(Skripsi)
Oleh
SEPRIA HERDYANSAH
DATA CLASSIFICATION
USING QUADRATIC DISCRIMINANT ANALYSIS
WITH EXPECTED COST OF MISCLASSIFICATION (ECM) MINIMUM
By
SEPRIA HERDYANSAH
PENGKLASIFIKASIAN DATA
MENGGUNAKAN METODE ANALISIS DISKRIMINAN KUADRATIK
DENGAN EXPECTED COST OF MISCLASSIFICATION (ECM)
MINIMUM
Oleh
SEPRIA HERDYANSAH
Oleh
SEPRIA HERDYANSAH
Skripsi
Sebagai salah satu syarat untuk mencapai gelar
SARJANA SAINS
Pada
Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Penulis dilahirkan di Banjar Baru, Way Kanan pada 5 September 1992, merupakan
anak kedua dari tiga bersaudara, dari Bapak Sukisman, S.Pd. dan Ibu Mujiati.
pada tahun 1998-1999, sekolah dasar diselesaikan di SDN Banjar Baru pada tahun
2005, lalu pendidikan selanjutnya di SMPN 1 Baradatu pada tahun 2008, dan
FMIPA Unila 2012/2013 sebagai Kepala Biro Usaha dan sebagai Pimpinan Umum
UKMF Natural pada periode 2013/2014 serta Badan Eksekutif Mahasiswa FMIPA
Pada tahun 2014 penulis melakukan Kerja Praktik (KP) di Kantor Pengelolaan
Kekayaan Negara dan Lelang (KPKNL) dan pada tahun 2015 melaksanakan Kuliah
Dengan mengucap puji dan syukur kehadirat Allah SWT kupersembahkan karya
Bapak dan Ibu tersayang yang telah menjadi motivasi terbesarku selama ini
Puji syukur kehadirat Allah SWT atas rahmat dan karunia-Nya sehingga skripsi
sebagai salah satu syarat memperoleh gelar Sarjana Sains (S.Si.) di Universitas
Lampung.
Dengan ketulusan hati penulis ingin mengucapkan terima kasih banyak kepada:
1. Ibu yang tak pernah berhenti berdoa untuk kesuksesanku dan tak hentinya
3. Drs. Rudi Ruswandi, M.Si. selaku Dosen Pembimbing II, terima kasih
4. Dian Kurniasari, S.Si., M.Sc. selaku Dosen Penguji, terima kasih atas
6. Bapak Drs. Tiryono Ruby, M.Sc., Ph.D. selaku Ketua Jurusan Matematika
10. Teman seatap dan seperjuangan Dias, Asmawi, Helmi, Sigit, Kak Udin,
11. Erick, Jordian, Nova, Meri, Wesly, Reno, Bram, dan sahabat matematika
2011 lainnya.
12. Mbak Reny dan Kak Ridho yang selalu memberikan semangat.
13. Keluarga Besar UKMF Natural terima kasih atas ilmu, kekeluargaan, dan
kebersamaan sedari awal perkuliahan sampai saat ini. Natural itu kita, kita
16. Semua pihak yang telah membantu dalam penyusunan skripsi ini.
Terima kasih, semoga skripsi ini dapat bermanfaat bagi banyak pihak.
Sepria Herdyansah
DAFTAR ISI
Halaman
I. PENDAHULUAN ................................................................................. 1
V. KESIMPULAN ..................................................................................... 48
LAMPIRAN .................................................................................................... 50
Program R ........................................................................................................ 51
Tabel 6-9 .......................................................................................................... 55
DAFTAR TABEL
Tabel Halaman
8. Data Hasil Klassifikasi untuk 𝑝1 < 𝑝2 dan 𝐶(2|1) < 𝐶(1|2) .......... 61
9. Data Hasil Klassifikasi untuk 𝑝1 > 𝑝2 dan 𝐶(2|1) > 𝐶(1|2) .......... 63
DAFTAR GAMBAR
Gambar Halaman
menurut aturan tertentu. Klasifikasi juga bisa diartikan sebagai suatu cara
berdasarkan ciri-cirinya, sehingga apabila ingin mencari suatu objek dari suatu
kelompok akan lebih mudah mencari asal kelompok dari objek tersebut dan ketika
sudah diketahui ciri atau peubah penjelas dari suatu objek baru maka akan lebih
semua buku diletakkan sesuai kategori bidang atau jenisnya. Dalam statistika,
pengklasifikasian data.
menentukan suatu objek bisa masuk menjadi anggota salah satu dari beberapa
2
Analisis diskriminan merupakan salah satu teknik statistik yang digunakan pada
hubungan dependensi (hubungan antar variabel yang sudah bisa dibedakan antara
peubah respon dan peubah penjelas). Lebih spesifik lagi, analisis diskriminan
digunakan pada kasus dengan peubah respon berupa data kualitatif dan peubah
Peubah penjelas dalam analisis diskriminan berupa data berskala interval atau
(Xp) yang berupa data kuantitatif ialah nilai raport dari beberapa mata pelajaran
kualitatifnya (Yk).
kriteria pengelompokan suatu objek baru ke dalam salah satu kelompok dari
Kaidah klasifikasi akan menjadi lebih rumit ketika matriks varian kovarian
vektor mean berbeda antara satu dengan yang lain. Ketika densitas normal
skema klasifikasi sering kali dinilai dari peluang kesalahan tapi mengabaikan
minimum bergantung pada rasio densitas 𝑓1 (𝑥)⁄𝑓2 (𝑥) atau sebanding dengan
kuadratik dengan kaidah klasifikasi ECM minimum yang melibatkan rasio biaya
kesalahan klasifikasi, rasio fungsi kepekatan peluang, dan rasio peluang prior.
Dalam penelitian ini, akan dikaji secara teori terkait teknik pengklasifikasian atau
Analisis diskriminan kuadratik dibatasi pada data berdistribusi normal ganda dan
ragam yang tidak homogen. Selanjutnya analisis diskriminan kuadratik ini akan
diaplikasikan pada suatu kelompok populasi. Tidak ada batasan jumlah kelompok
untuk pengelompokan dalam analisis ini, akan tetapi dalam penelitian ini akan
Definisi Matriks
Matriks adalah susunan persegi panjang dari bilangan-bilangan yang diatur dalam
baris dan kolom. Apabila matriks A terdiri dari 𝑚 baris dan 𝑛 kolom. Entri yang
terdapat pada baris i dan kolom j dari matriks A dinotasikan menjadi 𝑎𝑖𝑗 . Secara
Transpose Matriks
Trace Matriks
Jika A adalah matriks kuadrat, maka trace A dinyatakan oleh tr(A) yang
Matriks Simetrik
Determinan Matriks
Misalkan A adalah matriks kuadrat. Fungsi determinan dinyatakan oleh det, dan
kita defenisikan det(A) sebagai jumlah semua hasil kali elementer bertanda dari
dijumlahkan terhadap semua permutasi (j1, j2, ..., jn) dan simbol + atau – dapat
dipilih dalam masing-masing suku sesuai dengan apakah permutasi itu genap atau
Invers Matriks
Jika A adalah sebuah matriks kuadrat dan jika suatu matriks B yang berukuran
(invertible) dan B dinamakan invers (inverse) dari A (Anton dan Rorres, 2010).
8
Misalkan A adalah sebuah matriks simetrik berukuran 𝑛𝑥𝑛 dan 𝒙 sebarang vektor
berukuran 𝑛𝑥1, maka 𝒙’𝑨𝒙 disebut bentuk kuadrat dari A. Matriks A dikatakan
definit positif jika 𝒙’𝑨𝒙 > 0 dan dikatakan semidefinit positif jika 𝒙’𝑨𝒙 ≥ 0
Menurut Johnson dan Wichern (2007), analisis peubah ganda digunakan untuk
menganalisa data penelitian yang dikumpulkan dari sejumlah objek dengan setiap
objek diukur lebih dari satu peubah respon. Secara umum dalam 𝑛 buah amatan
yang berukuran 𝑛 × 𝑝:
Matriks X memuat data yang terdiri dari seluruh data pengamatan terhadap
Pengukuran pada baris ke-𝑖 yaitu 𝑥𝑖1 , 𝑥𝑖2 , … , 𝑥𝑖𝑝 merupakan pengukuran pada
𝑥𝑖1
𝑥𝑖2
𝒙𝒊 = [ ⋮ ] (2.2)
𝑥𝑖𝑝
1 1 𝑥− 𝜇 2
𝑓(𝑥) = √2𝜋𝜎2
𝑒𝑥𝑝 [− 2 ( ) ] ; −∞ < 𝑥 < ∞ (2.3)
𝜎
𝑥− 𝜇 2
Misalkan ( ) = (𝑥 − 𝜇)′ (𝜎 2 )−1 (𝑥 − 𝜇) (2.4)
𝜎
adalah ukuran jarak dari 𝑥 ke 𝜇 dalam satuan standar deviasi pada eksponensial
dari fungsi kepekatan peluang normal univariat. Jarak ini dapat digeneralisasi
dari 𝒙 ke 𝝁.
dalam persamaan (2.4) dengan jarak multivariat dalam persamaan (2.5). Sehingga
1 1
𝑓(𝑥) = 𝑝 1 𝑒𝑥𝑝 [− 2 (𝒙 − 𝝁)′ ∑−1 (𝒙 − 𝝁)] (2.6)
(2𝜋) ⁄2 |∑| ⁄2
Misalkan 𝒙 menggambarkan suatu vektor acak dari 𝑝 peubah pada suatu unit
𝑥𝑖1
𝑥𝑖2
𝒙𝒊 = [ ⋮ ] (2.7)
𝑥𝑖𝑝
Vektor rataan sampel 𝒙 diperoleh dari rata-rata 𝑛 vektor pengamatan atau dengan
𝑥̅1
1 𝑥̅ 2
̅ = ∑𝑛𝑖=1 𝑥𝑖 = [ ⋮ ]
𝒙 (2.8)
𝑛
𝑥̅𝑝
dengan 𝑥̅1 merupakan rata-rata dari 𝑛 pengamatan pada peubah pertama, 𝑥̅ 2 rata-
Kesuluruhan rata-rata dari 𝒙 dalam populasi disebut vektor rataan populasi atau
nilai harapan dari 𝒙. Hal ini didefinisikan sebagai suatu vektor nilai harapan dari
setiap peubah.
𝑥1 𝐸(𝑥1 ) 𝜇1
𝑥2 𝐸(𝑥2 ) 𝜇 2
𝐸(𝑿) = 𝐸 [ ⋮ ] = =[ ⋮ ]=𝝁 (2.9)
⋮
𝑥𝑝 [𝐸(𝑥𝑝 )] 𝜇𝑝
̅ adalah 𝜇𝑝
Hal ini bisa memperlihatkan bahwa nilai harapan dari 𝑥̅ 𝑝 di 𝒙
̅ adalah:
sehingga 𝐸(𝑥̅𝑝 ) = 𝜇𝑝 . Dengan demikian, nilai harapan 𝒙
𝑥̅1 𝐸(𝑥̅1 ) 𝜇1
𝑥̅2 𝐸(𝑥̅2 ) 𝜇 2
𝐸(𝑿) = 𝐸 [ ⋮ ] = =[ ⋮ ]=𝝁 (2.10)
⋮
𝑥̅𝑝 [𝐸(𝑥̅𝑝 )] 𝜇𝑝
suatu matriks simetris yang berisi varian pada diagonal utamanya dan kovarian
Menurut Everitt (2005), varian populasi dari dua peubah, 𝑥𝑖 dan 𝑥𝑗 didefinisikan
oleh:
Kovarian dari 𝑥𝑖 dan 𝑥𝑗 biasanya dinotasikan oleh 𝜎𝑖𝑗 . Jadi, varian dari peubah
𝑝(𝑝−1)
Dengan 𝑝 peubah, 𝑥1 , 𝑥2 , ..., 𝑥𝑝 , ada 𝑝 varian dan kovarian. Secara
2
𝑋1 − 𝜇1
𝑋 −𝜇
= 𝐸 ([ 2 ⋮ 2 ] [𝑋1 − 𝜇1 𝑋2 − 𝜇2 … 𝑋𝑝 − 𝜇𝑝 ])
𝑋𝑝 − 𝜇𝑝
dengan 𝜎𝑖𝑗 = 𝜎𝑗𝑖 . Matriks ini biasanya disebut matriks varian kovarian. Matriks ∑
S adalah penduga matriks varian kovarian kelompok ke-i yang didefinisikan oleh:
1
𝑺 = 𝑛−1 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )(𝑥𝑖 − 𝑥̅ )′ (2.13)
dengan 𝒙′𝒊 = [𝑥𝑖1 , 𝑥𝑖2 , … , 𝑥𝑖𝑝 ] adalah vektor pengamatan untuk i pengamatan.
diasumsikan untuk semua populasi, nilai dugaan bagi parameter sering diperoleh
13
likelihood, yaitu:
1 1
= 𝑛𝑝⁄ 𝑛 exp [− ∑𝑛𝑖=1(𝒙𝒊 − 𝝁)′ ∑−1 (𝒙𝒊 − 𝝁)]
(2𝜋) 2 |∑| ⁄2 2
−𝑛𝑝⁄ 𝑛⁄ 1
= | 2𝜋 | 2 |∑|− 2 exp [− ∑𝑛𝑖=1(𝒙𝒊 − 𝝁)′ ∑−1 (𝒙𝒊 − 𝝁) ] (2.14)
2
𝝁 ̅
̂=𝒙
̂ = 1 ∑𝑛𝑖=1(𝒙𝒊 − 𝒙
∑ ̅) ′
̅)(𝒙𝒊 − 𝒙
𝑛
1
= 𝑾
𝑛
𝑛−1
= 𝑺 (2.15)
𝑛
yang didefiniskan:
Menurut Giri (2004), ide dasar analisis diskriminan yaitu dari pengelompokan
suatu individu ke salah satu dari beberapa populasi berbeda yang ada berdasarkan
Analisis diskriminan merupakan suatu fungsi yang terdiri dari kombinasi linear
dari dua atau lebih peubah bebas yang paling baik dalam membedakan antara dua
kelompok atau lebih (Sartono, 2003). Jika X merupakan peubah acak berdimensi
p-variat dan bk merupakan koefesien diskriminan yang akan diduga, maka fungsi
= 𝒃′𝒌 𝑿 (2.17)
m : jumlah populasi
b : koefesien diskriminan
X : variabel bebas
kelompok yaitu kelompok 𝑌1 dan kelompok 𝑌2 menjadi tujuan utama dalam suatu
pengelompokan data.
𝑃(𝑋 ∈ 𝑌𝑖 ) = 𝑝𝑖 (2.18)
posterior, yaitu:
𝑓 (𝑥)𝑝𝑖
𝑃(𝑌𝑖 |𝑥) = 𝑃(𝑋 ∈ 𝑌𝑖 |𝑋 = 𝑥) = 𝑓 (𝑥)𝑝𝑖 (2.20)
1 1 +𝑓2 (𝑥)𝑝2
𝐸 𝑝 dan R adalah ruang atau daerah dari semua observasi 𝒙, akan ditentukan aturan
untuk membagi 𝐸 𝑝 ke dalam 𝑘 daerah yaitu R1, ..., Rk, sehingga jika 𝒙 jatuh di Ri,
diklasifikasikan ke 𝑌𝑗 adalah
vektor kesalahan 𝑟(𝑅) = (𝑟1 (𝑅), … , 𝑟𝑘 (𝑅)) untuk daerah 𝑅 yang berbeda.
Pada kasus data yang variannya tidak homogen, aturan klasifikasi tergatung pada
𝑑𝑗2 (𝑥) = [𝒙 − 𝒙
̅𝒋 ]′𝑺−𝟏 [𝒙 − 𝒙
̅𝒋 ] + 𝑙𝑛|𝑺𝒋 | − 2𝑙𝑛(𝜋𝑡 ) ; j=1, 2, ..., k (2.25)
1 2
− 𝑑 (𝑥)
𝑒 2 𝑗
𝑃(𝑡|𝑥) = 1 2 1 2 (2.26)
− 𝑑 (𝑥) − 𝑑 (𝑥)
𝑒 2 1 +𝑒 2 2
varian kovarian maupun vektor nilai tengah menjadi tidak homogen untuk setiap
17
dalam eksponen dari 𝑓1 (𝑥) dan 𝑓2 (𝑥) tidak digabungkan untuk memberikan hasil
Dalam skema klasifikasi sering kali dinilai dari peluang kesalahan tapi
masalah. Oleh karena itu, rata-rata biaya kesalahan klasifikasi atau Expexted Cost
minimum bergantung pada rasio densitas 𝑓1 (𝑥)⁄𝑓2 (𝑥) atau sebanding dengan
logaritma natural dari rasio densitas 𝑙𝑛[𝑓1 (𝑥)⁄𝑓2 (𝑥)]. Kaidah pengklasifikasian
1 𝑐(1|2) 𝑝
𝑅1 = − 2 𝒙′ (∑−𝟏 −𝟏 ′ −𝟏 ′ −𝟏 2
𝟏 − ∑𝟐 )𝒙 + (𝝁𝟏 ∑𝟏 − 𝝁𝟐 ∑𝟐 )𝒙 − 𝑘 ≥ 𝑙𝑛 [(𝑐(2|1)) (𝑝 )] (2.27)
1
1 |∑ | 1
dengan 𝑘 = 𝑙𝑛 (|∑𝟏 |) + (𝝁′𝟏 ∑−𝟏 ′ −𝟏
𝟏 𝝁 𝟏 − 𝝁 𝟐 ∑𝟐 𝝁 𝟐 )
2 𝟐 2
𝑛𝑖
𝑝=
𝑁
𝑐 = |𝑌𝑠𝑒𝑏𝑒𝑛𝑎𝑟𝑛𝑦𝑎 − 𝑌𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖 |
Menurut Izenman (2008), persamaan (2.27) memiliki bentuk fungsi kuadratik dari
𝑅 = 𝛽0 + 𝛽 ′ 𝑥 + 𝑥 ′ Ω𝑥 (2.28)
18
dengan,
1
Ω = − 2 (∑−𝟏 −𝟏
𝟏 − ∑𝟐 ) (2.29)
𝛽 = ∑−𝟏 −𝟏
𝟏 𝝁 𝟏 − ∑𝟐 𝝁 𝟐 (2.30)
1 |∑ |
𝛽0 = − 2 {𝑙𝑛 |∑𝟏 | + 𝝁′𝟏 ∑−𝟏 ′ −𝟏
𝟏 𝝁 𝟏 − 𝝁 𝟐 ∑𝟐 𝝁 𝟐 } (2.31)
𝟐
hipotesis:
didefiniskan sebagai:
2
̃𝑋
𝜎
𝑊𝑋 = 2 (2.32)
𝑆𝑋
2
dengan 𝑆𝑋2 = ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 dan 𝜎̃𝑋2 = [∑𝑛𝑖=1 𝑎𝑖 𝑥(𝑖) ] dimana 𝑥(1) < ⋯ < 𝑥(𝑛)
adalah statistik order, serta 𝑎𝑖 adalah anggota ke-𝑖 dari vektor 𝒂 = (𝑎1 , … , 𝑎𝑛 )′.
𝒎′𝑽−𝟏
𝒂 = (𝑎1 , … , 𝑎𝑛 )′ = 𝟏 (2.33)
(𝒎′𝑽−𝟏 𝑽−𝟏 𝒎)𝟐
berukuran 𝑛.
19
Uji ini akan tolak H0 dengan suatu ukuran taraf nyata 𝛼 jika 𝑊𝑋 < 𝑘𝛼 dengan 𝑘𝛼
digunakan hipotesis:
H0 : ∑1 =∑2 = ... = ∑k
dengan:
(𝑛 −1)⁄2
∗ ∏ |𝑺𝒋 | 𝑗
𝜆 =
|𝑾⁄(𝑛−𝑘)|(𝑛−𝑘)⁄2
𝑘 = banyaknya kelompok
(−2 𝑙𝑛 𝜆∗ )/𝑏 akan mengikuti sebaran F dengan derajat bebas 𝑣1 dan 𝑣2 pada taraf
nyata α, dimana:
𝑣1 = (1/2)(𝑘 − 1)𝑝(𝑝 + 1)
𝑏 = 𝑣1 /(1 − 𝑎1 − 𝑣1 /𝑣2 )
20
dengan,
2𝑝2 +3𝑝−1 1 1
𝑎1 = 6(𝑘−1)(𝑝+1) [∑ (𝑛 −1) − (𝑛−𝑘)]
𝑗
(𝑝−1)(𝑝−2) 1 1
𝑎2 = 6(𝑘−1)
[∑ 2 − 2]
(𝑛𝑗 −1) (𝑛−𝑘)
Karena itu, apabila (−2 𝑙𝑛 𝜆∗ )/𝑏 > 𝐹𝑣1 ,𝑣2 ,𝛼 maka H0 ditolak dan dapat
2015/2016.
Data penelitian yang digunakan adalah data yang dibangkitkan dengan simulasi
menggunakan software R. Data yang dibangkitkan sebanyak 100 data dengan lima
peubah penjelas (X1 – X5) untuk setiap kelompok I (Y1) dan kelompok II (Y2)
dengan sebaran normal multivariat (𝑋~𝑁𝑝 (µ, ∑)) serta ragam tidak homogen
(∑𝟏 ≠ ∑𝟐 ). Bentuk data secara umum dapat dilihat pada Tabel 1 dan secara lengkap
Populasi Pengamatan X1 X2 X3 ⋯ Xk
1 𝑥111 𝑥112 𝑥113 ⋯ 𝑥11𝑘
2 𝑥121 𝑥122 𝑥123 ⋯ 𝑥12𝑘
Y1
⋮ ⋮ ⋮ ⋮ ⋯ ⋮
𝑗1 𝑥1𝑗1 1 𝑥1𝑗1 2 𝑥1𝑗1 3 ⋯ 𝑥1𝑗1 𝑘
dengan:
𝑥𝑖𝑗𝑘 : Nilai pengamatan pada kelompok ke-𝑖 untuk pengulangan ke-𝑗 dan
variabel ke-𝑘
Metode yang digunakan dalam studi ini adalah studi pustaka dengan mempelajari
buku-buku teks penunjang yang berhubungan dengan tugas akhir ini. Kemudian
analisis pada data simulasi dalam penelitian ini akan menggunakan software R.
1 𝑐(1|2) 𝑝2
𝑅1 = − 𝒙′ (∑−𝟏 −𝟏 ′ −𝟏 ′ −𝟏
𝟏 − ∑𝟐 )𝒙 + (𝝁𝟏 ∑𝟏 − 𝝁𝟐 ∑𝟐 )𝒙 − 𝑘 ≥ 𝑙𝑛 [( ) ( )]
2 𝑐(2|1) 𝑝1
dengan:
1 |∑𝟏 | 1
𝑘 = 𝑙𝑛 ( ) + (𝝁′𝟏 ∑−𝟏 ′ −𝟏
𝟏 𝝁 𝟏 − 𝝁 𝟐 ∑𝟐 𝝁 𝟐 )
2 |∑𝟐 | 2
𝑛𝑖
𝑝=
𝑁
𝐶(𝑖|𝑗) = |∏𝑗 𝑠𝑒𝑏𝑒𝑛𝑎𝑟𝑛𝑦𝑎 − ∏𝑗 𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖 |
dengan lima peubah penjelas (X1 – X5) untuk setiap kelompok I (Y1) dan
kelompok II (Y2) dengan sebaran normal peubah ganda (𝑋~𝑁𝑝 (µ, ∑))
2 5
4 7
𝝁𝟏 = 6 𝝁𝟐 = 9
8 11
[10] [13]
1 0 0 0 0 1 0 0 0 0
0 4 0 0 0 0 8 0 0 0
∑𝟏 = 0 0 9 0 0 ∑𝟐 = 0 0 27 0 0
0 0 0 16 0 0 0 0 64 0
[0 0 0 0 25] [0 0 0 0 125]
b. ̅𝒊
Mencari nilai dugaan parameter dengan menghitung nilai rata-rata data 𝒙
dan matriks varian kovarian 𝑺𝒊 . Nilai rata-rata dan matriks varian kovarian
1 𝑛𝑖
̅𝒊 = ∑𝑗=1
𝒙 ̂ 𝒊 = 𝑺𝒊 = 1 (∑𝑛𝑖 (𝑥𝑖𝑗 − 𝑥̅𝑖 )(𝑥𝑖𝑗 − 𝑥̅𝑖 ))
𝑥𝑖𝑗 dan ∑
𝑛 𝑖 𝑛 −1 𝑗=1
𝑖
kuadratik.
kuadratik.
kuadratik.
Secara garis besar langkah-langkah penelitian yang dilakukan dapat dilihat pada
Mulai
Terdapat 2
kelompok data
Apakah data
berdistribusi
Ya Tidak
normal?
Tidak Ya
Analisis Analisis
diskriminan diskriminan fisher
kuadratik
Menghitung
nilai rata-rata
Menghitung matriks
varian kovarian
Menghitung persamaan
diskriminan
A
26
Kriteria Klasifikasi
𝑐(1|2) 𝑝2
𝑌𝑘 ≥ 𝑙𝑛 [( ) ( )]
𝑐(2|1) 𝑝1
Ya Tidak
Kelompok 1 Kelompok 2
Selesai
peluang, rasio biaya kesalahan klasifikasi, dan rasio peluang prior sehingga
1 𝐶(1|2) 𝑝
𝑅1 = − 𝒙′ (∑−𝟏 −𝟏 ′ −𝟏 ′ −𝟏
𝟏 − ∑𝟐 )𝒙 + (𝝁𝟏 ∑𝟏 − 𝝁𝟐 ∑𝟐 )𝒙 − 𝑘 ≥ 𝑙𝑛 [( ) ( 2 )]
2 𝐶(2|1) 𝑝1
dari integralnya bernilai negatif, yaitu 𝐶(1|2)𝑝2 𝑓2 (𝑥) − 𝐶(1|2)𝑝2 𝑓2 (𝑥) < 0
1 1 𝐶(1|2) 𝑝2
− ln(0,01412723) − (−19,9735) ≥ 𝑙𝑛 [( ) ( )]
2 2 𝐶(2|1) 𝑝1
DAFTAR PUSTAKA
Mattjik, A. & Sumertajaya, I.M. 2011. Sidik Peubah Ganda Menggunakan SAS.
Bogor: IPB Press.
Sartono, B. dkk. 2003. Analisis Peubah Ganda. Bogor: Institut Pertanian Bogor.