TUGAS KELOMPOK

ANALISIS MULTIVARIAT II

Analisis Diskriminan di PT. HATCO

Anggota :
1.ELGY FIRMANSYAH
(140610090045)
2.ADI MULYANA
(140610090061)
3.MARTUMPAL C P S
(140610090085)
4.HARIS NUGROHO
(140610097001)

Jurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Padjadjaran
2012
1. ANALISIS DISKRIMINAN

1.1 Pendahuluan
Analisis Diskriminan adalah teknik Multivariat yang termasuk pada
Dependence Method, dengan ciri adanya variabel dependen dan independen.
Dengan demikian, ada variabel yang hasilnya tergantung pada data variabel
independen. Ciri khusus analisis diskriminan adalah data veriabel dependen
harus berupa data kategori, sedangkan data untuk variabel independen justru
berupa data rasio.
Secara teknis, analisis diskriminan mirip dengan analisis regresi, karena
keduanya mempunyai variabel dependen dan variabel independen dalam
modelnya. Hanya pada analisis regresi (sederhana maupun berganda), variabel
dependen harus data rasio; sedangkan pada analisis diskriminan, jenis data
untuk variabel dependen harus kategori.

1.2 Asumsi pada Analisis Diskriminan

Asumsi penting yang harus dipenuhi agar model diskriminan bisa digunakan
adalah:
1. Normalitas Multivariat. Variabel dependen harus berdistribusi normal, jika
data tidak berdistribusi normal, hal ini akan menyebabkan masalah pada
ketetapan fungsi (model) diskriminan.
2. Homoskedastisitas data. Matriks kovarians dari semua variabel independen
seharusnya sama.
3. Tidak ada korelasi antar variabel independen. Jika dua variabel independen
mempunyai korelasi yang kuat, dikatakan terjadi multikolinieritas.
4. Tidak adanya data yang sangat ekstrem (outlier) pada variabel independen.
Jika ada data outlier yang tetap diproses, hal ini bisa berakibat
berkurangnya ketepatan klasifikasi dari fungsi diskriminan.

2. Contoh Kasus
2.1 Tujuan Analisis Diskriminan
PT. HATCO adalah sebuah perusahaan yang bergerak di bidang Good and
Service, tentu saja dalam mengembangkan usahanya PT. HATCO memerlukan
bahan dasar untuk membuat produk. Bahan dasar ini dibeli dari pabrik yang
memproduksi bahan dasar dalam pengembangan usaha PT. HATCO. Dalam
pembelian bahan dasar tersebut PT. HATCO tidak asal membeli karena PT. HATCO
tidak ingin membeli bahan dasar yang nantinya malah merugikan PT. HATCO itu
sendiri. Ada 6 faktor yang mempengaruhi keputusan PT. HATCO dalam pembelian
bahan dasar yang diproduksi oleh suatu pabrik, antara lain: Delivery Speed (DS),
Manufacturer Image (MI), Service (Se), Sales Force Image (SFI), Product Quality
(PQ), Usage Level (UL). PT. HATCO ingin mengetahui faktor apa saja yang
mempengaruhi keputusan dalam membeli suatu bahan dasar, oleh karena itu
dilakuan Analisis Diskriminan untuk mengetahui:
1. Apakah memang ada perbedaan yang jelas di antara keputusan yang
diambil PT. HATCO, sehingga keputusan membeli bahan dasar atau tidak
dapat dengan jelas dibedakan?

2. Jika memang ada perbedaan di antara keputusan yang diambil oleh PT.
HATCO, faktor mana yang perbedaannya memang nyata dan faktor mana
yang sesungguhnya tidak jelas berbeda?
3. Model Diskriminan untuk memprediksi PT. HATCO membeli atau tidak
bahan dasar yang dihasilkan oleh suatu pabrik?
4. Sejauh mana ketepatan model diskriminan yang sudah diperoleh dalam
memprediksi keputusan PT. HATCO dalam membeli bahan dasar?
2.2 Jumlah Sampel
Pada analisis diskriminan ini digunakan dua jenis sampel, yakni analysis
sample yang digunakan untuk membuat Fungsi Diskriminan, serta holdout
sample (split sample) yang digunakan untuk menguji hasil diskriminan. Analysis
sample sebanyak 60 sampel dan holdout sample sebanyak 40 sampel.
Data dari 60 pabrik yang digunakan untuk analisis ditampilkan dalam tabel
di bawah:
Analysis Sample
Pab X
X
X
X
X
X
Y
rik
1
2
3
4
5
6
4, 4, 2, 2, 5,
3
1
0
1
7
4
3
2
2
1, 6, 2,
8,
4
2
4
1
8
6
5
4
3
3,
4, 2, 8,
4
3
6
1
4
3
7
2
8
2, 5, 1, 2, 7,
3
4
0
7
9
8
3
8
2
7, 3, 4, 4,
5
5
6
1
8
4
6
5
8
1, 4, 2, 1, 9,
4
6
0
9
8
6
9
7
5
4, 6, 3, 4, 7,
4
7
1
6
6
5
5
6
6
1, 5, 2, 2, 6,
4
8
0
3
1
8
2
9
4
5, 4, 3,
7,
6
9
3
1
5
7
5
6
3
3, 3, 8,
5
10
4
6
1
7
2
7
4
2, 4,
2, 5,
3
11
2
0
4
8
8
8
2
3, 4,
2, 8,
4
12
3
0
9
6
5
3
7
2, 3, 2, 1, 6,
3
13
0
8
8
1
4
6
9
3, 5, 2, 3, 6,
3
14
0
7
7
7
7
7
8
4, 6,
2, 6,
5
15
3
1
7
7
6
8
4
3, 4, 2, 1, 4,
4
16
0
4
7
7
7
8
9

17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

3,
2
4,
9
5,
3
4,
7
3,
3
3,
4
3
2,
4
5,
1
4,
6
2,
4
5,
2
3,
5
4,
1
3
2,
8
5,
2
3,
4
2,
4
1,
8
3,
6

38

39

40
41

2,
4
1,
9

5,
1
4,
3
6,
1
6,
7
4
2,
5
7,
1
4,
8
4,
8
5,
8
4,
8
6,
1
3,
5
5,
5
5,
3
6,
9
5,
9
5,
7
3,
4
4,
5
5,
8
5,
4
5,
4
4,
5
4,
6

3,
6
3,
4
3,
3
3
2,
1
1,
2
3,
5
1,
9
3,
3
3,
4
1,
9
3,
2
3,
1
3,
9
3,
1
3,
3
3,
7
3,
5
1,
7
2,
5
3,
7
2,
4
1,
1
2,
1
2,
6

2,
9
1,
5
3,
9
2,
6
1,
8
1,
7
3,
4
2,
5
2,
6
2,
8
2,
5
3,
9
1,
7
3

6,
2
5,
9
6,
8
6,
8
6,
3
5,
2
8,
4
7,
2
3,
8
4,
7
7,
2
6,
7
5,
4
8,
4

3,
2
2,
4
3,
4
1,
1
2,
4
2,
5
2,
6
2,
6
2,
2
2,
5

8,
2
4,
6
8,
4
6,
2
7,
6
9,
3
7,
3
8,
9
8,
8
7,
7

3
8
4
0
5
4
5
5
4
1
3
5
5
5
3
6
4
9
4
9
3
6
5
4
4
9
4
6
4
3
5
3
6
0
4
7
3
5
3
9
4
4
4
6
2
9
2
8
4
0

1
0
1
1
0
0
1
0
1
1
0
1
0
1
1
1
1
1
0
0
1
1
1
0
0

5,
9
4,
9

7,
8
4,
5

3,
4
3,
6

4,
6
1,
3

4,
5
6,
2

5
8
5
3

Pab
rik

X
1

44

45

46

X
2
4,
7
3,
7
4,
6
4,
5
5,
6
4,
5

X
3
3,
1
2,
4
3,
7
2,
6
3,
6

X
4
2,
5
1,
7
1,
4
3,
2
2,
3
2,
4
1,
4
2,
5
2,
5
3,
4
2,
6
2,
1
3,
6

X
5
3,
7
8,
5
6,
3
3,
8
9,
1
6,
7
5,
2
5,
2

X
6
4
8
3
8
5
4
5
5
4
3
5
7
5
3
4
1
5
3
5
0
3
2
3
9
4
7
6
2
6
5
4
6
5
0

42
43

47
48
49
50
51
52
53
54
55
56
57
58
59
60

3,
1
3,
4
5,
8
5,
4
3,
7
2,
6
4,
5
2,
8
3,
8
2,
9
4,
9
5,
4
4,
3
2,
3

3
6
5
5,
9
4,
9
2,
9
7
6,
9
5,
5
5,
4
4,
7

3
3,
8
2,
1
3,
6
4,
3
2,
5
1,
6
2,
8
4,
6

3,
1
3,
3

2,
5
2,
2

9
8,
8
9,
2
5,
6
7,
7
9,
6
7,
7
4,
4
8,
7

1
0

Y
1
0
0
0
1
0
0
0
1
1
0
0
1
1
1
1
1

Data dari 40 pabrik yang digunakan untuk menguji analisis ditampilkan

dalam tabel di bawah:
Holdout Sample
Pab X
X
X
X
X
X
Y
rik
1
2
3
4
5
6
3, 4, 2, 3, 3,
5
61
0
1
5
6
1
8
4

62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86

5,
1
4,
1
3
1,
1
3,
7
4,
2
1,
6
5,
3
2,
3
3,
6
5,
6
3,
6
5,
2
3
4,
2
3,
8
3,
3
1
4,
5
5,
5
3,
4
1,
6
2,
3
2,
6
2,
5

5,
8
5,
5
4,
9
4,
7
4,
5
6,
2
5,
3
3,
7
5,
2
6,
2
3,
1
4,
8
4,
5
6,
6
4,
9
6,
1
3,
3
4,
5
4,
6
3,
8
8,
2
6,
4

3,
6
2,
5
3,
4
1,
6
2,
6
3,
3

6
4,
2

3
3,
5
3
4,
5
4
2,
9
3,
3
2,
4
3,
2
2,
2
2,
9
1,
5
3,
1
3,
6
4
2,
3

2,
8
2,
8

2,
3
2,
7
2,
6
3,
2
2,
3
3,
9
2,
5
1,
9
2,
3
2,
9
1,
6
1,
9
2,
7
2,
7
2,
7
2,
6
1,
5
3,
1
2,
1
2,
1
4,
4
3,
8
2,
5
2,
8
2,
2

4,
5
7,
4
6
10
6,
8
7,
3
7,
1
4,
8
9,
1
8,
4
5,
3
4,
9
7,
3
8,
2
8,
5
5,
3
5,
2
9,
9
6,
8
4,
9
6,
3
8,
2
7,
4
6,
8
9

6
0
4
7
3
6
4
0
4
5
5
9
4
6
5
8
4
9
5
0
5
5
5
1
6
0
4
1
4
9
4
2
4
7
3
9
5
6
5
9
4
7
4
1
3
7
5
3
4
3

1
1
1
0
0
1
1
0
1
1
0
0
1
1
1
0
0
0
0
0
1
1
0
1
0

87
88
89
90

2,
4
2,
1
2,
9
4,
3

91

92

4,
8

Pab
rik
93
94
95
96
97
98
99
100

X
1
3,
1
1,
9
4

5,
9
4,
8
6,
1
6,
3
7,
1
4,
2

2,
7
2,
8

X
2
7,
8
4,
9
4,
5

X
3
3,
6
2,
2
2,
2
0,
7
3,
3
2,
4
2,
6
2,
2

0,
6
6,
1

4,
8

3,
1
2,
5

6,
8

2
3,
4
3
3,
3

2,
7
2,
3
2,
5
4
3,
8
1,
4
X
4
4
2,
5
2,
1
2,
1
2,
8
2,
7
2,
9
3

6,
7
7,
2
8
7,
4
7,
9
5,
8
X
5
5,
9
8,
2
5
8,
4
7,
1
8,
4
8,
4
6

Keterangan:
Pabrik : Pabrik ke-i yang diambil sebagai sampel
X1
: Delivery Speed (DS)
X2
: Manufacturer Image (MI)
X3
: Service (Se)
X4
: Sales Force Image (SFI)
X5
: Product Quality (PQ)
X6
: Usage Level (UL)
Y
: Keputusan PT. HATCO (1=beli, 0=tidak beli)

3. PENGUJIAN ASUMSI

5
1
3
6
3
4
6
0
4
9
3
9
X
6
4
3
3
6
3
1
2
5
6
0
3
8
4
2
3
3

1
0
1
1
1
0

Y
1
0
0
0
1
0
1
0

3.1 Uji Normalitas Multivariat

Uji normalitas pada multivariat ada dua cara. Pertama, dengan menguji
pada setiap variabel. Kedua, dilakukan pada seluruh variabel secara bersamasama. Pada kasus ini dilakukan pengujian secara bersama-sama. Pengujian
normalitas dibantu dengan software MS. Excel 2007.
3.1.1 Input data
Dari data di atas diketahui:

X1
X2

S12
= 3,65833

= 1,68349

2
1

2
1

2
1

= 5,235

= 1,30401

X3
= 2,96

X4

= 0,59227

= 2,655

= 0,67472

S12

X5
= 6,95833

= 2,66925

X6
= 46,15

2
1

= 79,3839

Matriks Kovarians

1,683
0,332

0,564
S
0,265
- 0,914

7,676

S 1

1,644
0,163

- 1,060

- 0,334
0,581

- 0,079

0,332
1,304
0,372
0,735
0,354
4,103

0,564
0,372
0,592
0,210
0,171
4,944

0,163
2,228
- 0,458
- 2,195
- 0,100
- 0,035

0,265 - 0,914 7,676

0,735 0,354 4,103
0,210 0,171 4,944

0,675 0,160 2,530

0,160 2,669 - 1,635

2,530 - 1,635 79,384

- 1,060
- 0,458
4,670
0,350
- 0,739
- 0,191

- 0,334 0,581 - 0,079

- 2,195 - 0,100 - 0,035
0,350 - 0,739 - 0,191

3,924 - 0,082 - 0,003

- 0,082 0,646 0,011

- 0,003 0,011 0,034

3.1.2 Pengujian
Pengujian dilakukan dengan menggunakan software EXCEL, dapat dilihat pada
tabel di bawah:

Pab
rik

X1 X1

X 2 X 2

X 3 X3

X 4 X 4

X5 X5

X6 X6

d (2j )

d (2j )
diurutkan

j 0,5

60

62

0,442

0,53
5

0,56
0
0,46
0
1,34
0
1,16
0

0,35
5

1,75
8

14,15
0

6,650

1,286

0,815

1,858

1,36
5

1,34
5

1,44
2

3,150

6,614

2,108

1,237

0,258

0,76
5

0,04
5
0,35
5

1,24
2

1,850

6,598

2,108

1,517

0,958

0,66
5

0,84
2

14,15
0

8,215

2,122

1,744

2,342

2,56
5

0,44
0

1,94
5

11,85
0

10,25
8

2,226

1,941

0,43
5
1,36
5
0,13
5
0,53
5
0,76
5
0,43
5
0,63
5
1,43
5

0,36
0
0,54
0
0,16
0

0,75
5
1,84
5
0,45
5

2,45
8

1,758

2,74
2

1,150

5,725

2,345

2,120

0,942

0,64
2
0,05
8

0,150

7,630

2,374

2,285

2,358

2,150

7,814

2,636

2,441

1,842

0,54
0

0,34
5

0,64
2

16,85
0

9,730

2,754

2,589

10

0,342

0,74
0
0,96
0

0,54
5

1,74
2
1,15
8

7,850

2,226

2,774

2,732

11

1,258

14,15
0

4,591

2,809

2,870

0,850

2,345

3,540

3,004

7,150

2,809

3,543

3,135

8,150

4,746

3,708

3,264

7,850

7,091

3,713

3,392

2,850

5,102

3,812

3,517

8,150

8,837

4,269

3,642

6,150

8,048

4,295

3,766

7,850

4,295

4,436

3,889

0,04
0

0,14
5
0,15
5
1,25
5

12

0,242

13

0,858

14

0,042

0,46
5

15

1,042

1,46
5

0,04
0

16

0,258

0,26
0

17

0,458

0,64
0

0,24
5

18

1,242

0,53
5
0,13
5
0,93
5

0,05
5
0,95
5

0,44
0

1,15
5

19

1,642

0,86
5

0,34
0

1,24
5

0,86
0
0,26
0

1,04
5

1,34
2
0,35
8
0,25
8
0,15
8
2,15
8
0,75
8
1,05
8
0,15
8

20

1,042

21

0,358

22

0,258

23

0,658

24

1,258

1,46
5

0,04
0

1,23
5
2,73
5
1,86
5
0,43
5
0,43
5

0,86
0
1,76
0
0,54
0
1,06
0
0,34
0

0,05
5
0,85
5
0,95
5
0,74
5
0,15
5
0,05
5

25

1,442

26

0,942

0,56
5

0,44
0

0,14
5

27

1,258

0,43
5

1,06
0

0,15
5

28

1,542

0,86
5

0,24
0

1,24
5

29

0,158

30

0,442

31
32

0,658
0,858

1,73
5
0,26
5
0,06
5
1,66
5

0,14
0
0,94
0
0,14
0
0,34
0

0,66
5

0,74
0

0,46
5
1,83
5
0,73
5

0,54
0
1,26
0
0,46
0

0,058

0,56
5

0,74
0

38

0,342

0,16
5

39

3,658

0,16
5

33

1,542

34

0,258

35

1,258

36

1,858

37

0,56
0
1,86

0,95
5
0,34
5
0,34
5
0,54
5
0,25
5
0,74
5
1,55
5
0,25
5
0,15
5
0,05
5
0,05

0,15
8
0,65
8
1,75
8
1,44
2

8,850

7,379

4,564

4,012

5,150

2,122

4,591

4,136

11,15
0

10,50
3

4,598

4,259

8,850

5,194

4,698

4,383

10,15
0

2,108

4,746

4,508

2,850

4,803

4,766

4,633

2,850

3,540

4,803

4,760

10,15
0

2,108

4,817

4,887

7,850

4,269

5,102

5,017

2,850

5,158

5,158

5,148

3,708

5,181

5,281

1,286

5,194

5,416

6,850

4,817

5,609

5,554

13,85
0

6,158

5,653

5,694

0,850

2,374

5,725

5,837

11,15
0

4,766

5,776

5,984

0,64
2

7,150

2,754

5,891

6,134

2,34
2

2,150

4,698

6,041

6,288

0,34
2

0,150

2,774

6,158

6,447

1,94
2

17,15

10,79
3

6,181

6,611

0,24
2
3,15
8
2,25
8
0,24
2
0,25
8
1,55
8
1,44
2
1,04
2
1,24
2
2,35
8
1,44
2
0,75
8

0,150
3,150

Pab
rik

X1 X1

X 2 X 2

X 3 X3

X 4 X 4

0,73
5
0,63
5

0,86
0
0,36
0

0,45
5
0,15
5

2,56
5

0,44
0

1,94
5

d (2j )

d (2j )

X6 X6

1,84
2

18,15
0

6,181

6,221

6,780

0,74
2

6,150

2,636

6,598

6,955

11,85
0

10,11
6

6,614

7,137

6,850

6,041

6,650

7,327

1,850

4,564

7,091

7,525

8,150

3,543

7,379

7,733

7,850

5,891

7,630

7,952

8,850

15,89
0

7,809

8,183

3,150

4,436

7,814

8,429

10,85
0

7,949

7,949

8,692

6,850

9,196

8,048

8,975

5,150

5,776

8,215

9,282

2,04
2

6,850

5,181

8,837

9,618

1,84
2

3,850

5,653

9,023

9,992

5,609

9,196

10,412

9,023

9,730

10,895

diurutkan

40

1,258

41

1,758

42

2,242

43

1,242

44

1,342

45

1,658

46

1,342

47

0,558

48

0,258

49

2,142

50

1,742

51

0,042

52

1,058

53

0,842

54

0,858

55

0,142

0,73
5
0,53
5
1,53
5
0,63
5
0,73
5
0,36
5
0,73
5
2,23
5
0,76
5
0,23
5
0,66
5
0,33
5
2,33
5

0,64
0
0,14
0
0,56
0
0,74
0
0,36
0
0,64
0
0,04
0
0,84
0
0,86
0
0,64
0
1,34
0
0,46
0
1,36
0

1,35
5
0,15
5
0,95
5
1,25
5
0,54
5
0,35
5
0,25
5
1,25
5
0,15
5
0,15
5
0,74
5
0,05
5
0,55
5

j 0,5

60

62

X5 X5

2,45
8
0,75
8
3,25
8
1,54
2
0,65
8
3,15
8
2,14
2
0,25
8
1,75
8
1,75
8

2,24
2
1,35
8

14,15
0
7,150

1,66
5
0,26
5

0,16
0
1,64
0
1,04
0

0,642

0,16
5

0,14
0

1,358

0,53
5

0,34
0

56

0,758

57

1,242

58

1,742

59

60

1,76
5

0,94
5

0,74
2

1,34
5
0,34
5
0,15
5
0,45
5

2,64
2
0,74
2
2,55
8
1,74
2

0,850

3,713

10,116

11,466

7,809

10,258

12,168

6,221

10,503

13,088

0,150

3,812

10,793

14,449

3,850

4,598

15,890

17,272

15,85
0
18,85
0

Keterangan:
X1 X1

X6 X6

...
variabelnya

d (2j ) x j x S 1 x j x ,

: data dikurangkan rata-rata setiap

j 1, 2, ..., 60
: ukuran jarak kuadrat (squared
generalized distances)

j 0,5

60

62

: distribusi Chi Kuadrat dengan derajat

bebas p = 6
3.1.3 Output plot
Output menggunakan softare MS. EXCEL, dapat dilihat pada grafik di bawah:
20.000
18.000
16.000
14.000
12.000
10.000
8.000
6.000
4.000
2.000
0.000
0.000

5.000

10.000

15.000

20.000

diurutkan

Terlihat sebaran data dari data di atas bergerombol di sekitar garis uji yang
mengarah ke kanan atas, dan tidak ada data yang terletak jauh dari sebaran
data. Dengan demikian, data tersebut bisa dikatakan normal multivariat.

3.2 Uji Homoskedastisitas Data

Uji Homoskedastisitas data menggunakan software SPSS 17
Hipotesis:
H0
: kedua varians populasi adalah identik (Homoskedastisitas)
H1
: kedua varians populasi adalah tidak identik (Heteroskedastisitas)

: 5%
Stat Uji:
Dengan menggunakan software SPSS 17 didapat output sebagai sebagai berikut:

Kriteria Uji:
Jika Probabilitas (SIG) > 0,05, maka H0 diterima
Jika Probabilitas (SIG) < 0,05, maka H0 ditolak
Kesimpulan:

Pada baris X1 dari tabel output di atas, dan dengan dasar maupun median
didapat angka Sig. adalah 0,982 sehingga H 0 diterima, begitu pula untuk variabel
X2, X3, X4, X5 dan X6 semua angka Sig. berada di atas 0,05 sehingga H 0
diterima.
Sehingga bisa disimpulkan terjadi Homoskedastisitas antara populasi
dengan jawaban Beli dan jawaban Tidak Beli.

3.3 Multikolinieritas
Uji Multikolinieritas menggunakan software SPSS 17.
Hipotesis:
H0
: Tidak ada korelasi antar variabel independen
H1
: Ada korelasi antar variabel independen (multikolinieritas)

: 5%
Stat Uji:
Dengan menggunakan software SPSS 17 didapat hasil output sebagai berikut:

Kriteria Uji:
Tolak H0 jika VIF > 10, terima dalam hal lainnya.
Kesimpulan:
Berdasarkan output dari SPSS nilai VIF setiap variabel:
DS = 2,388 < 10
MI = 3,066 < 10
Se = 2,670 < 10
SFI = 2,793 < 10
PQ = 1,628 < 10
UL = 2,836 < 10
Semua nilai VIF setiap variabel di bawah 10 sehingga dapat diambil
kesimpulan tidak terdapat korelasi antar variabel independen (tidak terjadi
multikolinieritas).

3.4 Deteksi Data Outlier

Cara yang digunakan untuk mendeteksi adanya outlier pada kasus ini
adalah dengan menggunakan Box Plot untuk setiap variabel.
Output dengan menggunakan SPSS 17:
Variabel DS

Variabel MI

Variabel Se

Variabel SFI

Variabel PQ

Variabel UL

Berdasarkan output Box Plot di atas pada variabel MI dan variabel SFI
terdapat outlier, namun data outlier tetap dipertahankan, dan tidak perlu
dihilangkan. Outlier dipertahankan karena apabila dilihat kembali ke data awal

data outlier tersebut tidaklah terlalu jauh dengan data yang lainnya sehingga
apabila dipertahankan data outlier ini tidak akan memberikan efek yang sangat
berarti terhadap berkurangnya ketepatan klasifikasi dari fungsi diskriminan.

4.

ANALISIS DISKRIMINAN PADA KASUS

4.1 Tahapan Pengujian Analisis Diskriminan

4.1.1 Uji Perbedaan antar Grup

Hipotesis:
H0
: Tidak ada perbedaan antar grup
H1
: Ada perbedaan antar grup

: 5%
Stat Uji:
Dengan menggunakan software SPSS 17 didapat output sebagai berikut

Kriteria Uji:
Jika Sig. > 0,05 H0 diterima
Jika Sig. < 0,05 H0 ditolak
Kesimpulan:
Berdasarkan tabel di atas didapat bahwa:

Angka
Angka
Angka
Angka
Angka
Angka

Sig.
Sig.
Sig.
Sig.
Sig.
Sig.

Variabel
Variabel
Variabel
Variabel
Variabel
Variabel

Delivery Speed (DS) < 0,05

Manufacturer Image (MI) < 0,05
Service (Se) < 0,05
Sales Force Image (SFI) < 0,05
Product Quality (PQ) > 0,05
Usage Level (UL) < 0,05

Dari tabel terlihat angka Wilks Lambda berkisar antara 0,540 sampai 0,967.
Berdasarkan kolom Sig. bisa dilihat bahwa hanya variabel PQ (Product Quality)

yang mempunyai angka Sig. > 0,05 sehingga dapat dikatakan bahwa variabel PQ
(Product Quality) cenderung tidak berbeda. Hal ini berarti Product Quality dalam
mempengaruhi keputusan PT. HATCO Beli dan Tidak Beli ternyata tidak
berbeda secara nyata. Sehingga hanya satu variabel yang tidak lolos.

4.1.2 Uji Matriks Covarians antar Grup

Hipotesis:
H0
: group covariance matrices adalah relatif sama
H1
: group covariance matrices adalah berbeda secara nyata

: 5%
Stat Uji:
Dengan menggunakan Boxs M

Dengan menggunakan output Log Determinants

Kriteria Uji:
Jika Sig. > 0,05 berarti H0 diterima
Jika Sig. < 0,05 berarti H1 ditolak
Kesimpulan:
Berdasarkan output Boxs M terlihat bahwa angka Sig. > 0,05 yang berarti
group covariance matrices adalah sama.
Berdasarkan output Log Determinants terlihat bahwa angka Log
Determinants untuk kategori keputusan 0 (Tidak beli) dan keputusan 1 (Beli)
tidak berbeda banyak, sehingga group covariances matrices akan relatif sama
untuk kedua group.

5. PROSES DISKRIMINAN PADA KASUS

5.1 Menggunakan metode Mahalanobis distance dan proses yang
dilakukan proses stepwise (bertahap)
5.1.1 Output
Output 1

Berdasarkan tabel output di atas dapat dilihat bahwa Delivery Speed

pada kategori keputusan 0 (Tidak Beli) mempunyai rata-rata 3,2536. Sedangkan
pabrik yang mempunyai Delivery Speed pada kategori keputusan 1 (Beli)
mempunyai rata-rata 4,1063.
Demikian pula untuk variabel lainnya, semua mempunyai angka rata-rata
dan standar deviasi yang berbeda untuk kedua grup kategori keputusan PT.
HATCO.
Dari tabel di atas juga terlihat bahan dasar yang diproduksi 28 pabrik
masuk kategori tidak akan dibeli oleh PT. HATCO, sedangkan 32 pabrik bahan
dasar yang dihasilkannya akan dibeli oleh PT. HATCO. Jika melihat semua variabel
terisi agka 28 dan 32, maka pada kasus ini tidak ada data yang hilang (missing),
sehingga total data untuk semua variabel adalah 60 buah.

Output 2

Berdasarkan tabel output di atas kedua variabel (Manufacturer Image dan

Service) memiliki angka Sig. di bawah 0,05.
Dengan demikian, dari lima variabel yang dimasukkan, hanya ada dua
variabel yang signifikan. Atau bisa dikatakan Manufacturer Image dan Service
mempengaruhi pengambilan keputusan PT. HATCO dalam membeli bahan dasar
yang dihasilkan oleh suatu pabrik atau tidak.
Output 3

Tabel di atas hanyalah sebagai perincian dari proses stepwise pada tabel
sebelumnya. Dari tabel output di atas dapat dilihat pada step 1, variabel MI
adalah variabel pertama yang masuk dalam model diskriminan. Hal ini
disebabkan variabel tersebut mempunyai angka Sig. of F to Remove yang paling
sedikit yakni 0,000

Kemudian pada step 2, dimasukkan variabel kedua yaitu Se, karena

mempunyai angka Sig. of F to Remove sedikit lebih besar dari Sig. of F to Remove
variabel MI yakni 0,001.

Output 4

Tabel di atas adalah kebalikan dari tabel sebelumnya, di mana pada tabel
ini justru yang dimunculkan adalah proses pengeluaran variabel secara bertahap.
Pada step 0 (keadaan awal), kelima variabel secara lengkap dimunculkan
dengan angka Sig. of F to Enter yang terkecil adalah variabel MI (walaupun
angka Sig. of F to Enter yang lain sama yaitu 0,000 hanya saja output pada SPSS
kasus ini tiga angka dibelakang koma sehingga sulit untuk melihat yang paling
kecil)
Pada step 1, sekarang terlihat ada empat variabel, dan terlihat variabel
Se pada step ini mempunyai angka Sig. of F to Enter paling kecil yaitu 0,001
sehingg variabel tersebut dikeluarkan.
Output 5

Wilks Lambda pada prinsipnya adalah varians total dalam discriminant

scores yang tidak bisa dijelaskan oleh perbedaan di antara grup-grup yang ada.
Perhatikan tabel di atas yang terdiri atas dua tahap (step), yang terkait dengan 2
variabel yang secara berurutan dimasukkan pada tahapan analisis sebelumnya.
Pada step 1, jumlah variabel yang dimasukkan ada satu yaitu variabel
MI, dengan angka Wiilks Lambda adalah 0,54. Hal ini berarti 54% varians tidak
dapat dijelaskan oleh perbedaan antara grup-grup. Kemudian pada step 2,
dengan tambahan variabel Se, angka Wilks Lambda turun menjadi 0,447.
Penurunan angka Wilks Lambda tentu baik bagi model diskriminan, karena
varians yang tidak bisa dijelaskan juga semakin kecil dari 54% menjadi 44,7%.
Dari kolom F dan signifikansinya, terlihat baik pada pemasukkan variabel 1
dan 2,, semuanya adalah signifikan secara statistik. Hal ini semakin meyakinkan
kesimpulan bahwa kedua varaibel (Manufacturer Image dan Service) memang
berbeda untuk kedua kategori keputusan yang diambil oleh PT. HATCO.
Output 6
Summary of Canonical Discriminant Functions

Canonical Correlation mengukur keeratan hubungan antara discriminant

score dengan grup (dalam hal ini, karena ada dua kategori keputusan PT. HATCO,
maka ada dua grup). Angka 0,744 menunjukkan keratan yang cukup tinggi,
dengan skala asoiasi antara 0 dan 1.
Output 7

Tabel di atas menyatakan angka akhir dari Wilks lambda, yang sebenarnya
sama saja dengan angka terakhir dari step 2 pembuatan model diskriminan.
Angka Chi-Square sebesar 45,951 dengan tingkat signifikansi yang tinggi
menunjukan perbedaan yang jelas antara dua grup kategori keputusan PT. HATCO
(Beli dan Tidak Beli).

Output 8

Tabel structure matrix menjelaskan korelasi antara variabel indepenen dengan

fungsi diskriminan yang terbentuk. Terlihat variabel MI paling erat
hubungannya dengan fungsi diskriminan, diikuti oleh variabel Se, SFI, UL, DS.
Hanya di sini variabel SFI, UL serta DS tidak dimasukkan dalam model

diskriminan (perhatikan tanda huruf a di dekat variabel tersebut). Perhatikan

tanda korelasi yang sama dengan tanda koefisien pada mdel discriminant score.
Output 9

Tabel di atas mempunyai fungsi yang hampir mirip dengan persamaan

regresi berganda, yang dalam analisis diskriminan disebut sebagai Fungsi
Diskriminan :
Z Score = -7,446 + 0,929 MI + 0,879 Se
Kegunaan fungsi tersebut untuk mengetahui sebuah case (dalam kasus ini
adalah sebuah pabrik) masuk pada grup yang satu, ataukah tegolong pada grup
yang lainnya.
Selain fungsi di atas, dengan dipilihnya Fisher Function Coefficient pada
proses analisis, maka akan terbentuk pula fungsi diskriminan fisher (lihat
pembahasan selanjutnya).
Output 10

Karena ada dua tipe keputusan, maka disebut Two-Group Discriminant,

dimana grup yang satu mempunyai Centroid (Group Means) negatif, dan grup
yang satu mempunyai Centroid (Group Means) positif. Angka pada tabel
menunjukan besaran Z memisahkan kedua grup tersebut.
Output 11

Tabel
diatas
memperlihatkan komposisi ke 60
pabrik,
yang
dengan
model
diskriminan
menghasilkan
32
responden ada di grup keputusan
1 (Beli), sedang sisanya ada di
grup 0 (Tidak Beli).
Output 12
Casewise Statistics

Tabel casewise pada prinsipnya ingin menguji apakah model diskriminan

yang terbentuk akan mengelompokkan dengan tepat sebuah pabrik pada
kategori keputusan PT. HATCO Beli atau Tidak Beli.
Sebagai contoh, daat dilihat pada tampilan sebagaian data pabrik mulamula.
Pab
rik
1
2
3

X
1
4,
1
1,
8
3,
4

X
2
4,
7
6,
6
6

X
3
2,
4
2,
5
4,
3

X
4
2,
3
4
2,
7

X
5
5,
2
8,
4
8,
2

X
6
3
2
4
3
4
8

Y
0
1
1

Untuk pabrik pertama yang bahan dasar dihasilkannya tidak dibeli oleh PT.
HATCO dan data variabel:
Manufacturer Image (MI) = 4,7
Service (Se) = 2,4
Maka perhitungan score untuk pabrik pertama adalah:

Zscore = -7,446 + (0,929 x 4,7) + (0,879 x 2,3) = -0,9701

Jika dilihat pada kolom terakhir dari tampilan Casewise Statistics, terlihat
angka Discriminant Score untuk case number (pabrik pertama) adalah -0,989.
Perbedaan angka -0,9701 dengan -0,989 disebabkan penyajian angka pada
Zscore yang tidak lengkap (dilakukan pembulatan pada output SPSS) namun
perbedaannya tidak terlalu jauh sehingga fungsi diskriminannya tidak perlu
diperbaiki.
Fungsi (model) diskriminan adalah:
ZScore = -7,446 + 0,929 MI + 0,879 Se
Untuk pabrik kedua mempunyai score:
Zscore = -7,446 + (0,929 x 6,6) + (0,879 x 2,5) = 0,8829 sedangkan hasil
pada kolom discriminant score di output casewise adalah 0,864.
Untuk pabrik ketiga mempunyai score:
Zscore = -7,446 + (0,929 x 6) + (0,879 x 4,3) = 1,9077 sedangkan hasil
pada kolom discriminant score di output casewise adalah 1,889.
Demikian seterusnya bisa dilakukan pembuatan score untuk masing-masing
pabrik.
Hasil score tersebut selanjutnyaakan dibandingkan dengan cut off score, untuk
mengetahui apakah case(pabrik) masuk ke Grup kategori keputusan PT. HATCO.
Selanjutnya akan dijelaskan pembuatan cut off score (nilai batas).
Dari tabel PRIOR PROBABILITIES FOR GROUPS, didapat bahwa jumlah
pabrik yang bahan dasarnya tidak dibeli oleh PT. HATCO adalah 28 pabrik,
sedangkan yang dibeli oleh PT.HATCO adalah 32 pabrik. Dengan demikian,
dikaitkan dengan angka grup controid :
(28 x -1,170)+(32 x 1,024)=-32,76 + 32,76 atau praktis sama dengan NOL (0)
Perhitungan ZCU (angka kritis):

Z CU =

N A ZB+ N B Z A
N A + NB

Dimana:

Z CU

= angka Kritis, yang berfungsi sebagai cut off score

N A dan N B

= Jumlah sampel di grup A dan B, yang di dalam kasus ini adalah

grup tidak dibeli dan dibeli oleh PT. HATCO

Z A dan Z B

Perhitungan:

= angka centroid pada grup A dan B

Z CU =

( 28.1,024 ) + ( 32.1,170 )
60

0,1461

atau praktis sama dengan 0

Penggunaan angka ZCU (Discriminating ZScore)

- Angka skor kasus di atas ZCU, masuk ke grup 1 (PT. HATCO membeli)
- Angka skor kasus di bawah ZCU, masuk ke grup 0 (PT. HATCO tidak
membeli)
Sebagai contoh:
- Case pabrik pertama mempunyai score -0,989. Karena -0,989 < 0, maka
pabrik pertama masuk ke grup 0 (PT. HATCO tidak akan membeli bahan
dasar yang dihasilkannya)
- Case pabrik kedua mempunyai score 0,864. Karena 0,864 > 0, maka
pabrik kedua masuk ke grup 1 (PT. HATCO akan membeli bahan dasar yang
dihasilkannya)
- Case pabrik kedua mempunyai score 1,889. Karena 1,889 > 0, maka
pabrik ketiga masuk ke grup 1 (PT. HATCO akan membeli bahan dasar yang
dihasilkannya)
- Demikan seterusnya semua responden bisa dikategorikan pada satu dan
satu-satunya grup tertentu, grup kategori Beli dan Tidak Beli
Selain dengan melihat angka Discriminant Score seperti di atas, pengelompokan
kasus kasus pada grup tertentu bisa langsung dilihat pada actual dan predict
Grup.
Penafsiran dengan melihat setiap baris:
- Pada baris 1 (Case 1)
Actual grup = 0. Hal ini berarti data awal menyatakan case 1 dikategorikan
sebagai grup 0 (Tidak Beli)
Predictited Group = 0. Hal ini berarti dari hasil perhitungan score, case 1
diprediksi masuk ke grup = 0. Karena sesuai dengan actual grup yang juga
0, berarti fungsi diskriminan mampu mengkategorikan case dengan tepat.
P(G=g|D=d)=0,882 pada Highest Group. Hal ini berarti kemungkinan case
1 tepat diklasifikasikan ke grup 0 adalah 88,2%.
P(G=g|D=d)=0,118 pada Second Highest Group. Hal ini berarti
kemungkinan case 1 tidak tepat diklasifikasikan ke grup 0 adalah 11,8%.
Perhatikan jumlah kedua kemungkinan adalah (88,2% + 11,8%) = 100%.
-

Pada baris 60 (case 60)

Actual grup = 1. Hal ini berarti data awal menyatakan case 60
dikategorikan sebagai grup 1 (Beli)
Predictited Group = 0. Hal ini berarti dari hasil perhitungan score, case 60
diprediksi masuk ke grup = 0. Karena tidak sesuai dengan actual grup
yang juga 1, berarti fungsi diskriminan tidak mampu mengkategorikan
case dengan tepat. Hal ini ditandai dengan tanda **

Demikian seterusnya untuk kasus lainnya, dengan beberapa kasus tidak

tepat diklasifikan, sehingga diberi tanda **
Output 13
Setelah fungsi Diskriminan dibuat, kemudian klasifikasi dilakukan, maka
selanjutnya akan dilihat seberapa jauh klasifikasi tersebut sudah tepat? Atau,
berapa persen terjadi misklasifikasi pada proses klasifikasi tersebut, yang akan
dijelaskan berikut ini.

Pada bagian original, terlihat bahwa mereka yang pada data awal adalah
tergolong kategori keputusan Tidak Beli, dan dari klasifikasi Fungsi Diskriminan
tetap pada kelompok Tidak Beli adalah 25 pabrik. Sedang dengan model
diskriminan, mereka yang awalnya masuk grup Tidak Beli, ternyata menjadi
anggota grup Beli adalah 3 pabrik.
Demikian juga dengan grup Beli, yang tetap pada grup Beli sejumlah
27 pabrik dan yang meleset adalah 5 pabrik.
Dengan demikian, ketepatan prediksi dari model adalah:

25 27
0,867 atau 86,7%
60
Karena angka ketepatan tinggi (86,7%) maka model diskriminan di atas
sebenarnya bisa digunakan untuk analisis diskriminan. Atau penafsiran tentang
berbagai tabel yang ada valid untuk digunakan.
Setelah terbukti bahwa Fungsi Diskriminan mempunyai ketepatan prediksi
yang tinggi, maka fungsi diskriminan tersebut bisa digunakan untuk memprediksi
sebuah kasus, apakah akan diklasifikasikan ke dalam grup Beli atau Tidak
Beli.

6. PENGGUNAAN MODEL DISKRIMINAN

Setelah didapat model diskriminannya, model ini digunakan untuk

membandingkan hasil prediksinya dengan hasil realnya menggunakan holdout
sample yang berjumlah 40 pabrik. Dapat dilihat pada tabel di bawah:
Pab
rik
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82

X
1

X
2

X
3

X
4

X
5

X
6

3,
1
5,
1
4,
1

4,
5
5,
8
5,
5
4,
9
4,
7
4,
5
6,
2
5,
3
3,
7
5,
2
6,
2
3,
1
4,
8
4,
5
6,
6
4,
9
6,
1
3,
3
4,
5
4,
6
3,
8
8,

2,
6
3,
6
2,
5
3,
4
1,
6
2,
6
3,
3

3,
1
2,
3
2,
7
2,
6
3,
2
2,
3
3,
9
2,
5
1,
9
2,
3
2,
9
1,
6
1,
9
2,
7
2,
7
2,
7
2,
6
1,
5
3,
1
2,
1
2,
1
4,

3,
8
4,
5
7,
4

5
4
6
0
4
7
3
6
4
0
4
5
5
9
4
6
5
8
4
9
5
0
5
5
5
1
6
0
4
1
4
9
4
2
4
7
3
9
5
6
5
9
4

3
1,
1
3,
7
4,
2
1,
6
5,
3
2,
3
3,
6
5,
6
3,
6
5,
2
3
4,
2
3,
8
3,
3
1
4,
5
5,
5
3,

3
3,
5
3
4,
5
4
2,
9
3,
3
2,
4
3,
2
2,
2
2,
9
1,
5
3,
1
3,
6
4

6
10
6,
8
7,
3
7,
1
4,
8
9,
1
8,
4
5,
3
4,
9
7,
3
8,
2
8,
5
5,
3
5,
2
9,
9
6,
8
4,
9
6,

Y
predik
si

83
84
85
86
87
88
89
90
91

4
1,
6
2,
3
2,
6
2,
5
2,
4
2,
1
2,
9
4,
3
3

2,
3

6
4,
2
5,
9
4,
8
6,
1
6,
3
7,
1
4,
2
7,
8
4,
9
4,
5

2,
8
2,
8
2,
7
2,
8
2
3,
4
3

0,
6
6,
1

4,
8

3,
3
3,
6
2,
2
2,
2
0,
7
3,
3

Pab
rik

X
1

X
2

X
3

98

3,
1
2,
5

6,
8

2,
4
2,
6
2,
2

92
93
94
95
96
97

99
100

4,
8
3,
1
1,
9

2
6,
4

4
3,
8
2,
5
2,
8
2,
2
2,
7
2,
3
2,
5

8,
4
7,
1

7
4
1
3
7
5
3
4
3
5
1
3
6
3
4
6
0
4
9
3
9
4
3
3
6
3
1
2
5
6
0

X
4

X
5

X
6

2,
7
2,
9

8,
4
8,
4

3
8
4
2
3
3

4
3,
8
1,
4
4
2,
5
2,
1
2,
1
2,
8

3
8,
2
7,
4
6,
8
9
6,
7
7,
2
8
7,
4
7,
9
5,
8
5,
9
8,
2
5

Y
predik
si

Berddasarkan model yang sudah ditentukan didapat 6 pabrik yang meleset dari
hasil sebenarnya.

7. KESIMPULAN

Dari proses diskriminan, dimulai dari uji asumsi-asumsi sampai analisis output,
didapat kesimpulan yang terkait dengan tujuan pada kasus awal
1. Apakah memang ada perbedaan yang jelas di antara keputusan yang
diambil PT. HATCO, sehingga keputusan membeli bahan dasar atau tidak
dapat dengan jelas dibedakan?
Ada perbedaan yang signifikan antara keputusan yang diambil PT. HATCO
dalam membeli bahan dasar yang dihasilkan oleh suatu pabrik. Hal ini
dibuktikan dengan analisis Wilks Lambda.
2. Jika memang ada perbedaan di antara keputusan yang diambil oleh PT.
HATCO, faktor mana yang perbedaannya memang nyata dan faktor mana
yang sesungguhnya tidak jelas berbeda?
Variabel yang mempengaruhi keputusan PT. HATCO berbeda adalah
Manufacturer Image (MI) dan Service (Se). Hal ini dapat dilihat pada step
analisis awal.
3. Model Diskriminan untuk memprediksi PT. HATCO membeli atau tidak
bahan dasar yang dihasilkan oleh suatu pabrik?
ZScore = -7,446 + 0,929 MI + 0,879 Se
4. Sejauh mana ketepatan model diskriminan yang sudah diperoleh dalam
memprediksi keputusan PT. HATCO dalam membeli bahan dasar?
Model diskriminan di atas mempunyai ketepatan mengklasifikasi kasus
sebesar 86,7%. Karena di atas 70%, ketepatan model dianggap tinggi, dan
model di atas bisa digunakan untuk mengklasifikasi sebuah kasus pada
pabrik yang ingin menjual bahan dasar yang dihasilkannya kepada PT.
HATCO.

DAFTAR ISI

Halaman
1. ANALISIS DISKRIMINAN...............................................................................1
1.1 Pendahuluan.......................................................................................... 1
1.2 Asumsi pada Analisis Diskriminan.........................................................1
2. Contoh Kasus.............................................................................................. 1
2.1 Tujuan Analisis Diskriminan...................................................................1
2.2 Jumlah Sampel...................................................................................... 2
3. PENGUJIAN ASUMSI .................................................................................... 5
3.1 Uji Normalitas Multivariat......................................................................5
3.2 Uji Homoskedastisitas Data...................................................................7

3.3 Multikolinieritas..................................................................................... 9
3.4 Deteksi Data Outlier.............................................................................. 9
4. ANALISIS DISKRIMINAN PADA KASUS..........................................................11
4.1 Tahapan Pengujian Analisis Diskriminan................................................11
5. PROSES DISKRIMINAN PADA KASUS............................................................13
5.1 Menggunakan metode Mahalanobis distance dan proses yang dilakukan
proses stepwise (bertahap).................................................................13
6. PENGGUNAAN MODEL DISKRIMINAN..........................................................22
7. KESIMPULAN............................................................................................... 23