Anda di halaman 1dari 23

BAB I

PENDAHULUAN

1.1 Latar belakang


Dalam kehidupan sehari-hari, sering ditemui masalah-masalah yang
berkaitan dengan pengelompokan barang-barang berdasarkan jenis yang telah
ditentukan. Sehingga secara tidak langsung, perlu adanya pertimbangan yang tepat
untuk mengklasifikasikannya dimana pertimbangan tersebut berkaitan dengan
ilmu statistik.

Statistik merupakan salah satu cabang disiplin matematika. Banyak


metode yang dapat dipelajari dalam ilmu statistik ini salah satu metodenya yang
dapat digunakan adalah analisis diskriminan. Menurut Suryanto (1988:169)
analisis diskriminan adalah metode statistik untuk
mengelompokan/mengklasifikasi sejumlah objek ke dalam beberapa kelompok,
berdasarkan beberapa variabel sedemikian sehingga setiap objek menjadi anggota
dari salah satu kelompok.

Analisis diskriminan merupakan teknik menganalisis data, dimana variabel


dependen merupakan data kategorik (nominal dan ordinal) sedangkan variabel
independen berupa data interval atau rasio . Misalnya berdasarkan data dari
nasabah peminjam kredit suatu bank, seperti penghasilan, umur, pekerjaan, tingkat
pendidikan, ingin meramalkan apakah seseorang nasabah yang baru termasuk
jujur atau tidak jujur. Analisis diskriminan ini termasuk dalam analisis multivariat
dengan metode dependensi. Ada dua metode dalam analisis multivariat yaitu
metode dependensi dan metode interdenpendensi . Metode dependensi yaitu
variabel-variabelnya tidak saling bergantung satu dengan yang lain, sedangkan
metode interdenpendensi antar variabelnya ada saling ketergantungan.

1.2 Rumusan Masalah

1
Berdasarkan latar belakang tersebut, diperoleh beberapa rumusan masalah
sebagai berikut :
1. Apa saja karakteristik dari analisis diskriminan?
2. Apa saja asumsi yang harus dipenuhi pada analisis diskriminan?
3. Bagaimana langkah-langkah pada analisis diskriminan?
4. Bagaimana penerapan analisis diskriminan pada kasus-kasus yang
dihadapi dalam kehidupan nyata.

1.2 Tujuan
Berdasarkan rumusan masalah tersebut, diperoleh beberapa tujuan sebagai
berikut:
1. Mengetahui karakteristik analisis diskriminan
2. Mengetahui asumsi pada analisis diskriminan
3. Mengetahui langkah-langkah pada analisis diskriminan.
4. Menerapkan analisis diskriminan pada kasus nyata.

2
BAB II
KAJIAN TEORI

2.1 Analisis Diskriminan


Analisis diskriminan (discriminant analysis) merupakan salah satu metode
yang digunakan dalam analisis multivariat. Analisis Diskriminan adalah teknik
multivariat untuk memisahkan objek-objek dalam kelompok yang berbeda dan
mengelompokkan objek baru ke dalam kelompok-kelompok tersebut
(Johnson,1956). Dalam analisis diskriminan terdapat dua jenis variabel yang
terlibat yaitu variabel independen dan variabel dependen. Ciri khusus analisis
diskriminan adalah data variabel dependen harus berupa data kategori (dat
nominal dan ordinal ), sedangkan data untuk variabel independen berupa data
metrik (data rasio dan interval). Analisis diskriminan dapat digunakan jika
variabel dependennya terdiri dari dua kelompok atau lebih. Apabila variabel
dependennya lebih dari dua kelompok, maka metode yang digunakan adalah
analisis diskriminan multipel (multiple discriminant analysis).
Model analisis diskriminan adalah sebuah persamaan yang menunjukkan
suatu kombinasi linier dari berbagai variabel independen. Hal ini dapat
dimodelkan sebagai berikut:
D=b 0 +b1 X 1 +b2 X 2 +b3 X 3 ++ bn X n
Keterangan :
D : skor diskriminan
b : koefisien diskriminan atau bobot
X : prediktor atau variabel independen

2.2 Tujuan Analisis Diskriminan


Karena bentuk multivariat dari analisis diskriminan adalah dependen,
maka variabel dependen adalah variabel yang menjadi dasar analisis diskriminan.
Adapun tujuan dari analisis diskriminan antara lain :
Mengetahui perbedaan yang jelas antar grup pada variabel dependen.
Jika ada perbedaan, variabel independen manakah pada fungsi diskriminan
yang membuat perbedaan tersebut.

3
Membuat fungsi atau model diskriminan (yang mirip dengan persamaan
regresi).
Melakukan klasifikasi terhadap obyek ke dalam kelompok (grup).

2.3 Asumsi Analisis Diskriminan


Asumsi penting yang harus dipenuhi agar model diskriminan dapat
digunakan antara lain :
Variabel independen harus terdistribusi normal (adanya normalitas).
Matriks kovarians semua variabel independen harus sama (equal).
Tidak terjadi multikolinearitas (tidak berkorelasi) antar variabel independen.
Tidak terdapat data yang ekstrim (outlier).

2.4 Proses Analisis Diskriminan


Langkah-langkah dalam melakukan proses analisis diskriminan antara
lain:
1. Uji Multinormal
Dengan menggunakan macro minitab diperoleh bahwa plot antara nilai
2
tabel dengan jarak mahanalobis dari data mengikuti garis normal dan
nilai value>0,5 maka dapat disimpulkan variabel-variabel yang
digunakan mengikuti sebaran multinormal
2. Pengecekan Multikolinieritas
Secara teori, idealnya dalam analisis diskriminan tidak ada multikolinieritas
antar variabel. Pengecekan multikolinieritas dapat dilihat dengan bantuan
matrik korelasi. Apabila ada dua variabel memiliki nilai korelasi ( r ) >0,5
maka variabel tersebut berkorelasi sehingga terdapat multikolinieritas antar
variabel.
Untuk lebih meyakinkan adanya multikolinieritas, bisa dicek dengan
menggunakan uji KMO dan Barlett Test pada SPSS. Jika nilai KMO > 0,5
maka terdapat multikolinieritas antar variabel. Sedangkan pada Barlett Test,
multikolinieritas terjadi jika value<0,05 .

4
3. Menguji kesamaan rata-rata kelompok
Untuk melakukan pengujian kesamaan rata-rata kelompok mengunakan
angka Wilks Lambda dan menggunakan angka signifikansi. Wilks Lambda
adalah rasio antara jumlah kuadrat dalam kelompok dan jumlah kuadrat total.
Nilai Wilks Lambda berkisar antar 0 sampai 1. Nilai lambda yang mendekati
1 menunjukkan bahwa rata-rata kelompok cenderung tidak berbeda.
Sebaliknya nilai Lambda yang mendekati 0 menunjukkan nilai rata-rat
kelompok berbeda. Melakukan pengujian terhadap masing-amsing variabel,
menggunakan uji (F test). Uji F dilakukan untuk menguji hipotesis berikut :
H 0 : rata-rata dari masing-masing kelompok adalah relatif sama
H 1 : rata-rata dari masing-masing kelompok memiliki perbedaan secara
nyata
Jika F hitung F tabel, maka tidak ada perbedaan antar grup
Jika F hitung > F tabel, maka ada perbedaan antar grup
Jika Sig< 0,05, maka H 0 ditolak, yang berarti ada perbedaan antar
kelompok.
Jika Sig> 0,05, maka H 0 diterima, yang berarti rata-rata masing-masing
kelompok relatif sama. Hal ini menunjukkan bahwa tidak ada perbedaan antar
kelompok.
Uji kesamaan rata-rata juga digunakan untuk mengetahui variabel mana saja
yang secara signifikan menjadi faktor pembeda pada kelompok 1 dan
kelompok 2.
4. Menguji Kesamaan Varians Kovarians (Homokesdasitas)
Melakukan pengujian varians dari masing-masing variabel, digunakan angka
BoxM dengan asumsi bahwa variansi variabel independen untuk setiap
kelompok seharusnya sama dan variansi diantara variabel-variabel
independen seharusnya juga sama. (Sarwono,209:270) kedua pengertian di
atas dapat disimpulkan bahwa covariance matrices adalah relatif sama.
Untuk itu, perlu dilakukan pengujian hipotesis sebagai berikut :
H 0 : covariance matrices adalah relatif sama
H 1 : grup covariance matrices adalah berbeda secara nyata
Adapun penilaian signifikan dari pengujian hipotesis diatas sebagai berikut :

5
Jika Sig< 0,05, maka H 0 ditolak.
Jika Sig> 0,05, maka H 0 diterima.
5. Menentukan variabel yang memenuhi persyaratan untuk membentuk fungsi
diskriminan
6. Membentuk fungsi diskriminan
Fungsi diskriminan dapat dibentuk dengan kriteria Fisher yaitu
mengelompokan suatu observasi berdasarkan nilai skor yang dihitung dari
suatu fungsi linier. Pembentukan fungsi linier juga dapat dilakukan dengan
bantuan SPSS. Pada output SPSS, koefisien untuk tiap variabel yang masuk
dalam model dapat dilihat pada tabel Canonical Discriminana Function
Coefficient. Tabel ini akan dihasilkan pada output apabila pilihan Function
Coefficient bagian Unstandardized diaktifkan.
7. Menilai validitas analisis diskriminan
Hasil klasifikasi dapat didasarkan pada analisis sampel ataupun validitas
sampel dapat dilakukan dengan cara sebagai berikut :
a. Menghitung diskriminan score
Setelah dibentuk fungsi liniernya, maka dapat dihitung skor diskriminan
untuk tiap observasi dengan memasukkan nilai-nilai variabel penjelasnya.
b. Menghitung cutting score
Cutting score (m) dapat dihitung dengan rumus sebagai berikut :
N A ZB+ N B Z A
Z ce =
N A NB
Keterangan :
Z ce : Cutting score
NA : jumlah anggota grup A
NB : jumlah anggota grup B
ZA : centroid grup A
Z B : centroid grup B
Kemudian nilai-nilai diskriminan score tiap observasi akan dibandingkan
dengan cutting score, sehingga dapat diklasifikasikan suatu observasi akan
termasuk ke dalam kelompok yang mana. Suatu observasi dengan
karakteristik x akan diklasifikasikan sebagai anggota kelompok kode 1 jika

6
1
D=( 12 ) X Z ce
Selain itu dimasukkan kedalam kelompok 2. Perhitungan Z ce dapat
dilakukan dengan SPSS yaitu dengan bantuan tabel Function at Group
Centroids dari output SPSS.
c. Akurasi statistik
Klasifikasi yang dilakukan dengan fungsi diskriminan dapat diuji
keakuratannya dengan menggunakan Presss Q Statistik. Ukuran sederhana
ini membandingkan jumlah kasus yang diklasifikasikan secara tepat
dengan ukuran sampel dan jumlah grup. Nilai yang diperoleh dari
perhitungan kemudian dibandingkan dengan nilai kritis (critical value).
Presss Q Statistik dapat ditulis dengan rumus :
2
' [ N ( nK) ]
Pres s s Q=
N ( K1)
N : ukuran sampel
n : jumlah kasus yang diklasifikasi secara tepat
K : jumlah grup

2.5 Contoh Kasus

Sebuah perusahaan bergerak dalam penjualan Air Mineral Dalam Kemasan


mengumpulkan data sekelompok konsumen air mineral dengan variabel berikut;

Tipe konsumen dari banyak tipe Air Mineral yang minum dengan kode:

Kode 0 = SEDIKIT (konsumen 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)

7
Pendapatan konsumen (ribuan rupiah/bulan)

Jam kerja konsumen dalam sehari (jam)

Kegiatan olahraga konsumen dalam sehari (jam)

Dari kasus diatas akan dilakukan analisis diskriminan untuk mengetahui:

Apakah ada perbedaan yang signifikan antara konsumen yang banyak


minum air mineral dengan konsumen yang sedikit minum air mineral?

Jika ada perbedaan yang signifikan, variabel apa saja yang membuat
perilaku konsumsi air mineral mereka berbeda?

Membuat model diskriminan dua faktor (tipe sedikit dan tipe banyak)
untuk kasus tersebut

Menguji ketepatan model (fungsi) diskriminan


Tabel data
No Nama Minum Usia Berat Tinggi Income Jam Olahraga
kerja
1 Rusdi 0 40 65 154 680 5.33 3.0
2 Nina 0 30 70 157 700 5.30 3.6
3 Lanny 0 25 60 158 580 5.27 3.5
4 citra 0 26 75 160 600 5.33 3.0
5 Dina 0 40 50 159 700 5.5 3.5
6 Siska 1 28 62 158 440 5 2.2
7 Lusi 0 29 50 160 580 5.07 2.9
8 Lenny 0 40 52 165 800 5.13 4
9 Rudi 1 35 68 150 700 5.17 3.5
10 Roby 0 36 70 152 720 5.23 3.6
11 Bambang 0 39 50 154 780 5.33 3.9
12 Yunus 0 30 62 155 600 5.30 3
13 Lestari 0 34 60 157 680 5.27 2.9
14 Erni 1 35 51 160 700 5.33 4
15 Esti 1 29 62 165 580 5.5 3.5
16 Hany 1 30 51 162 600 5 3.6
17 Hesty 0 35 80 157 700 5.33 3.9
18 Susan 1 22 52 154 440 5.3 3
19 Lilis 0 40 72 155 800 5.27 3.4
20 Lita 1 41 45 164 820 5.33 3.5

8
21 Lina 0 32 42 160 640 5.5 2.9
22 Rani 0 29 54 157 580 5.30 3
23 Baby 1 21 35 150 420 5.27 3.5
24 Andre 1 25 50 154 500 5.07 2.5
25 Hengky 0 30 60 158 600 5.2 3
26 Hana 0 45 40 159 900 5.13 4.5
27 Eli 1 35 45 158 700 5.17 3.5
28 Renata 0 35 42 152 700 5.23 3.5
29 Dewi 1 30 51 156 600 5.3 3
30 Jodan 0 24 75 154 480 5.13 2.4
31 Gunawan 1 28 42 155 560 5.17 2.8
32 Lina 1 27 51 157 540 5.23 2.7
33 Vina 1 20 55 159 400 5.3 2
34 Rina 0 26 70 160 520 5.33 2.6
35 Sugeng 0 29 40 162 580 5.4 2.9
36 Handoko 1 20 42 156 400 5.2 2.0
37 Herman 1 35 51 153 700 5.1 3.5
38 Sobari 0 31 70 162 620 5.4 3.1
39 Rully 1 34 55 164 680 5.74 3.4
40 Binsar 0 28 52 160 560 5.33 2.8
41 Fanny 1 29 51 165 580 5.5 2.9
42 Fenny 1 21 40 162 420 5.4 2.1
43 Yulita 0 22 70 179 440 5.23 2.2
44 Yulia 1 22 65 159 440 5.3 2.2
45 Richard 0 25 47 154 500 5.13 2.1
46 Rosy 1 30 40 158 600 5.27 2.2
47 Leoni 0 45 49 159 900 5.3 2.2
48 Agnes 0 35 59 156 700 5.2 2.5
49 Deddy 1 39 70 175 780 5.13 3
50 Dodik 1 34 45 155 680 5.17 4.5
51 Dimas 1 24 58 160 480 5.33 2.4
52 Kiky 0 31 75 175 620 5.4 3.1
53 Conny 0 32 70 156 640 5.2 3.2
54 Mary 0 35 59 160 700 5.33 3.5
55 Susy 1 38 70 174 760 5.4 3.8
56 Usman 1 20 46 163 400 5.43 2
57 Salim 1 25 55 168 500 5.13 2.5
58 James 1 29 49 153 580 510 2.9
59 Joni 1 28 62 179 700 5.4 3.5
60 Jono 0 27 41 148 780 5.2 3.9
61 Kristanto 0 26 47 160 680 5.33 3.4
62 Karim 1 22 47 164 480 5.4 2.4
63 Melani 0 20 49 157 760 5.43 3.8
64 Rusmin 1 24 48 178 400 5.13 2
65 Sulastri 0 25 59 160 500 5.1 2.5

9
66 Liliana 1 32 48 162 420 5.3 2.1
67 Prihardi 1 34 46 168 740 5.07 3.7
68 Suhardi 0 32 45 159 700 5.1 3.5
69 Susana 1 21 58 158 600 5.3 3
70 Titik 0 37 47 159 720 5.07 3.6
71 Tatik 1 35 46 175 700 5.3 3.5
72 Nanik 0 30 52 150 600 5.27 3.6
73 Ninik 0 36 44 162 720 5.3 3.5
74 Nuning 1 39 55 162 780 5.2 2.5
75 Gala 1 30 50 165 600 5.5 2.1

Untuk melakukan analysis diskriminan dengan bantuan SPSS, ikuti langkah-


langkah berikut :
1. Entri data pada data view di SPSS
2. Beri nama variabel pada variabel view
3. Pada menu Analyze, pilih submenu Classify, lalu pilih Discriminant

Kemudian akan muncul kotak dialog

10
Bagian Grouping Variabel diisi dengan variabel dependen harus didefinisikan
range-nya pada bagian Define Range,

Bagian Minimum diisi dengan kode terkecil dan Maximum diisi dengan kode
terbesar dari variabel dependen, kemudian klik continue
4. Bagian Independents diisi dengan variabel independen. Metode yang sering
digunakan Stepwise Method.
5. Pilih Statistics dan klik semua pilihan yang ada, kemudian klik continue
6. Pilih Method, pilih method Wilks Lambda kemudian klik continue
7. Untuk menampilkan nilai Hit Ratio, pilih bagian Classify dan pilih Sumary
Table lalu klik continue
8. Pilih Save dan klik semua pilihan yang ada, kemudian klik continue
9. Kemudian pilih Ok
Selanjutnya interpretasikan output-outputnya,
1. Uji Multinormal

11
Sebelum melakukan Uji Multinormal dengan makro minitab, data
distandartkan terlebih dahulu. Kemudian dilakukan uji multinormal dengan
makro minitab, dan diperoleh hasil sebagai berikut :

Scatterplot of q vs dj
Correlations: dj; q
Pearson correlation of dj and q = 0,783
P-Value = 0,000

Hipotesis :
H0 = Data mengikuti distribusi normal
H1 = Data tidak mengikuti distribusi normal
Jumlah prosentase jarak lebih dari Chisquare :
z 68,0000

Kesimpulan : gagal tolak Ho


Data mengikuti distribusi normal

Dari Uji tersebut dapat disimpulkan data berdistribusi normal multivariat


2. Pengecekan Multikoinieritas

12
Variables Not in the Analysis

Min. Sig. of F Min. D Between


Step Tolerance Tolerance to Enter Squared Groups
0 USIA .00 and
1.000 1.000 .043 .227
1.00
BERAT .00 and
1.000 1.000 .026 .276
1.00
TINGGI .00 and
1.000 1.000 .044 .223
1.00
INCOME .00 and
1.000 1.000 .004 .462
1.00
JAMKERJA .00 and
1.000 1.000 .994 .000
1.00
OLAHRAGA .00 and
1.000 1.000 .044 .223
1.00
1 USIA .00 and
.318 .318 .542 .484
1.00
BERAT .00 and
.997 .997 .026 .776
1.00
TINGGI .00 and
.997 .997 .042 .721
1.00
JAMKERJA .00 and
1.000 1.000 .952 .462
1.00
OLAHRAGA .00 and
.538 .538 .953 .462
1.00
2 USIA .00 and
.317 .316 .458 .812
1.00
TINGGI .00 and
.943 .943 .012 1.208
1.00
JAMKERJA .00 and
.995 .993 .837 .778
1.00
OLAHRAGA .00 and
.537 .537 .876 .777
1.00
3 USIA .00 and
.316 .316 .524 1.238
1.00
JAMKERJA .00 and
.958 .908 .779 1.214
1.00
OLAHRAGA .00 and
.523 .523 .798 1.213
1.00

Dari matriks korelasi diatas, tidak ada angka yang mencapai 0,5 atau
diatasnya sehingga kita mengidentifikasi tidak ada multikolenieritas pada
data.

3. Uji Kesamaan vektor Rata-rata

13
Tests of Equality of Group Means

Wilks'
Lambda F df1 df2 Sig.

USIA .984 .551 1 34 .463

BERAT .993 .253 1 34 .418

TINGGI .881 4.589 1 34 .039

INCOME .916 3.136 1 34 .086

JAM KERJA .977 .799 1 34 .378

OLAHRAGA .943 2.046 1 34 .162

Dilihat dari nilai P-valuenya, masing-masing variabel mempunyai rata-rata yang


berbeda untuk dua kelompok.

Wilks' Lambda

Wilks'
Test of Function(s) Lambda Chi-square df Sig.
1 .763 19.321 3 .000

Tabel diatas menyatakan angka akhir dari Wilks Lambda. Angka Chi-Square
sebesar 19.321 dengan tingkat signifikansi yang tinggi menunjukkan perbedaan
yang jelas antara dua grup konsumen.

4. Uji Asumsi Homoskedastisitas (Uji Kesamaan Matriks Varians-Covarians)

Test Results

Box's M 29.866
F Approx. 1.297
df1 21
df2 19569.371
Sig. .163
Tests null hypothesis of equal population covariance matrices.

Dari tabel terlihat bahwa angka sig. > 0,05, yaitu 0.163 yang menerima
H O berarti group covariance matrices adalah relatif sama. Hal ini berarti data
di atas sudah memenuhi asumsi analisis diskriminan.

14
Structure Matrix

Function
1
INCOME .618
USIAa .521
BERAT .478
OLAHRAGAa .475
TINGGI -.430
a
JAMKERJA -.069
Pooled within-groups correlations between discriminating
variables and standardized canonical discriminant functions
Variables ordered by absolute size of correlation within function.
a. This variable not used in the analysis.

Tabel diatas menjelaskan korelasi antara variabel independen dengan fungsi


diskriminan yang terbentuk. Varibel Income paling erat hubungannya dengan
fungsi diskriminan, diikuti oleh variabel Berat dan Tinggi.

5. Menentukan variabel yang memenuhi persyaratan untuk membentuk fungsi


diskriminan

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 1.000 .000 1 73 .994
OLAHRAGA .946 4.183 1 73 .044

Tabel diatas adalah hasil pengujian untuk setiap variabel bebas yang ada.

Keputusan bisa diambil lewat dua cara.

Dengan angka Wilks Lambda

15
Angka wilks Lambda berkisar antara 0 sampai 1. Jika angka mendekati 0
maka data tiap group cenderung berbeda, sedangkan jika angka mendekati
1 maka data tiap group cenderung sama.

Dari tabel terlihat angka Wilks Lambda berkisar antara 0.894 sampai
1.000. Dari kolom signifikan dilihat bahwa hanya variable Jam Kerja
yang cenderung tidak berbeda. Hal ini berarti jam kerja untuk mereka yang
sedikit atau banyak mengkonsumsi air mineral tidak berbeda secara nyata.

Dengan F test

Perhatikan angka signifikan.

Jika sig. > 0.05 berarti tidak ada perbedaan antar grup

Jika sig < 0.05 berarti ada perbedaan antar grup

Analisis dari data diatas adalah

Variabel Usia, angka sig. < 0.05 (yaitu; 0.043). Hal ini berarti ada
perbedaan antar grup, atau usia responden memengaruhi banyak
sedikitnya mengkonsumsi air mineral.

Variabel Berat, angka sig. < 0.05 (yaitu; 0.026). Hal ini berarti ada
perbedaan antar grup, atau berat badan responden memengaruhi
banyak sedikitnya mengkonsumsi air mineral.

Variabel Tinggi, angka sig. < 0.05 (yaitu; 0.044). Hal ini berarti ada
perbedaan antar grup, atau tinggi responden memengaruhi banyak
sedikitnya mengkonsumsi air mineral.

Variabel Income, angka sig. < 0.05 (yaitu; 0.004). Hal ini berarti
ada perbedaan antar grup, atau income responden memengaruhi
banyak sedikitnya mengkonsumsi air mineral.

16
Variabel Jam Kerja, angka sig. > 0.05 (yaitu; 0.994). Hal ini berarti
tidak ada perbedaan antar grup, atau jam kerja responden tidak
memengaruhi banyak sedikitnya mengkonsumsi air mineral.

Variabel Olah Raga, angka sig. < 0.05 (yaitu; 0.44). Hal ini berarti
ada perbedaan antar grup, atau olah raga responden memengaruhi
banyak sedikitnya mengkonsumsi air mineral.

Dari 6 varible tersebut ada lima variabel berbeda secara signifikan untuk dua
group diskriminan, yaitu USIA, BERAT, TINGGI, INCOME, OLAH RAGA.
Dengan demikian sedikit atau banyaknya konsumsi air mineral dipengaruhi oleh
variabel-variabel tersebut.
6. Pembentukan Fungsi Linier

Canonical Discriminant Function Coefficients

Function
1
BERAT .064
TINGGI -.093
INCOME .006
(Constant) 7.884
Unstandardized coefficients

Tabel diatas menunjukkan FUNGSI DISKRIMINAN:

Y =7,884 +0,064 berat0,093tinggi +0,006 income

Kegunaan fungsi ini untuk mengetahui seorang konsumen air mineral


masuk pada Grup yang kesatu atau tergolong pada Grup yang kedua.

Prior Probabilities for Groups

Cases Used in Analysis


MINUM Prior Unweighted Weighted
.00 .500 38 38.000
1.00 .500 37 37.000
Total 1.000 75 75.000

17
Tabel diatas memperihatkan komposisi ke 75 responden, yang dengan model
diskriminan menghasilkan 37 responden ada di Grup Banyak dan 38 responden
ada di Grup Sedikit.
7. Cutting score

Functions at Group Centroids

Function
MINUM 1
.00 .542
1.00 -.557
Unstandardized canonical discriminant
functions evaluated at group means

Dari tabel diatas didapat jumlah responden Sedikit adalah 38 orang, sedangkan
responden Banyak adalah 37 orang. Dengan demikian dengan mengaitkannya
dengan angka grup centroid, didapat:

( 38 0,542 ) + ( 37 0,557 )=20,59620,609=0,013 atau praktis sama dengan


0

Perhitungan Z CU (angka kriris):

N A ZB+ N B Z A
Z CU =
N A +NB

Dimana:

Z CU : Angka kritis, yang berfungsi sebagai cut off score

N A dan N B : jumlah sampel dari grup A dan B, yang dalam kasus ini adalah
grup Sedikit dan Banyak

Z A dan Z B : angka centroid pada Grup A dan B

Perhitungan :

38.0,557+37.0,542 21,166+ 20,054


Z CU = = =0,01483 atau praktis sama dengan0
38+37 75

18
Penggunaan angka Z CU (Discriminating Z score):

Angka skor kasus diatas Z CU masuk ke grup Sedikit (kode 0)

Angka skor kasus dibawah Z CU masuk ke grup Banyak (kode 1)

Case number 1 (Rusdi) mempunyai score 1,571. Karena 1,571 > 0, maka
Rusdi masuk pada grup 0 (Sedikit).

Case number 2 (Nina) mempunyai score 1,724. Karena 1,724 > 0, maka
Nina masuk pada grup 0 (Sedikit).

Case number 15 (Esti) mempunyai score -0,223. Karena -0,223 < 0, maka
Esti masuk pada grup 1 (Banyak).

Classification Resultsb,c

Predicted Group
Membership
MINUM .00 1.00 Total
Original Count .00 27 11 38
1.00 13 24 37
% .00 71.1 28.9 100.0
1.00 35.1 64.9 100.0
Cross-validateda Count .00 27 11 38
1.00 13 24 37
% .00 71.1 28.9 100.0
1.00 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.

8. Akurasi Statistik
2
'
Pres s s Q=
[75( 51 x 2 ) ]
75 ( 21 )
' 729
Pres s s Q= =9,72
75
' 2
Pres s s Q 0,05 ;1=3,841
Dapat disimpulkan bahwa fungsi diskriminan yang dihasilkan akurat.

19
20
BAB III
PENUTUP

Kesimpulan

Berdasarkan uraian pada bab II diperoleh beberapa kesimpulan sebagai berikut :

1. Karakteristik dari analisis diksriminan adalah data variabel dependen harus


berupa data kategori (daat nominal dan ordinal), sedangkan data untuk
variabel independen berupa data metrik (data rasio dan interval).

2. Asumsi dari analisis diskriminan yang harus dipenuhi adalah Variabel


independen harus terdistribusi normal (adanya normalitas), matriks kovarians
semua variabel independen harus sama (equal), tidak terjadi
multikolinearitas (tidak berkorelasi) antar variabel independen, tidak terdapat
data yang ekstrim (outlier).
3. Langkah-langkah dalam mengerjakan analisis diskriminan adalah uji
normalitas, pengecekan multikolinieritas, menguji kesamaan rata-rata
kelompok, menguji kesamaan varian kovarian (homokesdasitas), menentukan
variabel yang memenuhi persyaratan untuk membentuk fungsi diskriminan,
membentuk fungsi diskriminan, menilai validitas analisis diskriminan.
4. Hasil Analisis Diskriminan

Ada perbedaan yang signifikan antara konsumen yang banyak minum


dengan konsumen yang sedikit minum air mineral. Hal ini dibuktikan pada
analisis Wilks Lambda.

Variabel yang membuat perilaku konsumsi air mineral mereka berbeda


adalah Berat Badan, Tinggi Badan, dan Income.

Model atau fungsi diskriminan untuk kasus tersebut adalah:

Y =7,884 +0,064 berat0,093tinggi +0,006 income

Model (fungsi) diskriminan diatas mempunyai ketepatan mengklasifikasi


kasus sebesar 68 %. Karena diatas 50 %, ketepatan model dianggap tinggi

21
dan model bisa digunakn untuk mengklasifikasi sebuah kasus pada tipe
minum tertentu.

22
DAFTAR PUSTAKA

Afandi, Sulhan.2011.Klasifikasi Tanaman Kedelai Berdasarkan Umur Panen


Dengan Analisis Diskriminan (Study Kasus di Balitkabi) (skripsi).

Giri, Narayan C. 2004. Multivariate Statistical Analysis Second Edition, Revised


and Expanded. Marcel Deker: New York.

Yansyah. 2007. Analisis Faktor dan Diskriminan (online).

23