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 AnalisisFaktor 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 Tidakbekerja 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
𝑥𝑖𝑗− ҧ𝑥𝑗
𝑆𝑗 , Dengan:
ҧ𝑥
𝑗: rataan dan 𝑆𝑗: deviasi baku (kolom)
1
Perhatikan tabel, maka 𝑑𝑇𝑀,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
𝑑𝑥റ𝑙, റ𝑥𝑚 = 𝑥റ𝑙 − റ𝑥𝑚 𝑥റ𝑙 − റ𝑥𝑚 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:
𝑑𝐷𝑃,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 24.
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 AeronotikaHASIL 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 Berpikirkritis
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 40ALGORITMA 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 AKUProsedur 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 (𝒙𝟏) -0.003 -0.053 0.930 Zscore: Keterampilan Internet(𝒙𝟐) 0.172 0.902 0.051 Zscore: Keterampilan computer(𝒙𝟑) 0.273 0.837 0.043 Zscore: Keterampilan riset (𝒙𝟒) 0.735 0.069 0.300 Zscore: Kemampuan analisis(𝒙𝟓) 0.779 0.369 -0.095
Zscore: Berpikir kritis
(𝒙𝟔) 0.828 0.281 0.016 Zscore: Kemampuan berkomunikasi(𝒙𝟕) 0.466 0.605 -0.237 Zscore: Manajemen waktu(𝒙𝟖) 0.539 0.499 -0.147 Zscore: Memecahkan masalah(𝒙𝟗) 0.837 0.281 -0.117 Zscore(Negosiasi) (𝒙𝟏𝟎) 0.307 0.768 -0.125 Zscore(Inisiatif)(𝒙𝟏𝟏) 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 ProdiLATAR 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
3dan 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 367Pada 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 𝐂Hitung matriks residual standar S = 𝐑−12 𝐏 − റ𝑟 റ𝑐𝑡 𝐂− 1 2 Hitung nilai eigen dari 𝐒𝐒𝐭 dan 𝐒𝐭𝐒 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
𝐭𝐒 = 0.00000.0013 0.00130.0522 −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.