data <- read.csv("SIRTUIN6.csv", header = TRUE)
str(data)## 'data.frame': 100 obs. of 7 variables:
## $ SC.5 : num 0.541 0.815 0.734 0.625 0.46 ...
## $ SP.6 : num 7.64 6.59 6.86 7.01 4.93 ...
## $ SHBd : num 0.162 0 0 0.45 0.449 ...
## $ minHaaCH: num 0.445 0.497 0.508 0.484 0.482 ...
## $ maxwHBa : num 2.21 2 1.89 2.03 2.06 ...
## $ FMF : num 0.468 0.415 0.4 0.5 0.537 ...
## $ Class : chr "High_BFE" "High_BFE" "High_BFE" "High_BFE" ...head(data)## SC.5 SP.6 SHBd minHaaCH maxwHBa FMF Class
## 1 0.540936 7.64192 0.162171 0.445270 2.20557 0.467742 High_BFE
## 2 0.815332 6.59011 0.000000 0.497445 2.00314 0.415385 High_BFE
## 3 0.734399 6.85522 0.000000 0.507748 1.88590 0.400000 High_BFE
## 4 0.624557 7.00949 0.450300 0.483648 2.02757 0.500000 High_BFE
## 5 0.460290 4.92643 0.448998 0.482293 2.06438 0.536585 High_BFE
## 6 0.739251 5.30234 0.000000 0.503995 1.84017 0.428571 High_BFEdata_numerik <- data[, sapply(data, is.numeric)]
head(data_numerik)## SC.5 SP.6 SHBd minHaaCH maxwHBa FMF
## 1 0.540936 7.64192 0.162171 0.445270 2.20557 0.467742
## 2 0.815332 6.59011 0.000000 0.497445 2.00314 0.415385
## 3 0.734399 6.85522 0.000000 0.507748 1.88590 0.400000
## 4 0.624557 7.00949 0.450300 0.483648 2.02757 0.500000
## 5 0.460290 4.92643 0.448998 0.482293 2.06438 0.536585
## 6 0.739251 5.30234 0.000000 0.503995 1.84017 0.428571# a) Correlation Matrix
cor_matrix <- cor(data_numerik)
cor_matrix## SC.5 SP.6 SHBd minHaaCH maxwHBa FMF
## SC.5 1.00000000 0.66208234 -0.10165734 0.1101450 -0.08366394 0.1816990
## SP.6 0.66208234 1.00000000 -0.11309294 0.1956995 0.08952777 0.5798669
## SHBd -0.10165734 -0.11309294 1.00000000 0.2325906 0.04922928 0.0525741
## minHaaCH 0.11014501 0.19569946 0.23259056 1.0000000 0.46076976 0.2582501
## maxwHBa -0.08366394 0.08952777 0.04922928 0.4607698 1.00000000 0.1898255
## FMF 0.18169903 0.57986685 0.05257410 0.2582501 0.18982546 1.0000000# b) Variance-Covariance Matrix
cov_matrix <- cov(data_numerik)
cov_matrix## SC.5 SP.6 SHBd minHaaCH maxwHBa
## SC.5 0.038073191 0.18129548 -0.006730516 0.002986591 -0.008537740
## SP.6 0.181295476 1.96938510 -0.053851871 0.038164206 0.065707969
## SHBd -0.006730516 -0.05385187 0.115133039 0.010967139 0.008736117
## minHaaCH 0.002986591 0.03816421 0.010967139 0.019310901 0.033487306
## maxwHBa -0.008537740 0.06570797 0.008736117 0.033487306 0.273520544
## FMF 0.002561709 0.05879780 0.001288960 0.002593040 0.007173265
## FMF
## SC.5 0.002561709
## SP.6 0.058797800
## SHBd 0.001288960
## minHaaCH 0.002593040
## maxwHBa 0.007173265
## FMF 0.005220775# c) Eigen Value & Eigen Vector
eigen_result <- eigen(cov_matrix)
eigen_result$values## [1] 1.992769556 0.276942728 0.113877882 0.020953542 0.013224463 0.002875384eigen_result$vectors## [,1] [,2] [,3] [,4] [,5]
## [1,] -0.09219130 0.06060081 -0.003107518 0.970452736 -0.156055543
## [2,] -0.99396947 0.03294359 0.029422161 -0.090947728 -0.005846681
## [3,] 0.02852534 -0.07545079 0.990744881 -0.004387236 -0.107950230
## [4,] -0.01988516 -0.12606134 0.096256185 0.172774447 0.969390992
## [5,] -0.03789685 -0.98654030 -0.087766817 0.037590405 -0.127206548
## [6,] -0.02966771 -0.01990490 0.024103802 -0.136626137 0.089770986
## [,6]
## [1,] 0.147264400
## [2,] -0.042048512
## [3,] -0.015670467
## [4,] -0.069842391
## [5,] -0.002121028
## [6,] 0.985604940Correlation Matrix Correlation Matrix atau matriks korelasi yaitu menunjukkan hubungan linier antar variabel dalam data yang digunakan untuk melihat keterkaitan antar fitur dan multikolinearitas. Hasil dari korelasi matriks ini memiliki nilai berkisar dari angka -1 sampai angka 1 yang dimana angka 1 merupakan hubungan positif kuat, angka -1 merupakan hubungan negatif kuat dan angka 0 artinya tidak memiliki korelasi. Pada output hasil correlation matrix antar variabel SC.5, SP.6, SHBd, minHaaCH, maxwHBa, dan FMF. Berdasarkan hasilnya ditunjukkan sebagian besar variabel memiliki hubungan linier yang berkolerasi rendah sehingga multikolinearitas relatif kecil dan data dapat digunakan untuk analisis lanjutan. Namun dapat dilihat korelasi antara SC.5 dengan SP.6 memiliki hasil 0.662 yang menunjukkan adanya keterkaitan positif yang cukup kuat.
Variance-Covariance Matrix Covariance atau kovarians berbeda dengan korelasi yaitu masih dipengaruhi oleh satuan data. Pada kovarians nilai yang bernilai positif artinya dua variabel yang meningkat bersama dan nilai negatif artinya satu variabel naik yang lain turun. Pada matriks kovarians ditunjukkan diagonal utama merupakan nilai varians dari masing-masing variabel sedangkan diluar diagonal merupakan kovarians antara dua variabel. Berdasarkan hasil output variance-covariance matrix menunjukkan bahwa kovarians antar sebagian besar pasangan variabel bernilai kecil dan mendekati no yang menunjukkan hubungan linier yang lemah. Pada kovarians pasangan SC.5 dan SP.6 menunjukkan kovarians yang besar sehingga dapat dikatakan adanya keterkaitan yang positf relatif lebih kuat dibandingkan dengan pasangan variabel yang lain.
Eigen Value & Eigen Vector Nilai eigen dapat dihitung dari matrix kovarians. Eigen value dan eigen vector memiliki perbedaan: