Analisis faktor digunakan untuk mengurangi jumlah variabel asli menjadi sejumlah faktor yang dapat menjelaskan variansi data. Analisis ini mengekstrak faktor-faktor laten dari indikator dan mengurangi variabel menjadi variabel baru dengan jumlah lebih sedikit.
Analisis faktor digunakan untuk mengurangi jumlah variabel asli menjadi sejumlah faktor yang lebih sedikit namun masih dapat menjelaskan keragaman data. Analisis ini mengekstrak variabel laten dari indikator dan mengubah variabel asli menjadi variabel baru untuk mempermudah interpretasi hasil analisis.
Analisis faktor digunakan untuk mengurangi jumlah variabel asli menjadi sejumlah faktor yang lebih sedikit namun masih dapat menjelaskan keragaman data. Analisis ini mengekstrak variabel laten dari indikator dan mengurangi variabel menjadi yang baru dengan jumlah lebih sedikit.
Kebaikan Metode Klasifikasi Multiclass Menggunakan Hold-Out Method dan Cross ...MuthiaPandanSari
Dokumen tersebut membahas tentang keunggulan metode klasifikasi multikelas menggunakan hold-out method dan cross validation. Metode klasifikasi terbaik untuk dataset biji-bijian adalah ridge classifier, linear SVC, dan decision tree berdasarkan nilai cross validation masing-masing sebesar 0,966667; 0,952381; dan 0,895238.
Analisis faktor digunakan untuk mengurangi jumlah variabel asli menjadi sejumlah faktor yang dapat menjelaskan variansi data. Analisis ini mengekstrak faktor-faktor laten dari indikator dan mengurangi variabel menjadi variabel baru dengan jumlah lebih sedikit.
Analisis faktor digunakan untuk mengurangi jumlah variabel asli menjadi sejumlah faktor yang lebih sedikit namun masih dapat menjelaskan keragaman data. Analisis ini mengekstrak variabel laten dari indikator dan mengubah variabel asli menjadi variabel baru untuk mempermudah interpretasi hasil analisis.
Analisis faktor digunakan untuk mengurangi jumlah variabel asli menjadi sejumlah faktor yang lebih sedikit namun masih dapat menjelaskan keragaman data. Analisis ini mengekstrak variabel laten dari indikator dan mengurangi variabel menjadi yang baru dengan jumlah lebih sedikit.
Kebaikan Metode Klasifikasi Multiclass Menggunakan Hold-Out Method dan Cross ...MuthiaPandanSari
Dokumen tersebut membahas tentang keunggulan metode klasifikasi multikelas menggunakan hold-out method dan cross validation. Metode klasifikasi terbaik untuk dataset biji-bijian adalah ridge classifier, linear SVC, dan decision tree berdasarkan nilai cross validation masing-masing sebesar 0,966667; 0,952381; dan 0,895238.
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pdfAminullah Assagaf
Dokumen tersebut membandingkan tiga metode analisis jalur yaitu SPSS, SmartPLS, dan manual untuk melakukan analisis jalur. Dibahas perbedaan penginputan data, perhitungan koefisien regresi, dan prediksi hasil antara ketiga metode tersebut.
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pptxAminullah Assagaf
Dokumen tersebut membandingkan tiga metode analisis jalur yaitu SPSS, SmartPLS, dan manual untuk melakukan analisis jalur. Dibahas perbedaan penggunaan ketiga metode tersebut mulai dari input data, perhitungan koefisien regresi, hingga perbandingan hasil prediksi ketiganya.
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pdfAminullah Assagaf
Dokumen tersebut membandingkan tiga metode analisis jalur yaitu SPSS, SmartPLS, dan manual untuk melakukan analisis jalur. Dibahas perbedaan penginputan data, perhitungan koefisien regresi, dan prediksi hasil antara ketiga metode tersebut.
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pptxAminullah Assagaf
Dokumen tersebut membandingkan tiga metode analisis jalur yaitu SPSS, SmartPLS, dan manual untuk melakukan analisis jalur. Dibahas perbedaan penginputan data, perhitungan koefisien regresi, dan prediksi hasil antara ketiga metode tersebut.
Dokumen tersebut membahas analisis jalur (path analysis) untuk mempelajari hubungan antar variabel yang mempengaruhi kepatuhan pengemudi. Metode ini digunakan untuk menganalisis pengaruh langsung dan tidak langsung antar variabel seperti sikap, tingkat denda, dan perilaku. Langkah-langkah analisis jalur meliputi merancang model, menguji asumsi, menghitung koefisien jalur, dan menguji validitas model.
Ringkasan:
Teks membahas tentang analisis regresi berganda menggunakan metode ordinary least squares untuk menentukan koefisien regresi. Terdapat contoh penentuan koefisien regresi persamaan permintaan yang dipengaruhi oleh harga dan pendapatan menggunakan data sampel secara simultan.
Dokumen tersebut membahas berbagai ukuran statistik seperti rata-rata, median, modus, dan lainnya. Secara ringkas, dokumen tersebut menjelaskan definisi dari beberapa ukuran statistik penting beserta contoh perhitungannya pada data tunggal dan kelompok.
Berikut contoh dalam pengerjaan hitungan dalam mata kuliah hitung perataan lanjut dalam teknik geodesi, semoga bisa membantu pemahaman terkait hitungan ini
Dokumen tersebut membahas analisis regresi dan korelasi dengan variabel dummy satu kategori untuk memprediksi pengeluaran harian mahasiswa dan mahasiswi berdasarkan jenis kelamin. Metode analisis yang digunakan adalah regresi linier tunggal dan uji F untuk mengetahui pengaruh jenis kelamin terhadap pengeluaran. Hasilnya menunjukkan pengaruh signifikan antara jenis kelamin dengan pengeluaran.
Ukuran statistik adalah ukuran-ukuran untuk menggambarkan data. Terdapat tiga jenis ukuran utama yaitu ukuran gejala pusat, ukuran letak, dan ukuran variabilitas."
Laporan ini memberikan ringkasan mengenai praktikum penilaian sensori pada wafer yang dilakukan untuk memenuhi tugas mata kuliah. Panelis dilatih untuk memberikan skor terhadap empat sampel wafer berdasarkan atribut seperti warna, rasa, keseragaman pori dan kerenyahan dengan skala 1-4. Hasil pengamatan kemudian dianalisis menggunakan uji sidik ragam dan uji Duncan untuk mengetahui perbedaan mutu antar sampel wafer.
Dokumen tersebut membahas tentang analisis varian satu arah (ANAVA) yang digunakan untuk menganalisis perbedaan antar kelompok data dengan satu variabel bebas. Dokumen ini menjelaskan pengertian, asumsi, langkah-langkah, dan contoh soal uji ANAVA satu arah beserta uji normalitas data.
Teks tersebut membahas tentang statistik pendidikan. Statistik pendidikan adalah ilmu yang mempelajari prinsip, metode, dan prosedur analisis data berupa angka yang digunakan dalam pendidikan. Teks tersebut juga memberikan informasi tentang hasil pencarian untuk istilah "Statistik Pendidikan".
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pdfAminullah Assagaf
Dokumen tersebut membandingkan tiga metode analisis jalur yaitu SPSS, SmartPLS, dan manual untuk melakukan analisis jalur. Dibahas perbedaan penginputan data, perhitungan koefisien regresi, dan prediksi hasil antara ketiga metode tersebut.
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pptxAminullah Assagaf
Dokumen tersebut membandingkan tiga metode analisis jalur yaitu SPSS, SmartPLS, dan manual untuk melakukan analisis jalur. Dibahas perbedaan penggunaan ketiga metode tersebut mulai dari input data, perhitungan koefisien regresi, hingga perbandingan hasil prediksi ketiganya.
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pdfAminullah Assagaf
Dokumen tersebut membandingkan tiga metode analisis jalur yaitu SPSS, SmartPLS, dan manual untuk melakukan analisis jalur. Dibahas perbedaan penginputan data, perhitungan koefisien regresi, dan prediksi hasil antara ketiga metode tersebut.
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pptxAminullah Assagaf
Dokumen tersebut membandingkan tiga metode analisis jalur yaitu SPSS, SmartPLS, dan manual untuk melakukan analisis jalur. Dibahas perbedaan penginputan data, perhitungan koefisien regresi, dan prediksi hasil antara ketiga metode tersebut.
Dokumen tersebut membahas analisis jalur (path analysis) untuk mempelajari hubungan antar variabel yang mempengaruhi kepatuhan pengemudi. Metode ini digunakan untuk menganalisis pengaruh langsung dan tidak langsung antar variabel seperti sikap, tingkat denda, dan perilaku. Langkah-langkah analisis jalur meliputi merancang model, menguji asumsi, menghitung koefisien jalur, dan menguji validitas model.
Ringkasan:
Teks membahas tentang analisis regresi berganda menggunakan metode ordinary least squares untuk menentukan koefisien regresi. Terdapat contoh penentuan koefisien regresi persamaan permintaan yang dipengaruhi oleh harga dan pendapatan menggunakan data sampel secara simultan.
Dokumen tersebut membahas berbagai ukuran statistik seperti rata-rata, median, modus, dan lainnya. Secara ringkas, dokumen tersebut menjelaskan definisi dari beberapa ukuran statistik penting beserta contoh perhitungannya pada data tunggal dan kelompok.
Berikut contoh dalam pengerjaan hitungan dalam mata kuliah hitung perataan lanjut dalam teknik geodesi, semoga bisa membantu pemahaman terkait hitungan ini
Dokumen tersebut membahas analisis regresi dan korelasi dengan variabel dummy satu kategori untuk memprediksi pengeluaran harian mahasiswa dan mahasiswi berdasarkan jenis kelamin. Metode analisis yang digunakan adalah regresi linier tunggal dan uji F untuk mengetahui pengaruh jenis kelamin terhadap pengeluaran. Hasilnya menunjukkan pengaruh signifikan antara jenis kelamin dengan pengeluaran.
Ukuran statistik adalah ukuran-ukuran untuk menggambarkan data. Terdapat tiga jenis ukuran utama yaitu ukuran gejala pusat, ukuran letak, dan ukuran variabilitas."
Laporan ini memberikan ringkasan mengenai praktikum penilaian sensori pada wafer yang dilakukan untuk memenuhi tugas mata kuliah. Panelis dilatih untuk memberikan skor terhadap empat sampel wafer berdasarkan atribut seperti warna, rasa, keseragaman pori dan kerenyahan dengan skala 1-4. Hasil pengamatan kemudian dianalisis menggunakan uji sidik ragam dan uji Duncan untuk mengetahui perbedaan mutu antar sampel wafer.
Dokumen tersebut membahas tentang analisis varian satu arah (ANAVA) yang digunakan untuk menganalisis perbedaan antar kelompok data dengan satu variabel bebas. Dokumen ini menjelaskan pengertian, asumsi, langkah-langkah, dan contoh soal uji ANAVA satu arah beserta uji normalitas data.
Teks tersebut membahas tentang statistik pendidikan. Statistik pendidikan adalah ilmu yang mempelajari prinsip, metode, dan prosedur analisis data berupa angka yang digunakan dalam pendidikan. Teks tersebut juga memberikan informasi tentang hasil pencarian untuk istilah "Statistik Pendidikan".
04a_Analisis Komponen Utama untuk Hubungan Genetik.pdf
1. ANALISIS KOMPONEN UTAMA
UNTUK HUBUNGAN GENETIK
Program Studi Pemuliaan Tanaman
Fakultas Pertanian Universitas Pattimura
Edizon Jambormias
Pemulia Tanaman & Staf Pengajar
2. Mengapa Analisis Komponen Utama?
• Adanya korelasi ganda antar peubah bebas
(multicolinearity) menyebabkan analisis serempak
berbasis metode kuadrat terkecil (least square)
dapat menghasilkan kesimpulan yang keliru.
• Pengembangan analisis yang ortogonal sehingga
bebas dari pengaruh multikolinear.
3. Matriks Peubah Ganda
Matriks peubah ganda (multivariate matrix): matriks banyaknya
pengamatan (observasi) berukuran n dan banyaknya peubah
berukuran p, ditulis sebagai matriks X berdimensi n × p.
=
=
'
:
'
'
...
...
:
...
:
:
...
...
2
1
1
2
22
21
1
12
11
n
np
n
p
p
p
n
x
x
x
x
x
x
x
x
x
x
x
X
7. Hasil Ortogonalisasi
PC1
PC2
• Diperoleh dua
peubah baru
yang disebut
Principal
Component (PC,
Komponen
Utama):
• PC1
• PC2
• Antar kedua
peubah
orthogonal
• Ragam PC1 >
Ragam PC2
8. Tiga Peubah?: Kompleks
Dihasilkan 3 PC
dengan ragam PC1
> PC2 > PC3
Jika p PC maka juga
dihasilkan p PC
dengan ragam PC1
> PC2 > PC3 > … >
PCp
Pengeluaran
9. • Pada PCA, suatu gugus p peubah ganda yang
berkorelasi ditransformasi menjadi q < p peubah tak
berkorelasi yang telah menampung sebanyak mungkun
informasi dari p peubah yang disebut PC1, PC2, dst.
• Setiap PCi merupakan kombinasi linear dari X1, X2, …,
Xp peubah asal.
Apa itu Analisis Komponen Utama?
Gugus peubah asal
{X1, X2, …, Xp}
Gugus KU
{PC1, PC2, …, PCp}
Hanya dipilih q < p PC saja, namun mampu memuat
sebagian besar informasi (umumnya 70%)
PCi = aix = ai1x1 + ai2x2 + … + aipxp
10. Bagaimana memperoleh PC?
PC dan ragam masing-masing PC diperoleh melalui
Analisiseigen matriks ragam-peragam dari matriks
peubah ganda X .
'
1 1
1 1
1
' n n
p p n n n p
n p
n n
= −
−
Σ I X
X
=
pp
p
p
p
s
s
s
s
s
s
...
:
...
:
:
...
2
1
1
12
11
dimana: = ragam peubah xi
1
)
(
1
2
2
−
−
=
=
=
n
x
x
s
s
n
i
i
i
i
ii
1
)
)(
(
1
'
'
'
−
−
−
=
=
n
x
x
x
x
s
n
i
i
i
ii
i
i
= peragam peubah
xi dan xi’ untuk
'
i
i
11. • Dekomposisi untuk memperoleh nilaieigen (nilai
singular) atau akar ciri i (merupakan skalar) dari
penyelesaian fungsi ciri dari matriks , yaitu:
f(λ) = | –λI|=0
untuk 𝑖 = 1, 2, …, p.
• Vektor eigen atau vektor ciri, padanan untuk setiap
akar ciri λi, didefinisikan sebagai vektor ai yang
merupakan solusi untuk persamaan:
ai = λai
( – λI)ai = 0
untuk 𝑖 = 1, 2, …, p
• ai = skor PCi dan i = ragam PCi, dalam hal
1 ≥ 2 ≥ … p.
12. Kontribusi Setiap PC
• Total ragam peubah asal seluruhnya adalah
tr(), dan ini sama dengan penjumlahan
dari seluruh nilaieigen atau akar ciri
• Jadi kontribusi setiap PC ke-j adalah sebesar
=
p
i i
j
1
13. • Dalam analisis, bila satuan masing-masing peubah berbeda,
perlu dilakukan transformasi peubah Xi menjadi peubah baju
𝑍𝑖 =
𝑋𝑖 − ത
𝑋
𝑠
• Bila menggunakan transformasi ini, maka matriks ragam-
peragam dapat digantikan oleh matriks korelasi R.
• Bila atau R merupakan ragam-peragam atau korelasi fenotipe,
genotipe, atau aditif, maka PCA merupakan PCA fenotipe,
genotipe atau aditif.
𝐑
𝑝×𝑝
= 𝐷
𝑝×𝑝
−
1
2
𝑝×𝑝
𝐷
𝑝×𝑝
−
1
2
12 1
1 2
1 ...
: : ... :
... 1
p
p p
r r
r r
=
Catatan Penting:
14. Keluaran Komputer: Nilaieigen atau Akar Ciri
Eigenanalysis of the Correlation Matrix
Eigenvalue 2.2771 0.5680 0.1549
Proportion 0.759 0.189 0.052
Cumulative 0.759 0.948 1.000
Akar Ciri
Untuk Teladan Teladan 1:
Keluaran Komputer: Vektor Eigen atau Vektor Ciri
Variable PC1 PC2 PC3
Hasil 0.621 -0.249 0.743
Luas Lahan 0.597 -0.463 -0.655
Pengeluaran 0.507 0.850 -0.139
Vektor Ciri
25. Keluaran Analisis Komponen Utama Genotipe
Eigenanalysis of the Correlation Matrix
Eigenvalue 2.9770 0.0230 0.0000
Proportion 0.992 0.008 0.000
Cumulative 0.992 1.000 1.000
Variable PC1 PC2 PC3
Bobot Biji 0.579 0.365 -0.729
Jumlah Biji Bernas 0.575 -0.817 0.048
Umur Berbunga -0.578 -0.447 -0.682
26. Keluaran Grafik Analisis Komponen Utama Genotipe
0.75
0.50
0.25
0.00
-0.25
-0.50
0.50
0.25
0.00
-0.25
-0.50
-0.75
First Component (99.2%)
Second
Component
(0.8%)
Umur Berbunga
Jumlah Biji Bernas
Bobot Biji
27. Analisis Komponen Utama Fenotipe
Entry matriks korelasi fenotipe ke dalam Minitab dan lakukan
analisis komponen utama
Eigenanalysis of the Correlation Matrix
Eigenvalue 2.9375 0.0625 -0.0000
Proportion 0.979 0.021 -0.000
Cumulative 0.979 1.000 1.000
Variable PC1 PC2 PC3
Bobot Biji 0.578 -0.521 0.628
Jumlah Biji Bernas 0.571 0.808 0.144
Umur Berbunga -0.582 0.275 0.765
28. Keluaran Grafis Analisis Komponen Utama Fenotipe
0.50
0.25
0.00
-0.25
-0.50
-0.75
0.75
0.50
0.25
0.00
-0.25
-0.50
First Component (97.9%)
Second
Component
(2.1%)
Umur Berbunga
Jumlah Biji Bernas
Bobot Biji
29. Kesimpulan
Ada kesearahan hubungan antara hasil analisis
komponen utama genotipe dan fenotipe, yaitu:
1. Umur Berbunga berkorelasi negatif sangat kuat
dengan bobot biji, dan berkorelasi negatif lemah
dengan jumlah biji bernas. Dengan demikian umur
berbunga dapat dijadikan indikator seleksi untuk
untuk bobot biji.
2. Jumlah Biji Bernas berkorelasi positif lemah dengan
bobot biji dan berkorelasi negatif lemah dengan
umur berbunga. Jumlah Biji Bernas masih dapat
digunakan sebagai indikator seleksi bagi bobot biji.
30. Pengayaan: Tinjuan Singkat
ANALISIS REGRESI KOMPONEN UTAMA
Program Studi Pemuliaan Tanaman
Fakultas Pertanian Universitas Pattimura
Edizon Jambormias
Pemulia Tanaman & Staf Pengajar
32. Langkah-langkah
Analisis Hub antar Peubah
Pemeriksaan Multikolinearitas
Analisis KU
Regresi KU dengan Peubah Respon Y
Transformasi Regresi KU ke Peubah Baku Z
Transformasi Regresi Z ke Peubah Asal X
Perhatikan TELADAN 2
42. Analisis Regresi Komponen Utama Genetik
Pendekatan analisis regresi genotipe dan fenotipe
juga dapat diterapkan dengan pendekatan yang
sama, karena menggunakan nilai Tengah yang
sama, tetapi dengan simpangan baku yang
diperoleh dari matriks peragam genotype dan
fenotipe.