ABSTRAK

Dalam makalah ini dibahas mengenai Metode Regresi Konsisten untuk

Analisis Diskriminan dengan Data Hilang. Dalam penerapannya dilakukan
berdasarkan data tentang berhasil atau gagalnya seorang mahasiswa dalam
menempuh mata kuliah dengan menggunakan metode D1 untuk membuat
model diskriminan dan dari model tersebut dapat diketahui apakah seorang
mahasiswa itu berhasil atau gagal.
 BAB I
PENDAHULUAN

1.1 Latar Belakang Masalah

Banyak analisis statistika bertujuan untuk mengetahui apakah ada
hubungan antara dua atau lebih variabel. Bila hubungan ini dapat dinyatakan
dalam bentuk matematik, maka kita dapat menggunakannya untuk
keperluan peramalan. Persamaan matematik yang memungkinkan kita
meramalkan nilai – nilai suatu variabel tak bebas dari nilai – nilai satu atau
lebih variabel bebas disebut persamaan regresi.
Analisis regresi terbagi atas analisis regresi linear sederhana dan
analisis regresi linear multiple. Analisis regresi biasanya digunakan dalam
data yang tingkat pengukurannya minimal interval baik untuk variabel bebas
(X) ataupun variabel tak bebas (Y). Bila kita berhadapan dengan data yang
variable tak bebasnya (Y) mempunyai tingkat pengukuran nominal, kita
dapat menggunakan dua analisis, yaitu analisis regresi logistik dan analisis
diskriminan.
Analisis Diskriminan dan klasifikasi merupakan teknik multivariat
yang berkenaan dengan pengelompokkan perbedaan segugus objek (atau
observasi) serta berkenaan dengan pengalokasian objek baru ke dalam suatu
kelompok yang telah didefinisikan sebelumnya.
Analisis diskriminan dapat diterapkan secara luas, yaitu dalam
banyak situasi dimana tujuan utamanya adalah mengidentifikasikan
kelompok dimana objek-objek berada.
Dalam analisis diskrimanan metode yang paling umum digunakan
adalah metode Fisher. Metode ini dapat dilakukan apabila data yang ada
berpasangan artinya variabel X dan variabel Y sama. Dan metode ini tidak
dapat dilakukan apabila datanya tidak berpasangan, untuk itu penulis
mencoba menganalisisnya dengan metode D1 untuk dua kelompok.
Seandainya ada data yang hilang artinya jumlah variabel X dan variabel Y
tidak sama, maka nilai yang hilang itu akan ditaksir dengan metode D1.
Taksiran nilai yang hilang itu akan digunakan untuk membuat fungsi linear
diskrimanan.

1.2 Batasan Masalah

Berdasarkan uraian di atas makalah ini akan dibatasi pada masalah
yang asumsi kenormalan multivariatnya telah terpenuhi. Penulis akan
mencoba menganalisis dengan kasus 2 populasi. Metode pendekatan yang
umum digunakan adalah Metode Fisher. Pengklasifikasian suatu objek
berdasarkan aturan II yaitu apabila ˆ >0
w maka objek tersebut
diklasifikasikan ke dalam kelompok satu. Dan apabila sebaliknya maka
objek tersebut diklasifikasikan ke dalam kelompok dua.

1.3 Rumusan Masalah

Dalam suatu penelitian ada suatu fenomena tertentu yang
mengakibatkan data hasil penelitian tidak lengkap. Misalnya dari 100
kuisioner yang disebar, yang kembali hanya sekitar 90 %. Apabila dari
kuisioner tersebut tidak semua pilihan terisi oleh koresponden maka pilihan
yang tidak terisi itu dapat dikatakan hilang. Atau dapat dikatakan pasangan
datanya tidak lengkap, artinya variabel X dan variabel Y masing-masing
tidak mempunyai pasangan, sehingga analisis diskriminan tidak dapat
diterapkan untuk mengatasi masalah tersebut digunakan metode D1 untuk
menaksir nilai yang hilang tersebut.
Bedasarkan masalah di atas, maka penulis mencoba merumuskan masalah
sebagai berikut:
1. Mencari taksiran niliai yang hilang dengan menggunakan metode
D1.
2. Membuat fungsi linear diskriminan dengan menggunakan teksiran
nilai yang hilang.
3. Mengklasifikasikan sebuah objek dengan data pengamatan ke dalam
populasi kesatu atau kedua.
1.4 Tujuan Penulisan
Tujuan dari penulisan makalah ini adalah:
1. Mengetahui nilai taksiran data yang hilang menggunakan metode
D1.
2. Mendapatkan fungsi diskriminan apabila ada data yang hilang
3. Mengklasifikasikan kembali objek menurut hasil taksiran fungsi
diskriminan.

1.5 Sistematika Penulisan

Dalam rangka mempermudah pemahaman pembaca terhadap tulisan
ini, maka makalah ditulis dengan sistematika sebagai berikut:
BAB I : Berisi pendahuluan yang meliputi latar belakang masalah, batasan
masalah, rumusan masalah, tujuan penulisan dan sistematika
penulisan guna mengarahkan pembaca untuk dapat memahami
makalah ini.
BAB II: Berisi tinjauan pustaka yang meliputi landasan teori yang
mendukung terhadap latar belakang pada BAB I.
BAB III : Mengenai bahan dan metode yang menguraikan tentang data dan
permasalahan yang akan dibahas, yang diikuti dengan langkah-
langkah perhitungan yang harus dilalui.
BAB VI : Merupakan bab hasil dan pembahasan yang berisi uraian
mengenai perhitungan yang diperoleh dari data yang digunakan
pada BAB III.
BAB V : Berisi kesimpulan dan saran yang diperoleh dari analisis.
 BAB II
TINJAUAN PUSTAKA

2.1 Analisis Diskriminan

Dalam analisis diskriminan dengan kasus 2 populasi metode
pendekatan yang paling umum digunakan adalah metode Fisher apabila
asumsi kenormalan multivariatnya terpenuhi. Berikut ini langkah-langkah
dalam metode Fisher.
Misalkan populasi G dibuat menjadi 2 kelompok G1 dan G2. Sebuah
pengukuran X berisi p karakteristik diamati dari G. Tujuan kita adalah
menerapkan aturan untuk X yang akan mengalokasikan observasi ini ke
dalam G1 dan G2. Untuk mendapatkan aturan yang jelas, maka penulis harus
mempunyai akses pada n buah pengamatan, dimana n1 diperoleh dari G1
dan n 2 diperoleh dari G2.
Kasus K = 2 kelompok ini pertama kali dikenalkan oleh Fisher (1936).
Dibawah asumsi nilai tengah vektor untuk Gi adalah µi = 1,2 , dan bahwa

matriks varians-kovarians ∑1 dan ∑ 2 mempunyai nilai ∑ . Fisher

menyarankan untuk menentukan kombinasi linier dalam G1 dan G2 terhadap
varians adalah maksimum. Dengan kata lain, menyatakan kombinasi linier
dengan y =̂' x , kita mengharapkan dapat menentukan vektor bobot ̂
sehingga kita memaksimumkan kriteria.
(ˆ' µ1 − ˆ' µ2 ) 2
∆= ...(2.1)
ˆ' ∑ˆ

Dalam prakteknya parameter-parameter biasanya tidak diketahui. Oleh

karena itu, sampel ni dari masing-masing Gi akan digunakan untuk
mendefinisikan aturan sampling, dengan menempatkan µi dengan xi ,

penduga vektor nilai tengah, dan ∑ dengan S, matriks varians-kovarians

gabungan. Penduga-penduga ini masing-masing diberikan oleh :

 Χi = ( x i1 , x i 2 ,..., x ip ) , untuk i =1,2 ...(2.2)
dan
(n1 −1)S1 + ( n2 −1)S2
S= ...(2.3)
n1 + n2 − 2
ni
1
dimana, xij =
ni
∑x
i =1
ij , i =1,2, j =1,2,..., p , dan dimana x1 adalah

matriks observasi ( p × n1 ) diambil dari G1 dan x 2 adalah matriks

observasi ( p × n2 ) diambil dari G2. Dengan menggantikan parameter itu
dengan nilai penduganya maka diperoleh :
ˆ = S −1 ( x − x ) ...(2.4)
1 2

Fungsi linier diskriminan tak tetapnya adalah sebagai berikut :

w = Χ' S −1 ( x (1) − x ( 2 ) ) − ( x + x (2) )' S −1 ( x (1) − x ( 2) )

1 (1)
2
dimana S-1 adalah matriks kebalikan dari varians-kovarians sampel
gabungan. Kemudian dari matriks varians-kovarians sampel gabungan dapat
dilihat bagaimana hubungan antar variabel-variabel tersebut.
2.2 Metode Regresi Konsisten untuk Analisis Diskriminan dengan Data
Hilang
Misalkan ada dua buah populasi/kelompok data yaitu 1 (G1)
sebanyak nG1 dan kelompok 2 (G2) sebanyak nG2. Dan dalam masing-masing
kelompok terbagi atas variabel bebas X1 dan variabel bebas X2. Untuk lebih
jelas data tersebut disajikan dalam struktur data seperti berikut di bawah
ini :
Tabel 2.1 Struktur Data Lengkap
Kelompok X1 X2
X11(1) X21(1)
X12(1) X22(1)
G1  
(1) (1)
Χ1G1 Χ2G2
Σ nG1.1 nG1.2
X11(2) X21(2)
X12(2) X22(2)
G2  
( 2) (2)
Χ1G 2 Χ2G2
Σ nG2.1 nG2.2

Keterangan :
 nG1.1 = banyaknya observasi untuk X1 pada kelompok G1
 nG1.2 = banyaknya observasi untuk X2 pada kelompok G1
 nG2.1 = banyaknya observasi untuk X1 pada kelompok G2
 nG2.2 = banyaknya observasi untuk X2 pada kelompok G2

Misalkan dari struktur data lengkap itu terdapat data yang hilang sebanyak a
buah untuk X1, yang terbagi menjadi sebanyak a1 pada kelompok 1 dan
sebanyak a2 pada kelompok 2 dan b buah untuk X2 yang terbagi menjadi
sebanyak b1 pada kelompok 1 dan sbanyak b2 pada kelompok 2. Untuk lebih
jelas, struktur data tersebut disajikan dalam tabel 2.2 berikut ini :

Tabel 2.2 Struktur Data Tidak Lengkap

Kelompok X1 X2
 X11(1) X21(1)
X12(1) X22(1)
G1 a1 b1
 
(1) (1)
Χ1G1 Χ2G2
Σ nG1.1 nG1.2
X11(2) X21(2)
X12(2) X22(2)
G2 a2 b2
 
( 2) (2)
Χ1G 2 Χ2G2
Σ nG2.1 nG2.2

Keterangan :
 a1 = banyaknya observasi yang hilang untuk X1 pada kelompok G1
 a2 = banyaknya observasi yang hilang untuk X2 pada kelompok G1
 b.1 = banyaknya observasi yang hilang untuk X1 pada kelompok G2
 b2 = banyaknya observasi yang hilang untuk X2 pada kelompok G2
Dimana :
 n11 = nG1 – a1
 n12 = nG1 – b1
 n21 = nG2 – a2
 n22 = nG2 – b2
maka nilai yang hilang tersebut akan ditaksir dengan menggunakan metode
D1 dan perhitungan dalam D1 tersebut dimulai dengan rata-rata sampel
dengan rumus sebagai berikut :
n11

∑x
(1)
1i
♣ (1) …(3.1)
x1 = i =1

n11
n12

∑x
(1)
2i
♣ (1) …(3.2)
x2 = i =1

n12
n21

∑x
( 2)
1i
♣ (2) …(3.3)
x1 = i =1

n 21
 n22

∑x
( 2)
2i
♣ ( 2) …(3.4)
x2 = i =1

n 22

Dan nilai rata-rata sampel tersebut ditaksir oleh θ̂ (taksiran nilai rata-rata
dengan observasi tak lengkap) kemudian akan dihitung jumlah kuadrat dan
perkalian silang sampel dengan rumus sebagai berikut :

( )
n11
= ∑ Χ1i
(1) (1) 2
♣ t11
i =1

…(3.5)

( )
n1
= ∑ Χ1i .Χ 2i
(1) (1) (1)
♣ t12 …(3.6)
i =1

( )
n12
= ∑ Χ 2i
(1) (1) 2
♣ t 22 …(3.7)
i =1

( )
n21
= ∑ Χ 1i
( 2) ( 2) 2
♣ t11 …(3.8)
i =1

( )
n2
= ∑ Χ1i
( 2) ( 2) ( 2)
♣ t12 .Χ 2i …(3.9)
i =1

( )
n22
= ∑ Χ 2i
( 2) ( 2) 2
♣ t 22 …(3.10)
i =1

Ket : untuk perhitungan perkalian silang sampel, apabila pasangan datanya

tidak ada maka pasangan data itu diabaikan.

Perhitungan jumlah kuadrat dan perkalian silang sampel tersebut digunakan

dalam perhitungan matriks kovarians kesatuan yang merupakan
penjumlahan dari observasi lengkap :
 (
 t11(1) + t11( 2 )) (t 12
(1) ( 2)
+ t1 2 ) 
Jˆ11 Jˆ12   n1 + n2 − 2 n1 + n2 − 2 
 =  (1) 
( ) ( )

Jˆ12 Jˆ 22  ( 2)
  t12 + t12
(1) ( 2)

t2 2 + t2 2 
 n1 + n2 − 2 n1 + n2 − 2
...(3.11)

Setelah didapat matriks kovarians kesatuan maka akan dihitung nilai yang
cocok untuk data hilang yang merupakan penjumlahan dengan
menggunakan regresi linear dengan rumus
Kelompok 1

(1) Jˆ
x1 hilang : xˆ1 = θˆ1 + 12 x 2 − θˆ2
(1)
ˆ
J 22
(1)
(
(1)
) ...(3.12.1a)

(1) Jˆ
x 2 hilang : xˆ 2 = θˆ2 + 12 x1 − θˆ1
(1)
ˆ
J 11
(1)
(
(1)
) ...(3.12.1b)

θˆ1 = x1 dan θˆ2 = x 2

(1) (1) (1) (1)
dimana

Kelompok 2

( 2) Jˆ
x1 hilang : xˆ1 = θˆ1 + 12 x 2 − θˆ2
( 2)
ˆ
J 22
( 2)
(
( 2)
) ...(3.12.2a)

( 2) Jˆ
x 2 hilang : xˆ 2 = θˆ2 + 12 x1 − θˆ1
( 2)
ˆ
J 11
( 2)
(
( 2)
) ...(3.12.2b)

θˆ1 = x1 dan θˆ2 = x 2

( 2) ( 2) ( 2) (2)
dimana

Hasil perhitungan tersebut dimasukkan ke dalam tabel untuk mempermudah

perhitungan selanjutnya yaitu menghitung m1 (nilai rata-rata dengan
observasi lengkap untuk varibel X1), m 2 (nilai rata-rata dengan observasi
lengkap untuk variabel X2), untuk mendapatkan matriks S (matriks jumlah
kuadrat dan jumlah hasil kali).
 ♣ m1
(1 )
=
(n x 1 1
(1 )
+ Σxˆ1
(1)
) …
n1 + a 1
(3.13.1)

♣ m2
(1 )
=
(n x 1 2
(1)
+ Σxˆ 2
(1)
) …
n1 + b1
(3.13.2)

♣ m1
(2)
=
(n x 2 1
(2)
+ Σxˆ1
(2)
) …
n2 + a 2
(3.13.3)

♣ m1
(2)
=
(n x 2 2
(2)
+ Σxˆ 2
(2)
) …(3.13.4)
n2 + a 2
dan matriks S terdiri dari :

( ) + ∑(x )
n11
(1) (1) (1) 2 (1) (1) 2
s11 = t11 + n1 x1 − m1 1i − m1
i =1

( ) + ∑ (x )
n21
( 2) (2) ( 2) 2 ( 2) ( 2) 2
+ t11 + n2 x1 − m1 1i − m1 …(3.13.5)
i =1

( ) + ∑ (x )
n12
(1) (1) (1) 2 (1) (1) 2
s 22 = t 22 + n1 x 2 − m2 2i − m2
i =1

( ) + ∑ (x )
n22
( 2) ( 2) ( 2) 2 ( 2) ( 2) 2
+ t 22 + n2 x 2 − m2 2i − m2 …(3.13.6)
i =1

( ) + ∑ (x )
n12
(1) (1) (1) 2 (1) (1) 2
s12 = s 21 = t12 + n1 x 2 − m2 2i − m2
i =1

( ) + ∑ (x )
n21
(2) ( 2) ( 2) 2 ( 2) ( 2) 2
+ t12 + n2 x1 − m1 1i − m1 …(3.13.7)
i =1

maka didapat matriks S sebagai berikut :

~ s11 s12 
s =
s12 s 22 

Setelah dihitung varians penaksir sisa dari kedua kelompok :

Untuk x1 yang hilang
 Jˆ12
2
ˆ
J 11.2 = J 11 − ...(3.14.1)
Jˆ 22

Untuk x 2 yang hilang

Jˆ12
2
ˆ
J 22.1 = J 22 − ...(3.14.2)
Jˆ11
maka didapat :

s11 = s11 + ( a ) Jˆ11.2

∗
( )
∗ ∗
s12 = s 21 = s12
( )
s 22 = s 22 + ( b ) Jˆ 22.1
∗

sehingga didapat matriks S*

s12 
∗
s11 ∗
∗
S = ∗
∗


s12 s 22 

Membentuk penaksir baru dari θ dan J untuk observasi lengkap

♣
∗ (1)
ˆθ = m (1)
1 1
♣ θˆ2
∗ (1) (1)
= m2

♣
∗ ( 2)
ˆθ = m (2)
1 1
♣ θˆ2
∗ (2) (2)
= m2
dimana θ̂∗ adalah penaksir rata-rata observasi lengkap.

Dan akan dihitung matriks varians-kovarians gabungan dengan observasi

lengkap dengan rumus
S∗
Jˆ ∗ =
n1 + n2 − 2

dengan n1 + n2 adalh jumlah total observasi lengkap dan tidak lengkap.

Setelah didapat matriks varians-kovarians gabungan dengan observasi
lengkap akan dihitung matriks kebalikan varians-kovarians gabungan
dengan observasi lengkap untuk mendapatkan fungsi diskriminan. Dan
perhitungan matriks kebalikan varians-kovarians adalah sebagai berikut :

1  ˆ
J
∗
− Jˆ 2 1 
∗
∗ˆ−1 22
J = ∗ ∗ ∗ ∗ ∗
( )( ) ( )( )  ...(3.16)
ˆJ Jˆ − Jˆ Jˆ  − Jˆ Jˆ11∗ 
11 22 12 21  12

Dan kemudian dibuat model fungsi diskriminan linier sebagai berikut :

w ( )1
( ) (
ˆ = Χ' Jˆ ∗ θˆ ∗(1) − θˆ ∗( 2 ) − θˆ ∗(1) + θˆ ∗( 2 ) ' Jˆ ∗ θˆ ∗(1) − θˆ ∗( 2 )
−1

2
−1
) ...(3.17)

dimana Jˆ ∗
−1
adalah matriks kebalikan dari varians-kovarians sampel
gabungan dengan observasi lengkap.

Kemudian mengklasifikasikan sebuah objek dengan data pengamatan X ke

dalam populasi kesatu atau kedua berdasarkan aturan II, sebagai berikut :
ˆ > 0 maka objek tersebut diklasifikasikan ke dalam kelompok
Apabila w
satu. Dan apabila sebaliknya maka objek tersebut diklasifikasikan ke dalam
kelompok dua.
 BAB III
BAHAN DAN METODE

3.1 Pendahuluan

Untuk lebih menjelaskan uraian mengenai metode regresi

untukanalisis diskriminan dengan data hilang, maka pada bab ini akan
dikemukakan sebuah data sebagai penerapan dari teori yang telah
dijelaskan. Hal ini bertujuan agar dapat lebih memahami tentang
penggunaan metode yang dibahas.
Pada bab ini pula akan diuraikan mengenai metode yang dilakukan
untuk mencapai tujuan yang diinginkan.

3.2 Bahan

Data yang digunakan adalah data sekunder yang diperoleh dari buku
Teknik analisis Regresi dan Korelasi (Sudjana, 1996) dan data tersebut
mengenai berhasil atau gagalnya seorang mahasiswa dalam menempuh mata
kuliah. Dari data diketahui bahwa ada 2 kelompok yaitu kelompok berhasil
 (G1) dan kelompok gagal (G2). Dari masing - masing kelompok terdapat 2
variabel bebas yaitu X1 = skor tentang kemampuan mengeluarkan pendapat
dan X2 = skor motivasi. Dengan menggunakan variable –variabel tersebut
penulis ingin mengklasifikasikan apakah seorang mahasiswa berhasil atau
dalam menempuh mata kuliah. Data tersebut akan dianalisis menggunakan
Metode regresi konsisten untuk analisis diskriminan dengan data hilang dan
data tersebut disajikan dalam bentuk table berikut ini :

Tabel 3.1 Data

SKOR
KELOMPOK Kemampuan
Motivasi
mengeluarkan pendapat
(X2)
(X1)
Berhasil (G1) 8 7
8 6
7 -
9 7
8 8
7 8
9 8
- 6
7 6
9 7
72 63
Gagal (G2) 6 -
5 4
6 5
7 6
6 6
- 7
5 5
5 4
40 37
Sumber : Buku Teknik analisis regresi dan korelasi (Sudjana, 1996)
3.3 Metode

Dalam melakukan penelitian digunakan metode sebagai berikut :

1. Menghitung nilai rata –rata sample untuk tiap kelompok,

menggunakan persamaan (3.1) sampai (3.4).
2. Menghitung nilai jumlah kuadrat dan perkalian silang sample,
menggunakan persamaan (3.5) sampai (3.10).
3. Menghitung matriks varians – kovarians dengan menggunakan nilai
jumlah kuadrat dan perkalian silang sample untuk observasi ynag
tidak lengkap, menggunakan persamaan (3.11).
4. Menaksir nilai rata – rata awal dari nilai rata – rata yang telah dihitung
pada langkah 1.
5. Menghitung nilai yang cocok untuk data hilang dengan menggunakan
persamaan (3.12.1a) sampai (3.12.2b).
6. Menghitung nilai mi ( nilai rata – rata dengan observasi lengkap untuk
tiap variabel i ), menggunakan persamaan (3.13.1) sampai (3.13.4).
Yang akan digunakan untuk menghitung matriks S ( matriks jumlah
kuadrat dan jumlah hasil kali ), menggunakan persamaan (3.13.5)
sampai (3.13.7).
7. Menghitung varians penaksir sisa dari tiap – tiap kelompok
berdasarkan nilai Xi yang hilang, menggunakan persamaan (3.14.1)
dan (3.14.2).
8. Menaksir nilai rata – rata untuk observasi lengkap dari nilai rata – rata
pada langkah 6.
9. Menghitung matriks varians – kovarians gabungan dengan observasi
lengkap, menggunakan persamaan (3.15).
10. Menghitung matriks kebalikan varians – kovarians gabungan dengan
observasi lengkap, menggunakan persamaan (3.16).
11. Mencari model fungsi diskriminannya, menggunakan persamaan
(3.17).
12. Mengklasifikasikan objek ke dalam kelompok satu atau dua dengan
cara memasukkan nilai objek ke dalam fungsi diskriminannya, dengan
 aturan II, yaitu apabila v > 0 maka objek tersebut diklasifikasikan ke
dalam kelompok satu. Dan apabila sebaliknya maka objek tersebut
diklasifikasikan ke dalam kelompok dua.

BAB IV
HASIL DAN PEMBAHASAN

4.1 Pendahuluan
Setelah bahan tersedia yaitu berupa dan telah diketahui metode yang
baik untuk digunakan, maka tindakan selanjutnya adalah melakukan
pengolahan data tersebut dengan metode yang dipilih.

4.2 Hasil Pembahasan

Dari data yang disajikan pada tabel 3.2 diperoleh keterangan
bahwa :
Pada kelompok 1 (G1) ada 18 data dengan 1 observasi dengan X1 hilang dan
1 observasi dengan X2 hilang.
Pada kelompok 2 (G2) ada 14 data dengan 1 observasi dengan X1 hilang dan
1 observasi dengan X2 hilang.

Dan akan dihitung nilai rata – rata sampel untuk tiap kelompok :
n
11

♣ x1
(1)
=
∑ x1i (1)
i =1
=
72
9 =8
n11
 n12

♣ x2
(1) ∑ x 2 i (1 ) 7
= i =1
n12 = 63
9 =
n 21

♣ x
(2) ∑ x1i( 2 ) 5.71428
1
= i =1
n21 = 40
7 =
5714
n
22

♣ x2
(2) ∑ x 2i( 2)
= i =1
n22
= 37
7
= 5.28571
4286

Dan dihitung pula nilai jumlah kuadrat dan perkalian silang sampel

o t11(1)

[ ]
n11
= ∑ ( X 1i ) 2 = (8 + 8 + 7 + 9 + 8 + 7 + 9 + 7 + 9) 2 = 582
(1)

i =1

n1
= ∑ (X1i .X 2i )
(1) (1)

o t12(1) i =1

=[( 8)( 7) +(8)( 6) +(9)( 7) +(8)( 8) +(7)( 8) +(9)( 8) +(7)( 6) +(9)( 7)]

= 464
• t22(1)

n12
= ∑ (X 2i ) 2 = [(7 + 6 + 7 + 8 + 8 + 6 + 6 + 7) 2 ] = 447
(1)

i =1

• t11(2)

[ ]
n21
= ∑ (X1i ) 2 = (6 + 5 + 6 + 7 + 6 + 5 + 5) 2 = 232
( 2)

i =1

n2
= ∑ (X1i .X 2i
( 2) ( 2)
)
• t 12
(2) i =1

= [(5)( 4) + (6)( 5) + (7)( 6) + (6)( 6) + (5)( 5) + (5)( 4) ]

 =173
• t22(2)

[ ]
n22
= ∑ (X 2i ) 2 = ( 4 + 5 + 66 + 7 + 5 + 4) 2 = 203
( 2)

i =1

perhitungan jumlah kuadrat dan perkalian silang sampel tersebut digunakan untuk menghitung matriks kovarians kesatuan yang

merupakan penjumlahan dari observasi lengkap:

 Ĵ1 1Ĵ1 2  ( t11 +t11 )

(1 ) ( 2)

( t12(1) + t12( 2 ) )
 =  n1 +n2 −2 n1 + n2 − 2

 Ĵ1 2Ĵ 2 2  ( t12 (1) +t12 ( 2 ) )
 n1 +n2 −2
( t 22 + t 22 ) 
(1) (2)

n1 + n2 − 2 

 Ĵ1 1Ĵ1 2  58230+ 232

4 6 4+ 1 7 3

 =  464+173
30
4 4 7+ 2 0 3
 Ĵ1 2Ĵ 2 2  30 30 

 Ĵ1 1Ĵ1 2
 = 27 .13333333 21.23333333
21.66666667
21 .23333333

 Ĵ1 2Ĵ 2 2
Nilai rata-rata tersebut ditaksir oleh penaksir awal dari rata-rata dibentuk
dari observasi lengkap:

θˆ1 = 8
(1)

θˆ2 = 7
(1)

θˆ1 = 5.714285714
( 2)

θˆ2 = 5.285714286
( 2)
Menhitung nilai yang cocok untuk data hilang yang merupakan
penjumlahan dengan menggunakan regresi liner:
Kelompok 1
a. x1 hilang:

(1) Jˆ
xˆ1 = θˆ1 + 12 x2 −θˆ2
(1)
ˆ
J 22
(1) (1)
( )
(1)
xˆ1 = 8 +
21 .3333333
21 .66666667
( )
(1)
x2 − 7
(1) (1)
xˆ1 = 0.979999999 x2 +1.140000002

b. x2 hilang:

(1) Jˆ
xˆ 2 = θˆ2 + 12 x1 − θˆ1
(1)
ˆ
J 11
(1)
(
(1)
)
(1)
xˆ 2 = 7 +
21 .3333333
27 .13333333
( )
(1)
x1 − 8
(1) (1)
xˆ 2 = 0.782555282 x1 + 0.739557739

Kelompok 2:
a. x1 hilang:

(1) ( 2) Jˆ
xˆ1 = θˆ1 + 12 x2 −θˆ2
Jˆ
( 2)
(
( 2)
)
22

( 2)
xˆ1 = 5.714285714 +
21 .3333333
21 .66666667
( ( 2)
x2 − 5.285714286 )
( 2) ( 2)
xˆ1 = 0.979999999 x2 + 0.534285715

b. x2 hilang:

( 2) ( 2) Jˆ
xˆ 2 = θˆ2 + 12 x1 −θˆ1
Jˆ
( 2)
(
( 2)
)
11

( 2)
xˆ 2 = 5.285714286 +
21 .3333333
27 .13333333
( ( 2)
x1 − 5.714285714 )
( 2) ( 2)
xˆ 2 = 0.782555282 x1 + 0.813969814

Sehingga didapat

Tabel KELOMPOK
3.1 Data lengkap dengan nilai taksiran data
SKORhilang
 Kemampuan
Motivasi
mengeluarkan pendapat
(X2)
(X1)
Berhasil (G1) 8 7
8 6
7 6.217444718*
9 7
8 8
7 8
9 8
7.02* 6
7 6
9 7
72 63
Gagal (G2) 6 5.50930151*
5 4
6 5
7 6
6 6
7.394285713* 7
5 5
5 4
40 37
Keterangan : tanda (*) menunjukkan nilai hasil taksiran

Menghitung m1 (nilai rata – rata dengan observasi lengkap untuk variabel

X1), m2 (nilai rata – rata dengan observasi lengkap untuk variabel X2), untuk
mendapatkan matriks S (matriks jumlah kuadrat dan jumlah hasil kali)

a. m
(1)
=
(18x 1
(1)
+ Σxˆ1
(1)
)
1
18+ 1

m1
(1 )
=
[18(8) + 7.02 ] = 7.948421053
19

b. m2
(1)
=
(1 8x 2
(1)
+ Σxˆ2
(1 )
)
1 8+ 1

m2
(1)
=
[18(7) + 6.217444718 ] = 6.958812879
19
c. m
(2)
=
(1 4x 1
(2)
+ Σxˆ1
(2)
)
1
1 4+ 1
m1
(2)
=
[14(5.714285714 ) + 7.394285713 ] = 5.82685714
15

d. m2
(2)
=
(1 4x 2
(2)
+ Σ ˆ
x 2
(2)
)
1 4+ 1
m2
(2)
=
[14 (5.285714286 ) + 5.50930151 ] = 5.3006201
18 +1

dan matriks S terdiri dari :

( ) + ∑(x )
n11
(1) (1) (1) 2 (1) (1) 2
s11 = t11 + n1 x1 − m1 1i − m1
i =1

( ) + ∑ (x )
n21
( 2) (2) ( 2) 2 ( 2) ( 2) 2
+ t11 + n2 x1 − m1 1i − m1
i =1

s11 = 582 + 18(8 − 7.948421053 ) 2 + [(8 − 7.948421053 ) 2 + (8 − 7.948421053 ) 2

+ (7 − 7.948421053 ) 2 + (9 − 7.948421053 ) 2 + (7 − 7.948421053 ) 2

+ (9 − 7.948421053 ) 2 ] + 232 +14 (5.714285714 −5.826285714 ) 2

+[( 6 −5.826285714 ) 2 + (5 −5.826285714 ) 2 + (6 −5.826285714 ) 2

+ (7 − 5.826285714 ) 2 + (6 − 5.826285714 ) 2 + (5 − 5.826285714 ) 2

+ (5 − 5.826285714 ) 2 ]

s11 = 823 .7638259

( ) + ∑(x )
n11
(1) (1) (1) 2 (1) (1) 2
s22 = t 22 + n1 x1 − m2 2i − m2
i =1

( ) + ∑(x )
n21
( 2) ( 2) ( 2) 2 ( 2) ( 2) 2
+ t 22 + n2 x 2 − m2 2i − m2
i =1
s22 = 447 + 18(7 − 6.958812879 ) 2 + [(7 − 6.958812879 ) 2 + (6 − 6.958812879 ) 2
+ (7 − 6.958812879 ) 2 + (8 − 6.958812879 ) 2 + (8 − 6.958812879 ) 2

+ (8 − 6.958812879 ) 2 + (6 − 6.958812879 ) 2 + (6 − 6.958812879 ) 2

+ (7 − 6.958812879 ) 2 ] + 203 +14 (5.285714286 −5.3006201 ) 2

+[( 4 −5.3006201 ) 2 + (5 −5.3006201 ) 2 + (6 −5.3003201 ) 2

+ (6 −5.3006201 ) 2 + (7 −5.3006201 ) 2 + (5 −5.3003201 ) 2

+ ( 4 − 5.3006201 ) 2 ]

s22 = 663 .4793095

( ) + ∑(x )
n12
(1) (1) (1) 2 (1) (1) 2
s12 = t12 + n1 x2 − m2 2i − m2
i =1

( ) + ∑ (x )
n21
(2) ( 2) ( 2) 2 ( 2) ( 2) 2
+ t12 + n2 x1 − m1 1i − m1
i =1

s 22 = 464 + 18(7 − 6.958812879 ) 2 + [(7 − 6.958812879 ) 2 + (6 − 6.958812879 ) 2

+ (7 − 6.958812879 ) 2 + (8 − 6.958812879 ) 2 + (8 − 6.958812879 ) 2

+ (8 − 6.958812879 ) 2 + (6 − 6.958812879 ) 2 + (6 − 6.958812879 ) 2

+ (7 − 6.958812879 ) 2 +173 +14 (5.714285714 − 5.826285714 ) 2

+ [( 6 − 5.826285714 ) 2 + (5 − 5.826285714 2
+ (6 − 5.826285714 ) 2

+ (7 − 5.826285714 ) 2 + (6 − 5.826285714 2
+ (5 − 5.826285714 ) 2

+ (5 − 5.826285714 ) 2 ]

s 22 = 647 .3377977

Sehingga didapat matriks S sebagai berikut :

~ 823 .7638259 647.3377977

s =
647 .3377977 663.4790395
Varians penaksir sisa dari kedua kelompok :

a. Untuk x1 yang hilang

Jˆ12
2
ˆ
J 11.2 = J 11 −
Jˆ 22

2
(21 .23333333 )
Jˆ11 .2 = 27 .13333333 − = 6.324666674
21 .66666667

b. Untuk x 2 yang hilang

Jˆ12
2
ˆ
J 22.1 = J 22 −
Jˆ 11

2
(21 .23333333 )
Jˆ 22 .1 = 21 .66666667 − = 5.050409508
27 .13333333

Maka didapat :

∗
s11 = 823.7638259 + 2(6.32466674) = 836.4131592

∗
s12 = 647.3377377

∗
s22 = 663.4790395 + 2(5.050409508) = 673.5798585

836 .4131592 647.3377977

S ∗ =
647 .3377977 673.5798585

Membentuk penaksir baru dari θ dan J :

ˆθ ∗ (1) = m (1) = .7 9 4 8 4 2 1 0 5 3
1 1
θˆ1 = m1 = 6.958812879
∗ ( 2) ( 2)
 ˆθ ∗ (1) = m (1) = .5 8 2 6 2 8 5 7 1 4
2 2
θˆ2 = m2 = 5.3006201
∗ ( 2) ( 2)

dimana θ̂∗ adalah penaksir rata-rata observasi lengkap.

Membentuk matriks varians – kovarians gabungan dengan observasi

lengkap sebagi berikut :

 S11 * S12 * 
J* = 
n1 +n2 −2 n1 + n2 −2

 S12 * S 22 *

n1 +n2 −2 n1 + n2 −2 

 836.4131592
34 34 
6 4 7.3 3 7 7 9 7 7

6 7 3.5 7 9 8 5 85
=  647.3377977
 34 34 
24 .60038704 19.03934699 
=
19.81117231 
19 .03934699


Dimana n1 + n 2 = jumlah total dari observasi lengkap dan tak lengkap

yaitu 36.

Setelah didapat matriks varians-kovarians gabungan dengan observasi

lengkap maka akan dihitung matriks kebalikan varians-kovarians gabungan

dengan observasi lengkap

 1
 1 .98 1 1 1 7 2 3−119.03934699
Ĵ *−1 =
 − 1 .90 3 9 3 4 6 24
( 2 .46 0 0 3 )8 1(7 9.80 14 1 1 )7− (21 3.90 13 9 3 )42 6 9 9
9 .960038704 

0.15865975 − 0.15247851
=
0.197014654 
−0.15247851


Sehingga didapatkan fungsi diskriminannya :

w ( 1
) ( ) (
ˆ = Χ' Jˆ ∗ θˆ ∗( 1 ) − θˆ ∗( 2 ) − θˆ ∗( 1 ) + θˆ ∗( 2 ) ' Jˆ ∗ θˆ ∗( 1 ) − θˆ ∗( 2 )
-1

2
-1
)

− 0.1 5  7.9 2 4 −45.8 8 7 24 8 62 5 2 1 1 8 0 5 5 7 3 1

w = ( Χ1
 0.15865975
Χ 2 ) 
 − 0.15247851   
0.1 9   6.97 50− 5.381 0 84 016 6 25 284 07 19
l
1 7.9 4 + 5.8 8 2 4 0.1 6 2 5 8 1 8 5 0 6 7 5 5 1 3 9 4 7 5
−    − 0.15247851

0.197014654 

2 6.9 5 + 5.3 8 0 8 − 0.10 1 56 2 2 8 40 7 71 9 8 5 1

  .7 9 4 8 + .548 2 16 08 5 37 1 4
 
 .6 9 5 8 + .583 10 20 86 72 90 1
ˆ = 0.083858698 Χ1 + 0.003108242 Χ2 − 0.59661713
w

Untuk mengetahui apakah data yang ada masuk ke dalam kelompok satu

atau dua maka setiap nilai data dimasukkan ke dalam fungsi

diskriminannya.

Contoh masukkan Χ1 = 8 dan Χ2 = 7 ke dalam fungsi diskriminan

ˆ = 0.083858698 Χ1 + 0.003108242 Χ2 − 0.59661713

w

ˆ = 0.083858698
w (8) + 0.003108242 ( 7 ) − 0.59661713

ˆ = 0.096010148
w

ˆ > 0 diklasifikasikan ke dalam

Karena adanya aturan II bahwa jika w
ˆ ≤ 0 diklasifikasikan ke dalam kelompok 2
kelompok 1 (berhasil) dan jika w
(gagal), maka wˆ = 0.096010148 diklasifikasikan dalam kelompok 1
(berhasil). Dengan cara yang sama masukkan semua nilai Χ1 dan Χ2 ke
dalam fungsi diskriminan dan hasilnya dapat dilihat dalam tabel.
Tabel 4.2 Klasifikasi data

(X1) (X2) ŵ Keterangan

8 7 0.096010148 Berhasil
8 6 0.092901906 Berhasil
7 6.217444718 0.009719079 Berhasil
9 7 0.179868846 Berhasil
8 8 0.0991839 Berhasil
7 8 0.015259692 Berhasil
9 8 0.182977088 Berhasil
7.02 6 0.010720382 Berhasil
 7 6 0.009043208 Berhasil
9 7 0.179868846 Berhasil
6 5.50930151 -0.07634069 Gagal
5 4 -0.16489067 Gagal
6 5 -0.07792373 Gagal
7 6 0.09043208 Berhasil
6 6 -0.07481549 Gagal
7.394285713 7 0.045215736 Berhasil
5 5 -0.16178243 Gagal
5 4 -0.16489067 Gagal

Dari 18 pasang data yang benar pengklasifikasiaannya ada 16 pasang data,

sedangkan yang salah pengklasifikasiaannya ada 2 pasang data. Sehingga

apabila kita menggunakan metode regresi konsisten untuk analisis

diskriminan dengan data hilang, kita mendapatkan tingkat kesalahan

2
pengklasifikasiaan sebesar ×100% = 11.11% .
18

BAB V
KESIMPULAN DAN SARAN

5.1 Pendahuluan

Pada bab ini merupakan penutup dari makalah yang meliputi

kesimpulan dari analisis tentang permasalahan yang dibahas. Pada bagian
penutup ini juga akan dikemukakan beberapa saran yang berkaitan dengan
hal – hal penting dan kemungkinan untuk perkembangan selanjutnya.

5.2 Kesimpulan

Dari hasil perhitungan pada bab IV, kita dapat menarik kesimpulan
sebagai berikut :
1. Taksiran data dengan metode D1
a. Untuk data pada kelompok 1 dengan variabel X1, data yang hilang
dapat ditaksir dengan X2(1) = 6 dan didapatkan X1(1) = 7.02
b. Untuk data pada kelompok 1 dengan variabel X2 , data yang hilang
dapat ditaksir dengan X1(1) = 7 dan didapatkan X 2(1)
= 6.217444718
c. Untuk data pada kelompok 2 dengan variabel X1 , data yang hilang
dapat ditaksir dengan X2(2) = 7 dan didapatkan X 1(2)
= 7.394825713
d. Untuk data pada kelompok 2 dengan variabel X2 , data yang hilang
dapat ditaksir dengan X1(2) = 6 dan didapatkan X2(2) = 5.50930151

2. Melalui penaksiran data yang hilang menggunakan Metode D1, maka

fungsi diskriminan yang diperoleh sebagai berikut :
ˆ = 0.083858698 Χ1 + 0.003108242 Χ2 − 0.59661713
w

3. Setelah memasukkan semua data nilai setiap mahasiswa ke dalam

fungsi diskriminan, kita dapat mengklasifikasikan data tersebut
ˆ > 0 diklasifikasikan ke dalam
dengan aturan II, yaitu apabila w
ˆ ≤ 0 diklasifikasikan ke dalam
kelompok 1 (berghasil) dan apabila w
kelompok 2 (gagal). Dan dengan adanya aturan tersebut kita
mendapatkan dari 18 pasang data, yang benar pengklasifikasian ada
16 pasang data dan yang salah pengklasifikasian ada 2 pasang data.
Sehingga apabila kita menggunakan Metode Regresi Konsisten untuk
 Analisis diskriminan dengan data hilan, kita mendapatkan tingkat
kesalahan pengklasifikasian sebesar 11.11%.

5.3 Saran
Pada makalah ini tidak dibahas mengenai uji keberartian model
diskriminan yang menguji apakah model yang ada cocok atau tidak. Untuk
itu pada penelitian selanjutnya disarankan untuk melakukan uji keberartian
model diskriminan agar diketahui model yang didapat cocok atau tidak
untuk data yang dipergunakan.