Lampiran 1. Pembangkitan Ukuran Data Kelompok dan Proporsi Pencilan

Transkripsi

1 15 Lampiran 1. Pembangkitan Ukuran Data Kelompok dan Proporsi Pencilan Pencilan 5% 1 15% n=0 n=40 n=00 Kelompok (n1=10, n=10) (n1=0, n=0) (n1=100, n=100) n n* n n* n n* Keterangan : n = Jumlah Amatan n* = Jumlah Amatan Pencilan

2 16 Lampiran. Contoh Analisis Diskriminan linier Dengan Penduga MCD dan MLE n=40 dengan Pencilan 1. Data Bangkitan No x 1 x x 3 JM Bobot KA MLE JMK Bobot KA MCD

3 17 Keterangan : JM = Jarak Mahalanobis KA = Kelompok Awal JMK = Jarak Mahalanobis Kekar Amatan yang digaris bawahi adalah amatan yang mengandung pencilan Keterangan Pada Bobot : 1 = Bukan Pencilan 0 = Pencilan Lampiran 3. Nilai Vektor Rata-rata dan Matriks Ragam-peragam Penduga MLE dan MCD Untuk n=0. N Pencilan Kel Ragam-peragam MCD MCD Deviasi [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] n Pencilan Kel Ragam-peragam MLE MLE Deviasi [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ]

4 18 Lampiran 4. Nilai Vektor Rata-rata dan Matriks Ragam-peragam Penduga MLE dan MCD Untuk n=40. Pencilan Kel Ragam-peragam MCD MCD Deviasi 40 5% 1 15% [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] n Pencilan Kel Ragam-peragam MLE MLE Deviasi 40 5% 1 15% [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ]

5 19 Lampiran 5. Nilai Vektor Rata-rata dan Matriks Ragam-peragam Penduga MLE dan MCD Untuk n=00. n Pencilan Kel Ragam-peragam MCD MCD Deviasi 00 5% 1 15% [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] n Pencilan Kel Ragam-peragam MLE MLE Deviasi 00 5% 1 15% [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ]

6 0 Lampiran 6. Daftar Divre Kelompok Awal Keterangan: 1 = Divre A = Divre B 3 = Divre C Divre Kelompok Awal Aceh Sumut Riau Sumbar 3 Jambi 3 Sumsel Bengkulu 3 Lampung D.K.I. Jakarta 1 Jabar 1 Jateng 1 Yogyakarta 3 Jatim 1 Kalbar 3 Kaltim 3 Kalsel Kalteng 3 Sulut Sulteng 3 Sultra 3 Sulsesl 1 Bali 3 N.T.B. N.T.T. Maluku 3 Papua Lampiran 7. Hasil Uji Kesamaan Vektor Rataan Tests of Equality of Group Means Wilks' Lambda F df1 df Sig. VAR VAR VAR VAR

7 1 Lampiran 8. Analisis diskriminan kuadratik dengan penduga MCD n Divre Jarak kekar Bobot Kelompok awal Kelompok akhir 1 Aceh Jambi Kaltim Sulut Lampung Kalteng Jabar Jateng Jatim Sulsel D.K.I. Jakarta N.T.B Bengkulu Yogyakarta Maluku Bali Sultra Papua Kalsel Riau N.T.T Sulteng Kalbar * 4 Sumsel * 5 Sumbar * 6 Sumut * Keterangan: (*) pencilan

8 Lampiran 9. Pengelompokan Divre dengan Analisis Diskriminan Penduga MCD dan MLE No x 1 x x 3 x 4 JM Bobot KA MLE JMK Bobot KA MCD Aceh Sumut Riau Sumbar Jambi Sumsel Bengkulu Lampung D.K.I.Jakarta Jabar Jateng Yogyakarta Jatim Kalbar Kaltim Kalsel Kalteng Sulut Sulteng Sultra Sulsesl Bali N.T.B N.T.T Maluku Papua Keterangan : JM = Jarak Mahalanobis KA = Kelompok Awal JMK = Jarak Mahalanobis Kekar Amatan yang digaris bawahi adalah amatan yang mengandung pencilan dan salah klasifikasi Keterangan Pada Bobot : 1 = Bukan Pencilan 0 = Pencilan

9 3 Lampiran 10. Makro MINITAB Pengujian Kenormalan Ganda #Memulai makro untuk qq dan peubah x 1 -x p # macro. qq x.1-x.p #Menentukan konstanta, kolom dan matriks# mconstant i n p t chis mcolumn d x.1-x.p dd pi q ss tt mmatrix s sinv ma mb mc md #Memulai perhitungan pengamatan dari x 1 sebanyaka n pengamatan# let n=count(x.1) #Mencari matriks ragam-peragam dari x 1 s/d x p dan nilai inversnya# cova x.1-x.p s invert s sinv #Menentukan dan menghitung banyaknya jarak mahalanobis setiap pengamatan yang lebih kecil dari nilai Khi-kuadratnya# let ss=dd<chis let t=sum(ss)/n print t #Mengidentifikasikan apakah data menyebar multinormal atau bukan# if t>0.5 note distribusi data multinormal endif if t<=0.5 note distribusi data bukan multinormal endif #Mengakhiri makro# endmacro #Mencari nilai vektor rata-rata dari x 1 s/d x p Lakukan dari data pengamatan satu sampai data pengamatan ke-n (x i - ) i= 1,.n # do i=1:p let x.i=x.i-mean(x.i) enddo do i=1:n copy x.1-x.p ma; use i #Mencari nilai jarak mahalanobis# transpose ma mb multiply ma sinv mc multiply mc mb md copy md tt let t=tt(1) let d(i)=t enddo set pi 1:n end #Menghitung nilai pi dan mengurutkan nilai dd dari kecil ke besar# let pi=(pi-0.5)/n sort d dd invcdf pi q; chis p # Buat scatter-plot d (i) dengan qi dan menentukkan nilai Khi-kuadrat ( )# plot q*dd invcdf 0.5 chis; chis p.

10 4 Lampiran 11. Makro MINITAB Pendeteksian Pencilan #Memulai makro dengan observasi pencilan dari y 1 s/d y p # Macro outlier obs y.1-y.p #Menentukan konstanta, kolom dan matriks# mconstant i n p df mcolumn d x.1-x.p y.1-y.p dd pi f_value tt obs p1 sig_f mmatrix s sinv ma mb mc md #Memulai perhitungan pengamatan dari y 1 sebanyaka n pengamatan# let n=count(y.1) #Mencari matriks ragam-peragam dari y 1 s/d y p dan nilai inversnya# cova y.1-y.p s invert s sinv #Mencari nilai vektor rata-rata dari y 1 s/d y p Lakukan dari data pengamatan satu sampai data pengamatan ke-n (x i - ) i= 1,.n # do i=1:p let x.i=y.i-mean(y.i) enddo do i=1:n copy x.1-x.p ma; use i #Mencari nilai jarak mahalanobis# transpose ma mb multiply ma sinv mc multiply mc mb md copy md tt let d(i)=tt(1) enddo #Mencari nilai f_value let f_value=((n-p-1)*n*d)/(p*(n-1)**-n*p*d) let df=n-p-1 #menentukan nilai derajat bebas# cdf f_value p1; f p df #menghitung nilai sig_f let sig_f=1-p1 print obs d f_value sig_f #Makro berakhir endmacro