analisis komponen utama

1

Analisis Komponen Utama

2

Pengamatan Peubah Ganda

- memerlukan ‘sumberdaya’ lebih, dalam analisis

- informasi tumpang tindih pada beberapa peubah

3

Apa itu Komponen Utama

• Merupakan kombinasi linear dari peubah yang diamati informasi yang terkandung pada KU merupakan gabungan dari semua peubah dengan bobot tertentu

• Kombinasi linear yang dipilih merupakan kombinasi linear dengan ragam paling besar memuat informasi paling banyak

• Antar KU bersifat ortogonal tidak berkorelasi informasi tidak tumpang tindih

4

Analisis Komponen Utama

Gugus peubah asal

{X1, X2, …, Xp}

Gugus KU

{KU1, KU2, …, KUp}

Hanya dipilih k < p KU saja, namun mampu memuat sebagian besar

informasi

5

Ilustrasi Komponen Utama

Untuk menceritakan bagaimana wajah pacar kita waktu SMA, tidak perlu disebutkan hidungnya mancung, kulitnya halus, rambutnya indah

tergerai dan sebagainya. Tapi cukup katakan ‘Pacar saya waktu SMA

orangnya cantik’. Kata ‘cantik’ sudah mampu menggambarkan uraian

sebelumnya.

6

Bentuk Komponen Utama

KU1 = a1x = a11x1 + … + a1pxp

Jika gugus peubah asal {X1, X2, …, Xp} memiliki matriks ragam peragam maka

ragam dari komponen utama adalah

= a1’a1 =

Tugas kita adalah bagaimana mendapatkan vektor a1 sehingga ragam di atas maksimum

(vektor ini disebut vektor koefisien)

p

i

p

jijjiaa

1 111

2

1KU

7

Mendapatkan KU pertama

• Vektor a1 merupakan vektor ciri matriks yang berpadanan dengan akar ciri paling besar.

• Kombinasi linear dari {X1, X2, …, Xp}

berupa KU1 = a1x = a11x1 + … + a1pxp dikenal sebagai KU pertama dan memiliki ragam sebesar 1 = akar ciri terbesar

8

KU kedua

• Bentuknya KU2 = a2x = a21x1 + … + a2pxp

• Mencari vektor a2 sehingga ragam dari KU2 maksimum, dan KU2 tidak berorelasi dengan KU1

• a2 tidak lain adalah vektor ciri yang berpadanan dengan akar ciri terbesar kedua dari matriks .

9

Komponen Utama

Misalkan 1 2 … p > 0 adalah vektor ciri yang berpadanan dengan vektor ciri a1, a2, …, ap dari matriks , dan panjang dari setiap vektor itu masing masing adalah 1, atau ai’ai = 1 untuk i = 1, 2, …, p. Maka KU1 = a1’x, KU2 = a2’x, …, KUp = ap’x berturut-turut adalah komponen utama pertama, kedua, …, ke-p dari x. Lebih lanjut var(KU1) = 1, var(KU2) = 2, …, var(KUp) = p, atau akar ciri dari matriks ragam peragam adalah ragam dari komponen-komponen utama.

10

Kontribusi setiap KU

• Ragam dari setiap KU sama dengan akar ciri , yaitu i

• Total ragam peubah asal seluruhnya adalah tr(), dan ini sama dengan penjumlahan dari seluruh akar ciri

• Jadi kontribusi setiap KU ke-j adalah sebesar

p

i i

j

1

11

Interpretasi setiap KU

• Interpretasi setiap KU didasarkan pada nilai pada vektor aj, karena nilai ini berhubungan linear dengan korelasi antara X dengan KU

• Informasi pada KU didominasi oleh informasi X yang memiliki koefisien besar.

12

Permasalahan Umum dalam AKU

• Penentuan KU menggunakan ‘matriks ragam-peragam’ vs ‘matriks korelasi’

• Penentuan banyaknya KU

13

Menggunakan matriks korelasi atau ragam

peragam?Secara umum ini adalah pertanyaan yang sulit. Karena tidak ada hubungan yang jelas antara akar ciri dan vektor ciri matriks ragam peragam dengan matriks korelasi, dan komponen utama yang dihasilkan oleh keduanya bisa sangat berbeda. Demikian juga dengan berapa banyak komponen utama yang digunakan.

14


peragam?Perbedaan satuan pengukuran yang umumnya berimplikasi pada perbedaan keragaman peubah, menjadi salah satu pertimbangan utama penggunaan matriks korelasi. Meskipun ada juga beberapa pendapat yang mengatakan gunakan selalu matriks korelasi.

15


peragam?Penggunaan matriks korelasi memang cukup efektif kecuali pada dua hal. Pertama, secara teori pengujian statistik terhadap akar ciri dan vektor ciri matriks korelasi jauh lebih rumit. Kedua, dengan menggunakan matriks korelasi kita memaksakan setiap peubah memiliki ragam yang sama sehingga tujuan mendapatkan peubah yang kontribusinya paling besar tidak tercapai.

16

Penentuan Banyaknya KUMetode 1

•didasarkan pada kumulatif proporsi keragaman total yang mampu dijelaskan.

•Metode ini merupakan metode yang paling banyak digunakan, dan bisa diterapkan pada penggunaan matriks korelasi maupun matriks ragam peragam.

•Minimum persentase kergaman yang mampu dijelaskan ditentukan terlebih dahulu, dan selanjutnya banyaknya komponen yang paling kecil hingga batas itu terpenuhi dijadikan sebagai banyaknya komponen utama yang digunakan.

•Tidak ada patokan baku berapa batas minimum tersebut, sebagian buku menyebutkan 70%, 80%, bahkan ada yang 90%.

17


•hanya bisa diterapkan pada penggunaan matriks korelasi. Ketika menggunakan matriks ini, peubah asal ditransformasi menjadi peubah yang memiliki ragam sama yaitu satu.

•Pemilihan komponen utama didasarkan pada ragam komponen utama, yang tidak lain adalah akar ciri. Metode ini disarankan oleh Kaiser (1960) yang berargumen bahwa jika peubah asal saling bebas maka komponen utama tidak lain adalah peubah asal, dan setiap komponen utama akan memiliki ragam satu.

•Dengan cara ini, komponen yang berpadanan dengan akar ciri kurang dari satu tidak digunakan. Jollife (1972) setelah melakukan studi mengatakan bahwa cut off yang lebih baik adalah 0.7.

18


•penggunaan grafik yang disebut plot scree. •Cara ini bisa digunakan ketika titik awalnya matriks

korelasi maupun ragam peragam. •Plot scree merupakan plot antara akar ciri k dengan k. •Dengan menggunakan metode ini, banyaknya

komponen utama yang dipilih, yaitu k, adalah jika pada titik k tersebut plotnya curam ke kiri tapi tidak curam di kanan. Ide yang ada di belakang metode ini adalah bahwa banyaknya komponen utama yang dipilih sedemikian rupa sehingga selisih antara akar ciri yang berurutan sudah tidak besar lagi. Interpretasi terhadap plot ini sangat subjektif.

19

Kegunaan Lain KU

• Plot skor KU dua dimensi sebagai alat awal diagnosis pada analisis gerombol

• KU yang saling bebas mengatasi masalah multikolinear dalam analisis regresi

20

Contoh Penerapan AKU

21

Penilaian industri jamu dari aspek CPOTB meliputi beberapa karakteristik: Sanitasi dan hygiene, Penyiapan bahan baku, Pengolahan dan pengemasan, Dokumentasi, Pengawasan mutu, Karyawan/personalia, Peralatan, Bangunan, Inspeksi diri, Penanganan terhadap keluhan.

22

Masalah yang ingin dipecahkan adalah mendapatkan satu skor dari keseluruhan karakteristik tersebut. Cara yang paling sederhana sebenarnya adalah dengan cara merata-ratakan skor masing-masing karakter tersebut. Namun seperti yang dibahas sebelumnya, rata-rata tidak mampu memberikan informasi sebanyak jika menggunakan komponen utama. Pemilihan komponen utama pertama, nampaknya cukup beralasan.

23

Yang menjadi permasalahan dalam penggunaan komponen utama adalah, matriks ragam peragam ataukah matriks korelasi yang harus digunakan untuk mendapatkannya. Perbedaan penentuan skor pada masing-masing karakter menyebabkan pemilihan korelasi merupakan ide yang lebih baik.

24

Menu di SPSS

25

• Masukkan variabel yang menjadi dasar untuk skoring, dalam hal ini variabel Sanitasi dan hygiene hingga Penanganan terhadap keluhan

26

• Pemilihan tipe matriks input dilakukan di tombol Extraction. Pilih Correlation matrix pada bagian Analyze.

• Pilih opsi Scree plot

27

• Output pertama memberi informasi mengenai proporsi keragaman tiap variabel yang dapat diterangkan oleh komponen terpilih.

• Bila semua komponen dipilih, keseluruhan keragaman variabel asal dapat diambil (kolom Initial)

• Bila hanya beberapa komponen yang dipilih (hanya komponen dengan akar ciri lebih dari 1 bila matriks korelasi yang digunakan), keragaman yang dapat diekstrak sebesar kolom Extraction.

Communalities

1.000 .746

1.000 .600

1.000 .656

1.000 .599

1.000 .819

1.000 .647

1.000 .811

1.000 .667

1.000 .749

1.000 .410

1.000 .840

1.000 .661

SANITASI1

SANITASI2

SANITASI3

BAHAN BAKU

OLAHKEMAS

DOKUMENTASI

MUTU

PERSONALIA

PERALATAN

BANGUNAN

INSPEKSI

KELUHAN

Initial Extraction

Extraction Method: Principal Component Analysis.

28

• Output berikutnya menampilkan keragaman masing-masing komponen utama (alias akar ciri matriks korelasi)

• Dengan batasan minimal 1, terpilih dua akar ciri yang keduanya secara kumulatif dapat menerangkan 68.378% keragaman data asal.

Total Variance Explained

6.955 57.955 57.955 6.955 57.955 57.955

1.251 10.423 68.378 1.251 10.423 68.378

.736 6.135 74.513

.609 5.074 79.587

.539 4.493 84.079

.408 3.402 87.481

.359 2.994 90.475

.303 2.523 92.998

.256 2.130 95.128

.228 1.898 97.025

.201 1.679 98.704

.156 1.296 100.000

Component1

2

3

4

5

6

7

8

9

10

11

12

Total % of Variance Cumulative % Total % of Variance Cumulative %

Initial Eigenvalues Extraction Sums of Squared Loadings


29

Component Number121110987654321

Eig

enva

lue

6

4

2

0

Scree Plot

30

• Output terakhir memunculkan koefisien dalam pembentukan komponen utama (alias vektor ciri dari matriks korelasi)

• Koefisien untuk komponen pertama dapat digunakan sebagai pertimbangan dalam penentuan bobot untuk skor akhir.

• Sebagai contoh, variabel mutu semestinya mendapatkan bobot tertinggi, sementara penanganan keluhan berbobot terendah.

Component Matrixa

.799 -.328

.759 -.153

.787 -.190

.758 -.157

.892 -.152

.771 .227

.900 .033

.758 .304

.795 -.343

.603 -.214

.648 .648

.594 .555

SANITASI1

SANITASI2

SANITASI3

BAHAN BAKU

OLAHKEMAS

DOKUMENTASI

MUTU

PERSONALIA

PERALATAN

BANGUNAN

INSPEKSI

KELUHAN

1 2

Component


2 components extracted.a.

31

TERIMA KASIH

analisis komponen utama

Documents

analisis komponen utama