4.5. RP Metode Multivariat Terapan DIII KKNI
PRODI DIII STATISTIKA-FMIPA ITS
RENCANA PEMBELAJARAN
KODE/ MATA KULIAH/ SKS/ SEMESTER: SS14 5366 /METODA MULTIVARIAT TERAPAN / (2/1/1)/IV
DOSEN PEMBINA: DOSEN STATISTIKA FMIPA ITS
CAPAIAN PEMBELAJARAN (Learning outcome) :
Mampu menganalisis data dengan metode statistika yang sesuai
Penguasaan Pengetahuan
Kemampuan kerja
Kemampuan Manajerial
Sikap dan Tata Nilai
5.1
Mampu mengidentifikasi permasalahan multivariat
5.2
Mampu menerapkan konsep metode multivariat
5.3
Mampu menganalisis data dari permasalahan riil dengan metode multivariat menggunakan piranti lunak (SPSS dan MINITAB)
5.4
Mampu memilih metode multivariat yang sesuai untuk menyelesaikan permasalahan data multivariate dan menginterpretasikan hasilnya dengan tepat
5.5
Mampu menganalisis data dan mampu mengkomunikasikan hasilnya dengan baik
5.6
Mampu mengelola kelompok kerja dan mengkomunikasikan hasilnya baik lisan maupun tertulis secara komprehensif;
5.7
Bertanggung jawab pada pekerjaan sendiri
5.8
Dapat diberi tanggung jawab atas pencapaian hasil kerja kelompok
5.9
Etika profesi (termasuk menghargai temuan orisinal orang lain); menghargai pendapat orang lain; patuh pada aturan yang tertulis dan tidak tertulis serta berpikir
cerdas, amanah dan kreatif.
Pokok Bahasan :
Pendahuluan, Review vektor dan matriks, konsep dasar analisis multivariat, data preprocessing, uji hipotesis vektor rata-rata satu dan dua populasi, manova, analisis komponen utama, analisis
faktor, analisis diskriminan, analisis cluster dan metode-metode grafis (multidimensional scalling dan analisis korespondensi)
.
Prasyarat :
•
•
Telah mengikuti Pengantar Metoda Statistika dan nilai minimum D
Telah mengikuti Matematika II dan nilai minimum D
69
PRODI DIII STATISTIKA-FMIPA ITS
RENCANA PEMBELAJARAN
KODE/ MATA KULIAH/ SKS/ SEMESTER: SS14 5366 /METODA MULTIVARIAT TERAPAN / (2/1/1)/IV
DOSEN PEMBINA: DOSEN STATISTIKA FMIPA ITS
Pertemuan ke
1-3
Capaian Pembelajaran
Nomor
5.1-5.2
1.
2.
3.
4-9
10-12
5.1-5.9
5.1-5.9
4.
5.
INDIKATOR CAPAIAN
Deskripsi
Dapat menjelaskan apa
1.1. Mengetahui penerapan metode
yang akan dipelajari dalam
multivariate di permasalahan riil
keseluruhan kuliah
1.2. Dapat membedakan antara data
Dapat menjelaskan
univariat dan data multivariate
konsep dasar analisis
1.3. Mengetahui pengelompokan metode
multivariat
univariat dan metode multivariate
Dapat menjelaskan
1.4.
Mampu
menghitung konsep matriks
konsep matriks yang
yang
sering
digunakan dalam analisis
sering dipakai dalam
multivariate
analisis multivariat
Mengetahui langkah2.1. Dapat mendeteksi missing value dan
langkah yang harus
cara mengatasinya
dilakukan atau
2.2. Dapat mendeteksi data outlier baik
menyiapkan data sebelum
secara univariate dan multivariate
melakukan analisis
2.3. Dapat melakukan uji asumsi :
menggunakan metode
- normality ( univariat dan multivariate)
multivariate, yang meliputi
- homoscedacity
deteksi missing value,
outlier dan pemeriksaan
asumsi
Dapat menjelaskan
3.1. Dapat menentukan, menghitung dan
konsep pengujian
menginterpretasikan uji hipotesis vector
hipotesis vector rata-rata
rata-rata satu dan dua populasi normal
untuk satu dan dua
multivariat
populasi dari distribusi
3.2. Dapat melakukan uji hipotesis vector
normal multivariat
rata-rata menggunakan piranti lunak
serta menginterpretasikannya
Materi
Pendahuluan:
1. Konsep dasar
analisis multivariat
2. Aplikasi metode
multivariate
3. Pengelompokan
metode multivariat
4. Aljabar matriks dan
vector random
Data preprocessing:
1. Deteksi missing
value dan cara
mengatasi
2. Deteksi outlier
3. Pemeriksaan asumsi
dan cara mengatasi
Uji hipotesis vektor ratarata:
1. Untuk satu populasi
2. Untuk dua populasi
Pustaka
[1] BAB 1
Metode
Pembelajaran
Bentuk Asesmen
Bobot
Materi
Tes/Tugas
5% / 5%
Ceramah,
Diskusi
Observasi di kelas
Tes tulis
Ceramah
Diskusi, latihan
soal dan
praktikum
(Modul 1)
Observasi dikelas,
Tugas, presentasi
10% / 15%
Ceramah
Diskusi dan
latihan soal
(manual dan
piranti lunak)
Observasi di
kelas, Tugas,
presentasi
5% / 20%
[2] BAB 1
[1] BAB 4
[2] BAB 2
[4] Modul 1
[1] BAB 5-6
70
PRODI DIII STATISTIKA-FMIPA ITS
RENCANA PEMBELAJARAN
KODE/ MATA KULIAH/ SKS/ SEMESTER: SS14 5366 /METODA MULTIVARIAT TERAPAN / (2/1/1)/IV
DOSEN PEMBINA: DOSEN STATISTIKA FMIPA ITS
Pertemuan ke
13-18
19-21
22 - 24
25 - 30
Capaian Pembelajaran
Nomor
5.1-5.9
5.1-5.9
5.1-5.9
5.1-5.9
6.
7.
8.
7
Deskripsi
Dapat menjelaskan
konsep MANOVA dan
dapat menerapkan dalam
problem riil
Dapat menjelaskan
konsep PCA dan dapat
menerapkan dalam
problem riil
Dapat menjelaskan
konsep analisis faktor dan
dapat menerapkan dalam
problem riil
Dapat menjelaskan
konsep analisis
diskriminan dan dapat
menerapkan dalam
problem riil
INDIKATOR CAPAIAN
Materi
4.1 Dapat melakukan pemeriksaan asumsi
dalam MANOVA dan cara mengatasi
4.2 Dapat melakukan analisis MANOVA baik
secara manual maupun menggunakan
piranti lunak
MANOVA
1. Pemeriksaan
asumsi
2. One way
MANOVA
3. Interpretasil hasil
analisis
MANOVA
Principal Componen
Analysis (PCA):
1. Aplikasi PCA di
problem riil
2. Pemeriksaan
asumsi PCA
3. PCA
5.1 Dapat melakukan pemeriksaan asumsi
dalam PCA dan cara mengatasi
5.2 Dapat melakukan analisis PCA baik
secara manual maupun menggunakan
piranti lunak
6.1 Dapat melakukan pemeriksaan asumsi
dalam analisis faktor dan cara
mengatasi
6.2 Dapat melakukan analisis factor baik
secara manual maupun menggunakan
piranti lunak
7.1 Dapat melakukan pemeriksaan asumsi
dalam analisis diskriminan dan cara
mengatasi
7.2 Dapat melakukan analisis diskriminan
baik secara manual maupun
Analisis Faktor :
1. Konsep dasar dan
aplikasi di problem
riil
2. Pemeriksaan
asumsi
3. Analsis factor dan
interpretasi
Analisis Diskriminan
(klasifikasi biner)
1. Konsep dasar dan
aplikasi di problem
riil
Pustaka
[1] BAB 5
[2] BAB 6
Metode
Pembelajaran
Bentuk Asesmen
Ceramah
Diskusi, tes dan
praktikum
(Modul 2)
Tes tulis, Tugas,
presentasi
Ceramah
Diskusi, latihan
soal dan
praktikum
(Modul 3)
Observasi di
kelas, Tugas,
presentasi
Bobot
Materi
Tes/Tugas
10% / 30%
[3] BAB 11
[4] Modul 2
[1] BAB 8
[2] BAB 3
[3] BAB 4
5 / 35%
[4] Modul 3
[1] BAB 9
[2] BAB 2
Ceramah
Diskusi, dan
praktikum
(Modul 3)
10% / 45%
Tugas, presentasi
[3] BAB 5
[4] Modul 3
[1] BAB 11
[2] BAB 5
Ceramah
Diskusi dan
latihan soal
Observasi di
kelas, Tugas,
presentasi
10% / 60%
71
PRODI DIII STATISTIKA-FMIPA ITS
RENCANA PEMBELAJARAN
KODE/ MATA KULIAH/ SKS/ SEMESTER: SS14 5366 /METODA MULTIVARIAT TERAPAN / (2/1/1)/IV
DOSEN PEMBINA: DOSEN STATISTIKA FMIPA ITS
Pertemuan ke
Capaian Pembelajaran
Nomor
Deskripsi
INDIKATOR CAPAIAN
menggunakan piranti lunak
31-36
37-39
40 - 42
43-45
5.1-5.9
5.1-5.9
5.1-5.9
5.1-5.9
8
9
Dapat menjelaskan
konsep analisis cluster dan
dapat menerapkan dalam
problem riil
Dapat menerapkan
multidimensional scalling
(MDS) dalam problem riil
8.1. Dapat melakukan analisis cluster baik
secara manual maupun menggunakan
piranti lunak
8.2. Dapat mengevaluasi hasil analisis
cluster
9.1 Dapat melakukan analisis MDS
menggunakan piranti lunak dan
mengiterpretasikan hasilnya
10 Dapat menerapkan
analisis korespondensi
dalam problem riil
10.1 Dapat melakukan analisis
korespondensi menggunakan piranti
lunak dan mengiterpretasikan hasilnya
11 Dapat menganalisis
problem riil untuk
11.1 Dapat merumuskan permasalahan riil
untuk dilakukan analisis MDS dan
Materi
Pustaka
Pemeriksaan
asumsi
3. Estimasi model
diskriminan dan
interpretasi
Analisis Cluster
1. Pendekatan hirarki
2. Pendekatan non
hirarki
3. Evaluasi hasil analisis
cluster
[3] BAB 8
MDS
1. Konsep dasar MDS
dan aplikasinya
2. MDS menggunakan
piranti lunak
[1] BAB 12
2.
Analisis Korespondensi
1. Konsep dasar
analisis
korespondensi
dan aplikasinya
2. Analisis
korespondensi
menggunakan
piranti lunak
Review Metode
multivariate secara
Metode
Pembelajaran
Bentuk Asesmen
Bobot
Materi
Tes/Tugas
[4] Modul 4
[1] BAB 12
[2] BAB 8
[3] BAB 7
[4] Modul 5
[2] BAB 9
Ceramah
Diskusi, latihan
soal dan
praktikum
(Modul 5)
Tes tulis, Tugas,
presentasi
10% / 70%
Ceramah
Diskusi, dan
praktikum
(Modul 6)
Tugas,
presentasi
10%/ 80%
Ceramah
Diskusi, l dan
praktikum
(Modul 6)
Tugas,
presentasi
10%/90%
[4] Modul 6
[2]BAB 9
[4] Modul 6
[1] BAB 12
Problem based
Tugas,
presentasi
10%/100%
72
PRODI DIII STATISTIKA-FMIPA ITS
RENCANA PEMBELAJARAN
KODE/ MATA KULIAH/ SKS/ SEMESTER: SS14 5366 /METODA MULTIVARIAT TERAPAN / (2/1/1)/IV
DOSEN PEMBINA: DOSEN STATISTIKA FMIPA ITS
Pertemuan ke
Capaian Pembelajaran
Nomor
Deskripsi
diselesaikan
menggunakan analisis
korespondensi dan MDS l
INDIKATOR CAPAIAN
analisis korespondensi menggunakan
piranti lunak dan mengiterpretasikan
hasilnya
Materi
grafis:
1. MDS
2. Analisis
Korespondensi
Pustaka
Metode
Pembelajaran
Bentuk Asesmen
Bobot
Materi
Tes/Tugas
[2] BAB 9
[4] Modul 6
PUSTAKA UTAMA
1.
2.
3.
Johnson, R.A and Wichern, D.W. “Applied Multivariate Statistical Analysis”. 6th Edition, Prentice Hall, New York. 2007
Hair, J.F., Black, W.C., Babin, B.J., Anderson, R.E, “Multivariate Data Analysis” , 7th Edition, Prentice-Hall, UK. 2010
Purnami, S.W. dan Akbar, M.S , “Modul Praktikum Multivariat Terapan”, 2012
PUSTAKA PENDUKUNG
1.
2.
Multivariate Analysis, K.V.Mardia, J.T. Kent and J.M. Bibby, Academic Press, 7th, 2000
Sarma, S.., “Applied Multivariate Techniques”, John Wiley. 1996
73
RENCANA PEMBELAJARAN
KODE/ MATA KULIAH/ SKS/ SEMESTER: SS14 5366 /METODA MULTIVARIAT TERAPAN / (2/1/1)/IV
DOSEN PEMBINA: DOSEN STATISTIKA FMIPA ITS
CAPAIAN PEMBELAJARAN (Learning outcome) :
Mampu menganalisis data dengan metode statistika yang sesuai
Penguasaan Pengetahuan
Kemampuan kerja
Kemampuan Manajerial
Sikap dan Tata Nilai
5.1
Mampu mengidentifikasi permasalahan multivariat
5.2
Mampu menerapkan konsep metode multivariat
5.3
Mampu menganalisis data dari permasalahan riil dengan metode multivariat menggunakan piranti lunak (SPSS dan MINITAB)
5.4
Mampu memilih metode multivariat yang sesuai untuk menyelesaikan permasalahan data multivariate dan menginterpretasikan hasilnya dengan tepat
5.5
Mampu menganalisis data dan mampu mengkomunikasikan hasilnya dengan baik
5.6
Mampu mengelola kelompok kerja dan mengkomunikasikan hasilnya baik lisan maupun tertulis secara komprehensif;
5.7
Bertanggung jawab pada pekerjaan sendiri
5.8
Dapat diberi tanggung jawab atas pencapaian hasil kerja kelompok
5.9
Etika profesi (termasuk menghargai temuan orisinal orang lain); menghargai pendapat orang lain; patuh pada aturan yang tertulis dan tidak tertulis serta berpikir
cerdas, amanah dan kreatif.
Pokok Bahasan :
Pendahuluan, Review vektor dan matriks, konsep dasar analisis multivariat, data preprocessing, uji hipotesis vektor rata-rata satu dan dua populasi, manova, analisis komponen utama, analisis
faktor, analisis diskriminan, analisis cluster dan metode-metode grafis (multidimensional scalling dan analisis korespondensi)
.
Prasyarat :
•
•
Telah mengikuti Pengantar Metoda Statistika dan nilai minimum D
Telah mengikuti Matematika II dan nilai minimum D
69
PRODI DIII STATISTIKA-FMIPA ITS
RENCANA PEMBELAJARAN
KODE/ MATA KULIAH/ SKS/ SEMESTER: SS14 5366 /METODA MULTIVARIAT TERAPAN / (2/1/1)/IV
DOSEN PEMBINA: DOSEN STATISTIKA FMIPA ITS
Pertemuan ke
1-3
Capaian Pembelajaran
Nomor
5.1-5.2
1.
2.
3.
4-9
10-12
5.1-5.9
5.1-5.9
4.
5.
INDIKATOR CAPAIAN
Deskripsi
Dapat menjelaskan apa
1.1. Mengetahui penerapan metode
yang akan dipelajari dalam
multivariate di permasalahan riil
keseluruhan kuliah
1.2. Dapat membedakan antara data
Dapat menjelaskan
univariat dan data multivariate
konsep dasar analisis
1.3. Mengetahui pengelompokan metode
multivariat
univariat dan metode multivariate
Dapat menjelaskan
1.4.
Mampu
menghitung konsep matriks
konsep matriks yang
yang
sering
digunakan dalam analisis
sering dipakai dalam
multivariate
analisis multivariat
Mengetahui langkah2.1. Dapat mendeteksi missing value dan
langkah yang harus
cara mengatasinya
dilakukan atau
2.2. Dapat mendeteksi data outlier baik
menyiapkan data sebelum
secara univariate dan multivariate
melakukan analisis
2.3. Dapat melakukan uji asumsi :
menggunakan metode
- normality ( univariat dan multivariate)
multivariate, yang meliputi
- homoscedacity
deteksi missing value,
outlier dan pemeriksaan
asumsi
Dapat menjelaskan
3.1. Dapat menentukan, menghitung dan
konsep pengujian
menginterpretasikan uji hipotesis vector
hipotesis vector rata-rata
rata-rata satu dan dua populasi normal
untuk satu dan dua
multivariat
populasi dari distribusi
3.2. Dapat melakukan uji hipotesis vector
normal multivariat
rata-rata menggunakan piranti lunak
serta menginterpretasikannya
Materi
Pendahuluan:
1. Konsep dasar
analisis multivariat
2. Aplikasi metode
multivariate
3. Pengelompokan
metode multivariat
4. Aljabar matriks dan
vector random
Data preprocessing:
1. Deteksi missing
value dan cara
mengatasi
2. Deteksi outlier
3. Pemeriksaan asumsi
dan cara mengatasi
Uji hipotesis vektor ratarata:
1. Untuk satu populasi
2. Untuk dua populasi
Pustaka
[1] BAB 1
Metode
Pembelajaran
Bentuk Asesmen
Bobot
Materi
Tes/Tugas
5% / 5%
Ceramah,
Diskusi
Observasi di kelas
Tes tulis
Ceramah
Diskusi, latihan
soal dan
praktikum
(Modul 1)
Observasi dikelas,
Tugas, presentasi
10% / 15%
Ceramah
Diskusi dan
latihan soal
(manual dan
piranti lunak)
Observasi di
kelas, Tugas,
presentasi
5% / 20%
[2] BAB 1
[1] BAB 4
[2] BAB 2
[4] Modul 1
[1] BAB 5-6
70
PRODI DIII STATISTIKA-FMIPA ITS
RENCANA PEMBELAJARAN
KODE/ MATA KULIAH/ SKS/ SEMESTER: SS14 5366 /METODA MULTIVARIAT TERAPAN / (2/1/1)/IV
DOSEN PEMBINA: DOSEN STATISTIKA FMIPA ITS
Pertemuan ke
13-18
19-21
22 - 24
25 - 30
Capaian Pembelajaran
Nomor
5.1-5.9
5.1-5.9
5.1-5.9
5.1-5.9
6.
7.
8.
7
Deskripsi
Dapat menjelaskan
konsep MANOVA dan
dapat menerapkan dalam
problem riil
Dapat menjelaskan
konsep PCA dan dapat
menerapkan dalam
problem riil
Dapat menjelaskan
konsep analisis faktor dan
dapat menerapkan dalam
problem riil
Dapat menjelaskan
konsep analisis
diskriminan dan dapat
menerapkan dalam
problem riil
INDIKATOR CAPAIAN
Materi
4.1 Dapat melakukan pemeriksaan asumsi
dalam MANOVA dan cara mengatasi
4.2 Dapat melakukan analisis MANOVA baik
secara manual maupun menggunakan
piranti lunak
MANOVA
1. Pemeriksaan
asumsi
2. One way
MANOVA
3. Interpretasil hasil
analisis
MANOVA
Principal Componen
Analysis (PCA):
1. Aplikasi PCA di
problem riil
2. Pemeriksaan
asumsi PCA
3. PCA
5.1 Dapat melakukan pemeriksaan asumsi
dalam PCA dan cara mengatasi
5.2 Dapat melakukan analisis PCA baik
secara manual maupun menggunakan
piranti lunak
6.1 Dapat melakukan pemeriksaan asumsi
dalam analisis faktor dan cara
mengatasi
6.2 Dapat melakukan analisis factor baik
secara manual maupun menggunakan
piranti lunak
7.1 Dapat melakukan pemeriksaan asumsi
dalam analisis diskriminan dan cara
mengatasi
7.2 Dapat melakukan analisis diskriminan
baik secara manual maupun
Analisis Faktor :
1. Konsep dasar dan
aplikasi di problem
riil
2. Pemeriksaan
asumsi
3. Analsis factor dan
interpretasi
Analisis Diskriminan
(klasifikasi biner)
1. Konsep dasar dan
aplikasi di problem
riil
Pustaka
[1] BAB 5
[2] BAB 6
Metode
Pembelajaran
Bentuk Asesmen
Ceramah
Diskusi, tes dan
praktikum
(Modul 2)
Tes tulis, Tugas,
presentasi
Ceramah
Diskusi, latihan
soal dan
praktikum
(Modul 3)
Observasi di
kelas, Tugas,
presentasi
Bobot
Materi
Tes/Tugas
10% / 30%
[3] BAB 11
[4] Modul 2
[1] BAB 8
[2] BAB 3
[3] BAB 4
5 / 35%
[4] Modul 3
[1] BAB 9
[2] BAB 2
Ceramah
Diskusi, dan
praktikum
(Modul 3)
10% / 45%
Tugas, presentasi
[3] BAB 5
[4] Modul 3
[1] BAB 11
[2] BAB 5
Ceramah
Diskusi dan
latihan soal
Observasi di
kelas, Tugas,
presentasi
10% / 60%
71
PRODI DIII STATISTIKA-FMIPA ITS
RENCANA PEMBELAJARAN
KODE/ MATA KULIAH/ SKS/ SEMESTER: SS14 5366 /METODA MULTIVARIAT TERAPAN / (2/1/1)/IV
DOSEN PEMBINA: DOSEN STATISTIKA FMIPA ITS
Pertemuan ke
Capaian Pembelajaran
Nomor
Deskripsi
INDIKATOR CAPAIAN
menggunakan piranti lunak
31-36
37-39
40 - 42
43-45
5.1-5.9
5.1-5.9
5.1-5.9
5.1-5.9
8
9
Dapat menjelaskan
konsep analisis cluster dan
dapat menerapkan dalam
problem riil
Dapat menerapkan
multidimensional scalling
(MDS) dalam problem riil
8.1. Dapat melakukan analisis cluster baik
secara manual maupun menggunakan
piranti lunak
8.2. Dapat mengevaluasi hasil analisis
cluster
9.1 Dapat melakukan analisis MDS
menggunakan piranti lunak dan
mengiterpretasikan hasilnya
10 Dapat menerapkan
analisis korespondensi
dalam problem riil
10.1 Dapat melakukan analisis
korespondensi menggunakan piranti
lunak dan mengiterpretasikan hasilnya
11 Dapat menganalisis
problem riil untuk
11.1 Dapat merumuskan permasalahan riil
untuk dilakukan analisis MDS dan
Materi
Pustaka
Pemeriksaan
asumsi
3. Estimasi model
diskriminan dan
interpretasi
Analisis Cluster
1. Pendekatan hirarki
2. Pendekatan non
hirarki
3. Evaluasi hasil analisis
cluster
[3] BAB 8
MDS
1. Konsep dasar MDS
dan aplikasinya
2. MDS menggunakan
piranti lunak
[1] BAB 12
2.
Analisis Korespondensi
1. Konsep dasar
analisis
korespondensi
dan aplikasinya
2. Analisis
korespondensi
menggunakan
piranti lunak
Review Metode
multivariate secara
Metode
Pembelajaran
Bentuk Asesmen
Bobot
Materi
Tes/Tugas
[4] Modul 4
[1] BAB 12
[2] BAB 8
[3] BAB 7
[4] Modul 5
[2] BAB 9
Ceramah
Diskusi, latihan
soal dan
praktikum
(Modul 5)
Tes tulis, Tugas,
presentasi
10% / 70%
Ceramah
Diskusi, dan
praktikum
(Modul 6)
Tugas,
presentasi
10%/ 80%
Ceramah
Diskusi, l dan
praktikum
(Modul 6)
Tugas,
presentasi
10%/90%
[4] Modul 6
[2]BAB 9
[4] Modul 6
[1] BAB 12
Problem based
Tugas,
presentasi
10%/100%
72
PRODI DIII STATISTIKA-FMIPA ITS
RENCANA PEMBELAJARAN
KODE/ MATA KULIAH/ SKS/ SEMESTER: SS14 5366 /METODA MULTIVARIAT TERAPAN / (2/1/1)/IV
DOSEN PEMBINA: DOSEN STATISTIKA FMIPA ITS
Pertemuan ke
Capaian Pembelajaran
Nomor
Deskripsi
diselesaikan
menggunakan analisis
korespondensi dan MDS l
INDIKATOR CAPAIAN
analisis korespondensi menggunakan
piranti lunak dan mengiterpretasikan
hasilnya
Materi
grafis:
1. MDS
2. Analisis
Korespondensi
Pustaka
Metode
Pembelajaran
Bentuk Asesmen
Bobot
Materi
Tes/Tugas
[2] BAB 9
[4] Modul 6
PUSTAKA UTAMA
1.
2.
3.
Johnson, R.A and Wichern, D.W. “Applied Multivariate Statistical Analysis”. 6th Edition, Prentice Hall, New York. 2007
Hair, J.F., Black, W.C., Babin, B.J., Anderson, R.E, “Multivariate Data Analysis” , 7th Edition, Prentice-Hall, UK. 2010
Purnami, S.W. dan Akbar, M.S , “Modul Praktikum Multivariat Terapan”, 2012
PUSTAKA PENDUKUNG
1.
2.
Multivariate Analysis, K.V.Mardia, J.T. Kent and J.M. Bibby, Academic Press, 7th, 2000
Sarma, S.., “Applied Multivariate Techniques”, John Wiley. 1996
73