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