Analisis Multivariat

ANALISIS DISKRIMINAN
(Studi Kasus : PENGELOMPOKAN NILAI IQ SISWA SMU SWASTA
SURABAYA)

Program Pascasarjana
Statistika

DISUSUN OLEH
AYU TRI SEPTADIANTI

(1314 201 020)

IKA FEBRINA WURYANTI

(1314 201 023)

FARISCA SUSIANI

(1314 201 029)

DOSEN
DR. VITA RATNASARI, S.SI, M.SI

Fakultas Matematika dan Ilmu

Pengetahuan Alam
Institut Teknologi Sepuluh
Nopember Surabaya
Kampus ITS Sukolilo
Surabaya, 60111

1. Pendahuluan
Analisis diskriminan merupakan suatu teknik analisis multivariat yang
digunakan untuk mengelompokkan atau mengklasifikasi suatu objek ke dalam dua
kelompok atau lebih berdasarkan variabel independennya. Pengelompokkan pada
analisis diskriminan bersifat jika suatu objek telah masuk pada salah satu kelompok
maka tidak dapat menjadi anggota dari kelompok yang lain. Sebelum menganalisis
dengan diskriminan, data harus memenuhi asumsi normal multivariat dan homogenitas
matrik varian kovarian. Sehingga dengan adanya praktikum ini diharapkan dapat
memperoleh informasi mengenai hasil pemeriksaan normal multivariat, hasil uji
kesamaan matrik varian kovarian, analisis diskriminan pada data IQ (28 data training
dan 12 data testing yang selanjutnya akan dilakukan perbandingan data hasil analisis
diskriminan pada data data training dan data testing.
2. Landasan Teori
2.1 Pengujian Asumsi Distribusi Normal Multivariat
Beberapa metode statistika multivariate seperti discriminant analysis seringkali
mensyaratkan terpenuhinya asumsi distribusi multinormal. Asumsi ini diperlukan
karena di dalam discriminant analysis dilakukan pengujian dengan menggunakan
statistik uji Wilk. Kesimpulan yang diambil berdasarkan statistik ini dikatakan sahih
(valid), jika syarat distribusi multinormal dipenuhi.
Variabel X i , X 2 ,..., X p dikatakan berditribusi normal multivariat dengan
parameter dan jika mempunyai probability density function :
1
( X )' 1 ( X )
1
f ( X i , X 2 ,..., X p ) =
e 2
p/2
(2 ) p / 2

(1)

Jika X i , X 2 ,..., X p berdistribusi normal multivariate maka ( X )' 1 ( X )

2
berditribusi p . Berdasarkan sifat ini maka pemeriksaan distribusi multinormal dapat

dilakukan dengan cara membuat q-q plot dari nilai d i2 = (X i X)' S 1 ( X i X ), i = 1,..., n
.
Tahapan dari pembuatan q-q plot ini adalah sebagai berikut (Johnson, 1990)
1. Tentukan nilai vektor rata-rata : X
2. Tentukan nilai matriks varians-kovarians : S
3. Tentukan nilai jarak Mahalanobis setiap titik pengamatan dengan vektor rata-ratanya
(2)
d i2 = (X i X)' S 1 ( X i X ), i = 1,..., n
2
2
2
2
4. Urutkan nilai d i2 dari kecil ke besar : d (1) d ( 2 ) d (3) ... d ( n )

5. Tentukan nilai pi =

i 1/ 2
, i = 1,..., n
n

(3)
qi

6. Tentukan nilai qi sedemikian hingga

f (

) d 2 = p i

(4)

2
7. Buat scatter-plot d (i ) dengan qi
8. Jika scatter-plot ini cenderung membentuk garis lurus dan lebih dari 50 % nilai

d i2 p2 ,0.50
2

2.2 Pengujian homogenitas varians

Beberapa analisis statistika multivariate seperti discriminant analysis
membutuhkan syarat matriks varians-kovarians yang homogen. Untuk menguji syarat
ini dapat dipergunakan statistik uji Box-M. Hipoteris dan statistik uji Box-M adalah
Hipotesis
Ho : 1 = 2 = ... = k
H1 : i j untuk i j
Statistik uji
k
1
1 k

2
(5)
= 2(1 c1 ) vi ln S i ln S pool vi
hitung
2
ii =1
2 i =1

dan
k

S pool =

v S
i =1
k

v
i =1

(6)
i

k 1
1 2 p 2 + 3 p 1

c1 = k
; v i = n i 1
6( p + 1)(k 1)

i =1 vi

vi

i =1

(7)

Gagal tolak hipotesis nol yang berarti matriks varians-kovarians bersifat homogen jika
2
12
hitung
( k 1) p ( p +1
2
(8)
2.2.1 Analisis Diskriminan
Analisis diskriminan adalah teknik statistika untuk mengelompokkan individuindividu ke dalam kelompok-kelompok yang saling bebas berdasarkan sekelompok
variabel bebas. Kelompok-kelompok ini terjadi karena ada pengaruh satu atau lebih
variabel lain yang merupakan variabel independen. Kombinasi linier dari variabelvariabel ini akan membentuk suatu fungsi diskriminan.
Dalam analisis diskriminan terdapat 2 metode berdasarkan jumlah kategori dari
variabel dependennya. Apabila terdapat 2 kategori yang terlibat dalam
pengklasifikasian, maka disebut dengan two-group discriminant analysis. Sedangkan
apabila terdapat 3 atau lebih kategori yang terlibat dalam pengklasifikasian, maka
disebut dengan multiple discriminant analysis.
Dalam buku Johnson, R. A. dan Wichern, D. W dijelaskan bahwa fungsi
diskriminan pertama kali diperkenalkan oleh Ronald A. Fisher (1936) dengan
menggunakan beberapa kombinasi linier dari pengamtan yang cukup mewakili populasi.
Menurut Fisher, untuk mencari kombinasi linier dari p variabel bebas tersebut dapat
dilakukan dengan pemilihan koefisien-koefisiennya yang menghasilkan hasil bagi
maksimum antara matrik peragam antar kelompok (between-group) dan matrik peragam
dalam kelompok (within-group).
Adapun asumsi-asumsi yang harus dipenuhi sebelum melakukan analisis diskriminan,
antara lain yaitu.
3

1. Variabel independen berdistribusi normal multivariat (multivariates normal

distribution).
2. Varians dalam setiap kelompok adalah sama (equal variances).
Analisis diskriminan dapat dilakukan bila terdapat perbedaan yang nyata antar
kelompok, sehingga pada tahap awal yang harus dilakukan adalah uji hipotesis nol
bahwa tidak ada perbedaan kelompok di antara individu yang dirumuskan dengan.
0 : 1 = 2
Taraf signifikansi = 0,05

1 : 1 2

Statistik uji yang digunakan adalah Wilks Lamda (*):

||

Wilks Lamda = |+|

(9)

Daerah Kritis : Tolak H 0 jika atau P-value <

Fungsi diskriminan yang mempunyai bentuk umum berupa persamaan linier
(Fishers Sample Linear Discriminant Function) yaitu.
1
= = (1 2 )

Aturan alokasi berdasarkan fungsi diskriminan

Alokasi 0 ke 1 jika

1
1
0 = (1 2 )
0
= 2 (1 2 )
(1 + 2 )

Atau 0
0

(10)

Alokasi 0 ke 2 jika 0 <

atau 0
<0

3. Metode penelitian
Data yang digunakan dalam laporan ini merupakan data Tesis Retno Purwanti
Germana (13012001001) dengan judul Aplikasi Analisis Model Komponen Varians
Multilevel Pada Hasil Tes Psikologi di Beberapa SMU Swasta di Surabaya, dimana
dalam data tersebut terdiri atas variabel dependen dan variabel independen sebagai
berikut.
1. Variabel dependen (Y) adalah tingkat kecerdasan intelektual siswa (IQ) yang
dibedakan menjadi dua kategori, yaitu IQ 100 diberi koding 1, dan IQ < 100
diberi koding 2.
2. X 1 adalah abstrak reasoning atau tes gambar (AR)
3. X 2 adalah verbal reasoning atau tes verbal (VR)
4. X 3 adalah numerical reasoning atau tes numerik (NR)
5. X 4 adalah usia siswa ketika mengikuti tes psikologi.
Untuk melakukan Analisis Diskriminan dalam laporan ini, diharuskan untuk
menempuh langkah-langkah yang sudah dibuat. Langkah-langkah tersebut adalah
sebagai berikut.
1. Mencari data sekunder, yang beasal dari Tesis Retno Purwanti Germana.
2. Membagi data menjadi dua, yaitu 28 data training dan 12 data testing.
4

3.
4.
5.
6.
7.
8.

Menguji distribusi normal multivariat pada data.

Menguji kehomogenan matriks varians kovarians pada data.
Menguji vektor nilai rataan.
Melakukan analisis dengan analisis diskriminan terhadap data.
Menghitung ketepatan hasil klasifikasi data training dan data testing.
Membuat kesimpulan dari hasil analisis.

4. Pembahasan
Data hasil tes psikologi di sebuah SMU Swasta di Surabaya selanjutnya akan
dianalisis untuk mendapatkan suatu hasil yang nantinya diambil suatu kesimpulan.
Berikut analisis data tes psikologi dengan beberapa variabel bebas.
4.1 Uji Distribusi Normal Multivariat
Asumsi yang diperlukan di dalam Analisis Diskriminan salah satunya adalah
data hasil tes psikologi mengikuti sebaran normal multivariat, karena data yang diambil
berdasarkan statistik ini dikatakan valid jika syarat distribusi normal multivariat
terpenuhi. Pengujian distribusi normal multivariat adalah sebagai berikut.
Hipotesis:
H 0 : Data berdistribusi normal multivariat
H 1 : Data tidak berdistribusi normal multivariat
Tingkat signifikan: 5%
Daerah Kritis : tolak H 0 , jika t < 50%
Statistik Uji : t = 0,542857, nilai t merupakan banyaknya data yang kurang dari
2
d i = (X i X)' S 1 ( X i X ), i = 1,..., n dan hasil analisis yang didapat adalah sebagai
berikut.
t = 0,525000
Berdasarkan nilai t (statistik uji) di atas dapat diketahui bahwa data lebih besar
dari 50%, sehingga gagal tolak H 0 . Hal tersebut berarti data mengikuti sebaran
distribusi normal multivariat. Sebaran data berdistribusi normal multivariat juga dapat
dilihat secara visual melalui scatter plot berikut.
14
12
10

8
6
4
2
0
0

8
dd

10

12

14

16

Gambar 4.1 Plot Pengujian Normal Multivariat untuk Data Hasil Tes
Psikologi Sebuah SMU Swasta di Surabaya

Berdasarkan scatter plot di atas, secara visual terlihat bahwa sebaran titik-titik
dari data berada disekitar garis normal. Sehingga baik secara perhitungan maupun
secara visual dapat disimpulkan bahwa data hasil tes psikologi sebuah SMU Swasta di
Surabaya berdistribusi normal multivariat.
4.2

Uji Homogenitas Matriks Varians Covarians

Uji homogenitas matriks varians covarians dapat menggunakan hasil uji Boxs
M. Apabila nilai Boxs M signifikan maka hipotesis nol yang menyatakan bahwa
matriks varians covarians dari variabel. Untuk lebih jelasnya sebagai berikut.
Hipotesis:
H 0 : 1 = 2 = ... = k
H 1 : i j untuk i j
Tingkat signifikan (): 5%
Berikut merupakan hasil dari uji Boxs M yang didapat
Tabel 4.1 Uji Homogenitas Boxs M
Box's M
F
df1
df2
Sig.

13,146
1,036
10
1174,663
0.411

Daerah kritis: Tolak H 0 jika P-value (Sig.) <

Keputusan: Gagal Tolak H 0 karena P-value = 0,492> = 0,05
Hasil yang didapat adalah Gagal Tolak H 0 yang berarti matriks varians
kovarians antar data hasil tes psikologi sebuah SMU Swasta di Surabaya adalah
homogen, dapat dikatakan matriks varians covarians dari variabel dependen sama.
4.3

Pengujian Vektor Nilai Rataan

Pada tahap awal analisis diskriminan yang harus dilakukan adalah melakukan
pengujian vektor nilai rataan. Diharapkan dari pengujian ini menghasilkan keputusan
Tolak H 0 , sehingga didapatkan informasi awal bahwa variabel yang sedang diteliti
memang membedakan kedua kelompok. Uji ini dilakukan secara univariate dengan
perumusan hipotesis sebagai berikut.
Hipotesis
0 : 1 = 2

1 : 1 2
Taraf signifikansi : 0,05
Daerah Kritis: Tolak H 0 jika P-value <
Statistik Uji
Tabel 4.2 Uji Vektor Nilai Rataan
Xi

Wilks Lambda

P-value

Keputusan

AR

0,720

0,004

Tolak H 0

VR

0,872

0,061

Gagal Tolak H 0

NA

0,892

0,088

Gagal Tolak H 0

Usia

0,925

0,159

Gagal Tolak H 0

Berdasarkan hasil pengujian pada Tabel 4.2 di atas, hasil penjelasan yang dapat
diberikan adalah sebagai berikut.
a. Hasil Pengujian terhadap variabel dependen AR menghasilkan nilai wilks lambda
sebesar 0,720 dengan P-value adalah 0,004 < 0,05, yang berarti Tolak H 0 . Hasil ini
menunjukkan terdapat perbedaan antar dua kelompok IQ terkait dengan variabel
AR, sehingga dapat disimpulkan AR berpengaruh signifikan dalam membedakan
kelompok tingkat IQ pelajar.
b. Hasil Pengujian terhadap variabel dependen VR menghasilkan nilai wilks lambda
sebesar 0,872 dengan P-value adalah 0,061 > 0,05, yang berarti Gagal Tolak H 0 .
Hasil ini menunjukkan tidak terdapat perbedaan antar dua kelompok IQ terkait
dengan variabel VR, sehingga dapat disimpulkan AR tidak berpengaruh signifikan
dalam membedakan kelompok tingkat IQ pelajar.
c. Hasil Pengujian terhadap variabel dependen NA menghasilkan nilai wilks lambda
sebesar 0,892 dengan P-value adalah 0,088 > 0,05, yang berarti Gagal Tolak H 0 .
Hasil ini menunjukkan tidak tterdapat perbedaan antar dua kelompok IQ terkait
dengan variabel NA, sehingga dapat disimpulkan NA tidak berpengaruh signifikan
dalam membedakan kelompok tingkat IQ pelajar.
d. Hasil Pengujian terhadap variabel dependen Usia menghasilkan nilai wilks lambda
sebesar 0,925 dengan P-value adalah 0,159 > 0,05, yang berarti Gagal Tolak H 0 .
Hasil ini menunjukkan tidak terdapat perbedaan antar dua kelompok IQ terkait
dengan variabel Usia, sehingga dapat disimpulkan Usia tidak berpengaruh signifikan
dalam membedakan kelompok tingkat IQ pelajar.
Berdasarkan hasil tersebut maka dapat langkah selanjutnya adalah
mengelompokkan individu-individu ke dalam kelompok-kelompok yang saling bebas
berdasarkan variabel independennya menggunakan analisis diskriminan.
4.4 Analisis Diskriminan
4.4.1 Analisis Diskriminan dengan SPSS
Setelah melakukan uji asumsi, kemudian akan dilakukan pengolahan data dengan
menggunakan SPSS. Berikut adalah langkah melakukan analisisnya:
a. klik menu analyze dan pilih sub menu Classify dan kemudian
Discriminant

b. Masukkan variabel dependent ke dalam kotak Grouping Variable. Kemudian

klik icon Define Range beri masukan nilai minimum dan maksimum nilai
respon yakni 1 dan 2,

c. Klik icon Statistics, Pada bagian Descriptives aktifkan Means, Univariate

ANOVAs, Boxs M; pada bagian Function Coefficients aktifkan Fishers,
kemudian pada bagian Matrices aktifkan Within-groups correlation dan total
covariance. Abaikan bagian yang lainnya lalu klik Continue untuk kembali ke
menu utama

d. pilih Classify. Pilih All groups are equal untuk menentukan probabilitas prior.
Beri centang pada Summary table dan Leave-one-out classification (cross
validation) untuk menampilkan hasil evaluasi klasifikasi, klik continue

e. pilih Save. Beri centang pada Predicted group membership, probabilities of

group membership, dan discriminant score, klik continue, kemudian klik OK
untuk menampilkan hasil outputnya

4.4.2 Hasil Analisis Diskriminan dengan SPSS

Analisis diskriminan merupakan cara terbaik untuk menyatakan perbedaan
kelompok. Dengan menggunakan SPSS, dilakukan analisis dari data hasil tes psikologi
sebuah SMU Swasta di Surabaya.
Tabel 4.3 Koefisien Fungsi Diskriminan Kanonik Data Hasil Tes
Psikologi Sebuah SMU Swasta di Surabaya
Variabel Independen
AR
VR
NA
Usia
Constant

Koefisien
0,034
0,018
0,000
-0,541
5,311

Berdasarkan Tabel 4.3, fungsi diskriminan yang terbentuk adalah sebagai

berikut.
Y=5,311+0,034AR+0,018VR+0,000NA-0,541Usia
Atau dapat disederhanakan menjadi.
Y=5,311+0,034AR+0,018VR-0,541Usia
Dari persamaan di atas dapat diketahui bahwa variabel AR merupakan variabel
yang paling dominan dalam memprediksi perbedaan kelompok nilai IQ, karena
memiliki nilai yang paling besar yaitu 0,034. Sedangkan variabel yang paling minimum
dalam memprediksi perbedaan kelompok nilai IQ adalah variabel NA, yaitu sebesar
0,000.
Setelah diklasifikasikan, akan didapatkan koefisien dan persamaan-persamaan
sebagai berikut.
Tabel 4.4 Koefisien Fungsi Klasifikasi Data Tes Psikologi Sebuah SMU Swasta di Surabaya
Variabel Independen
AR
VR
NA
Usia
Constant

IQ
100
0,060
0,037
0,441
38,277
-300,922

< 100
0,011
0,011
0,441
39,045
-308,829

Dari tabel 4.4 didapatkan model persamaan sebagai berikut.

Y A =-300,922+0,060AR+0,037VR+0,441NA+38,277USIA
Y B =-308,829+0,011AR+0,011VR+0,441NA+39,045USIA
9

Tabel 4.5 Nilai Centroid (Rata-rata) Data IQ

IQ

Nilai
0,457
-0,964

1
2

Tabel 4.5 merupakan nilai centroid atau rata-rata dari masing-masing kelompok
data IQ. Nilai ini nantinya akan digunakan untuk menghitung nilai cutting score.
Berikut merupakan perhitungan dari nilai cutting score.

1 1 + 2 2 19(0,457) + 9(0,964)
=
= 0,00025
1 + 2
19 + 9

Perhitungan cutting score dimaksudkan untuk mengetahui ketepatan hasil

klasifikasi yang didapat untuk data training maupun data testing. Berikut ini adalah
hasil perhitungan manual analisis ketepatan hasil klasifikasi untuk data training.
Tabel 4.6 Hasil Perhitungan Data Training
Y

ya

yb

y 0 hat

grup

ya

yb

y 0 hat

grup

307.5

308.49

-0.984

302.42

303.91

-1.334

271.83

270.05

0.947

264.94

263.21

0.907

290.27

290.9

-0.734

376.25

377.92

-1.476

295.76

297.35

-1.404

304.21

306.06

-1.584

323.35

320.52

1.664

324.1

322.1

1.086

291.88

293

-1.074

320.1

318.02

1.146

311.72

309.34

1.348

306.38

306.5

-0.384

309.59

310.69

-1.064

281.53

278.92

1.517

318.59

316.09

1.436

312.05

313.01

-0.964

263.32

262.94

-0.023

298.56

299.67

-1.064

308.85

307

0.986

309.52

310.64

-1.074

273.68

270.34

2.025

335.05

336.56

-1.355

268.73

267.68

0.437

300.95

301.93

-0.974

306.48

304.85

0.836

271.66

271.65

-0.283

Tabel 4.6 menunjukkan perhitungan secara manual terhadap data training. Nilai
0 dihitung melalui persamaan 0 = 5,311+0,034AR+0,018VR-0,541Usia. Jika nilai
0
maka data dialokasikan ke kelompok 1 (IQ 100). Sedangkan jika nilai
0 <
maka data akan dialokasikan ke kelompok 2 (IQ < 100). Warna merah pada
tabel menunjukkan pengelompokkan data yang tidak sesuai dengan klasifikasi. Nilai
prosentase ketepatan hasil klasifikasi secara keseluruhan dirangkum dalam Tabel 4.7 di
bawah ini.
Tabel 4.7 Tabel Klasifikasi Data Training
Nilai prediksi data training
Total
1
2
1
13
6
19
Jumlah
2
1
8
9
1
68,4
31,6
100
%
2
11,1
88,9
100
75% data tepat sesuai dengan klasifikasi
Y

10

Berdasarkan Tabel 4.7 untuk data training junlah data yang diprediksi dan
memang seharusnya berada pada klasifikasi pertama (kelompok 1) adalah sebanyak 13
data, sedangkan yang tidak berada pada klasifikasi pertama adalah sebanyak 6 data.
Jumlah data yang diprediksi dan memang seharusnya berada pada klasifikasi kedua
(kelompok 2) adalah sebanyak 8 data, sedangkan yang tidak berada pada klasifikasi
kedua adalah sebanyak 1 data. Sehingga total data yang tidak sesuai dengan klasifikasi
adalah sebanyak 7 data, maka ketepatan klasifikasi untuk kelompok data training adalah
sebesar 75%. Prosentase ketepatan data training ini nantinya akan dibandingkan dengan
prosentase ketepatan data testing. Berikut hasil analisis dari data testing.
Tabel 4.8 Hasil Perhitungan Data Testing
y

ya

yb

y cs

y 0 hat

grup

318.223

315.981

0.00025

1.256

304.623

306.116

0.00025

-1.334

307.093

306.611

0.00025

0.036

311.803

311.076

0.00025

0.206

279.391

276.771

0.00025

1.527

301.368

301.981

0.00025

-0.724

314.378

313.391

0.00025

0.386

265.006

263.266

0.00025

0.917

303.758

304.241

0.00025

-0.634

316.813

315.596

0.00025

0.546

305.363

306.336

0.00025

-0.974

314.493

313.391

0.00025

0.466

Tabel 4.8 menunjukkan perhitungan secara manual dari hasil SPSS terhadap
data testing. Sama halnya dengan data training, nilai 0 dihitung melalui persamaan 0 =
5,311+0,034AR+0,018VR-0,541Usia. Jika nilai 0
maka data dialokasikan ke
maka data akan dialokasikan ke
kelompok 1 (IQ 100). Sedangkan jika nilai 0 <
kelompok 2 (IQ < 100). Warna merah pada tabel menunjukkan pengelompokkan data
yang tidak sesuai dengan klasifikasi. Nilai prosentase ketepatan hasil klasifikasi
dirangkum dalam Tabel 4.9 di bawah ini.
Tabel 4.9 Tabel Klasifikasi Data Testing
Y
Jumlah
%

Nilai prediksi data testing

Total

75

25

100

50

50

100

66,67% data tepat sesuai dengan klasifikasi

Berdasarkan Tabel 4.9 untuk data testing junlah data yang diprediksi dan
memang seharusnya berada pada klasifikasi pertama (kelompok 1) adalah sebanyak 6
data, sedangkan yang tidak berada pada klasifikasi pertama adalah sebanyak 2 data.
Jumlah data yang diprediksi dan memang seharusnya berada pada klasifikasi kedua
11

(kelompok 2) adalah sebanyak 2 data, sedangkan yang tidak berada pada klasifikasi
kedua adalah sebanyak 2 data. Sehingga total data yang tidak sesuai dengan klasifikasi
adalah sebanyak 4 data, maka ketepatan klasifikasi untuk kelompok data training adalah
sebesar 66,7%.
4.4.3 Analisis Diskriminan Perhitungan Manual Dengan Ms.Excel
Selain pengolahan data menggunakan SPSS, akan dilakukan perhitungan secara manual
dengan menggunakan Ms.Excel. Langkah-langkahnya adalah sebagai berikut :
1. Menghitung nilai rata-rata dari masing-masing variabel (AR, VR, NR dan Usia)
pada setiap grup
65,259
41,154
46,667
35,770
1 =

dan 2 =
70,704
60,770
14,778
15

2. Mencari matriks varians kovarians dari variabel X

Matrik varians kovarians untuk respon Y=1 (IQ 100)
548,2764 151,0897 222,3105 2,7094
151,0897 217,3077 98,01282 0,38462
1 =

222,3105 98,01282 249,1396 1,56838

2,7094 0,38462 1,56838 0,25641

Matrik varians kovarians untuk respon Y=2 (IQ < 100)

51,12179 1,25
383,9744
59,44
32,21154 32,21154 32,69231 0,4167
2 =

32,69231
51,12179
203,5256 0,833
0,41667 0,83333
0,5
1,25

3. Menghitung matrik Spooled

466,13 59,44 136,72 1,98

59,44 141,67 65,35 0,40
=

136,72 65,35 226,33 1,20

1,98 0,40 1,20 0,378

4. Menghitung invers dari matrik Spooled

1

0,002659 0,00043 0,001435 0,008907

0,00043 0,008213 0,002114 0,000254
=

0,00144 0,00211
0,005944 0,009122
0,00891 0,00025
0,009122 2,719383

5. Mengestimasi fungsi Diskriminan Linear Faktor

= (1 2 ) 1 = 1 = 1 1
466,13 59,44 136,72 1,98 1
59,44 141,67 65,35 0,40 2
= [24,105 10,897 9,934473 0,222]

136,72 65,35 226,33 1,20 3
1,98 0,40 1,20
0,37
4

12

1
2
= [0,043186 0,058231 0,000608 0,30176]
3
4

Jadi fungsi diskriminan yang terbentuk adalah :

= 0,043 X1 + 0,058 X2 + 0,0006 X3 + 0,302 X4

6. Mengklasifikasikan Data Training dan Data Testing

Kriteria pengklasifikasian (Johnson dan Wichern, 2002) :

,
< ,

Perhitungan nilai m :

0 1

0 2

= [(1 2 ) 1 (1 + 2 )]
2
106,4131
82,4359
= [0,043186 0,058231 0,000608 0,30176]
= 0,1650
131,4729
29,77778

Setelah didapatkan nilai m, selanjutnya menghitung nilai yaitu dengan

memasukkan nilai nilai variabel X (AR,VR, NR dan Usia) ke dalam fungsi
diskriminan sebelumnya.
Data Training
Dengan menggunakan data Training sebanyak 28 maka didapatkan nilai .
Kemudian nilai tersebut dibandingkan dengan m sehingga didapatkan nilai
prediksi. Nilai prediksi ini nantinya dijadikan dasar pengelompokkan untuk
menentukan ketepatan klasifikasi.
Tabel 4.10 Hasil Perhitungan Data Training secara manual (Excel)

y
1
1
1
2
1
2
1
1
1
2
1
1
1
1
1
1

AR
35
60
45
20
97
35
93
30
85
50
85
97
45
70
30
80

VR
35
65
30
40
65
30
55
40
75
30
50
55
65
70
25
25

NA
70
70
30
45
95
35
70
75
85
55
65
70
65
60
60
55

Usia
15
14
15
15
15
15
15
15
15
14
15
14
14
15
15
14

-1,01941
2,108917
-0,85438
-1,36084
3,389827
-1,28928
2,649977
-0,94722
3,459986
-0,35189
2,016378
3,124482
1,464171
2,536246
-1,81156
0,652523

m
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051

prediksi
2
1
2
2
1
2
1
2
1
2
1
1
1
1
2
1

13

2
2
1
1
2
1
2
2
2
1
1
1

55
20
80
95
50
90
25
30
35
40
30
45

30
30
65
40
40
40
55
40
30
35
45
25

50
65
99
90
65
90
80
50
75
45
55
75

17
15
15
15
15
14
15
15
15
16
15
14

-1,03821
-1,95531
2,653238
1,850728
-0,07743
1,936561
-0,29273
-0,93202
-1,3136
-1,09004
-0,64391
-0,87114

0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051
0,165051

2
2
1
1
2
1
2
2
2
2
2
2

Setelah didapatkan nilai prediksi kelompok, selanjutnya membandingkan antara

nilai kelompok y aktual dengan nilai kelompok y prediksi yang dijelaskan dengan tabel
berikut.
Tabel 4.11 Hasil Klasifikasi Data Training (Excel)

Data Training
1
2

Aktual
Grup
Total

Prediksi grup
1
2
12
7
0
9
12
16

Total
19
9
28

Nilai ketepatan klasifikasi yang diperoleh adalah :

=

7+0
= 0,25
28

Jadi, nilai ketepatan klasifikasi yang diperoleh adalah 1 0,25 = 0,75 atau sekitar 75 %.
Data Testing
Dengan menggunakan data Testing sebanyak 12 maka didapatkan nilai .
Tabel 4.12 Hasil Perhitungan Data Testing secara manual (Excel)

y
1
2
1
1
1
1
1
2
1
2
2
1

AR
85
30
65
70
85
40
70
75
40
80
30
75

VR
65
25
35
35
50
40
45
35
45
35
45
40

NA
85
65
65
75
85
55
80
55
60
85
65
80

Usia
15
15
15
15
14
15
15
14
15
15
15
15

8800
3775
5700
6025
7750
5025
6800
5900
5450
6525
5175
6625

m
0
0
0
0
0
0
0
0
0
0
0
0

prediksi
1
1
1
1
1
1
1
1
1
1
1
1

14

Kemudian setelah dibandingkan dengan nilai m, didapatkan nilai prediksi yang

ditampilkan pada Tabel 4.12. Selanjutnya dihitung nilai ketepatan klasifikasi
berdasarkan tabel berikut.
Tabel 4.13 Hasil Klasifikasi Data Testing secara manual (Excel)

Data Training
Aktual
Grup
Total

1
2

Prediksi grup
1
2
6
2
2
2
8
4

Total
8
4
12

Kesalahan klasifikasi ditentukan dengan nilai APER sebagai berikut :

=

2 2
= 0,333
12

Jadi, nilai ketepatan klasifikasi yang diperoleh adalah 1 0,333 = 0,667 atau sekitar
67%.
5. Kesimpulan
Berdasarkan hasil pembahasan mengenai data tingkat kecerdasan intelektual
(IQ) siswa di salah satu SMU swasta Surabaya yang dikategorikan menjadi 2, yaitu
100 dan < 100 dapat ditarik kesimpulan sebagai berikut :
a. Data telah memenuhi asumsi normal multivariat serta matrik varians kovarians
yang homogen, sehingga dapat dilanjutkan menggunakan analisis diskriminan.
b. Pada pengujian vektor nilai rataan, hanya variabel AR yang berpengaruh signifikan
dalam membedakan kelompok tingkat IQ.
c. Perhitungan prosentase ketepatan hasil klasifikasi dengan menggunakan SPSS
menghasilkan nilai 75% untuk data training dan 66,67% untuk data testing. Nilai
presentase yang sama juga dihasilkan oleh analisis diskriminan secara manual.
d. Hasil klasifikasi yang dihasilkan oleh SPSS dan hasil perhitungan secara manual
memiliki sedikit perbedaan meskipun nilai ketepatan klasifikasinya sama. (note :
seharusnya hasil klasifikasi dari SPSS dengan proses manual sama)
6. Daftar Pustaka
Johnson, R.A., and Wichern, D.W. (1992). Applied Multivariate Statistical Analysis.
Prentice Hall, Englewood Cliffs, New Jersey.
Germana, Retno P. (2001). Tesis Aplikasi Analisis Model Komponen Varians
Multilevel Pada Hasil Tes Psikologi di Beberapa SMU Swasta di Surabaya.
Surabaya: Institut Teknologi Sepuluh Nopember.

15