Overview Data Pengklasifikasian Data Pembuatan Model Regresi

14 Melalui metode ini, variabel data tersebut akan diseleksi sedemikian rupa sehingga membuang data yang tidak penting dan menghasilkan sejumlah data yang paling informatif dan berpengaruh terhadap parameter yang diamati Umetrics AB, 2006. Beberapa hal yang termasuk ke dalam analisis mu ltivariat adalah merangku m dan memv isualisasikan serangkaian data, mengklasifikasikan data ke dalam kelo mpok tertent u, seerta menentukan hubungan kuantitatif antara variabel. Hal ini dapat dilakukan pada berbagai macam model data multivariat, mu lai dari banyak sedikitnya variabel, banyak sedikitnya variabel, hingga lengkap tidaknya data yang diperoleh Umetrics AB, 2006. Pada umu mnya, analisi multivariat terdiri atas multiple linear regression MLR, linear discriminant analysis LDA, canonical correlation CC, factor analysis FA, dan principle component analysis PCAUmetrics AB, 2006. Dalam beberapa kasus, seringkali analisis mu ltivariat diistilahkan dengan analisis megavariat. Bedanya, analisis megavariat digunakan pada data yang memiliki variabel laten untuk menghasilkan data mult ivariat. Oleh sebab itu, analaisis megavariat dapat diterapkan pada data yang tidak lengkap. Sebagai contoh adalah data yang diterapkan pada proses teknologi terapan yang memiliki beberapa variabel laten yang tidak nampak Grainger, 2003. Dalam aplikasi keseharian, analisis mult ivariat ini banyak digunakan pada Quality Control QC, pemonitoran proses produksi, maupun di sektor-sektor industri meliputi kimia, petrokimia, polimer, plastik, serat, logam dan material, teleko mun ikasi, automobil, semikondukt or, hingga makanan dan minu man Umetrics AB, 2006. Dalam analisis mult ivariat, d ikenal dua istilah penting yakni observasi N dan variabel K. Observasi seringkali disebut sebagai objek, sampel, ataupun benda yang diamati. Sedangkan variabel adalah properti yang diamati pada observasiUmetrics AB, 2006. Dalam bidang kimia, dikenal is tilah pengenalan pola pattern recogniton. Istilah ini sebenarnya merupakan sinonim dari analisis mult ivariat yang menekankan proses yang dilaku kan untuk menemukan pola data dari satu atau beberapa tahap observasi Wold et al., 1984. Po la in i lah yang nantinya akan menyediakan in formasi mengenai hubungan antara observasi dalam satu kelas, mana yang dekat dan mana yang jauh , serta mana observasi yang tidak serupa dan merupakan pencilan. Melalu i metode ini juga dapat diperoleh informasi antara satu variabe l dengan variabel yang lain. Jika ditemukan observasi yang memiliki pola yang berbeda, obseravasi tersebut akan dimasukan ke dalam kelas lain bersama dengan observasi lain yang mirip. Dengan demikian, terdapat tiga langkah utama dalam analisis mult ivariat, yakni: 1 perangku man dan penamp ilan data secara keseluruhan pada satu tabel, 2 pengklasifikasian beberapa kelo mpok observasi, dan 3 pembuatan model regresi antara dua blo k data X dan YUmetrics AB, 2006.

1. Overview Data

Pada tahap awal, u mu mnya mas ih sedikit informasi yang diketahui. Oleh sebab itu, diperlukan cara untuk menyajikan data dalam bentuk yang sederhana dan mudah dimengerti. Proses penyajian ini dapat dilakukan dengan menggunakan pricipal component analysis PCA Jackson, 1991. PCA mampu merangku m data dengan baik sekaligus menunjukkan relasi antara observasi yang diukur serta observasi yang berupa pencilan. Di samp ing itu, PCA mampu menunjukkan hubungan antara variabel dengan observasi. Dengan demikian, dapat diketahui variabel yang berkontribusi terhadap observasi maupun tidakUmet rics AB, 2006. 15

2. Pengklasifikasian Data

Pada tahap ini, observasi akan d iklasifikasi ke dalam kelo mpo k-kelo mpok. Pada tiap kelo mpok akan terdapat beberapa observsi yang memiliki kriteria mirip dan sesuai den gan kriteria kelo mpok tersebut. Dalam beberapa kasus, seringkali hanya diperoleh dua sampai tiga kelo mpok observasi saja. Hal in i menunjukkan diperlukannya pemodelan PCA lanjutan sehingga diperoleh hubungan yang lebih mudah dipahami. Di samping itu, dari hasil klasifikasi in i juga seringkali ditemu kan observasi yang tidak dapat dimasukkan ke dalam kelo mpok manapun. Observasi ini digolongkan sebagai pencilanUmetrics AB, 2006.

3. Pembuatan Model Regresi

Tahap terakhir dari analisis mult ivariat adalah pembu atan model regresi antara dua blok data. Pemodelan jenis in i dilaku kan dengan menggunakan metode partial least square-ordinary least square OLS. Adapun dua blok data yang dikorelasikan umu mnya dinyatakan sebagai X dan Y. Blok X seringkali d iistilahkan sebagai faktor atau prediktor sementara Y d iistilahkan sebagai responUmetrics AB, 2006. Tujuan dari pembuatan model regresi ini adalah menentukan nilai Y dari X dalam rangka memp rediksi observasi yang baru. Hal ini d ilakukan dengan cara mengumpulkan data X. Oleh sebab itu, langkah ini sering juga dinamakan kuantifikasi dan prediksi. Lebih lanjut, data yang tepat dan model OLS yang akurat d iperlukan untuk menjelaskan hubungan bagaimana faktor mempengaruhi respon, bagaimana respon berkorelasi satu sama lain, serta bagaimana mengatur faktor sehingga mendapatkan profil respon yang diinginkanUmetrics AB, 2006. 16 III. METODOLOGI PENELITIAN

A. WAKTU DAN TEMPAT