 cluster, lalu ditentukan nilai tengah dari tiap cluster. Pembagian anggota
cluster berdasarkan pada kedekatan dengan nilai tengah dari tiap cluster
Analisis Hierarchical melakukan pengelompokan data yang dimulai dengan setiap satu
pengamatan sebagai clusternya sendiri kemudian terus mengelompokkan pengamatan ke dalam
kelompok yang semakin besar. Hal ini menghasilkan sebuah organisasi hirarki data yang dapat
digunakan untuk mengelompokkan kumpulan data dan dari hirarki ini kelompok-kelompok
tertentu dapat dipilih ditunjukkan dengan dendogram
Dendogram berfungsi untuk menunjukkan seberapa banyak cluster yang bisa dibuat dari anggota
kelompok yang ada
3. a. Kaidah :
Dengan :
D = skor diskriminan
Fungsi Diskriminan
Variabel Independent :
- Gaji
Hipotesis :
Group Statistics
Valid N (listwise)
Pendanaan Mean Std. Deviation Unweighted Weighted
1.00 Gaji 3.8857 .68259 14 14.000
Sikap 5.7857 .69929 14 14.000
Kemampuan 6.0714 .82874 14 14.000
Topik 5.9286 .82874 14 14.000
2.00 Gaji 4.9813 1.04640 16 16.000
Sikap 4.0625 .92871 16 16.000
Kemampuan 4.2500 .77460 16 16.000
Topik 4.5000 .51640 16 16.000
Total Gaji 4.4700 1.04127 30 30.000
Sikap 4.8667 1.19578 30 30.000
Kemampuan 5.1000 1.21343 30 30.000
Topik 5.1667 .98553 30 30.000
Analisa : Untuk menguji kesamaan rata-rata variabel, mendekati angka 0 maka cenderung
ada perbedaan dalam kelompok.
Untuk Signifikansi Semua Variabel < 0,05 maka ada perbedaan pada pengambilan keputusan
pendanaan.
Covariance Matricesa
Pendanaan Gaji Sikap Kemampuan Topik
1.00 Gaji .466 .020 .001 -.155
Sikap .020 .489 .016 .060
Kemampuan .001 .016 .687 .159
Topik -.155 .060 .159 .687
2.00 Gaji 1.095 -.272 -.242 -.197
Sikap -.272 .863 .250 .033
Kemampuan -.242 .250 .600 -.067
Topik -.197 .033 -.067 .267
Total Gaji 1.084 -.618 -.638 -.574
Sikap -.618 1.430 .945 .678
Kemampuan -.638 .945 1.472 .707
Topik -.574 .678 .707 .971
a. The total covariance matrix has 29 degrees of freedom.
Analisa : Untuk menilai korelasi antar variabel independent, dengan signifikansi semua
variabel < 0,05 maka ada perbedaan pada pengambilan keputusan pendanaan.
Classification Resultsa,c
Predicted Group Membership
Pendanaan 1.00 2.00 Total
Original Count 1.00 13 1 14
2.00 0 16 16
% 1.00 92.9 7.1 100.0
2.00 .0 100.0 100.0
Cross-validatedb Count 1.00 13 1 14
2.00 1 15 16
% 1.00 92.9 7.1 100.0
2.00 6.3 93.8 100.0
Analisa :
a. 96,7% dari kasus yang dikelompokkan, berhasil diklasifikasikan dengan benar.
b. 93% kasus kelompok yang divalidasi silang dilakukan pengklasifian dengan
benar.
Cutting Score
Z score = - 35,039 +1,852 Sikap + 2,273 Kemampuan + 2,721 Topik, beda dengan fungsi unstandardised*
Score Diskriminan
Penda Penda
No Gaji Sikap Kemampuan Topik Gaji Sikap Kemampuan Topik
naan naan
1 1 3.2 5 6 7 2 5 5 6 4
2 1 4 6 5 5 2 5.2 4 5 4
3 1 5.2 5 5 5 2 6 5 4 5
4 1 4 7 6 5 2 4 5 5 4
5 1 2.7 6 5 6 2 4.7 5 4 5
6 1 3.5 5 7 6 2 4.8 4 4 4
7 1 4 6 5 7 2 6.1 3 3 5
8 1 5 6 7 6 2 3 3 4 5
9 1 4 5 7 6 2 5 4 5 5
10 1 3.1 5 6 5 2 4 4 4 5
11 1 3.7 6 7 6 2 6 3 4 4
12 1 4.4 6 6 5 2 7 2 4 4
13 1 3.6 7 7 7 2 5.6 5 4 4
14 1 4 6 6 7 2 5.2 4 3 4
15 1 3.1 6 6 7 2 3.4 4 5 5
16 1 4.3 6 6 5 2 4.7 5 4 5
17 1 5.1 6 5 5 2 4.7 4 3 4
18 1 4.5 6 7 5 2 5.7 4 3 5
19 1 3 6 6 6 2 4 4 4 5
20 1 4 5 7 6 2 5,1 5 5 5
21 1 42 7 5 7 2 4.2 5 4 5
22 1 5.1 6 7 7 2 4.7 4 4 4
23 1 3.6 5 6 6 2 6 3 4 4
24 1 4 6 6 5 2 5 4 4 4
25 2 5 4 3 4
26 2 4.2 5 5 5
Rata-rata 5.55 5.83 6.08 5.92 4.74 4.12 4.12 4.50
= 5,688
= -5,799
�1 (�1) − �2 (�2)
Cutting Score : Yes = (�1+�2)
Hit Ratio
Pengklasifikasian
Gaji Sikap Kemampuan Topik Constant Discrim Kel Salah
Kel Awal
1,852 2,273 2,721 -35,039 Score Awal Masuk
1 3.2 5 6 7 6.906 1
1 4 6 5 5 1.043 1
1 5.2 5 5 5 -0.809 2 ***
1 4 7 6 5 5.168 1
1 2.7 6 5 6 3.764 1
1 3.5 5 7 6 6.458 1
1 4 6 5 7 6.485 1
1 5 6 7 6 8.310 1
1 4 5 7 6 6.458 1
1 3.1 5 6 5 1.464 1
1 3.7 6 7 6 8.310 1
1 4.4 6 6 5 3.316 1
1 3.6 7 7 7 12.883 1
1 4 6 6 7 8.758 1
1 3.1 6 6 7 8.758 1
1 4.3 6 6 5 3.316 1
1 5.1 6 5 5 1.043 1
1 4.5 6 7 5 5.589 1
1 3 6 6 6 6.037 1
1 4 5 7 6 6.458 1
1 42 7 5 7 8.337 1
1 5.1 6 7 7 11.031 1
1 3.6 5 6 6 4.185 1
1 4 6 6 5 3.316 1
2 5 5 6 4 -1.257 2
2 5.2 4 5 4 -5.382 2
2 6 5 4 5 -3.082 2
2 4 5 5 4 -3.530 2
2 4.7 5 4 5 -3.082 2
2 4.8 4 4 4 -7.655 2
2 6.1 3 3 5 -9.059 2
2 3 3 4 5 -6.786 2
2 5 4 5 5 -2.661 2
2 4 4 4 5 -4.934 2
2 6 3 4 4 -9.507 2
2 7 2 4 4 -11.359 2
2 5.6 5 4 4 -5.803 2
2 5.2 4 3 4 -9.928 2
2 3.4 4 5 5 -2.661 2
2 4.7 5 4 5 -3.082 2
2 4.7 4 3 4 -9.928 2
2 5.7 4 3 5 -7.207 2
2 4 4 4 5 -4.934 2
2 5,1 5 5 5 -0.809 2
2 4.2 5 4 5 -3.082 2
2 4.7 4 4 4 -7.655 2
2 6 3 4 4 -9.507 2
2 5 4 4 4 -7.655 2
2 5 4 3 4 -9.928 2
2 4.2 5 5 5 -0.809 2
Rata 1 5.830 2.273 2.721 -11.671
Rata 2 4.120 4.120 4.500 -5.800
Y cs 5.746
Dari tabel pengklasifikasian diatas terdapat satu individu yang tidak berada pada
kelompok semula, sehingga kita dapat menghitung hit Ratio sebesar (50-1)/50 x
100% = 98%.