Uji Outlier

a. Analyze > Regression > Linier

Variabel dependen = Promosi_jabatan_baru
(pemilihan variabel dependen bebas, karena hanya ingin melihat jarak mahalanobisnya. Sedangkan
sisanya menjadi variabel independen)
Variabel independen = Penghargaan_atas_prestasi_kerja,
Tunjangan_diterima_di_luar_gaji,
Rotasi_jabatan_lain,
Kondisi_kerja_yang_kondusif,
Dukungan_dari_rekan_kerja,
Kenaikan_pangkat_jabatan.
Save: Distance  mahalanobis
b. Mencari t _hitung
Transform > Compute
t_hitung = MAH_1/ jumlah variabel yang dianalisis(6)
c. Mencari t_tabel
Transform > Compute
t_tabel = IDF.T (1-α;jumlah variabel yang dianalisis)
= IDF.T(0.95;6)
d. Kriteria Outlier
Data > Select Cases > If
Digunakan kriteria t_hit < t_tabel, mk pd data SPSS kolom $_filter yang bernomor 0 adalah outlier.
Uji Normalitas Univariat
Analyze > Descriptive Statistics > Explore
Dependen list = Penghargaan_atas_prestasi_kerja,
Tunjangan_diterima_di_luar_gaji,
Rotasi_jabatan_lain,
Promosi_jabatan_baru
Kondisi_kerja_yang_kondusif,
Dukungan_dari_rekan_kerja,
Kenaikan_pangkat_jabatan.
Di bagian Display kiri bawah  Plots
Plots: Boxplots  None
Descriptive  Stem-and-leaf  Histogram
 Normality plot with tests
 Uji Hipotesis: H0 : data berdistribusi normal vs H1 : data tidak berdistribusi normal

Uji Normalitas Multivariat

a. Mengurutkan data MAH_1 dari terkecil ke terbesar
Data > Sort Cases..
Sort by: MAH_2
Sort Order: Ascending
b. Membuat variabel baru “obs” berisi no. 1 - n untuk kasus ini 1 - 59
c. Membuat nilai persentil (varibel baru “prob_value)
Transform > Compute > prob_value = (obs - 0.5) / n
untuk kasus ini prob_value = (obs - 0.5) / 59
d. Menghitung Chi-Square
Transform > Compute > chi_square = IDF.CHISQ (prob_value, banyak variabel independen di
Mahalanobis-1)
untuk kasus ini chi_square = IDF.CHISQ (prob_value, 5)
e. Membuat Scatter Plot
Graphs >Legacy Dialogs > Scatter/Dot > Simple Scatter > Define
Y Axis = chi_square
X Axis = MAH_1
f. Inferensi
Analyze > Correlate > Bivariate
Variabels : chi_square
MAH_1
 Uji Hipotesis: H0 : data berdistribusi normal secara multivariat
H1 : data tidak berdistribusi normal secara multivariat
 Tingkat signifikansi:  = 0.05 n = 59
59 − 55 ( = 59) − ( = 55)
=
60 − 55 ( = 60) − ( = 55)
4 ( = 59) − 0.9787 ( = 59) − 0.9787
= =
5 0.9801 − 0.9787 0.0014
0.0014 × 4
( = 59) = + 0,9787 = 0.97982
5
Uji Validitas
Validitas berasal dari kata validity yang mempunyai arti sejauhmana ketepatan dan kecermatan suatu
alat ukur dalam melakukan fungsi ukurnya. Valid tidaknya suatu alat ukur tergantung pada mampu
tidaknya alat ukur tersebut mencapai tujuan pengukuran yang dikehendaki dengan tepat. Caranya:
Analyze > Scale > Reliability Analysis
Items: Penghargaan_atas_prestasi_kerja
Tunjangan_diterima_di_luar_gaji
Rotasi_jabatan_lain
Promosi_jabatan_baru
Kondisi_kerja_yang_kondusif
Dukungan_dari_rekan_kerja
Kenaikan_pangkat_jabatan
Statistics:  Item  Scale  Scale if Item Deleted
OK
 Uji Hipotesis:
H0 : ρterkoreksi ≤ 0 (skor variabel berkorelasi positif dengan skor faktor)
H1 : ρterkoreksi > 0 (skor variabel tidak berkorelasi positif dengan skor faktor)
 Statistik Uji: nilai r untuk tiap item dapat dilihat pada kolom Corrected Item-Total
Correlation
 Daerah kritik: H0 tidak ditolak jika r hasil positif, serta r hasil > r tabel, sehingga variabel
tersebut dikatakan valid.
Uji Reliabilitas
Uji reliabilitas adalah pengujian kehandalan alat ukur untuk mengetahui sejauh mana suatu pengukuran
dapat memberikan hasil yang sama bila dilakukan pengukuran kembali pada subyek yang sama, selama
aspek yang diukur dalam diri responden tidak mengalami perubahan.
 Uji Hipotesis:
H0 : skor variabel berkorelasi positif dengan komposit faktornya
 H1 : skor variabel tidak berkorelasi positif dengan komposit faktornya
 Statistik Uji: Cronbach’s alpha = 0.677
 Daerah kritik: H0 tidak ditolak jika Cronbach’s alpha > 0.60, sehingga variabel tersebut
dikatakan reliabel.
Analisis Faktor
Analyze > Data Reduction > Faktor
Variabels: Penghargaan_atas_prestasi_kerja
Tunjangan_diterima_di_luar_gaji
Rotasi_jabatan_lain
Kondisi_kerja_yang_kondusif
Dukungan_dari_rekan_kerja
Kenaikan_pangkat_jabatan
Descriptive:  Initial Solution  Anti Image
 KMO and Barlett’s test of sphericity
Extraction:  Unrotated faktor solution  Scree Plot
Rotation:  Varimax  Rotated Solution  Loading Plot(s)
Scores:  Save as variabels  Display faktor score coefficient matrix
a. KMO and Barlett’s test
Dalam pemilihan variabel analisis perlu memperhatikan apakah matriks korelasi adalah matriks
identitas atau bukan, karena matriks identitas tidak dapat digunakan untuk analisis berikut. Untuk
menguji kesesuaian pemakaian analisis faktor digunakan Metode Kaiser-Meyer-Olkin (KMO)
 Uji Hipotesis:
H0 : Sampel belum memadai untuk analisis lebih lanjut
H1 : Sampel sudah memadai untuk analisis lebih lanjut
 Tingkat signifikansi:  = 0.05
 Statistik Uji: Hasil KMO = 0.640 Sig = 0.000
 Daerah kritik: H0 ditolak jika Sign < 
 Kesimpulan: Karena Sign (0.000) <  (0.05) maka H0 ditolak yang berarti bahwa sampel
sudah memadai untuk analisis lebih lanjut atau 64.0 % variansi dapat dijelaskan oleh faktor
tersebut.
b. Measure of Sampling Adequency (MSA)
Untuk mengetahui apakah proses pengambilan sampel telah memadai atau tidak, digunakan
pengukuran Measure of Sampling Adequacy (MSA). Harga MSA yang rendah merupakan
pertimbangan untuk membuang variabel tersebut pada tahap analisis selanjutnya. Harga Measure of
Sampling Adequacy (MSA) berkisar antara 0 sampai 1, dengan kriteria :
 MSA = 1 , artinya variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel lain
 MSA > 0.5 artinya variabel masih bisa diprediksi dan dianalisis lebih lanjut
 MSA < 0.5 artinya variabel tidak bisa diprediksi dan tidak dapat dianalisis lebih lanjut, atau
dikeluarkan dari variabel lainnya.
Semua MSA > 0.5 yang berarti variabel-variabel tersebut masih bisa diprediksi dan dianalisis
lebih lanjut.
c. Communalitas
Variansi Penghargaan_atas_prestasi_kerja = 0.620, artinya 62.0 % variansi dari variansi
Penghargaan_atas_prestasi_kerja dapat dijelaskan oleh faktor yang akan dibentuk.....
d. Total Variance Explained
 Ada 6 variabel yang dimasukkan dalam analisis faktor. Dengan masing-masing variabel yang
mempunyai variansi 1 maka total variansi = 6 x 1 = 6. Kemudian dari 6 variabel tersebut diringkas
menjadi 2 faktor dengan masing-masing variansi yang dapat dijelaskan sebagai berikut:
1= × 100%
7
.
= × 100% = 38.608%

2= × 100%
7
.
= × 100% = 20.537%
Total kedua faktor tersebut akan dapat menjelaskan 59.145% dari variabilitas 6 variabel. Dari tabel di
atas dapat dilihat hanya ada dua faktor yang terbentuk karena nilai eigen kedua variabel tersebut masih
di atas satu. Hal tersebut dapat dilihat juga pada Scree Plot.
e. Scree Plot
Ada 2 nilai eigen >1 yang berarti jumlah faktor yang akan dibentuk ada 2 faktor.
f. Componen Matrix
Tabel Component Matrix menjelaskan distribusi 6 variabel pada dua faktor yang ada. Sedangkan
angka pada tabel adalah faktor loading atau besar korelasi antara suatu variabel dengan faktor 1 dan 2.
Karena masih ada variabel yang tidak memiliki perbedaan yang nyata (Variabel
Dukungan_dari_rekan_kerja) dengan beberapa faktor lainnya, yaitu dengan nilai loading atau besar
korelasi kurang dari 0,55 maka variabel tersebut tidak dapat dimasukkan ke salah satu variabel dengan
melihat besar korelasinya. Karena itu perlu dilakukan rotasi faktor untuk memperjelas kedudukan
variabel tersebut.
g. Rotated Componen Matrix

Rotated Component Matrixa

Component Matrix hasil dari proses rotasi
Component
(Rotated Component Matrix) memperlihatkan distribusi
1 2
Penghargaan_atas_ variabel yang lebih jelas dan nyata dibandingkan
.731 .291
prestasi_kerja dengan jika tidak dilakukan rotasi. Ditentukan angka
Tunjangan_diterima_di_ pembatas (cut of point) = 0.55. Variabel yang memiliki
.162 .848
luar_gaji
faktor loading < 0.55 tidak dapat secara nyata
Rotasi_jabatan_lain -.009 .842
Kondisi_kerja_yang_ dimasukkan ke dalam salah satu faktor. Nilai loading
.838 .141
kondusif terbesar menunjukkan variabel tersebut masuk ke
Dukungan_dari_rekan_ dalam faktor kolom terbesar.
.659 -.118
kerja
 Variabel Penghargaan_atas_prestasi_kerja:
Kenaikan_pangkat_
.409 .369 variabel ini masuk faktor 1 karena korelasi variabel
jabatan
Extraction Method: Principal Component Analysis. Penghargaan_atas_prestasi_kerja dengan faktor 1
Rotation Method: Varimax with Kaiser Normalization. (0.731) lebih kuat dibanding dengan korelasi dengan
a. Rotation converged in 3 iterations. faktor 2 (0.291).... Jadi faktor-faktor yang
mempengaruhi promosi jabatan baru adalah:
Faktor 1 (misalnya disebut Faktor Pendukung), dengan anggota-anggotanya adalah variabel:
Penghargaan_atas_prestasi_kerja
Kondisi_kerja_yang_kondusif
Dukungan_dari_rekan_kerja
Faktor 2 (misalnya disebut Faktor Penunjang), dengan anggota-anggotanya adalah variabel:
Tunjangan_diterima_di_luar_gaji
Rotasi_jabatan_lain
 Analisis cluster K-Means cluster
>>>>>mengelompokkan variabel sesuai yang kita inginkan
Langkah2 di spss:
 Buka file tata letak toko buku.sav
 Analyze>classify>K-means cluster
 Variables: u1-u21
 Label cases by: responden(variabel yang ingin dicluster)
 Number of cluster: 3 (jml cluster yang ingin dibentuk)
 Save: cluster membership dan distance cluster center
 Option: intial cluster centers, ANOVA table dan cluster information for each case
 Output yang ditampilin
 intial cluster centers
Output ini berisi tentang informasi mengenai pusat cluster awal yang ditentukan secara acak oleh
program. Pusat cluster ini kemudian digunakan untuk menghitung jarak masing-masing objek
terhadap pusat cluster pada iterasi pertama.
Initial Cluster Centers

Cluster
1 2 3
Tata letak Buku 1,000 5,320 5,320
Kelengkapan Buku 2,254 4,663 4,663
Buku yang Baru Terbit 4,692 3,335 4,692
Harga Buku yang Kompetitif 1,000 3,642 5,240
Desain Interior yang Menarik 2,000 3,503 5,184
Sistem Informasi yang Mudah Diakses 4,913 3,574 4,913
Pendingin Udara yang Memadai 4,761 4,761 4,761
Penitipan barang yang memadai 1,000 4,916 2,164
Kebersihan gedung 3,635 5,168 5,168
Tempat parkir yang luas 1,000 4,617 2,382
Keamanan tempat parkir 4,017 5,692 2,000
Lokasi TB Gramedia yang strategis 2,000 5,512 5,512
Pelayanan kasir yang cepat 5,478 5,478 3,817
Satpam bertugas dengan baik 5,360 5,360 3,719
Karyawan berpenampilan menarik 5,271 5,271 3,631
Karyawan memahami keinginan konsumen 3,373 4,853 2,000
Karyawan ramah dalam melayani konsumen 5,294 5,294 3,685
Pengetahuan karyawan tetang koleksi buku 2,754 5,708 2,754
Respon atas komplain konsumen 3,668 5,509 2,000
Fasilitas diskon kepada konsumen 1,000 4,680 2,368
Promosi kepada konsumen 5,823 4,123 2,790

 Iteration history
Pada output ini diperlihatkan proses yang dilalui untuk memperoleh jumlah cluster yang
dikehendaki berdasarkan criteria yang diberikan. Tampak bahwa jumlah iterasi yang diperlukan
agar selisih nilai pusat cluster pada iterasi ke n dan iterasi ke n-1 adalah 0 tercapai pada iterasi ke
10, setelah sampai iterasi ke 10 ini proses berhenti karena salah satu kriteria sudah tercapai.
Iteration History(a)

Iteration Change in Cluster Centers

1 2 3
1 5,936 4,420 5,513
2 ,737 ,468 ,207
3 ,394 ,173 ,091
4 ,297 ,132 ,097
5 ,280 ,110 ,106
6 ,224 ,070 ,090
7 ,204 ,000 ,088
8 ,094 ,000 ,043
9 ,073 ,084 ,056
10 ,049 ,000 ,024
a Iterations stopped because the maximum number of iterations was performed. Iterations failed to converge. The maximum absolute
coordinate change for any center is ,018. The current iteration is 10. The minimum distance between initial centers is 9,069.

 Final cluster center

Nilai rata-rata variabel tata letak toko buku di cluster 1 adalah sebesar 3,228. Pada cluster 2
sebesar 4,128 dan pada cluster 3 sebesar 3,773. Terlihat disini cluster 2 lbh puas tata letak toko
buku dibandingin cluster 1 dan 3. Istilahnya variabel ini lebih cenderung ke cluster 2.
Final Cluster Centers

Cluster
1 2 3
Tata letak Buku 3,228 4,128 3,773
Kelengkapan Buku 2,758 3,897 3,416
Buku yang Baru Terbit 2,955 3,709 3,200
Harga Buku yang Kompetitif 2,916 3,374 3,047
Desain Interior yang Menarik 2,573 3,774 3,526
Sistem Informasi yang Mudah Diakses 3,206 4,252 3,706
Pendingin Udara yang Memadai 3,059 3,953 3,294
Penitipan barang yang memadai 2,850 3,597 3,295
Kebersihan gedung 3,596 4,507 3,757
Tempat parkir yang luas 1,944 3,051 2,897
Keamanan tempat parkir 3,969 4,667 3,925
Lokasi TB Gramedia yang strategis 4,054 5,120 4,223
Pelayanan kasir yang cepat 3,554 4,368 3,774
Satpam bertugas dengan baik 3,553 4,168 3,637
Karyawan berpenampilan menarik 3,282 4,146 3,483
Karyawan memahami keinginan konsumen 2,885 3,810 3,048
Karyawan ramah dalam melayani konsumen 3,562 4,284 3,537
Pengetahuan karyawan tetang koleksi buku 3,473 4,287 3,544
Respon atas komplain konsumen 3,315 3,927 3,516
Fasilitas diskon kepada konsumen 2,764 3,381 2,664
Promosi kepada konsumen 3,569 4,081 3,618

 Anova
Pada tabel ANOVA diatas dilakukan pengujian terhadap pusat-pusat cluster yang terbentuk.
Tujuannya adalah untuk mengetahui apakah ada perbedaan yang nyata terhadap pusat cluster
yang terbentuk berdasarkan masing-masing variabel.
H0 : tidak terdapat perbedaan yang nyata antara cluster 1, cluster 2 dan cluster 3
H1 : terdapat perbedaan yang nyata antara cluster 1, cluster 2 dan cluster 3
 Variabel tata letak toko buku, sig=0,000 < α=0,05 maka terdapat perbedaan yang nyata antara
cluster 1, cluster 2 dan cluster 3 berdasarkan jenis berita polkam.
ANOVA

Cluster Error F Sig.

Mean Square df Mean Square df Mean Square df
Tata letak Buku 9,375 2 ,475 178 19,718 ,000
Kelengkapan Buku 14,970 2 ,558 178 26,830 ,000
Buku yang Baru Terbit 7,188 2 ,577 178 12,451 ,000
Harga Buku yang Kompetitif 2,744 2 ,637 178 4,305 ,015
Desain Interior yang Menarik 18,580 2 ,362 178 51,384 ,000
Sistem Informasi yang Mudah Diakses 12,723 2 ,513 178 24,789 ,000
Pendingin Udara yang Memadai 10,679 2 ,531 178 20,107 ,000
Penitipan barang yang memadai 6,453 2 ,624 178 10,349 ,000
Kebersihan gedung 12,140 2 ,265 178 45,831 ,000
Tempat parkir yang luas 16,814 2 ,547 178 30,737 ,000
Keamanan tempat parkir 9,727 2 ,342 178 28,414 ,000
Lokasi TB Gramedia yang strategis 16,997 2 ,317 178 53,613 ,000
Pelayanan kasir yang cepat 8,784 2 ,410 178 21,432 ,000
Satpam bertugas dengan baik 5,797 2 ,467 178 12,401 ,000
Karyawan berpenampilan menarik 10,278 2 ,440 178 23,340 ,000
Karyawan memahami keinginan konsumen 12,545 2 ,494 178 25,386 ,000
Karyawan ramah dalam melayani konsumen 10,032 2 ,438 178 22,923 ,000
Pengetahuan karyawan tetang koleksi buku 10,833 2 ,499 178 21,707 ,000
Respon atas komplain konsumen 4,732 2 ,443 178 10,685 ,000
Fasilitas diskon kepada konsumen 8,708 2 ,644 178 13,512 ,000
Promosi kepada konsumen 4,225 2 ,558 178 7,566 ,001
The F tests should be used only for descriptive purposes because the clusters have been chosen to maximize the differences among
cases in different clusters. The observed significance levels are not corrected for this and thus cannot be interpreted as tests of the
hypothesis that the cluster means are equal.
 Number of cases in each cluster
Pada tabel output diperlihatkan jumlah objek atau responden untuk masing-masing cluster. Pada
cluster 1 berjumlah 42 responden, cluster 2 berjumlah 51 responden dan cluster 3 berjumlah 88
responden.
Number of Cases in each Cluster

Cluster 1 42 responden
2 51 responden
3 88 responden
Valid 181,000
Missing ,000

 Untuk melihat responden masuk dalam cluster mana, dapat dilihat pada data view spss kolom
qcl_1 ATAU pada Cluster Membership dapat juga dilihat dari crostabulation antara responden dan
qcl_1 . Berikut tabel ringkasan dari output kolom qcl_1 :
Dengan analyze>deskrptive>crosstab
Row: responden Coloumn: qcl_1 Cell>persentage>row
Pada output ini terlihat bahwa responden 1,10,11,12, 17 dst masuk dalam cluster 1. Dengan kata
lain pembagian cluster sesuai responden.
Analisis cluster hierarchical
Pelajaran terakhir sampai dengan K-mean cluster, dimana disitu dimulai dengan penentuan jml cluster terlebih
dahulu. Sedangkan yang kita pelajari pada hari ini, dimana dimualai menggabungkan dua objek yang paling
mirip, kemudian gabungan dua objek tersebut bergabung lg dengan satu atau lbh obyek yang paling mirip
lainnya.
Langkah2 di spss:
 Buka file hierarki.sav
 Analyze>classify>hierarchical cluster
 Variables: semua variabel
 Label cases by: susu (variabel yang ingin dicluster)
 Statistic: aglomeration, range of solution (ketik 2 from serta 4 untuk through)
 Plots: dendogram
 Icicle: none
 Method: cluster method>between group linkage, measure>>>squared eclideon distance,
transform value>>>>none (untuk data yang tidak bervariasi, shg tdk perlu
ditransformasikan)///zscore(untuk data yang bervariasi, sehingga perlu
ditransformasikan),
Tambahan aja::::: Untuk standarisasi data pada k-mean cluster dengan:
analyze>descriptive>masukkan data kecuali data yang kategori>aktifkan save standardized values as
variables
 Output yang ditampilin
 Proximity matrix
Menyatakan ringkasan data, dari semua data (18 objek) telah diproses tanpa ada data yang hilang.
Pada kolom Euclidean distance , menunjukkan jarak anatara 2 variabel. Berikut beberapa contoh
interpretasi dari output proximities:
Jarak antara susu 1(oat quaker) dengan susu 2(nestle carnation) sebesar 15,758. Sedangkan
jarak antara susu 1(oat quaker) dengan susu 3(Ligo), hanyalah 0,608. Ini berarti susu 1 lebih
mirip karakteristiknya dengan susu 3, tetapi berbeda jauh dengan susu 2.
 Proximity Matrix
Case Squared Euclidean Distance
16:Anle
1:OA 2:Nestl 7:Frisi 8:Frisi 9:Frisi 15:Pros ne
T e 3:LIGO 6:Danc an an an 10:Frisi 11:Danc 12:Danc 13:Indo 14:Indo teo Kalsiu
Quak Carnati Haverm 4:Ovalti 5:Mil ow Flag Flag Flag an Flag ow ow Full milk Full milk rendah m 17:Tropic 18:Proti
er on out ne o balita Instan Full Cr Coklat Madu Coklat Cream Cream Coklat lemak Tingg ana Slim far
1:OAT 2,85
,000 15,758 ,608 1,464 4,860 7,889 8,140 2,059 4,279 18,954 8,068 8,339 4,014 10,062 4,919 ,593 10,895
Quaker 7
2:Nestle 15,75 22,6 24,32 24,69 26,13
,000 21,134 26,051 21,996 22,993 41,554 24,570 24,356 25,265 20,705 14,707 12,320 14,616
Carnation 8 05 1 9 0
3:LIGO
3,99 11,18 11,45
Havermo ,608 21,134 ,000 ,638 7,445 2,196 6,411 20,644 11,387 11,770 5,442 13,835 7,984 2,077 16,005
2 8 7
ut
4:Ovaltin 2,35 10,12
1,464 26,051 ,638 ,000 6,419 9,729 ,809 4,875 19,125 9,851 10,523 3,440 11,621 7,107 2,949 15,371
e 9 3
5:Milo 2,857 22,605 3,992 2,359 ,000 2,666 4,305 4,874 ,735 1,201 16,293 4,297 5,174 ,376 3,682 1,925 2,675 7,017
6:Dancow 2,66
4,860 21,996 7,445 6,419 ,000 ,383 ,445 3,142 ,352 13,953 ,426 ,519 1,440 4,808 3,335 4,509 4,578
balita 6
7:Frisian
4,30
Flag 7,889 24,321 11,188 9,729 ,383 ,000 ,036 5,347 ,989 14,697 ,003 ,060 2,496 4,619 4,203 7,080 3,946
5
Instan
8:Frisian
4,87
Flag Full 8,140 24,699 11,457 10,123 ,445 ,036 ,000 5,717 1,251 14,549 ,053 ,008 2,927 5,436 4,867 7,457 4,420
4
Cr
9:Frisian
Flag 2,059 26,130 2,196 ,809 ,735 3,142 5,347 5,717 ,000 1,892 15,813 5,403 6,062 ,974 7,441 4,545 2,964 10,811
Coklat
10:Frisian
1,20
Flag 4,279 22,993 6,411 4,875 ,352 ,989 1,251 1,892 ,000 14,477 ,995 1,412 ,388 3,494 2,315 3,891 4,722
1
Madu
11:Danco 18,95 16,2 14,69 14,54 15,81
41,554 20,644 19,125 13,953 14,477 ,000 14,724 14,843 15,076 23,062 21,464 22,440 26,222
w Coklat 4 93 7 9 3
12:Danco
4,29
w Full 8,068 24,570 11,387 9,851 ,426 ,003 ,053 5,403 ,995 14,724 ,000 ,082 2,476 4,480 4,174 7,225 3,899
7
Cream
13:Indomi
5,17
lk Full 8,339 24,356 11,770 10,523 ,519 ,060 ,008 6,062 1,412 14,843 ,082 ,000 3,193 5,557 4,973 7,583 4,299
4
Cream
14:Indomi
4,014 25,265 5,442 3,440 ,376 1,440 2,496 2,927 ,974 ,388 15,076 2,476 3,193 ,000 3,556 2,409 3,875 6,382
lk Coklat
15:Proste
10,06 3,68
o rendah 20,705 13,835 11,621 4,808 4,619 5,436 7,441 3,494 23,062 4,480 5,557 3,556 ,000 1,075 7,250 1,932
2 2
lemak
16:Anlen
1,92
e Kalsium 4,919 14,707 7,984 7,107 3,335 4,203 4,867 4,545 2,315 21,464 4,174 4,973 2,409 1,075 ,000 2,814 2,129
5
Tingg
17:Tropic 2,67
,593 12,320 2,077 2,949 4,509 7,080 7,457 2,964 3,891 22,440 7,225 7,583 3,875 7,250 2,814 ,000 7,381
ana Slim 5
18:Protifa 10,89 7,01 10,81
14,616 16,005 15,371 4,578 3,946 4,420 4,722 26,222 3,899 4,299 6,382 1,932 2,129 7,381 ,000
r 5 7 1
This is a dissimilarity matrix
 Agglomeration schedule
Aglgomerasi akan melakukan pengelompokkan satu per satu. Pada stage 1, objek (susu) nomor
7 dan nomor 12 adalah yang paling mirip, maka mereka menjadi satu kelompok terlebih dahulu.
Kemudian lihat kolom next stage terlihat stage 3 yang berarti proses dilanjutkan ke stage 3. Pada
stage 3, terdapat objek nomor 7 dan nomor 8, hal ini berarti objek nomor 8 masuk pada
kelompok pertama yang sudah terbentuk yaitu 7 dan 12. Dengan demikian sekarang terdapat ada
3 anggota yang sudah diketahui clusternya. Begitu juga seterusnya.
Agglomeration Schedule

Stage Cluster First

Stage Cluster Combined Appears
Cluster 1 Cluster 2 Coefficients Cluster 1 Cluster 2 Next Stage
1 7 12 ,003 0 0 3
2 8 13 ,008 0 0 3
3 7 8 ,058 1 2 8
4 6 10 ,352 0 0 8
5 5 14 ,376 0 0 9
6 1 17 ,593 0 0 11
7 3 4 ,638 0 0 11
8 6 7 ,803 4 3 14
9 5 9 ,855 5 0 13
10 15 16 1,075 0 0 12
11 1 3 1,775 6 7 13
12 15 18 2,031 10 0 14
13 1 5 3,057 11 9 15
14 6 15 4,340 8 12 15
15 1 6 6,611 13 14 16
16 1 11 17,896 15 0 17
17 1 2 22,575 16 0 0

 cluster membership
Terbentuk 2-4 cluster yang anggota dari masing-masing cluster optimum bel output di atas.
Berikut tabel ringkasan dari output diatas:
Cluster Membership

Case 4 Clusters 3 Clusters 2 Clusters

1:OAT Quaker 1 1 1
2:Nestle Carnation 2 2 2
3:LIGO Havermout 1 1 1
4:Ovaltine 1 1 1
5:Milo 1 1 1
6:Dancow balita 3 1 1
7:Frisian Flag Instan 3 1 1
8:Frisian Flag Full Cr 3 1 1
9:Frisian Flag Coklat 1 1 1
10:Frisian Flag Madu 3 1 1
11:Dancow Coklat 4 3 1
12:Dancow Full Cream 3 1 1
13:Indomilk Full Cream 3 1 1
14:Indomilk Coklat 1 1 1
15:Prosteo rendah lemak 3 1 1
16:Anlene Kalsium Tingg 3 1 1
17:Tropicana Slim 1 1 1
18:Protifar 3 1 1

Jika terbentuk 4 cluster

Cluster 1 :Susu oat, ligo, ovaltine, milo, frisian flag coklat, indomilk coklat, dan tropicana slim
Cluster 2 :Nestle
Cluster 3 :Dancow balita, Frisian flag instan, Frisian flag full cr, Frisian flag madu, dancow
full cream, indomilk full cream, Prosteo rendah lemak, Anlene Kalsium tinggi, Protifar
Cluster 4 : Dancow Coklat
Jika terbentuk 3 cluster......
Jika terbentuk 2 cluster......
  Dendogram

Memperlihatkan proses pengklasteran. Dari dendogram terlihat pengklasteran yang mungkin dengan jumlah
2,3, dan 4. Misalkan ingin dibagi menjadi 2 klaster, maka ditarik garis dari angka 20 kemudian terlihat bahwa
cluster 1 terdiri dari surat kabar paling atas yaitu frisian flag instan sampai dancow coklat, sedangkan nestle
terletak pada cluster 2 karena tidak dalam satu garis dengan kelompok cluster 1. Berikut seterusnya cara
membaca dendogram jika ingin melihat dibagi menjadi 3 cluster, maupun 4 cluster.
Diskriminan: 2 faktor atau 3 faktor
Sedikit afak Mirip dengan Regresi Logistik Ganda
Tujuan Analisis Ini:
1. Ingin mengetahui apakah ada perbedaan yang jelas antar grup pada variabel dependen
2. Jika ada, variabel independen manakah pada fungsi diskriminan yang membuat perbedaan grup tersebut
3. Membuat Fungsi/Model Diskriminan
4. Melakukan klasifikasi terhadap obyek
Analisis diskriminan dua faktor
Langkah2 di spss:
 Buka file LDA 2 faktor .sav
 Langkah pertama: checking variabel terlebih dahulu
Analyze>classify>diskriminant
Masukkan variabel minum ke bagian grouping variabel>>>>>>dikarenakan variabel minum
dinyatakan variabel dependen yang berupa kategori
Pada define range untuk variabel minum ditulis 0 pada minimum dan 1 pada maximum
(sesuai kategori dalam data variabel tersebut)
 Masukan semua variabel kecuali variabel minum dan nama ke dalam variabel independent
Statistik: univariate ANOVAs dan Box’s M
OUTPUTNYA:
Checking Variable:
Tests of Equality of Group Means
Wilks' Lambda F df1 df2 Sig.
usia .945 4.247 1 73 .043
berat .934 5.173 1 73 .026
tinggi .946 4.186 1 73 .044
income .894 8.656 1 73 .004
jamkerja .999 .076 1 73 .783
olahraga .946 4.183 1 73 .044
Ada dua cara dalam mengambil keputusan
Dengan angka wilk’s lambda (U/ MENGUJI RATA-RATA TIAP VARIABEL)
Angka ini hanya berkisar 0-1.....jika angka mendekati 0, mk data tiap grup cenderung berbeda,
sedang jika mendekati 1 data tiap grup cenderung sama.
Terkadang kriteria mendekati 1 sangat sulit ditentukan secara pasti, seperti contoh ini semua
variabel memungkinkan anka wilk’s lambda mendekati 1, tp jika dilihat sig....ternyata hanya 1
variabel saja yang tidak lolos....sehingga lebih mudah melihatnya, dengan menggunakan F test
Dengan F test (PAKE NI AJA)
dilihat dari sig
Apabila sig> α, berarti tidak ada perbedaan antar grup (G LOLOS)
Apabila sig<α, berarti ada perbedaan antar grup
1. Menilai var yg layak dianalisis
Ternyata var jam kerja tdk signifikan sehingga tidak dimasukkan ke dalam analisis selanjutnya
2. Proses diskriminan
Variabel yg digunakan: Usia Berat Tinggi Income olahraga
Box's M U/ MENGUJI VARIANSI DARI SETIAP VARIABEL
ASUMSI DALAM ANALISIS DISKRIMINAN
1. Variansi Variabel Independen u/ tiap Grup seharusnya sama => LOG DETERMINAN
2. Variansi di antara variabel-variabel independen seharusnya sama => BOX’S
Test Results
Box's M 28.145
F Approx. 1.222
df1 21
df2 19569.371
Sig. .220
Tests null hypothesis of equal population covariance matrices.
Digunakan untuk uji asumsi matriks kovarians tiap variabel independen.
H0 : group covariance matrice relative sama.
H1 : group covariance matrice berbeda secara nyata.
Karena nilai sig =0,220 > α=0,05 maka H0 tidak ditolak, yang berarti bahwa group covariance matrice
relative sama (homogen).
Log Determinants
minum Rank Log Determinant
sedikit 6 14.085
banyak 6 14.258
Pooled within-groups 6 14.556
The ranks and natural logarithms of determinants printed are those of the group covariance matrices.
 Nilai log determinant yang dihasilkan TIDAK berbeda cukup jauh (RELATIF SAMA), hal ini
berarti bahwa group covariance matrice tidak berbeda secara nyata untuk kedua faktor(“sedikit”
dan “banyak”)
 Langkah berikutnya analisis diskriminan.
Analyze>classify>diskriminant
Masukkan variabel minum ke bagian grouping variabel>>>>>>dikarenakan variabel minum
dinyatakan variabel dependen yang berupa kategori
Pada define range untuk variabel minum ditulis 0 pada minimum dan 1 pada maximum (sesuai
kategori dalam data variabel tersebut)
Masukan semua variabel kecuali variabel minum dan nama ke dalam variabel independent
Use stepwise method
Statistics: descriptive>>>>means, fuction coeficients>>>>>fisher’s dan unstandardized
Method: mahalobis, use probability of F
Classify: casewise result, leave one out classification
Save : prediction membership, discriminant scores
OUTPUT
 Variables entered/removed
a,b,c,d
Variables Entered/Removed
Wilks' Lambda
Exact F
Step Entered Statistic df1 df2 df3 Statistic df1 df2 Sig.
1 income .894 1 1 73.000 8.656 1 73.000 .004
2 berat .834 2 1 73.000 7.170 2 72.000 .001
3 tinggi .763 3 1 73.000 7.343 3 71.000 .000
At each step, the variable that minimizes the overall Wilks' Lambda is entered.
a. Maximum number of steps is 10.
b. Minimum partial F to enter is 3.84.
c. Maximum partial F to remove is 2.71.
d. F level, tolerance, or VIN insufficient for further computation.
Karena proses stepwise(bertahap) maka akan dimulai dg variabel yg mempunyai angka F yang terbesar.
Tahap pemasukkan variabel independent:
Tahap pertama, angka F hitung variabel income adalah yang terbesar mencapai 8,656, maka pada tahap
pertama ini variabel income dipilih, Dst
Jika dilihat sig, maka ketiga variabel mempunyai sig < 0,05..dengan demikian ketiga variabel tersebut
mempengaruhi variabel minum.
 Wilk’s lambda
Wilks' Lambda
Exact F
Number of
Step Variables Lambda df1 df2 df3 Statistic df1 df2 Sig.
1 1 .894 1 1 73 8.656 1 73.000 .004
2 2 .834 2 1 73 7.170 2 72.000 .001
3 3 .763 3 1 73 7.343 3 71.000 .000

Perinsipnya disini adalah varians total dalam discriminant scores yang tidak bisa dijelaskan oleh
perbedaan diantara grup-grup yang ada.
Jika dilihat sig pada F test terlihat ketiga variabel signifikan terhadap variabel minum, itu menandakan
bahwa ketiga variabel tersebut memang berbeda untuk kedua tipe konsumen.
 Summary of canonical discriminant function
 Eigenvalues
Canonical
Function Eigenvalue % of Variance Cumulative % Correlation
a
1 .310 100.0 100.0 .487
a. First 1 canonical discriminant functions were used in the analysis.
Ini untuk mengukur keeratan hubungan antara discriminant score dg grup(dalam hal ini ada dua grup
tipe konsumen). Angka 0,487 menunjukkan keeratan yg cukup tinggi, ukuran asosiasi 0-1
 Wilk’s lambda
Wilks' Lambda
Test of Wilks'
Function(s) Lambda Chi-square df Sig.
1 .763 19.321 3 .000
Dari output diatas, didapatkan nilai sig=0,000 < α=0,05 yang menunjukkan ada perbedaan yang jelas
antara 2 group
 Structure matrix
Structure Matrix Pooled within-groups correlations between discriminating variables and standardized
Function canonical discriminant functions
1 Variables ordered by absolute size of correlation within function.
income .618
a. This variable not used in the analysis.
usia
a Output diatas menjelaskan korelasi antara variabel independen dengan fungsi
.521
berat diskriminan yang terbentuk. Terlihat variabel income paling erat hubungannya
.478
olahragaa .475
dengan fungsi distriminant, diikuti variabel usia, berat dan sterusnya. Hanya saja
tinggi -.430
variabel usia dan olahraga tidak dimasukkan ke dalam model discriminant.
 Canonical discriminant function coefficients
Canonical Discriminant Function
Coefficients
Function
1
berat .064
tinggi -.093
income .006
(Constant) 7.884
Unstandardized coefficients
Dari output diatas, didapatkan fungsi diskriminan sebagai berikut
Z score  7,884  0,064berat  0,093tinggi  0,006income
 Function at group centroids
Functions at Group Centroids
Function
minum 1
sedikit .542
banyak -.557
Unstandardized canonical discriminant functions evaluated at group means
Prior Probabilities for Groups
Cases Used in Analysis
minum Prior Unweighted Weighted
sedikit .500 38 38.000
banyak .500 37 37.000
Total 1.000 75 75.000
 Kedua output diatas, digunakan untuk mencari nilai Zcritical unstandardized
N Z  NBZ A
Z cu  A B
NA  NB
Keterangan :
A = “sedikit”
B =”banyak”

38( 0,557)  37(0,542)

Z cu   0,01483
38  37

ZB Zcu ZA
-0,557 -0,01483 0,542
Z score  7,884  0,064berat  0,093tinggi  0,006income
Penggunaan Zcu, jika :
o Nilai Zscore > Zcu masuk group “sedikit”
o Nilai Zscore < Zcu masuk group “banyak”
Untuk lebih jelasnya data terdapat dalam data view, dis_1 menunjukkan responden tersebut masuk
dalam group mana. Sedangkan dis1_1 adalah nilai dari Zscore dari responden tersebut.
Classification Resultsb,c

Predicted Group
Membership
minum sedikit banyak Total
Original Count sedikit 27 11 38
banyak 13 24 37
% sedikit 71,1 28,9 100,0
banyak 35,1 64,9 100,0
Cross-validated a Count sedikit 27 11 38
banyak 13 24 37
% sedikit 71,1 28,9 100,0
banyak 35,1 64,9 100,0
a. Cross validation is done only for those cases in the analysis. In
cross validation, each case is classified by the functions derived
from all cases other than that case.
b. 68,0% of original grouped cases correctly classified.
c. 68,0% of cross-validated grouped cases correctly classified.

Analisis diskriminan dua faktor

Langkah2 di spss:
 Buka file LDA 3 faktor .sav
 Langkah pertama: checking variabel terlebih dahulu sama seperti LDA 2
 Langkah berikutnya analisis diskriminan.
Analyze>classify>diskriminant
Masukkan variabel minum ke bagian grouping variabel>>>>>>dikarenakan variabel minum
dinyatakan variabel dependen yang berupa kategori
Pada define range untuk variabel minum ditulis 0 pada minimum dan 2 pada maximum (sesuai
kategori dalam data variabel tersebut)
Masukan semua variabel kecuali variabel minum dan nama ke dalam variabel independent
Use stepwise method
 Statistics: descriptive>>>>univariat ANOVAs, fuction coeficients>>>>>unstandardized
Method: mahalobis, criteria>>>use probability of F, display>>>>F for pairwise distances
Classify: display>>>>>>>casewise result, leave one out classification, plot>>>>>teritorial map
Save : prediction membership, discriminant scores
OUTPUT
 Variables entered/removed
a,b,c,d
Variables Entered/Removed
Min. D Squared
Exact F
Step Entered Statistic Between Groups Statistic df1 df2 Sig.
1 usia .093 sedang and banyak 1.083 1 72.000 .302
2 berat .162 sedang and banyak .929 2 71.000 .400
At each step, the variable that maximizes the Mahalanobis distance between the two closest groups is
entered.
a. Maximum number of steps is 12.
b. Maximum significance of F to enter is .05.
c. Minimum significance of F to remove is .10.
d. F level, tolerance, or VIN insufficient for further computation.
Karena proses stepwise(bertahap) maka akan dimulai dg variabel yg mempunyai angka F yang terbesar.
Tahap pemasukkan variabel independent:
Tahap pertama, angka F hitung variabel income adalah yang terbesar mencapai 1,083, maka pada tahap
pertama ini variabel income dipilih, Dst
Jika dilihat sig, maka ketiga variabel mempunyai sig < 0,05..dengan demikian kedua variabel tersebut
mempengaruhi variabel minum.
 Wilk’s lambda
Wilks' Lambda
Exact F
Number of
Step Variables Lambda df1 df2 df3 Statistic df1 df2 Sig.
1 1 .904 1 2 72 3.821 2 72.000 .026
2 2 .789 2 2 72 4.456 4 142.000 .002
Step1 ke Step 2 Wiks’Lambda makin kecil itu lebih bagus
Perinsipnya disini adalah varians total dalam discriminant scores yang tidak bisa dijelaskan oleh
perbedaan diantara grup-grup yang ada.
Jika dilihat sig pada F test terlihat ketiga variabel signifikan terhadap variabel minum, itu menandakan
bahwa ketiga variabel tersebut memang berbeda untuk kedua tipe konsumen.
 Pairwise group comparisons
a,b
Pairwise Group Comparisons Digunakan u/ melihat sejauh mana
Step minum sedikit sedang banyak perbedaan antar group
1 sedikit F 3.041 7.306 Group mana yg bedanya jauh, mana yg
Sig. .085 .009 bedanya dekat.
sedang F 3.041 1.083 Yg paling jauh =grup sedikit dan banyak (liat
Sig. .085 .302 nile F)
banyak F 7.306 1.083
Yg paling deket = grup sedang dan banyak
Sig. .009 .302
(liat nile F)
2 sedikit F 4.441 8.697
8,697 = Maksudnya konsumen di grup
Sig. .015 .000
sedikit berbeda jauh profilnya (usia&beratnya) dari
sedang F 4.441 .929
Sig. .015 .400
grup yg banyak
banyak F 8.697 .929 0,929 = Maksudnya konsumen di grup
Sig. .000 .400 sedang berbeda sangat kecil (sedikit) profilnya
a. 1, 72 degrees of freedom for step 1. (usia&beratnya) dari grup yg banyak
b. 2, 71 degrees of freedom for step 2.
  Summary of canonical discriminant function
Eigenvalues
Canonical
Function Eigenvalue % of Variance Cumulative % Correlation
a
1 .266 99.7 99.7 .458
a
2 .001 .3 100.0 .030
a. First 2 canonical discriminant functions were used in the analysis.
 Nile Canonical Correlation sudah cukup tinggi jika nilainya >0,4  yg lemah gpp,
.458 = maksudnya keeratannya cukup tinggi .030 = maksudnya keeratannya cukup rendah
cuz interpretasinya harus pake fungsi 2-2nya, maksudnya walaupun lemah tetap dipakai karena kita
menggunakan 2 variabel dan 2 variabel tersebut itu ada di step 2.
 Wilk’s lambda =:= Bagusnya ada perbedaan karena kita ingin melihat perbedaan
Wilks' Lambda
Test of Function(s) Wilks' Lambda Chi-square df Sig.
1 through 2 .789 16.908 4 .002
2 .999 .065 1 .799
1 through 2
H0 : tidak ada perbedaan rata2 (centroid/PUSAT) dari kedua fungsi diskriminan (ada
fungsi 1 dan fungsi 2).
H1 : ada perbedaan rata2 (centroid) dari kedua fungsi diskriminan.
,002 < 0.05, H0 ditolak
2 Fungsi yang ke-2 itu dari grup sedang dan banyak
H0 : tidak ada perbedaan rata2 (centroid) dari fungsi diskriminan 2 ( grup. Sedang-
banyak)
H1 : ada perbedaan rata2 (centroid) dari fungsi diskriminan 2 ( grup. Sedang-banyak).
,799 > 0.05, H0 diterima
 Structure matrix
 Menerangkan nile korelasi antara var. yg terbentuk Structure Matrix
 Yg ada tanda a, ga sig Function
Usia masuk ke fungsi dikriminan yg ke-2 karena nilai korelasi di 1 2
*
fungsi 2 > di fungsi 1 berat .812 -.583
a *
Usia masuk ke fungsi dikriminan yg ke-1 karena nilai korelasi di tinggi .192 -.102
a *
fungsi 2 < di fungsi 1 jamkerja .054 -.043
*
 Canonical discriminant function coefficients = pembuatan usia .630 .776
a *
income .446 .663
fungsi diskriminan a
olahraga .199 .492*
Canonical Discriminant Function Coefficients Didapat fungsi
Pooled within-groups correlations
Function diskriminan between discriminating variables and
1 2 Zscore1 = -7,169 + ,079 berat standardized canonical discriminant
+,093 usia functions
usia .093 .129
Variables ordered by absolute size
berat .079 -.064 Zscore2 = -,516 -,064berat + of correlation within function.
(Constant) -7.169 -.516 ,129 usia *. Largest absolute correlation
Unstandardized coefficients between each variable and any
discriminant function
 Function at group centroids= pusatnya
a. This variable not used in the
Functions at Group Centroids analysis.
Function
minum 1 2
sedikit .622 (pusatnya) -.012
sedang -.194 .039
banyak -.590 -.032
Unstandardized canonical discriminant functions evaluated at group means
 Prior Probabilities for Groups
Cases Used in Analysis
Unweighted
minum Prior (orang) Weighted
sedikit .333 28 28.000
sedang .333 26 26.000
banyak .333 21 21.000
Total 1.000 75 75.000

Untuk menentukan var. mana aj yg masuk ke grup mana

Zscore1 = -7,169 + ,079 berat +,093 usia (sumbu x)
Zscore2 = -,516 -,064berat + ,129 usia (sumbu y)
Misal: Rusdi (SEDIKIT)
Zscore1 = -7,169 + ,079 berat +,093 usia = -7,169 + ,079 (60) +,093 (40) (sumbu x) = 1,686 (liat di Dist. 1_1)
Zscore2 = -,516 -,064berat + ,129 usia = -,516 -,064(60) + ,129 (40) = 0,480 (liat di Dist. 1_2)
 b,c
Classification Results
Predicted Group Membership
minum sedikit sedang banyak Total
Original Count sedikit 19 4 5 28
sedang 7 9 10 26
banyak 4 4 13 21
% sedikit 67.9 14.3 17.9 100.0
sedang 26.9 34.6 38.5 100.0
banyak 19.0 19.0 61.9 100.0
a
Cross-validated Count sedikit 18 4 6 28
sedang 8 6 12 26
banyak 4 4 13 21
% sedikit 64.3 14.3 21.4 100.0
sedang 30.8 23.1 46.2 100.0
banyak 19.0 19.0 61.9 100.0
a. Cross validation is done only for those cases in the analysis. In cross validation, each case
is classified by the functions derived from all cases other than that case.
b. 54,7% of original grouped cases correctly classified.
c. 49,3% of cross-validated grouped cases correctly classified.

diprediksi dengan benar dr 75 responden sebanyak 54,7%