KSM MTV (1)
-
Upload
nasrul-setiawan -
Category
Documents
-
view
246 -
download
0
Transcript of KSM MTV (1)
-
8/12/2019 KSM MTV (1)
1/32
UJI KANONIK
catatan: contoh uji menggunakan data dengan 6 variabel X dan 6 variabel Y
Asumsi :
- linearitas
- normalitas
- multikolinieritas
1) Uji Asumsi Normalitas
langkah-langkahnya:
gunakan HerodesklikAnalyzeKenormalan
Pilih semua variabel (baik X maupun Y)pada Pemeriksaaan
Kenormalan pilih Simultanpada Pengujian Kenormalan pilih Simultan
lalu centang Skewness And Kurtosis Testklik OK
Interpretasi Output:
-
8/12/2019 KSM MTV (1)
2/32
interpretasi grafik: jika ttik merah semakin mendekati yg biru berarti
semakin normal Pengujian Secara Simultan
Tahap 1 Uji Skewness(x) => H0: data normal
H1: data menceng
-
8/12/2019 KSM MTV (1)
3/32
Keputusan : signifikansi Skewness = 0.246 > 0.05 => terima H0 , atau
data normal
Tahap 2 uji Kurtosis(sigma) => H0: data normal
H1: data runcing
Keputusan : signifikansi Kurtosis = 0.083 > 0.05 => terima H0 atau
data normal
Penting: di kedua tahap keputusannya harus TERIMA H0 , jika salah
satu tolak H0 berarti data tidak normal => harus ditransformasi terlebih
dahulu
jika H0 ditolak di tahap 1 (Skewness) maka gunakan box cox,
transformasi logaritma
jika tolak H0 di tahap 2 (Kurtosis) gunakan transformasi varians di
heterokedastisitas
2) Uji Linearitas
Scatter Plot untuk 6 variabel X dan 6 variabel Y => dipasangkan satu-satu
x1 - y1 . . . x6 - y1
x1 - y2 x6 - y2
x1 y3 .
x1 y4 .
x1 y5 .
x1 - y6 x6 - y6
Langkah-langkahnya:
Gunakan SPSS - graphs - legacy dialogs - scatter/dot
-
8/12/2019 KSM MTV (1)
4/32
pilih Simple Scatterplotmasukan satu persatu misalkan variabel
X1 (Belanja Pegawai/BP) ke jendela X Axis dengan variabel Y1
(Pertumbuhan Ekonomi/PE) ke jendela Y AxisOK
ulangi kembali langkah di atas untuk masing-masing kombinasi X
dan Y
-
8/12/2019 KSM MTV (1)
5/32
Output
Interpretasi : bersifat subjektif => dari gambar di atas bisa dilihat
linear namun lemah
3) Uji Asumsi Non Multikolinieritas
Secara agregat bisa dilihat dari matriks korelasi
Langkah-Langkahnya:
gunakan spss
uji nya dibagi menjadi dua bagian, X dan Y diuji secara terpisah
Misalkan diuji untuk X terlebih dahulu: analyze- correlate- bivariate-
masukan semua variabel XOK
-
8/12/2019 KSM MTV (1)
6/32
Interpretasi:
catatan: yang ada tanda ** berarti siginifikan => tolak H0=> artinya ada korelasi antar variabel X => variabel tsb harus
dibuang
H0: H1:
-
8/12/2019 KSM MTV (1)
7/32
Dari matriks Korelasi hanya bisa melihat ada multikolinieritas atau
tidaknya saja
untuk mengetahui mana yg harus dibuang caranya : analyzse-
regression- linear- masukan ke enam variabel X ke box Independen
dan masukan satu variabel Y (misalkan variabel Pertumbuhan
Ekonomi) ke box Dependen
Lalu klik statistics: centang collinearity diagnostics
-
8/12/2019 KSM MTV (1)
8/32
output:
lihat di Tabel 'cofficients'
- buang yang memilki nilai VIF > 10
kesimpulan: variabel Belanja Pegawai, Transportasi, Pendidikan,
Kesehatan dan Kesejahteraan memiliki multikolinieritas
seharusnya variabel di atas dibuang namun karena ada teori yang kuat
maka untuk di latihan uji kanonik variabel di atas tetap digunakan, tapi
kalau di soal UAS tidak diberitahu tentang teori yang mendasari
variabel maka harus dibuang.
Setelah semua pengujian asumsi dilakukan, sekarang ke uji kanonik, langkah-
langkahnya:
Gunakan SPSS
file-open-syntax
-
8/12/2019 KSM MTV (1)
9/32
catatan: baris pertama saja yang diubah=> Y dulu baru X
Y: PE TO TP
X: BP TO KK
artinya dari variabel PE (Pembangunan EKonomi) To variabel TP (Tingkat
Pertumbuhan); dst. Nama variabel disesuaikan dengan variabel yg ingin diuji.
lalu klik run- all
Interpretasi Output:
1) lihat Multivariate test of significance
gunanya: menguji semua gugus X dan gugus Y
H0: semua gugus peubah kanonik secara simultan tidak bisa menjelaskan
hubungan set variabel X dengan set variabel Y
H1: semua gugus peubah kanonik secara simultan bisa menjelaskan
hubungan set variabel X dengan set variabel Y
catatan: Uji pada Multivariate test of significance ada pillais, hotelling, wilks
dan roys, jika salah satu saja signifikan berarti semua gugus
peubah kanonik secara simultan bisa menjelaskan hubungan set
variabel X dengan set variabel Y=> dapat lanjut ke analisis
berikutnya
Kesimpulan : meskipun hanya satu uji saja yang signifikan yaitu uji Wilks (
0.029 < 0.05) maka semua gugus peubah kanonik secara simultan
bisa menjelaskan hubungan set variabel X dengan set variabel Y.
-
8/12/2019 KSM MTV (1)
10/32
2) Lihat Tabel EigenValues and Canonical Correlation
'root no.1' artinya pasangan no 1 (V1W1 dimana V=X, W=Y)
lihat kolom ke-5: Canon Cor. nilainya sebesar 0.996 artinya hubungan
antara V1 dengan W1 sangat kuat dan positif(interpretasi sama seperti
korelasi biasa)
lihat kolom ke -6: Sq.Cornilainya sebesar 0.992 (0.9962= 0.992) artinya
V1 bisa menjelaskan proporsi varian W1 sebesar 0.992.
3) Lihat Dimension Reduction Analysis
roots : 1 TO 6 artinya V1W1; 2 TO 6 artinya V2W2; dst
lihat nilai Sig.of Fcari mana yg signifikan berarti itu yg digunakan dalam
analisis selanjutnya.
Kesimpulan yang signifikan adalah root 1 to 6: V1W1 (Sig.of F = 0.029 KALAU DUA GUGUS PASTI
PAKAI KANONIK, X DAN Y HARUS BERUPA MATRIK, MINIMAL ADA 1 GUGUS
YANG X ATAU Y NYA LEBIH DARI 1
DISKRIMINAN: KASUS KHUSUS DARI KANONIK => Y NYA HANYA 1 (BISA
KATEGORIK) DAN X NYA HARUS BERUPA MATRIK
PADA' DIMENSION REDUCTION ANALYSIS'LIHAT DI SIG.F NYA BISA
DILAKUKAN UJI FORMAL UNTUK LINEARITAS => JIKA SIGNIFIKAN BERARTI
LINEAR
H0:
H1: ada korelasi berarti linear
Perbedaaan Analisis Faktor dengan Cluster:
faktor mereduksi variabel, sedangkan cluster mereduksi amatan
Eda ngaden awak bisa, depang anake ngadanin (pepatah kuno Bali )
SEMANGAT UAS, NGOMPRE , NYEKRIP, WISUDAAA
-
8/12/2019 KSM MTV (1)
15/32
ANALISIS FAKTOR
Pada Analisis Faktor belum dibedakan antara variabel X dengan Y
asumsinya:
normal
multikolinieritas
Tahapan pengujian
1. uji asumsi normalitas
2. lalu uji analisis:
analyzedata reductionfactor - masukan semua variabeldescriptif :centang KMO & anti
imagesextractionjika satuannya beda pilih correlation, jika sama pilih covariance, pada
display centang unrotated factor solution dan scree plot- lalu klik continue- lanjut ke
rotation pilih varimax - klik continuepada score jika disuruh menampilkan variabel
barunya maka pada scores centang yg save as continue- ok
3. interpretasi:
Bartlets test: (mendeteksi ada multikolinieritas atau tidak)
H0: matriks identitasH1: matrik identitas => multikolinieritasingin ditolak H0, kalau tolak berarti ada multikolinieritas
KMO TestKMO yang bagus >0,8
KMO yang cukup >0,5 => bisa melanjutkan analisis
MSA dilihat dari Anti images correlation -> lihat tabel anti-images matriks -> fokus di
diagonal utama, syaratnya lebih dari 0,5. Jika kurang maka dibuang satu persatu di run ulang
communalities: proporsi yang mampu dijelaskan oleh faktor
Communalities
Initial Extraction
TP 1.000 .967
MSY 1.000 .808
TE 1.000 .978
HSE 1.000 .841
MVH 1.000 .726
lalu pada
-
8/12/2019 KSM MTV (1)
16/32
Total Variance Explained
Component
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Su
Total % of Variance Cumulative % Total % of Variance Cumulative % Total %
1 3.029 60.578 60.578 3.029 60.578 60.578 3.021
21.291 25.823 86.401 1.291 25.823 86.401 1.299
3 .572 11.449 97.850
4 .095 1.908 99.758
5 .012 .242 100.000
component: faktor yang terbentuk
lihat dari kumulatif persentase
pada komponen 1 bisa menjelaskan 60,578% (masih kurang karena < 80%) sehingga ditambah dengan
komponen ke-2, sehingga totalnya menjadi 86,401%.
pada kolom Initial Eigen value di Total, pilih yang eigen valuenya > 1 , jadi Cuma komponen 1 dan 2
kenapa harus >1 ? karena ketika eigen value kurang dari 1 maka vektor ciri juga kecil. kalau eigen vektor kecil
maka sumbangsih untuk menjelaskan variabel asal juga kecil.
pada scree plot, subjektif, untuk melihat berapa komponen/faktor yang kita pakai
Component Matrix(a)
Component
1 2
TP .972 .149
MSY .545 .715
TE .989 .005
HSE .847 -.352
MVH -.303 .797
Extraction Method: Principal Component Analysis.a 2 components extracted.
komponen matrik untuk menentukan faktor pertama dan faktor kedua itu terdiri dari apa saja
komponen matrik disebut juga faktor loading, dimana kuadrat loading pertama + kuadrat loading
kedua = nilai extraction di comunalities
nah berdasarkan output, lihat di faktor mana ia paling besar
Faktor 1: TP, TE, HSE
Faktor 2: MSY, MVH
jika perbedaan antara kedua komponen itu tidak terlalu jauh berbeda maka perlu dirotasi->Varimax
Teori:
-
8/12/2019 KSM MTV (1)
17/32
perbedaan antara AKU dengan A. Faktor:
AKU bisa menghasilkan antara komponen 1 dengan komponen 2 masih berkorelasi (tidak
mutually exclusive) sedangkan pada Analisis Faktor sudah mutually exclusive
PCA menghasilkan komponen, A.Faktor menghasilkan faktor.
Faktor menyusun variabel, komponen disusun dari variabel.
AKU=> komponen 1 = 0.972 TP + 0.545 MSY +0.989 TE + 0.847 HSE - 0.303 MVH
komponen 2= 0.149TP + 0.715MSY + 0.005 TE0.352 HSE + 0.797 MVH
Analisis faktor:
Faktor 1: TP, TE, HSE
Faktor 2: MSY, MVH
ANALISIS DISKRIMINAN
Asumsi diskriminan:
1. Normalitas
2. rata2 populasi berbeda
3. ragam sama
4. non multikolinieritas
1.uji normalitas
harus data yg kuantitaif, yg dinormalkan variabel X, Y di diskriminan
uji dengan normalitas, interpretasi output:
-
8/12/2019 KSM MTV (1)
18/32
sig. skewness dan sig.kurtosis =0 -> artinya data tidak berdistribusi normal (H0: data berdistribusi
normal)
sedangkan dari gambar:
bisa dilihat ada oulier sehingga perlu dikeluarkan data yg outlier tersebut. Untuk mengetahui mana
yang outlier gunakan Box Plot (dgn SPSS)
langkah-langkahnya: SPSS-graphs-Legacy Dialogs-Box PlotSimple- klik yg separate variablemasukan var minum (variabel independennya) ke Y Axis, masukan yg semua variabel X ke X Axis
output
-
8/12/2019 KSM MTV (1)
19/32
bisa dilihat ada 4 outlier, yg tingginya antara 170-180 => harus dihilangkan dari data supaya normal
caranya:
data-select cases-klik if condisition is satisfied
180
170
160
150
sedikit
banyak
banyak
banyak
sedikit
banyak
banyak
-
8/12/2019 KSM MTV (1)
20/32
pada window if ketik : tinggi 170 akan hilang sehingga data menjadi normal.
2. Asumsi Rata-rata berbeda
-
8/12/2019 KSM MTV (1)
21/32
caranya : SPSS - analyzeclassifydiscriminantstatistic: centang univariate Anova
(masukan semua var X) - OK
output:
Tests of Equality of Group Means
Wilks'Lambda F df1 df2 Sig.
Tinggi .946 4.186 1 73 .044
Income .894 8.656 1 73 .004
Usia .945 4.247 1 73 .043
Berat .934 5.173 1 73 .026
Jam kerja 1.000 .000 1 73 .994
Olahraga .946 4.183 1 73 .044
interpret:
H0:
H1:
harus tolak H0 agar memenuhi asumsi rata-rata grup berbeda
kesimpulan: semua signifikan berbeda kecuali variabel Jam kerja => lihat dari nilai sig. nya
ket: rata-rata per variabel untuk grup 1; = rata-rata per variabel untuk grup 2.
Uji analisis Diskriminan:
gunakan SPSS
analyze-classify-discriminant
-
8/12/2019 KSM MTV (1)
22/32
masukan varminum (variabel Y) ke grouping variables
lalu masukan semua var (kecuali var No) ke Independents - pilih stepwise method
-
8/12/2019 KSM MTV (1)
23/32
di statistics: pilih means, box m, fisher-continu
di method pilih wilks lambda (bisa juga mahalanobis) - centang use probability of
continue
di classify : all group equals . casewise results , summary table -continu
OK
output
Analysis Case Processing Summary
Unweighted Cases N Percent
Valid 75 100.0
Excluded Missing or out-of-rangegroup codes 0 .0
-
8/12/2019 KSM MTV (1)
24/32
At least one missingdiscriminating variable 0 .0
Both missing or out-of-range group codes and atleast one missingdiscriminating variable
0 .0
Total 0 .0
Total 75 100.0
menunjukan proses: berapa yg dianalisis
Group Statistics
Minum
Mean Std. Deviation Valid N (listwise)
Unweighted Weighted Unweighted Weighted
sedikit Usia 31.8684 6.12558 38 38.000
Berat 57.2105 11.76609 38 38.000
Tinggi 158.4474 5.66496 38 38.000
Income 659.4737 106.79476 38 38.000
Jam kerja 5.2684 .11100 38 38.000
Olahraga 3.1974 .55385 38 38.000
banyak Usia 28.9459 6.15515 37 37.000
Berat 51.8108 8.48475 37 37.000Tinggi 161.5676 7.44439 37 37.000
Income 578.9189 129.52442 37 37.000
Jam kerja 5.2686 .15667 37 37.000
Olahraga 2.9054 .67780 37 37.000
Total Usia 30.4267 6.27344 75 75.000
Berat 54.5467 10.56549 75 75.000
Tinggi 159.9867 6.74335 75 75.000
Income 619.7333 124.53127 75 75.000
Jam kerja 5.2685 .13454 75 75.000
Olahraga 3.0533 .63124 75 75.000
interpret: rata-rata usia yang minumnya sedikit ialah 31 tahun dengan SIMPANGAN 6,12 ; dst.
Test Results
Box's M 18.006
F Approx. 2.867
df1 6
df2 38532.597
Sig. .009
Tests null hypothesis of equal population covariance matrices.
H0: varians sama
-
8/12/2019 KSM MTV (1)
25/32
H1: varians tidak sama
hasilnya nilai sig = 0.009 maka tolak H0 artinya varians tidak sama => data tidak bisa dilanjutkan
catatan: untuk uji normal jika tolak H0 => data tidak normal harus ditransformasi agar jadi normal
jika uji keragaman hasilnya tidak ragam-> tidak perlu lanjut uji
agar bisa lanjut uji maka variabel Tinggi dan Income dikeluarkan sehingga hasilnya:
Test Results
Box's M 7.255
F Approx. 2.347
df1 3
df2 982330.772
Sig. .071
Tests null hypothesis of equal population covariance matrices.
sig = 0.071 => terima H0 = ragam sama , maka uji bisa dilanjutkan
Variables Entered/Removed(a,b,c,d)
Step
Entered Wilks' Lambda
Statistic df2 df3 Exact F Statistic df1
Statistic df2 Sig. Statistic df1 df2 Sig. Statistic df1
1 Berat .934 1 1 73.000 5.173 1 73.000 .026
2 Olahraga .879 2 1 73.000 4.947 2 72.000 .010
At each step, the variable that minimizes the overall Wilks' Lambda is entered.a Maximum number of steps is 8.b Maximum significance of F to enter is .05.c Minimum significance of F to remove is .10.
d F level, tolerance, or VIN insufficient for further computation.
di stepwise hanya ada variabel Berat dan Olahraga , artinya dalam Diskriminan function yang masuk
hanya variabel Berat dan Olahraga
Variables in the Analysis
Step ToleranceSig. of F toRemove
Wilks'Lambda
1 Berat 1.000 .0262 Berat .995 .022 .946
Olahraga .995 .038 .934
artinya variabel yang akan dianalisis
-
8/12/2019 KSM MTV (1)
26/32
Tolerance: utk mendeteksi multikolinieritas, ketika nilainya lebih dari 5 => ada multikolinieritas.
Variables Not in the Analysis
Step ToleranceMin.
ToleranceSig. of F to
EnterWilks'
Lambda
0 Usia 1.000 1.000 .043 .945Berat 1.000 1.000 .026 .934
Jam kerja 1.000 1.000 .994 1.000
Olahraga 1.000 1.000 .044 .946
1 Usia 1.000 1.000 .051 .886
Jam kerja .996 .996 .879 .934Olahraga .995 .995 .038 .879
2 Usia .761 .758 .299 .866Jam kerja .996 .991 .876 .879
di step 0: yg paling kecil nilai signifikasinya dan signifikan adalah variabel Berat => maka variabel
Berat masuk ke Tabel Variabel in the analysis
StepSig. of F to
Enter
0 Usia .043Berat .026
Jam kerja .994
Olahraga .044
step 1: yg paling kecil nilai signifikasinya dan signifikan adalah variabel olahraga => maka variabel
Olahraga masuk ke Tabel Variabel in the analysis
StepSig. of F to
Enter
1 Usia .051
Jam kerja .879
Olahraga .038
step 2: tidak ada yg signifikan => maka tidak masuk ke fungsi
di tabel Variables in the Analysis
Step ToleranceSig. of F toRemove
Wilks'Lambda
1 Berat 1.000 .0262 Berat .995 .022 .946
Olahraga .995 .038 .934
bisa dilihat sig. of F to remove nya tidak signifikan sehingga kedua variabel tidak perlu dihilangkan
-
8/12/2019 KSM MTV (1)
27/32
Eigenvalues
Function Eigenvalue % of Variance Cumulative %CanonicalCorrelation
1 .137(a) 100.0 100.0 .348
a First 1 canonical discriminant functions were used in the analysis.
interpretasi: keeratan hubungan antara skore diskriminan dengan grup adalah sebesar
0.348 (Canonical Correlation)
ketika Canonical Correlation dikuadratkan maka akan sama dengan R2(koef. determinasi)
Interpret R2(koef. determinasi): besarnya pengaruh var bebas untuk membedakan grupnya
(masuk ek minum sedikit atau minum banyak) sebesar (0.121)
Tabel Wilks Lambda
Wilks' Lambda
Test of Function(s)Wilks'
Lambda Chi-square df Sig.
1 .879 9.271 2 .010
Wilks' Lambda =0.879 : artinya varian total dalam diskriminan scores yang tidak bisa
dijelaskan oleh perbedaan antar grup 87.9%
diskriminan scores: untuk membedakan seseorang itu akan masuk ke grup mana
nilai 87.9% termasuk besar sehingga data bisa dikatakan tidak baik
H0: fungsi diskriminan tidak dapat menjelaskan perbedaan antar kedua grup
H1: fungsi diskriminan dapat menjelaskan perbedaan antar kedua grup
nilai sig. sebesar .010 artinya tolak H0 => fungsi diskriminan dapat membedakan
perbedaan antar kedua grup dengan jelas
catatan: nilai wilks lambda hanya menjelaskan besarnya saja (tidak pasti) untuk lebih pasti
lihat nilai sig.nya
df= 2 : karena ada 2 variabel yg masuk)
-
8/12/2019 KSM MTV (1)
28/32
Standardized Canonical Discriminant Function Coefficients
Function
1
Berat .765
Olahraga.698
interpret: Zminimum= 0.765 Zberat+ 0,698 Zolahraga
jika hanya ada 2 kategori ,maka hanya buat 1 Z (kayak dummy)
Structure Matrix
Function
1
Berat .718
Olahraga .646
Usia(a) .339
Jamkerja(a)
.051
Pooled within-groups correlations between discriminating variables and standardized canonical discriminantfunctionsVariables ordered by absolute size of correlation within function.a This variable not used in the analysis.
structure matrix : menjelaskan korelasi dari semua variabel bebas terhadap fungsi
diskriminan. Jika ada tanda a berarti tidak masuk dalam fungsi, nilai korelasinya kecil
Functions at Group Centroids
Minum
Function
1
sedikit .361
banyak -.371
Unstandardized canonical discriminant functions evaluated at group means
CV (Cut of Value) = Z1n2 + Z2n1 / (n1 + n2)
maka CV = 0.361*37 + (-0.371*38) / (75) = -0.03208
Centroid Z1 (minum sedikit) > Centroid Z2 (minum banyak) , maka jika nilai dari Zminimum=
0.765 Zberat+ 0,698 Zolahraga kurang dari -0.03208 maka akan masuk ke Centroid Z2 (minum
ba,nyak); jika nilai Zminimum > -0.03208 maka masuk ke Centroid Z1 (minum sedikit) .
nilai Zberat, Zolahragadidapat dari transformasi ( )
-
8/12/2019 KSM MTV (1)
29/32
Centroid Grup ini menunjukan nilai tengah dari masing2 grup / dari masing2 Z score nya
Classification Results(a)
Classification Results
MinumPredicted Group
Membership Total
sedikit banyak sedikit
Original Count sedikit 24 14 38
banyak 12 25 37
% sedikit 63.2 36.8 100.0
banyak 32.4 67.6 100.0
a 65.3% of original grouped cases correctly classified.
ket: angka yg berwarna merah: yang benar
interpretasi nilai 65,3 % => tingkat keakuratan fungsi diskriminan dapat membedakan
perbedaan grup adalah sebesar : (24 + 25) / 75 * 100% = 65,3 %
-selesai-
Tambahan Teori:
Ciri-ciri Diskriminan
ada 1 variabel dependen yang kategorik
ada var independen nya berupa matrik
ingin menentukan amatan masuk ke grup mana
bedanya dengan cluster => cluster menggunakan informasi variabel untuk
membentuk gerombol, sedangkan diskriminan membedakan dulu baru ada variabel-
variabelnya
UJI CLUSTER
variabel belum dibedakan antara X dan Y
Cluster Non Hierarki: sudah ada kepentingan dari peneliti (biaya, ada teori, dll)
Cluster Hierarki: membebaskan SPSS untuk membuat pengklusteran
-
8/12/2019 KSM MTV (1)
30/32
Asumsi:
Normal
Multikolinieritas
Independen antar observasi
sampelnya acak
syarat utama: data harus berupa matrik
catatan jika normal maka sudah pasti independen, dan acak
tahapan:
1. uji kenormalan
2. Uji analisisnya: analyze Descriptives statististikdescriptivemasukan semuavariabelcentang save standardized values as variablesok
3. analyzeclassify- hierarchical cluster- masukan semua variabel Z score ke kolom
variable(s)pada Statistic centang agglomeration dan proximity, pada cluster
membership=> none itu membebaskan spss, single dibatasi oleh user, range
solution=> memerintahkan mau minimum bro max brp pada plot pilih: dendogram,
pada method pilih Wards method-continuepada Label Cases masukan var provinsi
(yg akan dibuat cluster)OK
4. output
Agglomeration schedule : proses pembentukan cluster => ada . step
untuk yang non hierarki cluster:
analyzeclassifyKmeans clustermasukan var Z score- select case by :
provinsi- number of cluster misalnya ingin buat jadi 3 clustersave: centang cluster
membership dan distance from cluster- di options : centang ANOVA- iterasi: tidak
ada yg diubahOK
output:
iteration history: melakukan iterasi brp kali untuk mendapatkan cluster terbaik
final cluster centers: jika nilai Z scorepositif berartinilai tsb berada di atas rata2 total,
jika negatif berarti rata2nya berada di bawah rata2 total
dengan kata lain jika + => di atas rata2 nasional, - di bawah rata2 nasional
-
8/12/2019 KSM MTV (1)
31/32
Final Cluster Centers
Cluster
1 2 3
Zscore(PE) .02972 -.04791 -.19605
Zscore(PDRB_per_kapita)-.23288 -.22111 1.68545
Zscore(Share) -.36608 3.02753 1.80569
Zscore(PAD) -.27798 4.84684 .73412
Zscore(PMDN) -.29842 .82484 1.88275
Zscore(PMA) -.26154 5.06503 .56451
Zscore(J.Penduduk) -.31256 .23384 2.12945
Zscore(IPM) -.12337 1.93049 .38094
Zscore(TPAK) .15775 -1.83674 -.64503
Zscore(PersenMiskin) .02559 -1.02641 .07750
jadi rata2 yg tertinggi ada di cluster pertama .02972, kedua di cluster ke-2 -.04791, terendah
di cluster ke 3 -.19605
ANOVA
Cluster Error F Sig.
Mean Square Df Mean Square Df Mean Square df
Zscore(PE) .090 2 1.061 30 .085 .919Zscore(PDRB_per_kapita)
6.465 2 .636 30 10.171 .000
Zscore(Share) 12.980 2 .201 30 64.476 .000
Zscore(PAD) 13.906 2 .140 30 99.592 .000
Zscore(PMDN) 8.677 2 .488 30 17.771 .000
Zscore(PMA) 14.422 2 .105 30 137.111 .000
Zscore(J.Penduduk) 10.464 2 .369 30 28.354 .000
Zscore(IPM) 2.367 2 .909 30 2.604 .091
Zscore(TPAK) 2.867 2 .876 30 3.275 .052
Zscore(PersenMiskin) .548 2 1.030 30 .532 .593
The F tests should be used only for descriptive purposes because the clusters have been chosen to maximizethe differences among cases in different clusters. The observed significance levels are not corrected for this andthus cannot be interpreted as tests of the hypothesis that the cluster means are equal.
dilihat yang signifikan berbeda: share, PAD, PMDN, PMA, J Penduduk.=> variabel ini
bisa digunakan untuk mengelompokan cluster.
QCL1: melihat observasi masuk ke cluster mana
QCL 2: jarak antara observasi ke pusat cluster . contoh jarak rata2 aceh dengan
rata2 cluster tempat kemana aceh masuk.
-
8/12/2019 KSM MTV (1)
32/32