Anda di halaman 1dari 25

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
Pabri
k
X1 X2 X3 X4 X5 X6 Y
1 4,1 4,7 2,4 2,3 5,2 32 0
2 1,8 6,6 2,5 4 8,4 43 1
3 3,4 6 4,3 2,7 8,2 48 1
4 2,7 5,9 1,8 2,3 7,8 32 0
5 6 7,8 3,4 4,6 4,5 58 1
6 1,9 4,8 2,6 1,9 9,7 45 0
7 4,6 6,6 3,5 4,5 7,6 46 1
8 1,3 5,1 2,8 2,2 6,9 44 0
9 5,5 4,7 3,5 3 7,6 63 1
10 4 6 3,7 3,2 8,7 54 1
11 2,4 4,8 2 2,8 5,8 32 0
12 3,9 4,6 3 2,5 8,3 47 0
13 2,8 3,8 2,1 1,4 6,6 39 0
14 3,7 5,7 2,7 3,7 6,7 38 0
15 4,7 6,7 3 2,6 6,8 54 1
16 3,4 4,7 2,7 1,7 4,8 49 0
17 3,2 5,1 3,6 2,9 6,2 38 1
18 4,9 4,3 3,4 1,5 5,9 40 0
19 5,3 6,1 3,3 3,9 6,8 54 1
20 4,7 6,7 3 2,6 6,8 55 1
21 3,3 4 2,1 1,8 6,3 41 0
22 3,4 2,5 1,2 1,7 5,2 35 0
23 3 7,1 3,5 3,4 8,4 55 1
24 2,4 4,8 1,9 2,5 7,2 36 0
25 5,1 4,8 3,3 2,6 3,8 49 1
26 4,6 5,8 3,4 2,8 4,7 49 1
27 2,4 4,8 1,9 2,5 7,2 36 0
28 5,2 6,1 3,2 3,9 6,7 54 1
29 3,5 3,5 3,1 1,7 5,4 49 0
30 4,1 5,5 3,9 3 8,4 46 1
31 3 5,3 3,1 3 8 43 1
32 2,8 6,9 3,3 3,2 8,2 53 1
33 5,2 5,9 3,7 2,4 4,6 60 1
34 3,4 5,7 3,5 3,4 8,4 47 1
35 2,4 3,4 1,7 1,1 6,2 35 0
36 1,8 4,5 2,5 2,4 7,6 39 0
37 3,6 5,8 3,7 2,5 9,3 44 1
38 4 5,4 2,4 2,6 7,3 46 1
39 3 5,4 1,1 2,6 8,9 29 1
40 2,4 4,5 2,1 2,2 8,8 28 0
41 1,9 4,6 2,6 2,5 7,7 40 0
42 5,9 7,8 3,4 4,6 4,5 58 1
43 4,9 4,5 3,6 1,3 6,2 53 0

Pabri
k
X1 X2 X3 X4 X5 X6 Y
44 5 4,7 3,1 2,5 3,7 48 1
45 2 3,7 2,4 1,7 8,5 38 0
46 5 4,6 3,7 1,4 6,3 54 0
47 3,1 4,5 2,6 3,2 3,8 55 0
48 3,4 5,6 3,6 2,3 9,1 43 1
49 5,8 4,5 3 2,4 6,7 57 0
50 5,4 3 3,8 1,4 5,2 53 0
51 3,7 6 2,1 2,5 5,2 41 0
52 2,6 5 3,6 2,5 9 53 1
53 4,5 5,9 4,3 3,4 8,8 50 1
54 2,8 4,9 2,5 2,6 9,2 32 0
55 3,8 2,9 1,6 2,1 5,6 39 0
56 2,9 7 2,8 3,6 7,7 47 1
57 4,9 6,9 4,6 4 9,6 62 1
58 5,4 5,5 4 3 7,7 65 1
59 4,3 5,4 3,1 2,5 4,4 46 1
60 2,3 4,7 3,3 2,2 8,7 50 1

Data dari 40 pabrik yang digunakan untuk menguji analisis ditampilkan dalam tabel di bawah:
Holdout Sample
Pabri
k
X1 X2 X3 X4 X5 X6 Y
61 3,1 4,5 2,6 3,1 3,8 54 0
62 5,1 5,8 3,6 2,3 4,5 60 1
63 4,1 5,5 2,5 2,7 7,4 47 1
64 3 4,9 3,4 2,6 6 36 1
65 1,1 4,7 1,6 3,2 10 40 0
66 3,7 4,5 2,6 2,3 6,8 45 0
67 4,2 6,2 3,3 3,9 7,3 59 1
68 1,6 5,3 3 2,5 7,1 46 1
69 5,3 3,7 3,5 1,9 4,8 58 0
70 2,3 5,2 3 2,3 9,1 49 1
71 3,6 6,2 4,5 2,9 8,4 50 1
72 5,6 3,1 4 1,6 5,3 55 0
73 3,6 4,8 2,9 1,9 4,9 51 0
74 5,2 4,5 3,3 2,7 7,3 60 1
75 3 6,6 2,4 2,7 8,2 41 1
76 4,2 4,9 3,2 2,7 8,5 49 1
77 3,8 6,1 2,2 2,6 5,3 42 0
78 3,3 3,3 2,9 1,5 5,2 47 0
79 1 4,5 1,5 3,1 9,9 39 0
80 4,5 4,6 3,1 2,1 6,8 56 0
81 5,5 3,8 3,6 2,1 4,9 59 0
82 3,4 8,2 4 4,4 6,3 47 1
83 1,6 6,4 2,3 3,8 8,2 41 1
84 2,3 5 3 2,5 7,4 37 0
85 2,6 6 2,8 2,8 6,8 53 1
86 2,5 4,2 2,8 2,2 9 43 0
87 2,4 5,9 2,7 2,7 6,7 51 1
88 2,1 4,8 2,8 2,3 7,2 36 0
89 2,9 6,1 2 2,5 8 34 1
90 4,3 6,3 3,4 4 7,4 60 1
91 3 7,1 3 3,8 7,9 49 1
92 4,8 4,2 3,3 1,4 5,8 39 0

Pabri
k
X1 X2 X3 X4 X5 X6 Y
93 3,1 7,8 3,6 4 5,9 43 1
94 1,9 4,9 2,2 2,5 8,2 36 0
95 4 4,5 2,2 2,1 5 31 0
96 0,6 5 0,7 2,1 8,4 25 0
97 6,1 4,8 3,3 2,8 7,1 60 1
98 2 5 2,4 2,7 8,4 38 0
99 3,1 6,8 2,6 2,9 8,4 42 1
100 2,5 5 2,2 3 6 33 0

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
3.1 Uji Normalitas Multivariat
Uji normalitas pada multivariat ada dua cara. Pertama, dengan menguji pada setiap variabel.
Kedua, dilakukan pada seluruh variabel secara bersama-sama. 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:
1 X = 3,65833
2
1
S = 1,68349
2 X = 5,235
2
1
S = 1,30401
3 X = 2,96
2
1
S = 0,59227
4 X = 2,655
2
1
S = 0,67472
5 X = 6,95833
2
1
S = 2,66925
6 X = 46,15
2
1
S = 79,3839

Matriks Kovarians
(
(
(
(
(
(
(
(

=
79,384 1,635 - 2,530 4,944 4,103 7,676
1,635 - 2,669 0,160 0,171 0,354 0,914 -
2,530 0,160 0,675 0,210 0,735 0,265
4,944 0,171 0,210 0,592 0,372 0,564
4,103 0,354 0,735 0,372 1,304 0,332
7,676 0,914 - 0,265 0,564 0,332 1,683
S
(
(
(
(
(
(
(
(

0,034 0,011 0,003 - 0,191 - 0,035 - 0,079 -


0,011 0,646 0,082 - 0,739 - 0,100 - 0,581
0,003 - 0,082 - 3,924 0,350 2,195 - 0,334 -
0,191 - 0,739 - 0,350 4,670 0,458 - 1,060 -
0,035 - 0,100 - 2,195 - 0,458 - 2,228 0,163
0,079 - 0,581 0,334 - 1,060 - 0,163 1,644
1
S

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

Pabri
k
1 1 X X 2 2 X X 3 3 X X

4 4 X X 5 5 X X
6 6 X X
2
) ( j
d
2
) ( j
d
diurutkan
|
.
|

\
|
60
5 , 0
2
6
j
_
1 0,442 -0,535 -0,560 -0,355 -1,758 -14,150 6,650 1,286 0,815
2 -1,858 1,365 -0,460 1,345 1,442 -3,150 6,614 2,108 1,237
3 -0,258 0,765 1,340 0,045 1,242 1,850 6,598 2,108 1,517
4 -0,958 0,665 -1,160 -0,355 0,842 -14,150 8,215 2,122 1,744
5 2,342 2,565 0,440 1,945 -2,458 11,850 10,258 2,226 1,941
6 -1,758 -0,435 -0,360 -0,755 2,742 -1,150 5,725 2,345 2,120
7 0,942 1,365 0,540 1,845 0,642 -0,150 7,630 2,374 2,285
8 -2,358 -0,135 -0,160 -0,455 -0,058 -2,150 7,814 2,636 2,441
9 1,842 -0,535 0,540 0,345 0,642 16,850 9,730 2,754 2,589
10 0,342 0,765 0,740 0,545 1,742 7,850 2,226 2,774 2,732
11 -1,258 -0,435 -0,960 0,145 -1,158 -14,150 4,591 2,809 2,870
12 0,242 -0,635 0,040 -0,155 1,342 0,850 2,345 3,540 3,004
13 -0,858 -1,435 -0,860 -1,255 -0,358 -7,150 2,809 3,543 3,135
14 0,042 0,465 -0,260 1,045 -0,258 -8,150 4,746 3,708 3,264
15 1,042 1,465 0,040 -0,055 -0,158 7,850 7,091 3,713 3,392
16 -0,258 -0,535 -0,260 -0,955 -2,158 2,850 5,102 3,812 3,517
17 -0,458 -0,135 0,640 0,245 -0,758 -8,150 8,837 4,269 3,642
18 1,242 -0,935 0,440 -1,155 -1,058 -6,150 8,048 4,295 3,766
19 1,642 0,865 0,340 1,245 -0,158 7,850 4,295 4,436 3,889
20 1,042 1,465 0,040 -0,055 -0,158 8,850 7,379 4,564 4,012
21 -0,358 -1,235 -0,860 -0,855 -0,658 -5,150 2,122 4,591 4,136
22 -0,258 -2,735 -1,760 -0,955 -1,758 -11,150 10,503 4,598 4,259
23 -0,658 1,865 0,540 0,745 1,442 8,850 5,194 4,698 4,383
24 -1,258 -0,435 -1,060 -0,155 0,242 -10,150 2,108 4,746 4,508
25 1,442 -0,435 0,340 -0,055 -3,158 2,850 4,803 4,766 4,633
26 0,942 0,565 0,440 0,145 -2,258 2,850 3,540 4,803 4,760
27 -1,258 -0,435 -1,060 -0,155 0,242 -10,150 2,108 4,817 4,887
28 1,542 0,865 0,240 1,245 -0,258 7,850 4,269 5,102 5,017
29 -0,158 -1,735 0,140 -0,955 -1,558 2,850 5,158 5,158 5,148
30 0,442 0,265 0,940 0,345 1,442 -0,150 3,708 5,181 5,281
31 -0,658 0,065 0,140 0,345 1,042 -3,150 1,286 5,194 5,416
32 -0,858 1,665 0,340 0,545 1,242 6,850 4,817 5,609 5,554
33 1,542 0,665 0,740 -0,255 -2,358 13,850 6,158 5,653 5,694
34 -0,258 0,465 0,540 0,745 1,442 0,850 2,374 5,725 5,837
35 -1,258 -1,835 -1,260 -1,555 -0,758 -11,150 4,766 5,776 5,984
36 -1,858 -0,735 -0,460 -0,255 0,642 -7,150 2,754 5,891 6,134
37 -0,058 0,565 0,740 -0,155 2,342 -2,150 4,698 6,041 6,288
38 0,342 0,165 -0,560 -0,055 0,342 -0,150 2,774 6,158 6,447
39 -3,658 0,165 -1,860 -0,055 1,942 -17,150 10,793 6,181 6,611

Pabri
k
1 1 X X 2 2 X X 3 3 X X

4 4 X X 5 5 X X
6 6 X X
2
) ( j
d
2
) ( j
d
diurutkan
|
.
|

\
|
60
5 , 0
2
6
j
_
40 -1,258 -0,735 -0,860 -0,455 1,842 -18,150 6,181 6,221 6,780
41 -1,758 -0,635 -0,360 -0,155 0,742 -6,150 2,636 6,598 6,955
42 2,242 2,565 0,440 1,945 -2,458 11,850 10,116 6,614 7,137
43 1,242 -0,735 0,640 -1,355 -0,758 6,850 6,041 6,650 7,327
44 1,342 -0,535 0,140 -0,155 -3,258 1,850 4,564 7,091 7,525
45 -1,658 -1,535 -0,560 -0,955 1,542 -8,150 3,543 7,379 7,733
46 1,342 -0,635 0,740 -1,255 -0,658 7,850 5,891 7,630 7,952
47 -0,558 -0,735 -0,360 0,545 -3,158 8,850 15,890 7,809 8,183
48 -0,258 0,365 0,640 -0,355 2,142 -3,150 4,436 7,814 8,429
49 2,142 -0,735 0,040 -0,255 -0,258 10,850 7,949 7,949 8,692
50 1,742 -2,235 0,840 -1,255 -1,758 6,850 9,196 8,048 8,975
51 0,042 0,765 -0,860 -0,155 -1,758 -5,150 5,776 8,215 9,282
52 -1,058 -0,235 0,640 -0,155 2,042 6,850 5,181 8,837 9,618
53 0,842 0,665 1,340 0,745 1,842 3,850 5,653 9,023 9,992
54 -0,858 -0,335 -0,460 -0,055 2,242 -14,150 5,609 9,196 10,412
55 0,142 -2,335 -1,360 -0,555 -1,358 -7,150 9,023 9,730 10,895
56 -0,758 1,765 -0,160 0,945 0,742 0,850 3,713 10,116 11,466
57 1,242 1,665 1,640 1,345 2,642 15,850 7,809 10,258 12,168
58 1,742 0,265 1,040 0,345 0,742 18,850 6,221 10,503 13,088
59 0,642 0,165 0,140 -0,155 -2,558 -0,150 3,812 10,793 14,449
60 -1,358 -0,535 0,340 -0,455 1,742 3,850 4,598 15,890 17,272

Keterangan:
1 1 X X ... 6 6 X X

: data dikurangkan rata-rata setiap variabelnya
( ) ( ) 60 ..., , 2 , 1 ,
1 2
) (
=
'
=

j x x S x x d
j j j
: ukuran jarak kuadrat (squared generalized
distances)
|
.
|

\
|
60
5 , 0
2
6
j
_ : distribusi Chi Kuadrat dengan derajat bebas p = 6

3.1.3 Output plot
Output menggunakan softare MS. EXCEL, dapat dilihat pada grafik di bawah:


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:
H
0
: kedua varians populasi adalah identik (Homoskedastisitas)
H
1
: kedua varians populasi adalah tidak identik (Heteroskedastisitas)
: 5%

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

0.000
2.000
4.000
6.000
8.000
10.000
12.000
14.000
16.000
18.000
20.000
0.000 5.000 10.000 15.000 20.000
diurutkan



Kriteria Uji:
Jika Probabilitas (SIG) > 0,05, maka H
0
diterima
Jika Probabilitas (SIG) < 0,05, maka H
0
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:
H
0
: Tidak ada korelasi antar variabel independen
H
1
: Ada korelasi antar variabel independen (multikolinieritas)
: 5%

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



Kriteria Uji:
Tolak H
0
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:
H
0
: Tidak ada perbedaan antar grup
H
1
: Ada perbedaan antar grup
: 5%

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



Kriteria Uji:
Jika Sig. > 0,05 H
0
diterima
Jika Sig. < 0,05 H
0
ditolak

Kesimpulan:
Berdasarkan tabel di atas didapat bahwa:

Angka Sig. Variabel Delivery Speed (DS) < 0,05
Angka Sig. Variabel Manufacturer Image (MI) < 0,05
Angka Sig. Variabel Service (Se) < 0,05
Angka Sig. Variabel Sales Force Image (SFI) < 0,05
Angka Sig. Variabel Product Quality (PQ) > 0,05
Angka Sig. Variabel 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:
H
0
: group covariance matrices adalah relatif sama
H
1
: 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 mula-mula.

Pabri
k
X1 X2 X3 X4 X5 X6 Y
1 4,1 4,7 2,4 2,3 5,2 32 0
2 1,8 6,6 2,5 4 8,4 43 1
3 3,4 6 4,3 2,7 8,2 48 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 Z
CU
(angka kritis):


Dimana:

= angka Kritis, yang berfungsi sebagai cut off score


= Jumlah sampel di grup A dan B, yang di dalam kasus ini adalah grup tidak dibeli dan
dibeli oleh PT. HATCO

= angka centroid pada grup A dan B




Perhitungan:

( ) ( )


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:
% 7 , 86 867 , 0
60
27 25
atau =
+

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:

Pabri
k
X1 X2 X3 X4 X5 X6 Y
Y
prediksi
61 3,1 4,5 2,6 3,1 3,8 54 0 0
62 5,1 5,8 3,6 2,3 4,5 60 1 1
63 4,1 5,5 2,5 2,7 7,4 47 1 0
64 3 4,9 3,4 2,6 6 36 1 1
65 1,1 4,7 1,6 3,2 10 40 0 0
66 3,7 4,5 2,6 2,3 6,8 45 0 0
67 4,2 6,2 3,3 3,9 7,3 59 1 1
68 1,6 5,3 3 2,5 7,1 46 1 1
69 5,3 3,7 3,5 1,9 4,8 58 0 0
70 2,3 5,2 3 2,3 9,1 49 1 1
71 3,6 6,2 4,5 2,9 8,4 50 1 1
72 5,6 3,1 4 1,6 5,3 55 0 0
73 3,6 4,8 2,9 1,9 4,9 51 0 0
74 5,2 4,5 3,3 2,7 7,3 60 1 0
75 3 6,6 2,4 2,7 8,2 41 1 1
76 4,2 4,9 3,2 2,7 8,5 49 1 0
77 3,8 6,1 2,2 2,6 5,3 42 0 1
78 3,3 3,3 2,9 1,5 5,2 47 0 0
79 1 4,5 1,5 3,1 9,9 39 0 0
80 4,5 4,6 3,1 2,1 6,8 56 0 0
81 5,5 3,8 3,6 2,1 4,9 59 0 0
82 3,4 8,2 4 4,4 6,3 47 1 1
83 1,6 6,4 2,3 3,8 8,2 41 1 1
84 2,3 5 3 2,5 7,4 37 0 0
85 2,6 6 2,8 2,8 6,8 53 1 1
86 2,5 4,2 2,8 2,2 9 43 0 0
87 2,4 5,9 2,7 2,7 6,7 51 1 1
88 2,1 4,8 2,8 2,3 7,2 36 0 0
89 2,9 6,1 2 2,5 8 34 1 0
90 4,3 6,3 3,4 4 7,4 60 1 1
91 3 7,1 3 3,8 7,9 49 1 1
92 4,8 4,2 3,3 1,4 5,8 39 0 0
93 3,1 7,8 3,6 4 5,9 43 1 1
94 1,9 4,9 2,2 2,5 8,2 36 0 0
95 4 4,5 2,2 2,1 5 31 0 0
96 0,6 5 0,7 2,1 8,4 25 0 0
97 6,1 4,8 3,3 2,8 7,1 60 1 0

Pabri
k
X1 X2 X3 X4 X5 X6 Y
Y
prediksi
98 2 5 2,4 2,7 8,4 38 0 0
99 3,1 6,8 2,6 2,9 8,4 42 1 1
100 2,5 5 2,2 3 6 33 0 0

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

Anda mungkin juga menyukai