ANALISIS HASIL TRACER STUDY 2016 LULUSAN BERPROFESI WIRAUSAHA

ANALISIS HASIL TRACER STUDY 2016

LULUSAN BERPROFESI WIRAUSAHA

DR. UDJIANNA S. PASARIBU AULA TIMUR ITB, 10 APRIL 2017

KELOMPOK KEAHLIAN STATISTIKA, PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

TUJUAN UTAMA

1.

Menjelaskan proses dari hasil analisis pada BAB 10

(Analisis Statistik alumni angkatan 2009 dan

berprofesi sebagai/melaksanakan wirausaha)

2.

Menunjukkan



Peranan Analisis Data ‘Multivariat’ pada Big Data,

khususnya

Berapa banyak dari hadirin yang :



Pernah mendengar tentang

Analisis Klaster

?



Pernah memanfaatkannya ?



Bagaimana dengan

Analisis Komponen Utama



Pernah memanfaatkannya ?

TRACER STUDY 2016

 Data diperoleh dari responden Alumni

ITB Angkatan 2009

 Banyak responden 2647 (93%)

…

Total pertanyaan 233

Id. Pribadi Nama, Alamat, No. hp

11

Id.

Pekerjaan Nama, Alamat,No. tlp Kantor, dll 31 PT dll Fasilitas, peran PT, ketepatan waktu lulus, organisasi kampus, dll 191

Analisis Multivariat Untuk Menggali Data

Menggali Data Statistika Inferensi dan Analisis Data Analisis Korespondensi Analisis Komponen Utama Analisis

Faktor AnalisisKlaster DiskriminanAnalisis dll Alat Intelegensi Artifisial (Jaringan Saraf) Teori Informasi Teori Pembaejaran Mesin (Mechine Learning Theory) (S. Tufféry, 2011) Pengelompokan objek

(Program Studi) berdasarkan pertanyaan yang ditentukan. Pengelompokan variabel acak (mengurangi) Data kualitatif Data kuantitatif

PROFESI ALUMNI ITB (PERTANYAAN NO 12)

Status

Pekerjaan

Wirausaha Bekerja Tidak

bekerja _WiraswastaBekerja +

7.1% 4.7%

Melanjutkan studi

BAGAIMANA PERANAN

WIRAUSAHA DALAM 2 TH

HISTORI PROPORSI WIRAUSAHA TERHADAP TOTAL



Target institusi :

Entrepreneur

University,

sehingga perlu

dianalisis lebih dalam



Harapan : Profesi sesuai dengan

latar belakang Prodi (prodi dapat

mempersiapkan lebih baik untuk

mencetak

entrepreneur

)

5.90% 6.62% 5.89%

7.05% _6.85% 7.10%

2004 2005 2006 2007 2008 2009

PROPORSI ALUMNI ITB BERPROFESI WIRAUSAHA TERHADAP TOTAL RESPONDEN SETIAP ANGKATAN

TREN PROPORSI WIRAUSAHA TERHADAP TOTAL DARI BEKERJA

JUGA WIRASWASTA & WIRAUSAHA

46.90%

59.42%

52.83%

59.48% _58.69% 60.06%

2004 2005 2006 2007 2008 2009

PROPORSI WIRAUSAHA TERHADAP TOTAL ALUMNI YANG BEKERJA + WIRASWASTA & WIRAUSAHA

Proporsi alumni (setiap

angkatan) yang berprofesi

wirausaha memiliki tren

kecenderungan semakin

meningkat

dari tahun ke

tahun

Dalam statistika: Proporsi

marginal pada wirausaha

Analisis Klaster

2, ...

Teknik

LATAR BELAKANG



Fakultas di ITB



Prodi sebanyak:



Berdasarkan perkembangan IPTEK Kebebasan antar bidang ilmu semakin

menurun



KEDEKATAN atau KEBERGANTUNGAN



Kedekatan antar prodi berdasarkan ‘identitas/

data pribadi

responden’ dari

A Website no 4 ?



Masalah Menetapkan

:



Metode analisis multivatiat yang sesuai dan mudah dipahami



Prodi adalah obyek yang mau dikelompokkan (bukan responden)



Banyaknya variabel (acak)/karakteristik



4

ANALISIS KLASTER (PENGELOMPOKKAN)



Ingat! data yang dimiliki perindividu (bukan per-prodi)



Transformasi data

o

Menjumlahkan jawaban dari responden-responden pada

prodi yang sama unt



Jenis kelamin (A

data pribadi

no 2)



vbl 1

o

Merata-ratakan jawaban dari responden-responden pada

pada prodi yang sama masing–masing unt



IP (A

data pribadi

no 5)



vbl 2



lama mencari pekerjaan sebelum lulus (B data

Pekerjaan

Anda no

14a)



vbl 1

ANALISIS KLASTER (PENGELOMPOKKAN)

Asumsi-asumsi pada analisis ini



Observasinya diskrit (misal banyaknya wanita) atau

kontinyu (IPK, lama tunggu dlm bulan)



Variansi dari tiap variabel acak (karakteristik) hampir

sama



Variansi jenis kelamin, IP, Lama mencari pekerjaan

sebelum lulus, dan sesudah lulus antar prodi hampir

sama besar



Banyak vbl acak



banyak objek ( banyaknya variabel

CONTOH (transformasi data, pertanyaan no. 2):

Nama Prodi JK # JK

M. Abdul Teknik Material _{Pria 1} Dika Teknik Material _{Pria 1} Irham Teknik Material _{Pria 1} Ahmad Teknik Material _{Pria 1} Cepi Teknik Material _{Pria 1} Titis PWK _{Wanita 0} Reza PWK _{Pria 1} Tito PWK _{Pria 1} Surya PWK _{Pria 1} Irham PWK _{Pria 1} Icha PWK _{Wanita 0} Fahmuddin PWK _{Pria 1} Ilmi PWK _{Wanita 0}

Prodi

JK

Teknik Material 5

PWK

5

Jumlahka

n

Jumlahka

n

Misalkan:

Pria = 1 dan Wanita =0 (boleh sebaliknya) Dengan menjumlahkan kolom # JK unutk setiap prodi, diperoleh tabel berikut

CONTOH (transformasi data, pertanyaan no. 5):

Nama Prodi IP

M. Abdul Teknik Material _3.01 Dika Teknik Material _3.33 Irham Teknik Material _3.12 Ahmad Teknik Material _2.85 Cepi Teknik Material _3.30 Titis PWK _3.27 Reza PWK _2.72 Tito PWK _3.40 Surya PWK _3.60 Irham PWK _3.16 Icha PWK _3.41 Fahmuddin PWK _3.42 Ilmi PWK _2.71

Prodi

IP

Teknik Material 3.12

PWK

3.21

Rata

-ra

takan

Rata

-ratak

an

Hitung rata-rata IP untuk setiap prodi: T. Material = 3.01+3.33+3.12+2.85+3.30 5 = 3.122 PWK = 3..27+2.27+3.40+3.60+3.16+2.41+3.42+2.71 8 = 3.212 Sehingga diperoleh

ALGORITMA ANALISIS KLASTER

Pilih wirausaha (188 orang) Transformasi pada pertanyaan 2 dan 5 (37 prodi) 37 baris prodi dengan 4 vaiabel acak baru Standarisasi data setiap variabel acak Klaster (jarak Euclidian) Dendogram A1 (complete linkage) Pilih bekerja +wirausaha (125 orang) 34 baris prodi dengan 4 vaiabel acak baru Dendogram B1

⋯

⋯ ⋯

Gabungan dari keduanya 37 baris prodi dengan 4 vaiabel acak baru Dendogram C1

⋯

⋯ ⋯

KLASTER DENGAN VARIABEL IDENTITAS (4 KOMPONEN)

Untuk setiap komponen matriks

𝑥_𝑖𝑗− ҧ𝑥_𝑗

𝑆_𝑗 , Dengan:

ҧ𝑥

𝑗: rataan dan 𝑆𝑗: deviasi baku (kolom)

1

Perhatikan tabel, maka 𝑑_{𝑇𝑀,𝑃𝑊𝐾} =

0.40827 − 0.40827 −0.07698 − 0.27418 −0.39433 − 0.24119 −0.21827 − (0.80245) 0.40827 − 0.40827 −0.07698 − 0.27418 −0.39433 − 0.24119 −0.21827 − (0.80245) 1 2

2

Pilih wirausaha (188 orang) Transformasi pada pertanyaan 2 dan 5 (37 prodi) 37 baris prodi dengan 4 vaiabel acak baru Standarisasi data setiap variabel acak Klaster (jarak Euclidian) Dendogram A1 (complete linkage)

1

2

Prodi JK IP sebelum sesudah

T. Material 5 3.12 0.60 2.00 PWK 5 3.21 1.88 0.63

𝑑_{𝑥റ𝑙, റ𝑥𝑚} = 𝑥റ_𝑙 − റ𝑥_𝑚 𝑥റ_𝑙 − റ𝑥_𝑚 𝑇

1 2

Prodi JK IP sebelum sesudah

T. Material 0.40827 -0.07698 -0.39433 -0.21827 PWK _{0.40827 0.27418 -0.24119 -0.80245}

CONTOH :

1.

Pilih 5 prodi yang akan dikelompokan

berdasarkan identitas responden

2.

Standarisasi data yang dipilih

3.

Klaster dengan menggunakan jarak

Euclidian. Misalkan untuk jarak

Desain Produk dan Desain Interior

adalah sbb:

𝑑_{𝐷𝑃,𝐷𝐼} = 0.1336 − 0.1336 1.7959 − 0.4693 −0.4494 − 0.2003 −0.1586 − 0.1484 0.1336 − 0.1336 1.7959 − 0.4693 −0.4494 − 0.2003 −0.1586 − 0.1484 𝑇 1 2

4.

Buat dendogram berdasarkan prinsip

jarak terjauh (

Complete Linkage

)

Prodi JK IP sebelum setelah

Desain Produk 4 3.60 0.14 2.14 Desain Interior 4 3.26 5.57 2.86 Matematika 6 3.19 1.43 4.14 PWK 5 3.21 1.88 0.63 Teknik Informatika 9 3.07 5.10 1.40 Standarisasi

Prodi JK IP sebelum setelah

Desain Produk 0.1336 1.7959 -0.4494 -0.1586 Desain Interior 0.1336 0.4693 0.2003 0.1484 Matematika 0.6829 0.1961 -0.2950 0.6942

PWK 0.4083 0.2742 -0.2412 -0.8025

ILUSTRASI :

Diperoleh klaster sebagai berikut :

Kembali pada informasi awal:

 Prodi Desain Produk memiliki nilai IP yang

paling tinggi dibandingkan dengan yang lain sehingga klasternya terpisah dengan yang lain

 Dari segi IP dan lama tunggu Prodi pada

klaster 2 dan 3 tidak cukup mirip, tetapi pada jenis kelamin memiliki kemiripan (Pria di Klaster 2 < Klaster 3)

Klaster Prodi 1 Desain Produk 2 Matematika Desain Interior 3 Teknik Informatika PWk Desain Produk Desain Interior Matematika Perencanaan Wilayah dan Kota Teknik Informatika 0 0.5 1 1.5 2 2.5 3 Dissimilarity Dendrogram

HASIL ANALISIS KLASTER (WIRAUSAHA) (PERTANYAAN NO. 2 DAN 5)

Klaster BW 1 Manajemen 2 T. Geodesi 3 T. Pertambangan T. Material T. Geologi T. Perminyakan T. Sipil Arsitektur T. Fisika T. Kimia T. Elektro 4 Desain Produk PWK Seni Rupa Matematika Desain Interior 5 Kriya DKV 6 T. Mesin T. Informatika 7 Fisika 8 Biologi Oseanografi T. Tenaga Listrik T. Industri 9 T. Kelautan Kimia FKK STF Astronomi T. Lingkungan MRI STI T. Telekomunikasi Mikrobiologi Meteorologi Aeronotika

HASIL ANALISIS KLASTER (WIRAUSAHA) (PERTANYAAN NO. 2 DAN 5)

Klaster BW 1 Manajemen 2 T. Geodesi 3 T. Pertambangan T. Material T. Geologi T. Perminyakan T. Sipil Arsitektur T. Fisika T. Kimia T. Elektro 4 Desain Produk PWK Seni Rupa Matematika Desain Interior 5 Kriya DKV 6 T. Mesin T. Informatika 7 Fisika 8 Biologi Oseanografi T. Tenaga Listrik T. Industri 9 T. Kelautan Kimia FKK STF Astronomi T. Lingkungan MRI STI T. Telekomunikasi Mikrobiologi Meteorologi Aeronotika

 Klaster disamping berdasarkan dari IP

dan Jenis Kelamin

 Perhatikan Klaster 4. Prodi MA dan

PWK yang bukan serumpun masuk

dalam 1 klaster. Hal tersebut disebabkan oleh banyak individu setiap prodinya

cenderung sama dan didominasi oleh Pria dengan IP diatas 3

 Hal yang sama juga terjadi pada klaster

8. Setiap prodi terdiri dari 4 orang dan berjenis kelamin Pria (kecuali Biologi)

 Pada klaster terakhir sebagian besar

prodi hanya memiliki 1 orang alumni yang berprofesi sebagai wirausahawan.

 INGAT! Jika hal seperti di atas terjadi,

lihat kembali informasi/observasi yang dimiliki (data) sebelumya.

Analisis Komponen Utama (AKU)

B

A1

A2

A3

LATAR BELAKANG



Semua pertanyaan selalu berkaitan baik antar /between A

(questionere pendahuluan) dan B (questionere utama) ataupun

antar pertanyaan dalam satu grup



Besar/kecil



Sebab-akibat



Bisakah dibangun satu (atau lebih) karakteristik (kontinyu)

baru

yang merupakan kombinasi linier dari dua atau lebih

karakteristik yang ditanyakan (kontinyu)



Pereduksian

variabel (acak)



Manfaat bisa merepresentasikan big Data menjadi lebih sederhan

LATAR BELAKANG (lanjutan)



Masalah

Kuisioner A

dan B

Kuisioner B

(Utama)

Kuisioner A

(Pendahuluan)

LATAR BELAKANG (lanjutan)



Dipilih yang kontinu masing 1 pertanyaan dari 2 grup :



A kuisioner pendahuluan (ada 15 nomor)



B kuisioner utama (ada 32 nomor)



Metode yang sesuai dan benar



Pemilihan no pertanyaan yang subtantif



Batasan Masalah:



Kompetensi



Pertanyaan 27



bgn C sebanyak 27 pertanyaan



Tidak lebih dari 3 karakteristik (variabel) baru

ANALISIS KOMPONEN UTAMA (AKU)



Tujuan AKU



Mereduksi

dimensi data



Asumsi-asumsi:



Variabel acaknya kontinu



Berdistribusi multivariat normal



AKU bisa diterapkan



Penetapan variabel:



Pada kuisioner bagian A, ditetapkan IP (no 5)



Pada kuisioner bagian B, pertanyaan no 27c memuat 27 kolom data sehingga

PENETAPAN KOMPETENSI YANG DIDUGA BESAR

PENGARUHNYA

jawaban dari 10 pertanyaan di atas adalah observasi ordinal 1,2,…5.

Bagaimana supaya jadi kontinu?

1. Keterampilan internet 2. Keterampilan komputer 3. Keterampilan riset 4. Kemampuan analisis 5. Berpikir kritis 6. Kemampuan berkomunikasi 7. Manajemen waktu

8. Kemampuan memecahkan masalah

9. Negosiasi

VARIABEL ACAK PADA AKU



Transformasi data

o

Mengubah data rank (sangat kecil – sangat besar)

menjadi kontinu

1  20% 2  40% 3  60% 4  80% 5  100%



Hal yang sama dilakukan pada setiap variabel

(kecuali IP)

Prodi Berpikir_kritis



Berpikir kritis (%) DKV 5 100 DKV 3 60 DKV 3 60 DKV 4 80 DKV 1 20 PWK 5 100 PWK 5 100 DP 2 40

ALGORITMA AKU

Pilih wirausaha Tetapkan 11 variabel (no 5 dan 10 variabel dr 27c) Transformasi data ordinal menjadi data kontinu Standarisasi data (agar tidak berdimensi) Lakukan AKU

Prosedur standarisasi

data dilakukan seperti

pada Analisis Klaster

Metode yang digunakan

1. Dekomposisi Nilai

Eigen, atau

2. Dekomposisi Nilai

Singular

CONTOH :

 Ditentukan variabel yang akan

dianalisis, yaitu:

 𝑥₁= Keterampilan internet

 𝑥₂= Keterampilan komunikasi

 𝑥₃= Memecahkan masalah

 Diagram pencar ketiga variabel, sbb:

 Melalui diagram kotak titik di atas menunjukan

bahwa terdapat 4 datum yang menjadi pencilan bawah

 Mereka berpendapat bahwa kemampuan internet

tidak terlalu besar perannya untuk pekerjaan mereka sebagai wirausaha

BIPLOT UNTUK 3 VARIABEL

 Untuk gambar A, B, dan C dapat dilihat bahwa tidak ada responden yang memilih 1 untuk setiap

kompetensi. Artinya paling tidak untuk setiap kompetensi responden menilai peran ketiga komptensi tersebut sedikit terhadap pekerjaan mereka.

 Berbeda dengan yang lain, gambar C menunjukan bahwa responden yang menjawab paling tidak peran

kemampuan komunikasi dan memecahkan masalah sedikit diperlukan.

0 1 2 3 4 5 0 1 2 3 4 5 6 Kemampu an Ko mun ika si Keterampilan Internet Kemampuan Komunikasi vs Keterampilan Internet 0 1 2 3 4 5 0 1 2 3 4 5 6 M emeca h ka n m asalah Keterampilan Internet Memecahkan masalah vs Keterampilan Internet 0 1 2 3 4 5 0 1 2 3 4 5 6 M emeca h ka n m asalah Kemampuan Komunikasi Memecahkan masalah vs Kemampuan Komunikasi A B C

HASIL AKU (3 KOMPONEN)

 Penyerapan variansi untuk faktor

baru yang terbentuk:

1. 1 faktor (F1)  65,96% 2. 2 faktor (F1 dan F2)  86,67% 3. 3 faktor (F1, F2, dan F3) 100% Dengan: 𝐹₁ = 0.766𝑥₁ + 0.866𝑥₂ + 0.801𝑥₃ 𝐹₂ = 0.608𝑥₁ − 0.079𝑥₂ − 0.496𝑥₃ 𝐹₃ = −0.209𝑥₁ + 0.494𝑥₂ − 0.334𝑥₃

 Dengan demikian dapat direduksi

menjadi 1 karakteristik baru yaitu: 𝐹₁ = 0.766𝑥₁ + 0.866𝑥₂ + 0.801𝑥₃

yang dapat merepresentasikan data sebesar 65.96% Factor Loading F1 F2 F3 Keterampilan Internet (x1) 0.766 0.608 -0.209 Kemampuan Komunikasi (x2) 0.866 -0.079 0.494 Memecahkan masalah (x3) 0.801 -0.496 -0.334

HASIL AKU (WIRAUSAHA, 11 VARIABEL ACAK)

Penyerapan variansi untuk 3 faktor yang terbentuk adalah 73.026%. Hasil AKU tersebut adalah :

Faktor 1 2 3 Zscore: IP (𝒙_𝟏) -0.003 -0.053 0.930 Zscore: Keterampilan Internet(𝒙_𝟐) 0.172 0.902 0.051 Zscore: Keterampilan computer(𝒙_𝟑) 0.273 0.837 0.043 Zscore: Keterampilan riset (𝒙_𝟒) 0.735 0.069 0.300 Zscore: Kemampuan analisis(𝒙_𝟓) 0.779 0.369 -0.095

Zscore: Berpikir kritis

(𝒙_𝟔) 0.828 0.281 0.016 Zscore: Kemampuan berkomunikasi(𝒙_𝟕) 0.466 0.605 -0.237 Zscore: Manajemen waktu(𝒙_𝟖) 0.539 0.499 -0.147 Zscore: Memecahkan masalah(𝒙_𝟗) 0.837 0.281 -0.117 Zscore(Negosiasi) (𝒙_𝟏𝟎) 0.307 0.768 -0.125 Zscore(Inisiatif)(𝒙_𝟏𝟏) 0.699 0.442 -0.109 𝑦₁ = 0.837𝑥₉ + 0.828𝑥₆ + 0.779𝑥₅ + 0.735𝑥₄ + 0.699𝑥₁₁ + 0.539𝑥₈ 𝑦₂ = 0.902𝑥₂ + 0.837𝑥₃ + 0.768𝑥₁₀ + 0.605𝑥₇ 𝑦₃ = 0.930𝑥₁

HASIL AKU (WIRAUSAHA, 11 VARIABEL ACAK)

Melalui 3 faktor baru yang terbentuk, diperoleh hasil bahwa peran kompetensi yang diperlukan oleh wirausahawan dikategorikan menjadi 3, yaitu:

1. Faktor 1 (Kognitif ): keterampilan riset, kemampuan analisis, berpikir kritis, manajemen waktu, memecahkan masalah dan inisiatif

2. Faktor 2 (Afektif): keterampilan internet, keterampilan komputer, kemampuan

berkomunikasi dan negosiasi

3. Faktor 3 (IP)

Selanjutnya para wirausahawan ini dapat dikategorikan berdasarkan skor SoIV yang

didapatkan dari jumlah perbandingan persentase masing-masing variansi faktor dibagi total variansi 𝑆𝑜𝐼𝑉 = 0.528 0.730 ∗ 𝐹𝑎𝑘𝑡𝑜𝑟 𝑘𝑜𝑔𝑛𝑖𝑡𝑖𝑓 + 0.113 0.730 ∗ 𝐹𝑎𝑘𝑡𝑜𝑟 𝑎𝑓𝑒𝑘𝑡𝑖𝑓 + 0.088 0.730 ∗ 𝐹𝑎𝑘𝑡𝑜𝑟 𝐼𝑃

HASIL AKU (WIRAUSAHA, 11 VARIABEL ACAK)

Skor SoIV mengelompokkan wirausahawan kedalam 3 kategori.

Dapat disimpulkan bahwa Alumni angkatan 2009 yang berwirausaha sudah sebagian besar sudah masuk ke kategori menengah ke atas

Kategori Batas Bawah Skor Batas Atas Skor Jumlah 1 (Pemula) -2.272 -1.011 21 2 (Menengah) -1.011 0.249 101 3 (Profesional) 0.249 1.509 66

Diagram pencar untuk kategori wirausahawan Angkatan 2009

Analisis Korespondensi (AK)

AE AR AS BI BM DI DKV DP EL EP ET FI FKK GD GL IF II KI KL KR MA ME MRI MS MT OS PL SBM SI SR STF TA TF TI TK TL TM A B C D E F G H I J L M N P Q R S T B id ang Us aha Prodi

LATAR BELAKANG



Serupa dengan latar belakang pada AKU, akan dikaitkan:



Antar pertanyaan dalam grup A



Antar pertanyaan dalam grup B



Antar /between A (questionere pendahuluan) dan B (questionere utama)



Bisakah dibangun satu (atau lebih) karakteristik kualitatif

baru

yang

merupakan

intepretasi, berupa visual

dari dua karakteristik kualitatif

yang ditanyakan



Pereduksian variabel (acak)



Manfaat bisa merepresentasikan Big Data menjadi lebih sederhana (kecil)



Masalah

:

 Menetapkan metode analisis multivatiat yang tepat  Data berupa kualitatif (nominal/ordinal/rank)

LATAR BELAKANG (lanjutan)



Dipilih 1 pertanyaan yang sudah merupakan data nominal dengan 2

kategori (dalam visualisasinya saling tegak lurus dalam R

2

₎

o

Secara teoritis: bisa dipilih 1 pertanyaan yang sudah memuat data

nominal dengan 3 kategori tetapi dalam visualisasinya saling tegak

lurus dalam R

3

_{dan cukup rumit meintepretasikannya}



Batasan Masalah:



Kompetensi



Pertanyaan 27



bgn C sebanyak 27 pertanyaan



Tidak lebih dari 3 karakteristik (variabel) baru

ALGORITMA ANALISIS KORESPONDENSI (AK)

Tetapkan 2 variabel acak Buat tabel kontingensi dan korespondensinya AK menggunakan Dekomposisi Nilai Eigen Peta Korespondensi Memuaskan Sangat Memuaskan Cumlaude Total Angkatan 2008 39 104 36 179 Angkatan 2009 40 53 95 188 Total 79 157 131 367

Pada dasarnya pembuatan tabel kontingensi merupakan proses menghitung

(frekuensi dari setiap kategori)

ALGORITMA ANALISIS KORESPONDENSI (AK)

Tetapkan 2 variabel acak Buat tabel kontingensi dan korespondensinya AK menggunakan Dekomposisi Nilai Eigen Peta Korespondensi Hitung matriks distribusi gabungan empiris 𝐏 Tentukan matriks baris 𝐑, kolom 𝐂

Hitung matriks residual standar S = 𝐑−12 _{𝐏 − റ𝑟 റ𝑐}𝑡 _𝐂− 1 2 Hitung nilai eigen dari 𝐒𝐒𝐭 dan 𝐒𝐭_𝐒 Estimasi koordinat utama baris dan kolom

CONTOH:

1.

Pilih variabel acak

•

Baris (pertanyaan no. 12) alumni berprofesi wiraswasta, angkatan 2008 dan

2009

•

Kolom (pertanyaan no. 5) IP , Memuaskan (M), Sangat Memuaskan (SM), dan

Cumlaude (C )

2.

Buat tabel kontingensi seperti yang telah ditunjukan sebelumnya

Memuaskan (M) Sangat Memuaskan (SM) Cumlaude (C) Total Angkatan 2008 39 104 36 179 Angkatan 2009 40 53 95 188 Total 79 157 131 367

CONTOH:

3. Hitung distribusi frekuensi relatif

4. Matriks distribusi gabungan empiris 𝐏 =

𝟑𝟗 𝟑𝟔𝟕 𝟏𝟎𝟒 𝟑𝟔𝟕 𝟑𝟔 𝟑𝟔𝟕 𝟒𝟎 𝟑𝟔𝟕 𝟓𝟑 𝟑𝟔𝟕 𝟗𝟓 𝟑𝟔𝟕

5. Dari kolom total (biru), diperoleh distribusi marginal untuk angkatan (vektor baris), yaitu

റ𝑟 =

179 367 188 367

dan dibangun matriks diagonalnya 𝐑 =

179 367 0 0 188 367 Angkatan # (%) IP 𝑌₁ 𝑌₂ 𝑌₃ Total 𝑋₁ 39 (10.63) 104 (28.34) 36 (9.81) 179 (48.77) 𝑋₂ 40 (10.90) 53 (14.44) 95 (25.89) 188 (51.23) Total 79 (21.53) 157 (42.78) 131 (35.69) 367 (100)

CONTOH:

6. Dari kolom total (hijau), diperoleh distribusi marginal untuk IP (vektor kolom), yaitu 𝑐 =റ

79 367 157 367 131 367 dan

dibangun juga atriks diagonalnya 𝐂 =

79 367 0 0 0 157 367 0 0 0 131 367

7. Hitung matriks residual standar 𝐒 = 𝐑−1

2 𝐏 − റ𝑟 റ𝑐𝑡 𝐂− 1 2 = 𝟑𝟗 𝟑𝟔𝟕 𝟏𝟎𝟒 𝟑𝟔𝟕 𝟑𝟔 𝟑𝟔𝟕 𝟒𝟎 𝟑𝟔𝟕 𝟓𝟑 𝟑𝟔𝟕 𝟗𝟓 𝟑𝟔𝟕 , yaitu matriks

berukuran 2x3. Jika matriks diagonal 𝐑 dan 𝐂 posisinya ditukar, maka ukuran matriks yang diperoleh menjadi 3x2

8. Hitung matriks 𝐒𝐒𝐭 (merepresentasikan angkatan) dan 𝐒𝐭𝐒 (merepresentasikan IP), yaitu 𝐒𝐒𝐭 = 0.600 −0.0585

−0.0585 0.0571 , 𝐒

𝐭_{𝐒 =} 0.0000_0.0013 0.0013_0.0522 −0.0014_−0.0582

CONTOH (lanjutan):

9. Hitung matriks nilai eigen D dan matriks vektor eigen U dari matriks 𝐒𝐒𝐭, yaitu 𝐃 = 0.1170 0

0 0 , 𝐔 =

−0.7157 0.6984 0.6984 −0.7157

10. Hitung matriks nilai eigen D1 dan matriks vektor eigen V dari matriks 𝐒𝐭𝐒, yaitu D1 = 0.1170 0 0 0 0 0 0 0 0 , V = −0.0161−0.6681 −0.28150.9309 −0.3648−0.6888 0.7439 −0.2327 0 − 0.6265

11. Estimasi koordinat utama dari baris dan kolom 𝐗 = 𝐑− Τ1 2𝐔𝐃 = −0.1199 0

0.11269 0  koordinat baris dan 𝐘 = 𝐂− Τ1 2𝐕𝐃𝑡 =

−0.00406 0 0 −0.11951 0 0 0.145679 0 0

 koordinat kolom

12. Gambar peta korespondensi

-0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2

2008 2009 C SM

M

Bisa dipelajari lebih dalam pada jurnal “Simplification of Correspondence Analysis For More Precise Calculation Which One Cualitative Variables in Two Categorical Data”, Ginanjar I, dkk (2016)

KESIMPULAN

Melalui Analisis Data Multivariat, dapat dilakukan:

1. Mengelompokan kebergantungan satu/lebih prodi dengan prodi yang lain

2. Mengelompokan kemiripan dari kompetensi-kompetensi yang dibutuhkan oleh siswa

3. Membangun komponen baru dalam memperbaiki kurikulum

4. Menciptakan hal yang baru

5. Menganalisa data-data kualitatif lebih dalam baik dalam kebergantungan dua atau lebih karakteristik

6. Memvisualisasikan 2 atau 3 karakteristik dalam dua atau 3 dimensi sehingga pengelompokkan lulusan/prodi bisa dipelajari

DAFTAR PUSTAKA

 Budi, B.S., Dinan, A. (2015): Report Tracer Study ITB 2015, ITB Career Centre. Bandung

 Ginanjar, I. Pasaribu, U. P, Barra, A. (2016). Simplification of Correspondence Analysis For More Precise

Calculation Which One Cualitative Variables in Two Categorical Data. ARPN Journal of Engieering and Applied Sciences. Vol 11 no. 3 ISSN 1819-6608.