Dokumen tersebut berisi analisis data statistika menggunakan berbagai metode seperti analisis kluster hirarki, uji multikolinearitas, dan analisis komponen utama untuk mengurangi dimensi data. Beberapa langkah yang dilakukan adalah memeriksa data missing dan outlier, menguji korelasi antar variabel, menentukan jumlah faktor utama, dan membentuk komponen utama baru dari data asli.

1. Lintang Puspita
D/18611088
Jawaban Responsi
1. Sintaka NO 1
#input data
data_lintang = read.table(pipe("pbpaste"), sep="t", header=T)
View(data_lintang)
summary(data_lintang[2:4])
attach(data_lintang)
#pengecekan multiko
#tolak H0 vif>10
#gagal tolak H0, tidak terjadi multiko = asumsi terpenuhi
library(car)
multi.lintang1=vif(lm(Air~Tanah+Udara))
multi.lintang1
multi.lintang2=vif(lm(Tanah~Air+Udara))
multi.lintang2
multi.lintang3=vif(lm(Udara~Air+Tanah))
multi.lintang3
#Analisis Kluster Hirarki
lintang=data_lintang[,2:4]
rownames(lintang) <- data_lintang$Provinsi[1:34]
head(lintang) #perubahan nama kolom menjadi index
#ward
metode_ward<-hclust(dist(scale(lintang)),method="ward.D")
plot(metode_ward)
rect.hclust(metode_ward,4)
#mengelompokkan data dalam format data frame
anggota<-cutree(metode_ward,4)
tabel=data.frame(lintang,anggota)
table

4. 2. Nomer 3

5. library(factoextra)
lintang=read.table(pipe("pbpaste"), sep="t", header=T)
#Pengecekan Data Missing
lintang3<-lintang[2:13]
head(lintang3)
summary(lintang3)
#Pengecekan Data Outlier
library(MVN)
data.no.out<- mvn(lintang3, multivariateOutlierMethod = "adj",
showNewData = TRUE)
data.no.out
#Pengecekan Korelasi Parsial Antar Variabel
View(cor(lintang3))
#Uji Kecukupan Data dan Uji Kelayakan Model
library(psych)
KMO(lintang3)
lintang3_data<-lintang3[,c(1:4,7,9,10,11,12)]
head(lintang3_data)
#Uji Korelasi Antar Variabel (Multikolinearitas)
library(REdaS)
bart_spher(lintang3_data)
#Menentukan banyak faktor yang terbentuk
R <- cor(lintang3_data)
eigen<- eigen(R)
eigen$values
#Proses pembentukan komponen utama
pcadata<- princomp(lintang3_data, cor=TRUE, score=TRUE)
summary(pcadata)
loadings(pcadata)
plot(pcadata, type="lines")

6. #Korelasi antar komponen utama
View(cor(pcadata$scores))
#Data baru hasil pembentukan komponen utama
pcadata$scores