Contoh Soal Analisis Diskriminan dengan Menggunakan Program

SPSS
1. Sebuah perusahaan bergerak dalam penjualan Air Mineral mengumpulkan data sekelompok
konsumen air mineral dengan variabel berikut;

Tipe konsumen dari banyak tipe Air Mineral yang minum dengan kode:
Kode 0 = SEDIKIT (konsumne yang termasuk tipe sedikit minum air mineral)
Kode 1 = BANYAK (konsumen yang termasuk tipe bnayak minum air Mineral)

Usia konsumen (tahun)

Berat badan konsumen (kilogram)

Tinggi badan konsumen (centimeter)

Pendapatan konsumen (ribuan rupiah/bulan)

Jam kerja konsumen dalam sehari (jam)

Kegiatan olahraga konsumen dalam sehari (jam)
NB: Variabel NAMA tidak disetakan dalam proses Analisis diskriminan karena berupa data
string (berisi karakter dan bukan angka)
No Nama Minum Usia Berat Tinggi Income Jam Olahraga
kerja
1 Rusdi Sedikit 40 65 154 680 5.33 3.0
2 Nina sedikit 30 70 157 700 5.30 3.6
3 Lanny sedikit 25 60 158 580 5.27 3.5
4 citra sedikit 26 75 160 600 5.33 3.0
5 Dina Sedikit 40 50 159 700 5.5 3.5
6 Siska Banyak 28 62 158 440 5 2.2
7 Lusi Sedikit 29 50 160 580 5.07 2.9
8 Lenny Sedikit 40 52 165 800 5.13 4
9 Rudi Banyak 35 68 150 700 5.17 3.5
10 Roby Sedikit 36 70 152 720 5.23 3.6
11 Bambang Sedikit 39 50 154 780 5.33 3.9
12 Yunus Sedikit 30 62 155 600 5.30 3
13 Lestari Sedikit 34 60 157 680 5.27 2.9
14 Erni Banyak 35 51 160 700 5.33 4
15 Esti Banyak 29 62 165 580 5.5 3.5
16 Hany Banyak 30 51 162 600 5 3.6
17 Hesty Sedikit 35 80 157 700 5.33 3.9
18 Susan Banyak 22 52 154 440 5.3 3
19 Lilis Sedikit 40 72 155 800 5.27 3.4
20 Lita Banyak 41 45 164 820 5.33 3.5
21 Lina Sedikit 32 42 160 640 5.5 2.9
22 Rani Sedikit 29 54 157 580 5.30 3
23 Baby Banyak 21 35 150 420 5.27 3.5
24 Andre Banyak 25 50 154 500 5.07 2.5
25 Hengky Sedikit 30 60 158 600 5.2 3
26 Hana Sedikit 45 40 159 900 5.13 4.5
27 Eli Banyak 35 45 158 700 5.17 3.5
28 Renata Sedikit 35 42 152 700 5.23 3.5
29 Dewi Banyak 30 51 156 600 5.3 3
30 Jodan Sedikit 24 75 154 480 5.13 2.4
31 Gunawan Banyak 28 42 155 560 5.17 2.8
32 Lina Banyak 27 51 157 540 5.23 2.7
33 Vina Banyak 20 55 159 400 5.3 2
34 Rina Sedikit 26 70 160 520 5.33 2.6
35 Sugeng Sedikit 29 40 162 580 5.4 2.9
36 Handoko Banyak 20 42 156 400 5.2 2.0
37 Herman Banyak 35 51 153 700 5.1 3.5
38 Sobari Sedikit 31 70 162 620 5.4 3.1
39 Rully Banyak 34 55 164 680 5.74 3.4
40 Binsar Sedikit 28 52 160 560 5.33 2.8
41 Fanny Banyak 29 51 165 580 5.5 2.9
42 Fenny Banyak 21 40 162 420 5.4 2.1
43 Yulita Sedikit 22 70 179 440 5.23 2.2
44 Yulia Banyak 22 65 159 440 5.3 2.2
45 Richard Sedikit 25 47 154 500 5.13 2.1
46 Rosy Banyak 30 40 158 600 5.27 2.2
47 Leoni Sedikit 45 49 159 900 5.3 2.2
48 Agnes Sedikit 35 59 156 700 5.2 2.5
49 Deddy Banyak 39 70 175 780 5.13 3
50 Dodik Banyak 34 45 155 680 5.17 4.5
51 Dimas Banyak 24 58 160 480 5.33 2.4
52 Kiky Sedikit 31 75 175 620 5.4 3.1
53 Conny Sedikit 32 70 156 640 5.2 3.2
54 Mary Sedikit 35 59 160 700 5.33 3.5
55 Susy Banyak 38 70 174 760 5.4 3.8
56 Usman Banyak 20 46 163 400 5.43 2
57 Salim Banyak 25 55 168 500 5.13 2.5
58 James Banyak 29 49 153 580 510 2.9
59 Joni Banyak 28 62 179 700 5.4 3.5
60 Jono Sedikit 27 41 148 780 5.2 3.9
61 Kristanto Sedikit 26 47 160 680 5.33 3.4
62 Karim Banyak 22 47 164 480 5.4 2.4
63 Melani Sedikit 20 49 157 760 5.43 3.8
64 Rusmin Banyak 24 48 178 400 5.13 2
65 Sulastri Sedikit 25 59 160 500 5.1 2.5
66 Liliana Banyak 32 48 162 420 5.3 2.1
67 Prihardi Banyak 34 46 168 740 5.07 3.7
68 Suhardi Sedikit 32 45 159 700 5.1 3.5
69 Susana Banyak 21 58 158 600 5.3 3
 70 Titik Sedikit 37 47 159 720 5.07 3.6
71 Tatik Banyak 35 46 175 700 5.3 3.5
72 Nanik Sedikit 30 52 150 600 5.27 3.6
73 Ninik Sedikit 36 44 162 720 5.3 3.5
74 Nuning Banyak 39 55 162 780 5.2 2.5
75 Gala Banyak 30 50 165 600 5.5 2.1

Contoh Interprestasi Data :

Pada baris pertama, konsumen dengan nama Rusdi ternyata termasuk orang yang sedikit
minum Air Mineral. Ia berusia 40 tahun, berat badan 65 kilogram dengan tingga 154 centimeter,
penghasilan perbulan Rp. 680.000,- dalam sehari pekerja rata-rata 5,33 jam, serta melakukan
aktivitas berolah raga rata-rata 3 jam perhari. Demikian seterusnya untuk konsumen tau kasus
selanjunya.
Dari file diskriminan yang berisi profil Pembelian Air Mineral dalam Kemasan (AMDK)
dari segala macam merk tersebut, akan dilakukan analisis diskriminan untuk mengetahui:
Apakah ada perbedaan yang signifikan antara mereka yang banyak minum AMDK dengan
mereka yang sedikit meminumnya?
Jika ada perbedaan yang signifikan, variabel apa saja yang membuat perilaku konsumsi air
mineral mereka berbeda?
Membuat model diskriminan dua factor (karena hanya ada mereka yang SEDIKIT dengan yang
BANYAK) untuk kasus tersebut.
Menguji ketepatan model (fungsi) diskriminan.

Langkah-langkah Analisis Data dengan menggunakan SPSS:

Buka file Diskriminan
Dari menu Analyze, pilih submenu Classify, lalu pilih Diskriminan
Pengisian (mirip dengan pengisian pada modul selanjutnya):
- Masukan variabel minum pada bagian Grouping Variabel
- Kemudian buka icon Define Range., Masukan angka 0 pada variabel minimum dan angka 1
pada variabel maksimum. Kemudian tekan tombol Continue untuk kembali ke kotak dialog
utama.

Soal Berikutnya
2. Seorang peneliti menggunakan analisis diskriminan untuk mendapatkan fungsi guna menduga
frekuensi liburan keluarga (Y), dimana variable Y terdiri dari 3 kategori, yakni Y=1 untuk
frekuensi liburan rendah, Y=2 untuk frekuensi liburan sedang, Y=3 untuk frekuensi liburan
tinggi. Variabel yang digunakan sebagai penduga Y adalah :

X1= pendapatan keluarga per bulan (juta rupiah)

X2= sikap terhadap perjalanan (skala 1-7, dari sangat negatif sampai sangat positif)
X3= tingkat kepentingan liburan keluarga (skala 1-7, dari sangat tidak penting sampai sangat
penting)

X4= jumlah anggota keluarga

X5=umur kepala keluarga

Adapun data sebagai berikut :

No Y X1 X2 X3 X4 X5

1 1 1,5 1 1 6 25

2 1 2 1 1 7 30

3 1 1,17 1 1 8 55

4 1 3,5 2 1 9 60

5 1 1,25 2 1 5 30

6 2 5,3 3 3 3 32

7 2 6,5 3 4 4 31

8 2 4,7 4 4 4 45

9 2 4,65 4 3 5 42

10 2 3,75 5 4 5 41

11 3 10 7 7 2 43

12 3 15 6 7 1 45

13 3 13 7 6 3 29

14 3 14 6 6 2 28

15 3 8 7 6 2 26

16 1 1,5 1 1 10 23

17 1 2,3 2 1 7 24

18 1 3,1 1 2 8 32

19 1 1,4 1 2 9 34

20 1 0,75 2 2 6 47
 21 2 3,2 3 4 4 49

22 2 4,5 4 4 5 50

23 2 6,1 6 4 4 36

24 2 4,3 4 5 5 31

25 2 3,8 4 5 5 39

26 3 11 7 7 2 35

27 3 12 5 7 3 42

28 3 12,5 7 6 2 43

29 3 13,7 6 6 3 44

30 3 19 6 7 1 45

Berdasarkan hasil pengolahan tersebut:

A) Simpulkan apakah model analisis diskriminan yang didapat secara statistik signifikan pada taraf
nyata 5 %. Jelaskan !

B) simpulkan variabel apa saja yang pengaruhnya nyata dalam memisahkan ketiga kategori
frekuensi liburan keluarga? Jelaskan

C) beri penjelasan atas territorial map yang terbentuk

D) jika keluarga Hartono memiliki pendapatan 5 juta rupiah, sikap terhadap perjalanan=7, tingkat
kepentingan terhadap liburan=5, jumlah anggota keluarga=5, dan umur kepala keluarga adalah
40 th, maka dugalah frekuensi liburan Hartono tersebut!
Jawaban :

OUTPUT SPSS

Wilks' Lambda

Test of Wilks' Chi-

Function(s) Lambda square df Sig.

1 through 2 ,016 103,151 10 ,000

2 ,623 11,846 4 ,019

Tests of Equality of Group Means

Wilks'
Lambda F df1 df2 Sig.

X1 ,130 90,203 2 27 ,000

X2 ,106 114,081 2 27 ,000

X3 ,060 212,337 2 27 ,000

X4 ,178 62,349 2 27 ,000

X5 ,975 ,342 2 27 ,714

Canonical Discriminant Function Coefficients

Function

1 2

X1 ,256 ,471

X2 ,760 -,014
X3 1,200 -,517

X4 -,260 ,446

X5 -,012 -,032

(Constant
-7,681 -1,811
)

Unstandardized coefficients

Functions at Group Centroids

Function

Y 1 2

1 -6,979 ,552

2 -,275 -1,044

3 7,254 ,492

Unstandardized canonical discriminant functions evaluated at group means

 Territorial Map

Canonical Discriminant

Function 2

-12,0 -8,0 -4,0 ,0 4,0 8,0 12,0

12,0 12 23

12 23

12 23

12 23

12 23

12 23

8,0 12 23

12 23

12 23

12 23

12 23

12 23

4,0 12 23

12 23

12 23

12 23

12 23

* 12 23 *

,0 12 23

12 23

12 * 23

12 23

12 23
 12 23

-4,0 12 23

12 23

12 23

12 23

12 23

12 23

-8,0 12 23

12 23

12 23

12 23

12 23

12 23

-12,0 12 23

-12,0 -8,0 -4,0 ,0 4,0 8,0 12,0

Canonical Discriminant Function 1

Symbols used in territorial map

Symbol Group Label

------ ----- --------------------

1 1

2 2

3 3

* Indicates a group centroid

a. Hasil Uji Signifikasi Model Deskriminan
Tersaji di bagian wilks lambda, tampak bahwa fungsi diskriminan 1 hingga 2 diperoleh nilai sig
0.000 karena sig<5% maka disimpulkan fungsi diskriminan 1 hingga 2 signifikan pada taraf
nyata 5%. Sedangkan untuk uji signifikasi diskriminan 2 diperoleh nilai sig sebesar 0,019.
Karena sig<5% maka dapat disimpulkan fungsi diskriminan 2 juga signifikan untuk memisahkan
ke tiga grup pada taraf nyata 5%. Proses di uraikan sebagai berikut :
HIPOTESIS :
Ho : Fungsi diskriminan tidak signifikan
H1 : Fungsi diskriminan signifikan

STATISTIK UJI fungsi diskriminan 1 hingga 2 :

Wilks Lambda = = 0,016

Chi-Square = -[(n-1)-( )][ln ]=103,151

Statistik Chi-Square menyebar dengan derajat bebas fungsi diskriminan 1 hingga 2 (p-
r+1)(G-r)=10 dari tabel diperoleh nilai (df=10)5%=18,307. Nilai Sig dihitung darii
Sig=peluang( df=10>103,151)=0,000. Karena Sig<5% atau Chi-Square> (df=10)5% maka
disimpulkan tolak Ho pada taraf nyata 5%.

STATISTIK UJI fungsi diskriminan 2 :

Wilks Lambda = = 0,623

Chi-Square = -[(n-1)-( )][ln ]= 11,846

Statistik Chi-Square menyebar dengan derajat bebas fungsi diskriminan 2 (p-r+1)(G-r)=4
dari tabel diperoleh nilai (df=4)5%=9,488. Nilai Sig dihitung darii Sig=peluang(
df=4>103,151)=0,000. Karena Sig<5% atau Chi-Square> (df=4)5% maka disimpulkan tolak
Ho pada taraf nyata 5%.

b. Hasil Uji Signifikasi Variabel Independen

Tersaji di bagian Test Of Equality of Group Means, tampak bahwa nilai Sig untuk variabel X1,
X2, X3 dan X4 kurang dari 5%, sehingga dapat disimpulkan variabel X1, X2, X3, dan X4
signifikan dalam mendeskriminasi frekuensi liburan keluarga pada taraf nyata 5%. Sementara
variabel X5 tidak signifikan.
Uji X1
HIPOTESIS :
Ho : Variabel 1 tidak berpengaruh signifikan terhadap frekuensi liburan keluarga
H1 : Variabel 1 berpengaruh signifikan terhadap frekuensi liburan keluarga

STATISTIK UJI :
Wilks Lambda = = 0,130
 F= = 90,203

Statistik F menyebar mengikuti sebaran F dengan derajat bebas V1=2 V2=27. Pada tabel F
diperoleh nilai F (V1=2 V2=27)5% = 3,35. Pada output diperoleh nilai Sig, dimana sig=peluang
(F(v2,v2=27) > 90,203)=0,000. Karena Sig,5% atau F> Ftabel maka disimpulkan tolak Ho pada
taraf nyata 5%.
Uji X2
HIPOTESIS :
Ho : Variabel 1 tidak berpengaruh signifikan terhadap frekuensi liburan keluarga
H1 : Variabel 1 berpengaruh signifikan terhadap frekuensi liburan keluarga

STATISTIK UJI :
Wilks Lambda = = 0,106

F= = 114,081

Statistik F menyebar mengikuti sebaran F dengan derajat bebas V1=2 V2=27. Pada tabel F
diperoleh nilai F (V1=2 V2=27)5% = 3,35. Pada output diperoleh nilai Sig, dimana sig=peluang
(F(v1=2,v2=27) >114,081
)=0,000. Karena Sig,5% atau F> Ttabel maka disimpulkan tolak Ho pada taraf nyata 5%.
Uji X3
HIPOTESIS :

Ho : Variabel 1 tidak berpengaruh signifikan terhadap frekuensi liburan keluarga

H1 : Variabel 1 berpengaruh signifikan terhadap frekuensi liburan keluarga

STATISTIK UJI :

Wilks Lambda = =0,060

F= = 212,337

Statistik F menyebar mengikuti sebaran F dengan derajat bebas V1=2 V2=27. Pada tabel F
diperoleh nilai F (V1=2 V2=27)5% = 3,35. Pada output diperoleh nilai Sig, dimana sig=peluang
(F(v1=2,v2=27) >212,337)=0,000. Karena Sig 5% atau F> Ttabel maka disimpulkan tolak Ho
pada taraf nyata 5%.
 Uji X4
HIPOTESIS :

Ho : Variabel 1 tidak berpengaruh signifikan terhadap frekuensi liburan keluarga

H1 : Variabel 1 berpengaruh signifikan terhadap frekuensi liburan keluarga

STATISTIK UJI :

Wilks Lambda = = 0,178

F= = 62,349 Statistik F menyebar mengikuti sebaran F dengan derajat bebas V1=2 V2=27.

Pada tabel F diperoleh nilai F (V1=2 V2=27)5% = 3,35. Pada output diperoleh nilai Sig, dimana
sig=peluang (F(v1=2,v2=27) >62,349)=0,000. Karena Sig 5% atau F> Ttabel maka disimpulkan
tolak Ho pada taraf nyata 5%.

c. Penjelasan Teritorrial Map

Berdasarkan Functions at Group Centroids dihasilkan teritorrial map berdimensi
dua yang terbagi kedalam 3 wilayah

d. Dari fungsi diskriminan ke satu dapat diperoleh :

=-7,681+0,256X1+0,760X2+1,2X3-0,26X4-0,012X5
=-7,681+0,256(5)+0,76(7)+1,2(5)-0,26(5)-0,012(40)
= 3,139
=-1,811+0,471X1-0,014X2-0,517X3+0,446X4-0,032X5

=-1,811+0,471(5)-0,014(7)-0,517(5)+0,446(5)-0,032(40)

=-1.189

Berdasarkan hasil perhitungan skor =3,139 dan skor =-1.189 maka selanjutnya dapat
dipetakan pada territorial map diatas, dan ternyata frekuensi liburan keluarga tersebut jatuh
pada grup 2. Dengan demikian keluarga Hartono termasuk kepada grup yang frekuensi liburan
keluarganya sedang.
ASUMSI ANALISIS DISKRIMINAN

Analisis diskriminan mempunyai asumsi bahwa data berasal dari multivariate normal distribution dan
matrik kovarian kedua kelompok perusahaan adalah sama. Asumsi multivariate normal distribution
penting untuk menguji signifikansi dari variabel diskriminator dan fungsi diskriminan. Jika data tidak
normal secara multivariate, maka secara teori uji signifikansi menjadi tidak valid. Hasil klasifikasi
menurut teori juga dipengaruhi oleh multivariate normal distribution. Apabila diketahui bahwa asumsi
multivariate normal distribution tidak dipenuhi maka sebaiknya menggunakan analisis logistic
regression. Logistic regression tidak memerlukan asumsi distribusi normal untuk variabel bebasnya.

Data tentatif ini akan kita gunakan untuk menjelaskan teknik analisis diskriminan. Contoh berikut adalah
dua rasio keuangan EBITASS (rasio earning before interest and tax terhadap total asset) dan ROTC
(return on total capital) 24 sampel perusahaan yang dibagi ke dalam dua kelompok yaitu 12 perusahaan
sehat dan 12 perusahaan bangkrut.

Apabila data ini kita plot, maka dapat dilihat sampai seberapa jauh kedua rasio keuangan ini mampu
membedakan kedua kelompok perusahaan sehat dan perusahaan bangkrut.
Gambar di atas menunjukkan bahwa kedua kelompok perusahaan sehat dan bangkrut dapat dipisahkan
secara nyata dilihat dari rasio EBITASS DAN ROTC. Hal ini berarti bahwa setiap rasio keuangan dapat
membedakan dua kelompok perusahaan sehat dan bangkrut. Melihat perbedaan dua kelompok
perusahaan dengan hanya melihat satu variabel disebut dengan analisis univariate. Uji statistik untuk
univariate dapat dilakukan dengan uji beda t-test. Sedangkan melihat perbedaan dua kelompok
perusahaan berdasarkan pada kombinasi kedua rasio keuangan secara bersama-sama disebut dengan
analisis multivariate. Variabel yang memberikan pembeda (diskriminan) terbaik disebut dengan variabel
diskriminan (discriminator variable). Mengidentifikasi sekelompok variabel yang dapat menjadi
pembeda terbaik kedua kelompok perusahaan adalah tujuan utama dari analisis diskriminan.

Berikut ini langkah analisis diskriminan :

IDENTIFIKASI AXIS BARU

Apabila pada gambar di atas kita membuat axis baru Z yang merupakan garis diagonal dengan sudut 45o
dari garis EBITASS, maka kita memproyeksikan katakanlah titik P pada garis diagonal Z dengan
persamaan :

Zp = w1 EBITASS + w2 ROTC

Besarnya w1 = cos 45 = 0,707 dan w2 = sin 45 = 0,707 dengan demikian persamaan Zp menjadi :

Zp = 0,707 EBITASS + 0,707 ROTC

Persamaan ini merupakan kombinasi linear dari rasio keuangan EBITASS dan ROTC untuk perusahaan P.
Jadi proyeksi suatu titik pada garis Z memberikan variabel baru Z yang merupakan kombinasi linear dari
variabel rasio keuangan. Jadi tujuan kedua analisis diskriminan adalah mencari axis baru yaitu Z dimana
variabel baru Z memberikan maksimum kemampuan untuk membedakan antara dua kelompok
perusahaan. Axis baru ini disebut linear discriminant function atau sering disingkat discriminant
function. Proyeksi suatu titik pada discriminant function (atau nilai dari variabel baru Z) disebut
discriminant score. Tujuan ketiga yang ingin dicapai oleh analisis diskriminan adalah pengelompokkan
atau klasifikasi observasi ke dalam satu dari dua kelompok perusahaan di masa datang.

MEMILIH VARIABEL DISKRIMINATOR

Perbedaan rata-rata masing-masing rasio keuangan untuk kedua kelompok perusahaan sehat dan
bangkrut dapat diuji dengan uji beda t-test. Hasil uji t test dapat di bawah ini.

Nilai t hitung untuk EBITASS adalah 9,854 dan ROTC sebesar 11,528. Oleh karena nilai t hitung lebih
besar dari nilai t tabel pada tingkat signifikan 5%, maka dapat disimpulkan bahwa kedua rasio keuangan
ini mampu membedakan kedua kelommpok perusahaan dan akan digunakan untuk membentuk fungsi
diskriminan. U t test hanya berdasarkan pada pendekatan univariate, yaitu uji t test untuk masing-
masing rasio keuangan. Pendekatan yang lebih disukai adalah dengan uji multivariate, di mana kedua
rasio keuangan diuji secara simultan atau bersama-sama.

FUNGSI DISKRIMINAN DAN KLASIFIKASI

Misalkan kombinasi linear atau fungsi diskrimina yang membentuk variabel baru (score discriminant)
sebagai berikut :

Z = w1 EBITASS + w2 ROTC

Di mana Z adalah fungsi diskriminan, maka tujuan analisis diksriminan adalah menentukan nilai w1 dan
w2 dari fungsi diskriminan di atas agar memaksimumkan nilai lambda.

lambda = between group sum of square / within group sum of square

Fungsi diskriminan didapat dengan memaksimumkan nilai lambda dan disebut Fisher's linear
discriminant function.
Langkah analisis dengan SPSS.

a. buka file
b. dari menu utama SPSS, pilih menu Statistics/Analyze kemudian submenu Classify, lalu pilih
Discriminant.

c. tampak di layar windows Discriminant Analysis.

d. pada Box Grouping Variable isikan CODE dan definisikan perusahaan sehat 1 dan bangkrut 2.
e. pada Box Independent isikan variabel EBITASS dan ROTC.
f. pilih Statistics dan aktifkan pilihan test statistics descriptive, Matrice dan function coefficient.
Penilaian signifikan variabel diskriminan dapat dilihat dari nilai rata-rata dari rasio keuangan apakah
berbeda secara signifikan untuk perusahaan sehat dan bangkrut. Untuk menguji apakah ada perbedaan
secara signifikan antara kedua kelompok perusahaan dapat dilakukan dengan uji t test. Alternatif lain
adalah dengan menggunakan Wilk's L test statistics. Semakin kecil nilai Wilk's L maka semakin besar
probabilitas hipotesis nol (tidak ada perbedaan rata-rata populasi) ditolak. Untuk menguji signifikansi
nilai Wilk's L maka dapat dikonversikan kedalam F ratio.

Dari tampilan group statistik jelas bahwa nilai rata-rata kedua rasio keuangan antara perusahaan sehat
dan bangkrut berbeda yaitu 0,18533 untuk perusahaan sehat dan 0,035167 untuk perusahaan bangkrut
dilihat dari rasio EBITASS. Sedangkan rasio ROTC dengan rata-rata 0,18350 untuk perusahaan sehat dan
0,00333 untuk perusahaan bangkrut.

Dilihat dari test statistik Wilk's L jelas ada perbedaan secara signifikan yaitu untuk EBITASS nilai Wilk's L
sebesar 0,185 dan signifikan pada 0,000. Sedangkan nilai Wilk's L ROTC sebesar 0,142 juga signifikan
pada 0,000. Hasil ini menunjukkan bahwa kedua variabel rasio keuangan dapat digunakan untuk
membentuk variabel diskriminan.
Persamaan estimati fungsi diskriminan unstandardized dapat dilihat dari output Canonical Discriminant
Function Coefficient dengan persamaan sebagai berikut :

Z = -3,195 + 13,430 EBITASS + 18,353 ROTC

Untuk menguji signifikansi statistik dari fungsi diskriminan digunakan multivariate test of signifikance.
Oleh karena dalam kasus ini lebih dari satu variabel deskriminator yaitu EBITASS dan ROTC, maka untuk
menguji perbedaan kedua kelompok perusahaan untuk semua variabel secara bersama-sama digunakan
multivariate test. Uji Wilk's L dapat diaproksimasi dengan statistik Chi-square.

Besarnya nilai Wilk's L sebesar 0,115 atau sama dengan Chi-square 45,498 dan ternyata nilai ini
signifikan pada 0,000 maka dapat disimpulkan bahwa fungsi diskriminan signifikan secara statistik yang
berarti nilai rata-rata score diskriminan untuk kedua kelompok perusahaan berbeda secara nyata.

Walaupun secara statistik perbedaan kedua kelompok perusahaan itu signifikan, tetapi untuk tujuan
praktis perbedaan kedua kelompok perusahaan tadi tidak begitu besar. Hal ini dapat terjadi pada kasus
dengan jumlah sampel yang besar. Untuk menguji seberapa besar dan berarti perbedaan antara kedua
kelompok perusahaan dapat dilihat dan nilai Square Canonical Correlation (CR2). Square Canonical
Correlation identik dengan R2 pada regresi yaituu mengukur variasi antara kedua kelompok perusahaan
yang dapat dijelaskan oleh variabel diskriminannya. Jadi CR2 mengukur sebagai kuat fungsi diskriminan.

Tampilan output Eigenvalues menunjukkan bahwa besarnya Canonical Correlation adalah sebesar 0,941
atau besarnya Square Canonical Correlation (CR2) = (0,941)2 atau sama dengan 0,885. Jadi dapat
disimpulkan bahwa 88,5% variasi antara kelompok perusahaan sehat dan bangkrut yang dapat
dijelaskan oleh variabel diskriminan rasio EBITASS dan ROTC.

Menilai pentingnya variabel diskriminan dan arti dari fungsi diskriminan dapat dilakukan dengan melihat
fungsi diskriminan standardized.

Tampilan standardized canonical discriminat function menunjukkan bahwa besarnya koefisien EBITASS
0,501 dan koefisien ROTC sebesar 0,703. Koefisien yang sudah distandarisasi digunakan untuk menilai
pentingnya variabel diskriminator secara relatif dalam membentuk fungsi diskriminan. Makin tinggi
koefisien yang telah distandarisasi, maka makin penting variabel tersebut terhadap variabel lainnya dan
sebaliknya. Variabel rasio EBITASS relatif lebih penting dibandingkan variabel rasio ROTC dalam
membentuik fungsi diskriminan.

Oleh karena score diskriminan adalah indeks gabungan atau kombinasi linear dari variabel awal, maka
perlu untuk mengetahui apakah arti dari score diskriminan. Nilai loading dari structure coefficient dapat
digunakan untuk menginterpretasikan kontribusi setiap variabel untuk membentuk fungsi diskriminan.
Nilai loading variabel diskriminator merupakan korelasi antara score diskriminan dan variabel
diskriminator dan nilai loading akan berkisar +1 dan -1. Makin mendekati 1 (satu) nilai absolut dari
loading, maka tinggi komunalitas antara variabel diskriminan dan fungsi diskriminan dan sebaliknya.
Tampilan struktur matrik menunjukkan bahwa besarnya loading untuk EBITASS 0,756 dan besarnya
loading untuk ROTC sebesar 0,884. Oleh karena loading kedua variabel rasio keuangan ini tinggi, maka
score diskriminan dapat diinterpretasikan sebagai ukuran kesehatan keuangan perusahaan.

Tujuan ketiga dari analisis diskriminan adalah mengklasifikasikan observasi di masa datang ke dalam
satu dari dua kelompok perusahaan. Output SPSS memberikan nilai tingkat klasifikasi sebesar 100%.
Klasifikasi dari observasi secara esensial akan mengurangi pembagian ruang diskriminan ke dalam dua
region. Nilai score diskriminan yang membagi ruang kedalam dua region disebut nilai cutoff. Makin
tinggi nilai EBITASS dan ROTC makin tinggi nilai score diskriminan dan sebaliknya. Oleh karena
perusahaan yang mempunyai kesehatan keuangan akan memiliki nilai yang lebih tinggi untuk kedua
rasio keuangan, perusahaan yang sehat akan memiliki score diskriminan lebih tinggi daripada
perusahaan bangkrut. Jadi perusahaan akan dikelompokkan sebagai perusahaan dapat sehat jika score
diskriminannya lebih tinggi daripada nilai cutoff dan perusahaan akan dikelompokkan sebagai
perusahaan bangkrut jika score diskriminannya lebih kecil dari nilai cutoff.

Secara umum nilai cutoff yang dipilih nilai yang meminimumkan jumlah incorrect classification atau
kesalahan misklasifikasi atau dapat dihitung dengan rumus:

Cutoff = (Z1 + Z2) / 2

Di mana Zj adalah rata-rata score diskriminan kelompok j. Rumus ini berasumsi jumlah sampel kedua
kelompk sama. Dalam hal jumlah sampel kedua kelompok tidak sama maka rumus cutoff menjadi :

Cutoff = (n1Z1 + n2Z2) / (n1 + n2)

Di mana ng adalah jumlah observasi pada kelompok g. Tampilan output SPSS memberikan rata-rata
score diskriminan untuk kelompok 1 sebesar 2,662 dan rata-rata score diskriminan untuk kelompok 2
sebesar -2,662 dan memberikan nilai cutoff nol.

Ringkasan nilai klasifikasi dapat dilihat pada classification matrix atau confussion matrix. Hasil matrik
klasifikasi menunjukkan bahwa seluruh observasi telah diklasifikasikan secara benar dengan ketepatan
100%.