1

Analisis Diskriminan adalah salah satu metode analisis multivariat

Materi yang bertujuan untuk memisahkan beberapa kelompok data yang
sudah terkelompokkan dengan cara membentuk fungsi diskriminan

Analisis diskriminan digunakan apabila variabel independen (X1

Tutorial dan seterusnya) adalah data metrik, yaitu data berskala interval
(SPSS) atau rasio. Sedangkan variabel dependen (Y) adalah data
kategorik, jika data kategorik tersebut hanya terdiri dari 2 kode
saja disebut Two-Groups Discriminant Analysis namun apabila
Studi lebih dari 2 kategori disebut Multiple Discriminant Analysis.
Kasus Berikut adalah model fungsi diskriminan linier.
D b 0 b 1 X b 2 X 2 b 3 X 3 ... b k X k
Dimana :
D = skor diskriminan
B = koefisien diskriminasi atau bobot
X = prediktor atau variabel independen
2
 Tujuan diskriminan secara umum adalah sebagai berikut.
Materi a. Untuk mengetahui apakah ada perbedaan yang jelas antar grup
pada variabel dependen.
b. Jika ada perbedaan, kita ingin mengetahui variabel independen
mana pada fungsi diskriminan yang membuat perbedaan tersebut.
Tutorial c. Membuat fungsi atau model diskriminan
(SPSS) d. Melakukan klasifikasi terhadap objek apakah suatu objek (bisa
nama orang, nama tumbuhan, benda atau lainnya) termasuk pada
grup 1 atau grup 2 atau lainnya.
Studi asumsi-asumsi yang harus dipenuhi agar model diskriminan dapat
Kasus digunakan antara lain.
1. Variabel bebas harus berdistribusi normal (normal multivariate)
2. Matriks kovarians semua variabel bebas harus sama
(homogenitas)

3
 Langkah- Langkah Dalam Analisis Diskriminan :
1. Pengecekan asumsi ( Multivariat normal dan homogenitas)
Materi 2. Pembentukan model diskriminan
Setelah diperoleh fungsi diskriminan maka dapat dihitung skor
diskriminan untuk tiap observasi dengan memasukkan nilai-nilai
Tutorial variabel penjelasnya.
3. Alokasi obyek atau pengamatan ke dalam grup menggunakan
(SPSS) fungsi klasifikasi fisher.

Studi
Kasus

4
 Kemudian nilai-nilai discriminant score tiap observasi akan
Materi dibandingkan dengan cutting score, sehingga dapat
diklasifikasikan suatu observasi akan termasuk ke dalam
kelompok yang mana.
Tutorial
(SPSS) Perhitungan Hit Ratio
Setelah semua observasi diprediksi keanggotaanya,
dapat dihitung ratio yaitu rasio antara observasi yang tepat
Studi pengklasifikasiannya dengan total seluruh observasi untuk
Kasus mengetahui seberapa valid model diskriminan yang
dihasilkan.

5
 Analyze >> Classify >> Discriminant
Materi

Tutorial
(SPSS)

Studi
Kasus

6
Materi

Tutorial
(SPSS)

Studi
Kasus

7
Materi

Tutorial
(SPSS)

Studi
Kasus

8
Materi

Tutorial
(SPSS)

Studi
Kasus

9
Materi

Tutorial
(SPSS)

Studi
Kasus

10
 Identifikasi Variabel :
Materi Variabel Keterangan Skala Kategori
Y Nominal 0 = Penghasilan < 2 juta
Penghasilan Rumah Tangga 1 = Penghasilan > 2 juta

Tutorial X1 Penghasilan dari melaut Rasio -

(SPSS) (Ratusan Ribu Rupiah)
X2 Pengeluaran untuk pangan Rasio -
(Ratusan Ribu Rupiah)

Studi X3 Pengeluaran untuk Non Rasio -

Pangan (Ratusan Ribu
Kasus Rupiah)
X4 Jumlah Anggota Keluarga Rasio -

Sumber Data : Tugas Akhir mahasiswa S1 Statistika oleh Ardilliansah Hari

P. (1306 100 018) dengan judul Analisis Profil Sosial-Ekonomi Rumah
Tangga Nelayan di Kecamatan Bulak Pesisir Pantai Surabaya

11
Materi ASUMSI yang harus dipenuhi sebelum melakukan analisis
diskriminan :

1. Data Berdistribusi Multinormal

Tutorial
(SPSS) 2. Matriks varians kovarians harus homogen

Studi 3. Antar Variabel x tidak terjadi multiko

Kasus

12
 Hipotesis: Uji Multikolinieritas
Materi H0 : = I (Tidak ada korelasi antar variabel)
H1 : I (Terdapat korelasi antar variabel)
Uji Bartlett :
Tutorial Approx. Chi-Square 9,102
(SPSS) tidak terdapat korelasi
Df 6 antar variabel
P-value 0,168
Studi
Kasus Pooled Within-Groups Matrices
X1 X2 X3 X4
Correlatio X1 1.000 -.283 .307 -.151
n X2 -.283 1.000 -.499 .285
X3 .307 -.499 1.000 -.266
X4 -.151 .285 -.266 1.000

13
 Hipotesis:
H0 : Data berdistibusi normal multivariat
Uji Multinormal
Materi H1 : Data tidak berdistribusi normal multivariat

Tutorial
(SPSS)

Studi plot-plot merah

Kasus mengikuti garis distribusi
normal
Jadi,
Data berdistribusi
Normal Multivariat

Gnakan korelasi
14
 Uji Homogenitas Matriks
Materi Hipotesis: Varian Kovarian
H0 : 1 = 2
H1 : 1 2
Tutorial
(SPSS) Statistik Uji : Boxs M

Test Results
Box's M 11.866
Studi
Kasus F Approx. 1.653
df1 6
df2 1767.485
Matriks Varian Kovarian
Sig. 0.129 Homogen
Tests null hypothesis of equal
population covariance matrices.
 Group Statistics

Materi Y
Mean Std. Deviation
X1 1.17222 0.36152
X2 0.98889 0.27016
Tutorial < 2 juta
X3 0.39778 0.23594
(SPSS)
X4 5.22222 1.78730
X1 1.69375 0.51861
Studi X2 1.32250 0.34713
> 2 juta
Kasus X3 0.81938 0.53564
X4 4.56250 1.15289
Y= Penghasilan Rumah Tangga
X1 = Penghasilan dari melaut (Ratusan Ribu Rupiah)
X2 = Pengeluaran untuk pangan (Ratusan Ribu Rupiah)
X3 = Pengeluaran untuk Non Pangan (Ratusan Ribu Rupiah)
X4 = Jumlah Anggota Keluarga
 Metode Stepwise Penentuan model terbaik
Materi
Variables Entered/Removeda,b,c,d
Wilks' Lambda
Tutorial Exact F

(SPSS) Step Entered Statistic df1 df2 df3 Statistic df1 df2 Sig.
1 X1 .764 1 1 23.000 7.093 1 23.000 .014
2 X2 .554 2 1 23.000 8.843 2 22.000 .002

Studi 3 X3 .435 3 1 23.000 9.076 3 21.000 .000

Kasus
P-value lebih kecil dari (0,05), maka keputusannya
tolak H0. : Variabel X1, X2, dan X3 signifikan (masuk ke
dalam model/fungsi diskriminan)
 Fungsi Diskriminan Pembentukan Fungsi Linier
Materi
Canonical Discriminant Function
Coefficients
Tutorial Function
(SPSS) 1
X1 1.148
X2 3.007
Studi
X3 1.597
Kasus
(Constant) -6.411
Unstandardized coefficients

Y = -6,411 + 1,148 X1 + 3,007 X2 + 1,597 X3

 Pengklasifikasian Observasi
Materi
Classification Function Coefficients
Y
< 2 juta > 2 juta
Tutorial X1 6.823 9.435
(SPSS) X2 16.189 23.032
X3 5.490 9.124
(Constant) -13.789 -27.651
Studi
Fisher's linear discriminant functions
Kasus
Jika dilihat berdasarkan koefisien variabel yang
signifikan, observasi pada ketiga variabel
cenderung diklasifkasikan pada kelompok
penghasilan lebih dari 2 juta
 Pengklasifikasian Observasi
Materi
Pengklasifikasian observasi dapat dilakukan dengan
membandingkan nilai diskriminan (discriminant score) dengan
cuting score
Tutorial discriminant score : Fungsi Diskriminan
(SPSS) Y = -6,411 + 1,148 X1 + 3,007 X2 + 1,597 X3

cutting score :
Studi
Functions at Group Centroids
Kasus Function
Y 1 (n1 y1) (n 2 y 2 )
< 2 juta -1.456 Cutting Score (m)
n1 n 2
> 2 juta .819
Unstandardized canonical
discriminant functions evaluated
at group means
 Classification Resultsa,c
Predicted Group
Membership
Materi Y < 2 juta > 2 juta Total
Original Count < 2 juta 9 0 9
> 2 juta 1 15 16
% < 2 juta 100.0 0.0 100.0
Tutorial > 2 juta 6.3 93.8 100.0
(SPSS) Cross- Count < 2 juta 8 1 9
validated b > 2 juta 3 13 16
% < 2 juta 88.9 11.1 100.0
Studi > 2 juta 18.8 81.3 100.0

Kasus
(9 -1,456) (16 0,819)
Cutting Score 0
9 16

Jika discriminant score lebih kecil daripada cutting score. Sehingga

dapat disimpulkan bahwa observasi pertama dimasukkan ke dalam
kelompok penghasilan < 2 juta (pengklasifikasian tepat).
21
 Classification Resultsa,c
Predicted Group
Membership
Materi Y < 2 juta > 2 juta Total
Original Count < 2 juta n1 9 0 9
> 2 juta 1 n4 15 16
% < 2 juta 100.0 0.0 100.0
Tutorial > 2 juta 6.3 93.8 100.0
(SPSS) Cross- Count < 2 juta 8 1 9
validated b > 2 juta 3 13 16
% < 2 juta 88.9 11.1 100.0
Studi > 2 juta 18.8 81.3 100.0

Kasus
(n 1 n 4 )
AKURASI 100 %
N
(9 15)
100 % 96 %
25

22