Anggota Kelompok

  1. Farah Raina Febiana (23031554132)
  2. Reva Deshinta Isyana (23031554153)
  3. Salsa Rahma Aulia (23031554219)
# Membuat data credit sesuai dengan yang dibutuhkan
data_credit <- data.frame(
  Age = c(30.83, 58.67, 24.50, 27.83),    
  Debt = c(0.000, 4.460, 0.500, 1.540),  
  YearsEmployed = c(1.25, 3.04, 1.50, 3.75),   
  Income = c(0, 560, 824, 3)  
)

# Menampilkan data credit 
library(knitr)
kable(data_credit, caption = "Dataset Credit")
Dataset Credit
Age Debt YearsEmployed Income
30.83 0.00 1.25 0
58.67 4.46 3.04 560
24.50 0.50 1.50 824
27.83 1.54 3.75 3

Dataset Credit sudah berhasil dibuat. Tahap selanjutnya adalah menghitung Variance-Covariance Matrix, Eigen Value dan Eigen Vector, serta Correlation Matrix.

Variance-Covariance Matrix

# Menghitung Variance-Covariance Matrix
cov_matrix <- cov(data_credit)
print(cov_matrix)
##                      Age       Debt YearsEmployed      Income
## Age            246.15983  28.767550      6.580750   1315.7125
## Debt            28.76755   3.983567      1.526967    220.1150
## YearsEmployed    6.58075   1.526967      1.454567   -119.4483
## Income        1315.71250 220.115000   -119.448333 170547.5833

Variance-Covariance Matrix menunjukkan hubungan linier antar variabel dengan melihat varians dan kovarians. Ini berguna untuk memahami seberapa erat keterkaitan antar variabel dalam dataset credit.

Eigen Value dan Eigen Vector

# Menghitung Eigen Value dan Eigen Vector 
eig <- eigen(cov_matrix)

# Menampilkan Eigen Value
print(eig$values)
## [1]  1.705581e+05  2.393532e+02  1.712288e+00 -1.632702e-11
# Menampilkan Eigen Vector 
print(eig$vectors)
##               [,1]         [,2]          [,3]          [,4]
## [1,] -0.0077252614  0.992899630  0.0928018443  0.0740166350
## [2,] -0.0012918442  0.114272856 -0.5786760906 -0.8075110078
## [3,]  0.0007000127  0.032113304 -0.8102601508  0.5851894853
## [4,] -0.9999690803 -0.007795793 -0.0005365682  0.0008810479

Eigenvalues menunjukkan seberapa besar setiap komponen menjelaskan variasi data. Semakin besar nilai eigenvalue, semakin penting komponen tersebut.

Eigenvectors menunjukkan arah dari komponen dalam ruang variabel asli, yaitu bagaimana variabel-variabel awal membentuk komponen baru.

Correlation Matrix

# Menghitung Correlation Matrix
cor_matrix <- cor(data_credit)

# Menampilkan Correlation Matrix
print(cor_matrix)
##                     Age      Debt YearsEmployed     Income
## Age           1.0000000 0.9186673     0.3477763  0.2030625
## Debt          0.9186673 1.0000000     0.6343467  0.2670489
## YearsEmployed 0.3477763 0.6343467     1.0000000 -0.2398228
## Income        0.2030625 0.2670489    -0.2398228  1.0000000

Correlation Matrix mengukur hubungan antar variabel dalam skala -1 hingga 1. Nilai mendekati 1 atau -1 menunjukkan hubungan kuat, sedangkan mendekati 0 berarti tidak ada hubungan signifikan.