kontrak

AppliedAppliedMultivariate TechniquesMultivariate Techniques

By : Ahmad Mughni, ST.By : Ahmad Mughni, ST.

: : [email protected]@trunojoyo.ac.id

: (031) 70189879: (031) 70189879

mailto:[email protected]

(c) Trunojoyo University (c) Trunojoyo University Multivariate AnalysisMultivariate Analysis 22

SyllabusSyllabus

• Course OverviewCourse Overview

• Course Objective Course Objective

• Course Benefit Course Benefit

• Course MethodeCourse Methode

• Grading Grading

• Textbook Textbook

• Tentative Course Schedule Tentative Course Schedule


Course ObjectiveCourse Objective( Tujuan Perkuliahan )( Tujuan Perkuliahan )

Tujuan Perkuliahan Tujuan Perkuliahan ::

• Memberikan pemahaman kepada mahasiswa mengenai Memberikan pemahaman kepada mahasiswa mengenai pengertian analisis multivariate, ruang lingkup, klasifikasi pengertian analisis multivariate, ruang lingkup, klasifikasi dan aplikasinyadan aplikasinya

• Memberikan pemahaman dan kemampuan kepada Memberikan pemahaman dan kemampuan kepada mahasiswa untuk menguji sekumpulan data multivariate mahasiswa untuk menguji sekumpulan data multivariate mengenai :mengenai :

– Pemrosesan data hilang (missing data processes)Pemrosesan data hilang (missing data processes)– Pengidentifikasian outlier Pengidentifikasian outlier – Pengujian asumsi dataPengujian asumsi data– Transformasi dataTransformasi data– Variabel nonmetrik Variabel nonmetrik variabel metrik variabel metrik

beserta pengaruhnya terhadap hasil analisis dan berbagai beserta pengaruhnya terhadap hasil analisis dan berbagai konsekuensinyakonsekuensinya


Course ObjectiveCourse Objective( Tujuan Perkuliahan – lanjutan )( Tujuan Perkuliahan – lanjutan )

• Memberikan pemahaman dan kemampuan kepada mahasiswa Memberikan pemahaman dan kemampuan kepada mahasiswa untuk melakukan analisis multivariate dengan menggunakan untuk melakukan analisis multivariate dengan menggunakan berbagai teknik multivariate terapan yang meliputi :berbagai teknik multivariate terapan yang meliputi : 1.1. Principal Componen Analysis (PCA) Principal Componen Analysis (PCA) 2.2. Factor Analysis (FA)Factor Analysis (FA)3.3. Canonical Correlation Analysis (CCA)Canonical Correlation Analysis (CCA)4.4. Cluster Analysis (CA)Cluster Analysis (CA)5.5. Discriminan Analysis (DA)Discriminan Analysis (DA)6.6. Multiple Regression Analysis (MRA)Multiple Regression Analysis (MRA)7.7. Conjoint Analysis (CoA)Conjoint Analysis (CoA)8.8. Analisis Variansi Multivariate (MANOVA), Analisis Variansi Multivariate (MANOVA), 9.9. Multidimensional ScallingMultidimensional Scalling10.10.Structural Equation Modelling (SEM)Structural Equation Modelling (SEM)

• Memberikan kemampuan kepada mahasiswa untuk memilih dan Memberikan kemampuan kepada mahasiswa untuk memilih dan mempergunakan suatu analisis multivariate yang sesuai dengan mempergunakan suatu analisis multivariate yang sesuai dengan tujuan dilakukannya suatu analisis (studi).tujuan dilakukannya suatu analisis (studi).


Course BenefitCourse Benefit( Manfaat Perkuliahan )( Manfaat Perkuliahan )

• Lebih memahami aplikasi statistika dalam berbagai Lebih memahami aplikasi statistika dalam berbagai bidang Teknik Industri serta keteknikan yang lainbidang Teknik Industri serta keteknikan yang lain

• Lebih familiar dengan berbagai package statistika Lebih familiar dengan berbagai package statistika SPSS, SAS, MINITAB dllSPSS, SAS, MINITAB dll

• Dapat melakukan interpretasi yang lebih baik Dapat melakukan interpretasi yang lebih baik terhadap hasil analisis multivariateterhadap hasil analisis multivariate

• Ingat bahwa fenomena sosial, psikologi, manajerial, Ingat bahwa fenomena sosial, psikologi, manajerial, keteknikan semakin hari semakin kompleks keteknikan semakin hari semakin kompleks variabel variabel semakin multivariate semakin multivariate belajar multivariate = belajar multivariate = mempersiapkan senjata anda di masa depan.mempersiapkan senjata anda di masa depan.


Course MethodeCourse Methode( Metode Perkuliahan )( Metode Perkuliahan )

• Perkuliahan ini lebih menekankan pada teknik-teknik Perkuliahan ini lebih menekankan pada teknik-teknik multivarate yang aplikatifmultivarate yang aplikatif

• Topik perkuliahan minggu pertama dan kedua akan lebih Topik perkuliahan minggu pertama dan kedua akan lebih menekankan pada pengantar, konsep dan prinsip dasar menekankan pada pengantar, konsep dan prinsip dasar analisis multivariate.analisis multivariate.

• Dengan waktu tatap muka yang tidak banyak (100 menit / Dengan waktu tatap muka yang tidak banyak (100 menit / pertemuan) maka perkuliahan ini menuntut anda untuk pertemuan) maka perkuliahan ini menuntut anda untuk mempelajari konsep-konsep dasar dari materi yang akan mempelajari konsep-konsep dasar dari materi yang akan diajarkan terlebih dahulu. Dosen akan memfasilitasi proses diajarkan terlebih dahulu. Dosen akan memfasilitasi proses belajar saudara tersebut dengan tugas terstruktur.belajar saudara tersebut dengan tugas terstruktur.

• Perkuliahan ini akan menfasilitasi anda untuk belajar dan Perkuliahan ini akan menfasilitasi anda untuk belajar dan berlatih berbagai teknik multivariate terapan melalui berlatih berbagai teknik multivariate terapan melalui penugasan terstruktur.penugasan terstruktur.

• Perkuliahan ini menggunakan penunjang software seperti Perkuliahan ini menggunakan penunjang software seperti SPSS, MINITAB maupun SAS.SPSS, MINITAB maupun SAS.


GradingGrading( Penilaian )( Penilaian )

Nilai akhir perkuliahan akan didasarkan pada 5 Nilai akhir perkuliahan akan didasarkan pada 5 komponen berikut ini :komponen berikut ini :

1. Tugas Mingguan 1. Tugas Mingguan 25%25% 125 points125 points2. Tugas Terstruktur2. Tugas Terstruktur 25%25% 125 points125 points3. Tugas Besar 3. Tugas Besar 10%10% 50 points 50 points4. UTS 4. UTS 20%20% 100 points100 points5. UAS5. UAS 20%20% 100 points 100 points TOTAL = 100% TOTAL = 100% 500 points500 points


Grade ConvertionGrade Convertion( Konversi nilai )( Konversi nilai )

• AA : 401 – 500: 401 – 500• B + B + : 351 – 400: 351 – 400• BB : 301 – 350: 301 – 350• C +C + : 251 – 300: 251 – 300• CC : 201 – 250: 201 – 250• D + D + : 151 – 200: 151 – 200• DD : 101 – 150: 101 – 150• EE : < 100: < 100


Explanation of GradingExplanation of Grading( Penjelasan Penilaian )( Penjelasan Penilaian )

Tugas MingguanTugas Mingguan• Seperti dijelaskan di metode perkuliiahan bahwa waktu Seperti dijelaskan di metode perkuliiahan bahwa waktu

tatap muka amat sedikit (100 menit / tatap muka) maka tatap muka amat sedikit (100 menit / tatap muka) maka saudara harus selalu belajar terlebih dahulu materi yang saudara harus selalu belajar terlebih dahulu materi yang akan diajarkan.akan diajarkan.

• Tugas ini mengharuskan saudara untuk membuat sebuah Tugas ini mengharuskan saudara untuk membuat sebuah ringkasan mengenai materi yang akan diajarkan yang ringkasan mengenai materi yang akan diajarkan yang secara detail akan diberikan pada akhir pertemuan secara detail akan diberikan pada akhir pertemuan sebelumnya.sebelumnya.

• Materi tugas ini biasanya merupakan ringkasan suatu Materi tugas ini biasanya merupakan ringkasan suatu teknik multivariate yang akan diajarkan yang meliputi : teknik multivariate yang akan diajarkan yang meliputi : pengertian suatu metode analisis, aplikasi, asumsi, dan pengertian suatu metode analisis, aplikasi, asumsi, dan konsep-konsep dasarnya. (jadi anda bisa menyiapkan point-konsep-konsep dasarnya. (jadi anda bisa menyiapkan point-point tersebut untuk seluruh analisis mulai sekarang)point tersebut untuk seluruh analisis mulai sekarang)

• Selama satu semester, akan terdapat 11 tugas mingguan.Selama satu semester, akan terdapat 11 tugas mingguan.• Nilai satu tugas mingguan berkisar antara 0 – 11,37 point Nilai satu tugas mingguan berkisar antara 0 – 11,37 point


Keterangan TugasTopik tugasDeadline

Discriminan Analysis

Cluster Analysis

Canonical Correlation Analysis

Factor Analysis

Principal Componen Analysis

Missing dataOutliersAsumsi analisis Multivariate

1. Jelaskan pengertian, tujuan & taksonomi DA2. Jelaskan jenis data & asumsi-2 yg digunakan dlm

DA3. Jelaskan secara ringkas dasar logika DA4. Jelaskan perbedaan CA dan DA5. Tulis posedur melakukan DA dengan SPSS

Week 7

1. Jelaskan pengertian, tujuan & taksonomi CA2. Jelaskan jenis data & asumsi-2 yg digunakan dlm CA3. Jelaskan secara ringkas dasar logika CA4. Tulis posedur melakukan CA dengan SPSS

Week 6

1. Jelaskan pengertian, tujuan & taksonomi CCA2. Jelaskan jenis data & asumsi-2 yg digunakan dlm

CCA3. Jelaskan secara ringkas dasar logika CCA4. Tulis posedur melakukan CCA dengan SPSS

Week 5

1. Jelaskan pengertian, tujuan & taksonomi FA2. Jelaskan jenis data & asumsi-2 yg digunakan dlm FA3. Jelaskan secara ringkas dasar logika FA4. Jelaskan perbedaan PCA dan FA5. Tulis posedur melakukan FA dengan SPSS

Week 4

1. Jelaskan pengertian, tujuan & taksonomi PCA2. Jelaskan jenis data & asumsi-2 yg digunakan dlm

PCA3. Jelaskan secara ringkas dasar logika PCA4. Tulis posedur melakukan PCA dengan SPSS

Week 3

1. Jelaskan yang dimaksud dg konsep-2 tersebut2. Jelaskan penanganan missing data & outliers3. Jelaskan pengertian masing-2 asumsi AM

Week 2

Tugas MingguanTugas Mingguan


Keterangan TugasTopik tugasDeadline

SEM

Multi Dimensional Scalling

MANOVA

Conjoin Analysis

Multiple Regression Analysis

1. Jelaskan pengertian, tujuan & taksonomi SEM2. Jelaskan jenis data & asumsi-2 yg digunakan dlm

SEM3. Jelaskan secara ringkas dasar logika SEM4. Tulis posedur melakukan SEM dengan LISREL

Week 14

1. Jelaskan pengertian, tujuan & taksonomi MDS2. Jelaskan jenis data & asumsi-2 yg digunakan dlm

MDS3. Jelaskan secara ringkas dasar logika MDS4. Tulis posedur melakukan MDS dengan SPSS

Week 13

1. Jelaskan pengertian, tujuan & taksonomi MANOVA2. Jelaskan jenis data & asumsi-2 yg digunakan dlm

MANOVA3. Jelaskan secara ringkas dasar logika MANOVA4. Tulis posedur melakukan MANOVA dengan SPSS

Week 12

1. Jelaskan pengertian, tujuan & taksonomi CoA2. Jelaskan jenis data & asumsi-2 yg digunakan dlm

CoA3. Jelaskan secara ringkas dasar logika CoA4. Tulis posedur melakukan CoA dengan SPSS

Week 11

1. Jelaskan pengertian, tujuan & taksonomi MRA2. Jelaskan jenis data & asumsi-2 yg digunakan dlm

MRA3. Jelaskan secara ringkas dasar logika MRA4. Tulis posedur melakukan MRA dengan SPSS

Week 10

Tugas MingguanTugas Mingguan


continuecontinueTugas TerstrukturTugas Terstruktur• Tugas terstruktur bertujuan untuk membangun keterampilan anda dalam Tugas terstruktur bertujuan untuk membangun keterampilan anda dalam

berbagai teknik multivariate terapan.berbagai teknik multivariate terapan.• Dalam tugas ini, saudara akan diberi suatu Dalam tugas ini, saudara akan diberi suatu data setdata set dan diminta untuk dan diminta untuk

menganalisis data tersebut dengan teknik multivariate tertentumenganalisis data tersebut dengan teknik multivariate tertentu• Selama satu semester akan diberikan 10 buah tugas terstrukturSelama satu semester akan diberikan 10 buah tugas terstruktur• Nilai sebuah tugas terstruktur berkisar antara 0 – 12,5Nilai sebuah tugas terstruktur berkisar antara 0 – 12,5

Tugas BesarTugas Besar• Tugas besar dikerjakan secara kelompok yang terdiri dari 2 orang mahasiswa.Tugas besar dikerjakan secara kelompok yang terdiri dari 2 orang mahasiswa.• Tugas besar bertujuan untuk membangun kemampuan aplikasi teknik Tugas besar bertujuan untuk membangun kemampuan aplikasi teknik

multivariate anda dalam berbagai fenomena nyata.multivariate anda dalam berbagai fenomena nyata.• Dalam tugas besar ini, silahkan anda mencari suatu permasalahan yang real Dalam tugas besar ini, silahkan anda mencari suatu permasalahan yang real

dan cukup kompleks dan dapat dipecahkan dengan suatu teknik multivariate dan cukup kompleks dan dapat dipecahkan dengan suatu teknik multivariate tertentu, kemudian lakukan analisis, interpretasi dan ambil kesimpulan tertentu, kemudian lakukan analisis, interpretasi dan ambil kesimpulan (sistematika penulisan seperti laporan TA)(sistematika penulisan seperti laporan TA)

• Permasalahan silahkan anda tentukan dan harus sudah dikumpulkan Permasalahan silahkan anda tentukan dan harus sudah dikumpulkan maksimal saat pelaksanaan UTS (jadi silakan mulai memikirkan topik TB mulai maksimal saat pelaksanaan UTS (jadi silakan mulai memikirkan topik TB mulai sekarang). sekarang).

• Metode multivariate yang digunakan akan disebar secara merata sesuai Metode multivariate yang digunakan akan disebar secara merata sesuai jumlah kelompok. jumlah kelompok.

• Nilai tugas besar berkisar antara 0 – 50 pointNilai tugas besar berkisar antara 0 – 50 point


continuecontinue

Laporan tertulisLaporan tertulis• Laporan tertulis tugas mingguan minimum 3 Laporan tertulis tugas mingguan minimum 3

halaman dobel spasi (dengan font-size 11 halaman dobel spasi (dengan font-size 11 points, margin 1 inch seluruhnya).points, margin 1 inch seluruhnya).

• Laporan tertulis tugas terstruktur dibuat dobel Laporan tertulis tugas terstruktur dibuat dobel spasi (dengan font-size 11 points, margin 1 inch spasi (dengan font-size 11 points, margin 1 inch seluruhnya), output hasil analisis dengan seluruhnya), output hasil analisis dengan software dapat diletakkan di lampiran. software dapat diletakkan di lampiran.

• Laporan tertulis tugas besar telah dijelaskan Laporan tertulis tugas besar telah dijelaskan sebelumnya. Anda dapat melakukan konsultasi sebelumnya. Anda dapat melakukan konsultasi dengan janjian dulu dengan dosen anda.dengan janjian dulu dengan dosen anda.


continuecontinue

Ujian Tengah Semester (UTS)Ujian Tengah Semester (UTS)• Ujian bersifat open bookUjian bersifat open book• UTS akan diberikan di kelas. UTS akan mencakup semua materi UTS akan diberikan di kelas. UTS akan mencakup semua materi

dan termasuk seluruh studi kasus. Ujian bisa berupa soal dan termasuk seluruh studi kasus. Ujian bisa berupa soal kuantitatif, uraian singkat ataupun panjang. kuantitatif, uraian singkat ataupun panjang.

• Satu atau beberapa soal mungkin ditulis dalam bahasa Inggris.Satu atau beberapa soal mungkin ditulis dalam bahasa Inggris.

Ujian Akhir Semester (UAS)Ujian Akhir Semester (UAS)• Ujian bersifat open bookUjian bersifat open book• Materi UAS meliputi seluruh materi, meskipun lebih fokus dan Materi UAS meliputi seluruh materi, meskipun lebih fokus dan

menitik beratkan pada konsep dan materi perkuliahan setelah menitik beratkan pada konsep dan materi perkuliahan setelah UTS. UTS.

• Ujian akan berisi soal kuantitatif, esay singkat atau panjang.Ujian akan berisi soal kuantitatif, esay singkat atau panjang.• Satu atau lebih soal mungkin ditulis dalam bahasa InggrisSatu atau lebih soal mungkin ditulis dalam bahasa Inggris


Text BookText Book

1.1. Joseph F. Hair, Jr., Rolph E. Anderson, Ronald L. Tatham Joseph F. Hair, Jr., Rolph E. Anderson, Ronald L. Tatham and William C. black, “Multivariate Data Analysis”, and William C. black, “Multivariate Data Analysis”, Prentice Hall.Prentice Hall.

2.2. Supranto, J., (2004) Analisis Multivariat Arti dan Supranto, J., (2004) Analisis Multivariat Arti dan Inerpretasi, Rineka CiptaInerpretasi, Rineka Cipta

3.3. Sharma, Subbash, (1996), “Aplied Multivariate Sharma, Subbash, (1996), “Aplied Multivariate Techniques”, John Wiley & Sons.Techniques”, John Wiley & Sons.

4.4. Johnson, A. Richard and Wichern W. Dean, ” Aplied Johnson, A. Richard and Wichern W. Dean, ” Aplied Multivariate Statistical Analysis”, Upper Saddle River, Multivariate Statistical Analysis”, Upper Saddle River, Prentice HallPrentice Hall


Tentative Course Schedule Tentative Course Schedule

UTSWeek

8

1 Bab 52 Bab 8

Discriminan AnalysisWeek

7

1 Bab 92 Bab 7

Cluster Analysis Week

6

1 Bab 82 Bab 13

Canonical Correlation AnalysisWeek

5

1 Bab 32 Bab 5

Factor AnalysisWeek

4

2 Bab 4Principal Componen AnalysisWeek

3

1 Bab 22 Bab 2 & 3

Mempersiapkan dan menguji data Week

2

1 bab IKontrak perkuliahan dan Pengantar Analisis Multivariate

Week 1


Tentative Course ScheduleTentative Course Schedule

UASWeek

16

1 Bab 11SEMWeek

15

1 Bab 11SEMWeek

14

1 Bab 10Multi Dimensional ScallingWeek

13

1 Bab 62 Bab 11

MANOVAWeek

12

1 Bab 7Conjoin AnalysisWeek

11

1 bab 43 bab 7

Multiple Regression Analysis IIWeek

10

1 bab 43 bab 7

Multiple Regression Analysis IWeek 9

kontrak

Documents

Transcript of kontrak