LAPORAN PRAKTIKUM

MULTIVARIAT

MODUL IV

Analisis Diskriminan pada Data Prediksi Probabilitas

Produktivitas Sayuran di Kota Makasar Berbasis Iklim

Oleh:
Diaz Hafshah R (1313030027)
Ihya Putty Ulinnuha (1313030088)

AsistenDosen:
Hani Khaulasari

Dosen:
Santi Wulan Purnami, M.Si, Ph.D

Program Studi Diploma III

JurusanStatistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
Surabaya
2015

1
 ABSTRAK

Usaha pertanian hortikultura, khususnya buah dan sayur, dapat menjadi solusi alternatif
pendapatan bagi siapapun yang ingin mengusahakannya. Selain mendukung program
pemerintah dalam gerakan mengkonsumsi buah dan sayur di masyarakat, ternyata peluang
usaha ini masih sangat besar baik di dalam maupun luar negeri. Kementrian Pertanian
Republik Indonesia menyebutkan, bahwa konsumsi buah dan sayur dalam negeri masih
rendah dan permintaan buah tropis dan sayur di luar negeri terus meningkat per tahun.
Namun pemegang masalah utama dalam memproduksi tanaman dalam hal ini sayuran
adalah iklim dan cuaca yang tidak beraturan. Kondisi ini mengakibatkan mutu hasil
pertanian yang diperoleh kurang memuaskan bahkan gagal dikarenakan tidak adanya
pemahaman yang baik dalam mempelajari karakteristik iklim dan perubahan cuaca. Untuk
itu perlu dilakukan pendekatan yang efektif dengan cara menyesuaikan sistem usaha tani
dengan kondisi iklim setempat. Namun, dari banyak variabel ini, tidak semuanya
berpengaruh signifikan untuk mempengaruhi probabilitas produktivitas sayuran di kota
Makasar. Analisis diskriminasi digunakan untuk digunakan untuk mengklasifikasikan
individu ke dalam salah satu dari dua kelompok atau lebih pada probabilitas produktivitas
sayuran di kota Makasar. Data yang digunakan diambil dari data Skripsi mahasiswa Fisika
Universitas Hasnuddin Makassar yang berjudul “Analisis diskriminan dalam prediksi
probabilitas produktivitas sayuran di kota Makasar berbasis iklim”.

Kata Kunci : Analisis Diskriminan, Produktivitas Sayuran

2
 DAFTAR ISI

ABSTRAK ........................................................................................................... i
DAFTAR ISI ........................................................................................................ ii
DAFTAR TABEL ............................................................................................... iv
DAFTAR GAMBAR ........................................................................................... v
BAB I PENDAHULUAN
1.1 Latar Belakang ........................................................................................ 1
1.2 Rumusan Masalah ................................................................................... 2
1.3 Tujuan ..................................................................................................... 2
1.4 Manfaat ................................................................................................... 2
1.5 Batasan Masalah ..................................................................................... 2
BAB II TINJAUAN PUSTAKA
2.1. Uji Asumsi Analisis Diskriminan ........................................................... 4
2.2 Analisis Diskriminan ............................................................................... 6
2.3 Cuaca dan Iklim ....................................................................................... 7
2.4 Iklim dan Tanaman .................................................................................. 8
BAB III METODOLOGI PENELITIAN
3.1 Sumber Data ........................................................................................... 9
3.2 Variabel Penelitian ................................................................................. 9
3.3 Langkah Analisis .................................................................................... 9
3.4 Diagram Alir .......................................................................................... 11
BAB IV ANALISIS DAN PEMBAHASAN
4.1 Pemeriksaan Asumsi ................................................................................ 12
4.2 Analisis Diskriminan ............................................................................... 14
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan .............................................................................................. 19
5.2 Sumber Data ............................................................................................. 19
DAFTAR PUSTAKA
LAMPIRAN

3
 DAFTAR TABEL

Tabel 2.1 Ketepatan Klasifikasi ........................................................................... 5

Tabel 3.1 Variabel Penelitian ............................................................................... 9
Tabel 4.1 Distribusi Normal Multivariat .............................................................. 12
Tabel 4.2 Uji Multikolinieritas ............................................................................. 13
Tabel 4.3 Log Determinan .................................................................................... 13
Tabel 4.4 Uji Box’ M ............................................................................................ 14
Tabel 4.5 Eliminasi Forward ............................................................................... 14
Tabel 4.6 Perbedaan Antar Kelas ......................................................................... 15
Tabel 4.7 Nilai Eigen............................................................................................ 15
Tabel 4.8 Wilks’ Lambda...................................................................................... 15
Tabel 4.9 Koefisien Kanonik................................................................................ 16
Tabel 4.10 Klasifikasi Fungsi ............................................................................... 16
Tabel 4.11 Fungsi Kelompok Sentroid................................................................. 16
Tabel 4.12 Hasil Klasifikasi ................................................................................. 17

4
 DAFTAR GAMBAR

Gambar 3.1 Diagram Alir .................................................................................... 11

Gambar 4.1 Scatterplot Multivariat Normal........................................................ 12

5
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Usaha pertanian hortikultura, khususnya buah dan sayur, dapat menjadi
solusi alternatif pendapatan bagi siapapun yang ingin mengusahakannya. Selain
mendukung program pemerintah dalam gerakan mengkonsumsi buah dan sayur di
masyarakat, ternyata peluang usaha ini masih sangat besar baik di dalam maupun
luar negeri. Kementrian Pertanian Republik Indonesia menyebutkan, bahwa
konsumsi buah dan sayur dalam negeri masih rendah dan permintaan buah tropis
dan sayur di luar negeri terus meningkat per tahun (Yogasara, 2011). Namun
pemegang masalah utama dalam memproduksi tanaman dalam hal ini sayuran
adalah iklim dan cuaca yang tidak beraturan. Kondisi ini mengakibatkan mutu hasil
pertanian yang diperoleh kurang memuaskan bahkan gagal dikarenakan tidak
adanya pemahaman yang baik dalam mempelajari karakteristik iklim dan
perubahan cuaca. Untuk itu perlu dilakukan pendekatan yang efektif dengan cara
menyesuaikan sistem usaha tani dengan kondisi iklim setempat (Madia, 2012).
Penyesuaian dapat dilakukan dengan menganalisis dan mengintrepetasi data iklim
dan cuaca yang ada. Analisis data iklim dan cuaca harus secara kompeherensif dan
berkelanjutan karena iklim dan cuaca merupakan sistem yang selalu dapat berubah.
Pada tahun 2010, Andi Rio Wita melakukan penelitian tentang model
prediktif produktivitas jagung berbasis iklim di kabupaten Maros menggunakan
metode regresi berganda. Berdasarkan hasil penelitian tersebut, ternyata
produktivitas jagung di kabupaten Maros dipengaruhi oleh curah hujan dan radiasi
matahari (Rio, 2010). Oleh karena itu, dilakukan penelitian baru dengan
menggunakan analisis diskriminan agar dapat diketahui unsur iklim apa yang
sangat mempengaruhi produktivitas sayuran yang ada di kota Makassar. Hasil yang
diperoleh dari prediksi permodelan dapat bermanfaat dan sangat membantu dalam
manajemen pertanian dan penentuan perencanaan yang baik dalam pembudidayaan
sayuran untuk kedepannya.

6
 1.2 Rumusan Masalah
Berdasarkan latar belakang diatas, maka rumusan masalah yang digunakan
pada pratikum ini adalah sebagai berikut.
1. Bagaimana uji asumsi-asumsi analisis diskriminan pada data probabilitas
produktivitas sayuran di kota Makasar?
2. Bagaimana analisis diskriminan pada data probabilitas produktivitas
sayuran di kota Makasar?

1.3 Tujuan
Berdasarkan rumusan masalah diatas, maka tujuan dari pratikum ini adalah
sebagai berikut.
1. Mengetahui asumsi-asumsi analisis diskriminan pada data probabilitas
produktivitas sayuran di kota Makasar.
2. Mengetahui analisis diskriminan pada data probabilitas produktivitas sayuran di
kota Makasar.

1.4 Manfaat
Manfaat yang dapat diambil dari praktikum ini adalah dapat meningkatkan
kemampuan dalam menganalisis data menggunakan analisis diskriminan, dapat
mengetahui apa manfaat analisis tersebut sehingga dapat menerapkannya dalam
masalah-masalah dalam kehidupan sehari-hari. Manfaat lain yang didapatkan dari
praktikum ini adalah dapat mengetahui ketepatan klasifikasi mempengaruhi
probabilitas produktivitas satyuran di kota Makasar.

1.5 Batasan Masalah

Batasan masalah yang digunakan dalam penelitian ini adalah data yang
digunakan sebanyak 10 variabel yaitu produktivitas sedang (1) dan produktivitas
tinggi (2) (Y), kelembaban udara (%) (X1), tekanan udara (X2), curah hujan (mm)
(X3), penyinaran matahari (X4), suhu udara rata-rata (c) (X5), suhu udara minimum
(c) (X6), suhu udara maksimum (c) (X7), kecepatan angin rata-rata (knot) (X8), dan
kecepatan angin terbesar (knot) (X9). Data diperoleh dari skripsi mahasiswa Fisika

7
Universitas Hasanudin Makasar yang berjudul “Analisis diskriminan dalam
prediksi probabilitas produktivitas sayuran di kota Makasar berbasis iklim”.

8
 BAB II
TINJAUAN PUSTAKA

2.1 Uji Asumsi Analisis Diskriminan

2.1.1 Outlier
Outlier adalah pengamatan atau data yang memiliki karakteristik yang
terlihat sangat jauh berbeda dari observasi-observasi lainnya dan muncul dalam
bentuk nilai ekstrim (Hair et. al., 2006). Ferdinand (2002) mengungkapkan bahwa
evaluasi terhadap multivariat outlier perlu dilakukan sebab walaupun data yang
dianalisis tidak ada outlier pada tingkat univariat, akan tetapi observasi-observasi
tersebut dapat menjadi outlier bila sudah saling dikombinasikan. Jarak mahalanobis
(Mahalanobis Distance) dapat digunakan untuk menguji apakah terdapat outlier
multivariate.
Asumsi outlier terpenuhi jika dMD2 < cdb(a)2 di mana cdb(a)2 adalah nilai kritis
bagi sebaran Chi-Square dengan derajat bebas sebesar banyaknya indikator pada
taraf nyata a (Satisticszone, 2010).
2.1.2 Uji Normalitas
Asumsi yang dibutuhkan di dalam analisis multivariate adalah Berdistribusi
normal dan homogen (identik). Uji Normalitas ada 2 macam yaitu normalitas
univariat dan multivariate. Berikut uji normalitas univariat secara manual
(Kolmogorov-Smirnov) (Daniel, 1998).
H0 : data mengikuti suatu distribusi teoritis tertentu F0(x)
H1 : data tidak mengikuti suatu distribusi teoritis tertentu F0(x)

Statistik Uji : D S x   F0 x 
SUP
x

Keterangan:
S x  : nilai kumulatif distribusi empiris

F0 x : nilai kumulatif distribusi teoritis

Membandingkan nilai D dengan Dα tabel (Daniel, 1998). H0 ditolak jika D > Dα
tabel.
Uji normalitas multivariate adalah sebagai berikut.

9
 Menghitung jarak kaudarat d j dengan rumus d 2j  x j  x S 1 x j  x ,
2
  
'

dimana :
j : 1, 2, …, n
xj : obyek pengamatan ke-j

d 2j : nilai kuadrat ke-j

S-1 : invers matrik varian kovarian

 x  x p x j  x p 
n
j 1 j
Diketahui elemen matrik : S  , dimana:
n 1
j : 1, 2, …,n
p : banyaknya karakteristik variabel kualitas
n : banyaknya pengamatan
2
Mengurutkan nilai d j dari yang terkecil sampai yang terbesar. Mencari nilai
2
 2 j 0.5   q j dari tabel chi-square dana membuat scatter plot antara pasangan ( d j
 p, 
 n 

qj).
2.1.3 Uji Homogenitas
Pengujian homogenitas berfungsi untuk mengetahui varians data bersifat
homogen atau heterogen berdasarkan faktor tertentu. Sama seperti pada
kenormalan, bahwa asumsi homogenitas juga diperlukan pada beberapa analisis
statistik parametrik.
a. Uji Bartlett
Uji Bartlett merupakan metode pengujian homogenitas varian. Pada
pengujian ini terdapat syarat data harus berdistrbusi normal. Pengujiannya adalah
sebagai berikut.
H0 : 𝜎1 2 = 𝜎2 2 = ⋯ = 𝜎𝑘 2 (data homogen)
H1 : paling sedikit ada satu 𝜎𝑖 2 yang tidak sama
Statistik uji :
 
s2
 1   s 
n1 1
2
2 n 2 1
 
... sk 2
n ki 1 1 / N  k

b  2
(2.1)
sp

10
 k

 n  1s
i 1
i i
2

Dimana s p 2 
N k
Kesimpulan : H0 ditolak jika b  bk ( ; n) (Walpole, 1995).

2.1.4 Multikolinieritas
Multikolinieritas adalah suatu kondisi dimana terjadi korelasi yang kuat
diantara variabel-variabel bebas (X) yang diikutsertakan dalam pembentukan
model regresi linier (Deny, 2008). Dapat juga berarti suatu keadaan di mana
hubungan linier yang sempurna antara variabel-variabel penjelas atau variabel
bebas. Uji multikolinieritas adalah untuk melihat ada atau tidaknya korelasi yang
tinggi antara variabel-variabel bebas dalam suatu model analisis diskriminan.
Masalah multikolinieritas terjadi pada analisis diskriminan jika peubah-peubah X
saling berkorelasi atau adanya hubungan linier yang kuat antara peubah-peubah
bebas X. Hal yang akan mempengaruhi ragam dari dugaan koefisien diskriminan
adalah peubah X yang dianggap penting kemungkinan akan tidak nyata walaupun
nilai R2 tinggi serta pendugaan dari koefisien diskriminan menjadi tidak benar,
misalnya koefisien memiliki tanda negatif yang mana didalam hubungan X dan Y
sebenarnya adalah positif (Salamah, 2014).
a. VIF
VIF merupakan singkatan dari Variance Inflation Factor. Jika nilai VIF
lebih dari 10, maka terdapat masalah multikolinieritas pada sebuah permodelan.
(Hartini, 2013)
1 (2.2)
VIF 
1  Ri2
Dimana R2 = koefisien determinasi berganda dari peubah penjelas Xi dengan
seluruh peubah penjelas lainnya.
2.1.5 Ketepatan Klasifikasi
Evaluasi prosedur klasifikasi merupakan suatu evaluasi yang melihat
peluang kesalahan klasifikasi yang dilakukan oleh suatu fungsi klasifikasi. Tabel di
bawah ini menunjukan tabel ketepatan klasifikasi (Johnson, et al., 2002).

11
 Tabel 2.1 Ketepatan Klasifikasi
Prediksi
Total
Observasi ˆ 1 ̂ 2 ̂ 3 ̂ 4

1 n11 n12 n13 n14 A

2 n21 n22 n23 n24 B

3 n31 n32 n33 n34 C

4 n41 n42 n43 n44 D

Total E F G H I
Keterangan :
n11 = Jumlah yi dari  1 tepat diklasifikasikan sebagai ˆ 1

n12 = Jumlah yi dari  1 tepat diklasifikasikan sebagai ̂ 2

n13 = Jumlah yi dari  1 tepat diklasifikasikan sebagai ̂ 3

n14 = Jumlah yi dari  1 tepat diklasifikasikan sebagai ̂ 4

n21 = Jumlah yi dari  2 tepat diklasifikasikan sebagai ˆ 1

n22 = Jumlah yi dari  2 tepat diklasifikasikan sebagai ̂ 2

n23 = Jumlah yi dari  2

tepat diklasifikasikan sebagai ̂ 3

n24 = Jumlah yi dari  2 tepat diklasifikasikan sebagai ̂ 4

n31 = Jumlah yi dari  3 tepat diklasifikasikan sebagai ˆ 1

n32 = Jumlah yi dari  3 tepat diklasifikasikan sebagai ̂ 2

n33 = Jumlah yi dari  3 tepat diklasifikasikan sebagai ̂ 3

n34 = Jumlah yi dari  3 tepat diklasifikasikan sebagai ̂ 4

n41 = Jumlah yi dari  4 tepat diklasifikasikan sebagai ˆ 1

n42 = Jumlah yi dari  4 tepat diklasifikasikan sebagai ̂ 2

n43 = Jumlah yi dari  4 tepat diklasifikasikan sebagai ̂ 3

n44 = Jumlah yi dari  4 tepat diklasifikasikan sebagai ̂ 4

12
2.2 Analisis Diskriminan
Analisis diskriminan merupakan salah satu metode statistika yang bertujuan
untuk mengkategorikan suatu objek ke dalam dua atau lebih kelompok berdasarkan
pada sejumlah variabel bebas. Pengelompokannya bersifat “mutually executive”
dalam artian jika objek A sudah berada dalam kelompok I, maka tidak mungkin
menjadi kelompok 2 dan selanjutnya. Oleh karena ada sejumlah variable
independen, maka akan terdapat satu variable dependen (Wilks, 1995).
Model analisis diskriminan adalah sebuah persamaan yang menunjukkan
suatu kombinasi linier dari berbagai variabel independen yaitu.

D  b0  b1 X 1  b2 X 2  b3 X 3  ...  bk X k (2.3)
Dimana:
D = Skor diskriminan
b = Koefisien diskriminasi atau bobot
X = Prediktor atau variabel independent
Dalam bentuk catatan matriks dapat dinyatakan sebagai berikut.

X 1  X 11, X 12 ,..., X 1n1 (2.4)

X 2  X 21, X 22 ,..., X 2n2 (2.5)

Dari data matriks di atas dapat ditentukan vektor nilai rata-rata contoh dan matriks
ragam peragam (variance-covariance) berikut.
X 1  X 1n1 X 1 jn1 j  1 (2.6)

S1  X 1n1  1( X 1 jn1 j  1  X 1 )( X 1 j  X 1 )' (2.7)

X 2  X 1n 2 X 2 jn 2 j  1 (2.8)

S 2  X 1n 2  1( X 2 jn 2 j  1  X 2 )( X 2 j  X 2 )' (2.9)

Pengujian terhadap hipotesis dilakukan menggunakan uji statistik T2 Hotelling yang

dirumuskan sebagai berikut.

T 2  n1n2 n1 n2 X 1  X 2 ' SG  1( X 1  X 2 ) (2.10)

13
2.3 Cuaca dengan Iklim
Cuaca dan iklim merupakan dua kondisi yang hampir sama tetapi berbeda
pengertian khususnya terhadap kurun waktu. Cuaca merupakan bentuk awal yang
dihubungkan dengan penafsiran dan pengertian akan kondisi fisik udara sesaat pada
suatu lokasi dan suatu waktu, sedangkan iklim merupakan kondisi lanjutan dan
merupakan kumpulan dari kondisi cuaca yang kemudian disusun dan dihitung
dalam bentuk rata-rata kondisi cuaca dalam kurun waktu tertentu (Winarso, 2003).
Unsur-unsur iklim terdiri dari radiasi surya, suhu udara, kelembaban udara, awan,
presipitasi, evaporasi, tekanan udara dan angin. Unsur-unsur ini berbeda dari waktu
ke waktu dan dari tempat ke tempat yang disebabkan oleh adanya pengendali-
pengendali iklim. Pengendali iklim atau faktor yang dominan menentukan
perbedaan iklim antara wilayah yang satu dengan wilayah yang lain adalah
(Lakitan, 2002).
1. Ketinggian tempat.
2. Latitude atau garis lintang.
3. Daerah-daerah tekanan.
4. Arus-arus laut, dan
5. Permukaan tanah.

2.4 Iklim dengan Tanaman

Pola iklim dengan distribusi tanaman memiliki hubungan yang erat
sehingga beberapa klasifikasi iklim didasarkan pada dunia tumbuh – tumbuhan.
Tanaman dipandang sebagai suatu yang kompleks dan peka terhadap pengaruh
iklim misalnya pemanasan, kelembaban, penyinaran matahari, dan lain-lain. Iklim
tidak hanya mempengaruhi tanaman tetapi juga dipengaruhi oleh tanaman. Hutan
yang lebat dapat menambah jumlah kelembaban di dalam udara melalui transpirasi.
Bayangan dari pohon-pohon dapat mengurangi temperature udara, sehingga
penguapan menjadi kecil (Tjasyono, 2004).

14
 BAB III
METODE PENELITIAN

3.1 Sumber Data

Data yang digunakan dalam praktikum ini adalah data sekunder. Data
tersebut diambil dari data skripsi yang berjudul “Analisis Diskriminan dalam
Prediksi Probabilitas Produktivitas Sayuran di Kota Makasar Berbasis Iklim” oleh
Nurjannah Sudirman H. (22108260). Skripsi tersebut diperoleh di website pada
Kamis, 23 April 2015 pada pukul 13.00 WIB hingga selesai.

3.2 Variabel Penelitian

Variabel penelitian yang terdapat pada analisis terhadap data probabilitas
produktivitas satyuran di kota Makasar menggunakan sebanyak 10 variabel
penelitian, seperti berikut.
Tabel 3.1 Variabel Penelitian
Y 1 = Produktivitas Sedang
2 = Produktivitas Tinggi
X1 Kelembaban udara (%)
X2 Tekanan udara
X3 Curah hujan (mm)
X4 Penyinaran matahari
X5 Suhu udara rata-rata (c)
X6 Suhu udara minimum (c)
X7 Suhu udara maksimum (c)
X8 Kecepatan angin rata-rata (knot)
X9 Kecepatan angin terbesar (knot)

3.3 Langkah Analisis

Langkah analisis pada data probabilitas produktivitas sayuran di kota
Makasar adalah sebagai berikut.
1. Mengumpulkan dan memasukkan data hasil pengamatan pada software.

15
2. Melakukan uji homogenitas varians dari data Probabilitas Produktivitas
Sayuran di Kota Makasar.
3. Melakukan analisis diskriminan.
4. Melakukan uji ketepatan klasifikasi secara manual pada data Probabilitas
Produktivitas Sayuran di Kota Makasar.
5. Menginterpretasikan dan kesimpulan

16
3.4 Diagram Alir
Berikut adalah diagram alir dari langkah analisis yang telah dijelaskan.

Mulai

Data

Tidak

Uji Outlier

Tidak
Ya
Tidak
Uji Normalitas
Multikolinierita
s
Ya

Uji
Homogenitas

Ya

Uji
Multikolinieritas

Kesimpulan

Selesai

Gambar 3.1 Diagram Alir

17
 BAB IV
ANALISIS DAN PEMBAHASAN

4.1 Pemeriksaan Asumsi

Asumsi yang harus diteliti dalam penelitian ini ada tiga, yaitu uji distribusi
multivariat normal, uji multikolinieritas, dan uji homogenitas varians dan
kovarians.
4.1.1 Uji Distribusi Multivariat Normal
Berdasarkan data mengenai faktor-faktor yang mempengaruhi produksi
bayam di Kota Makassar dilakukan pengujian distribusi normal multivariat yang
digunakan untuk mengetahui apakah data yang diambil sudah memenuhi asumsi
berdistribusi normal multivariat atau tidak. Berikut adalah pengujian multivariat
normalitas secara multivariat dengan menggunakan software.
Tabel 4.1 Uji Distribusi Multivariat Normal
Nilai T
0,47368
Tabel 4.1 menunjukkan bahwa setelah dilakukan perhitungan dengan
menggunakan software didapatkan nilai T sebesar 0.47368 yang mendekati nilai
50% sehingga dapat disimpulkan bahwa data faktor-faktor yang mempengaruhi
produktivitas bayam di Kota Makassar sudah mengikuti distribusi multivariat
normal. Cara lain untuk melihat apakah data tersebut mengikuti distribusi
multivariat normal dapat dilakukan identifikasi secara visual menggunakan
scatterplot.

Scatterplot of q vs dd
20

15
q

10

2 4 6 8 10 12 14 16
dd

18
 Gambar 4.1 Scatterplot Multivariat Normal
Gambar 4.1 menunjukkan bahwa plot-plot yang terbentuk sudah mendekati
garis normal, sehingga dapat disimpulkan bahwa data faktor-faktor yang
mempengaruhi produktivitas sayur bayam di Kota Makassar sudah mengikuti
distribusi multivariat normal.
4.1.2 Uji Multikolinieritas
Masalah multikolineritas terjadi pada regresi berganda jika adanya hubungan
linier yang kuat antara peubah variabel predictor. Berikut adalah hasil dari
pengujian multikolineritas.
Tabel 4.2 Uji Multikolineritas
Prediktor VIF
X3 = Curah Hujan 1.140
X8 = Kecepatan Angin Rata-Rata 1.140
Tabel 4.2 didapatkan masing-masing nilai varian inflasi faktor (VIF) dari
curah hujan kecepatan angin rata-rata adalah kurang dari 10 maka tidak ada
hubungan antara curah hujan dan kecepatan angin rata-rata sehingga pengujian
tersebut telah memenuhi persamaan model.
4.1.3 Uji Homogenitas Varians
Uji Homogenitas varians digunakan untuk mengetahui apakah data curah
hujan dan kecepatan angin rata-rata terhadap produksi sayur bayam di Kota
Makassar sudah memenuhi asumsi homogenitas varians. Hasil pengujian box’s M
adalah sebagai berikut.
Hipotesis:
H0 : Data pengaruh curah hujan dan kecepatan angin rata-rata terhadap produksi
sayur bayam telah memenuhi asumsi homogenitas varians.
H1 : Data pengaruh curah hujan dan kecepatan angin rata-rata terhadap produksi
sayur bayam belum memenuhi asumsi homogenitas varians.
Tabel 4.3 Log Determinan
Y Rank Log Determinan
Sedang 2 3.322
Tinggi 2 8.690
Pooled Within Group 2 8.431

19
 Tabel 4.3 menunjukkan bahwa selisih log determinan antara jumlah
produktivitas sayur bayam yang sedang dan jumlah produktivitas sayur bayam yang
tinggi adalah cukup besar sehingga dapat diketahui matriks varians dan kovarians
grup adalah identik.
Tabel 4.4 Hasil Uji Box’ M
Box’s M F Df1 Df2 P-value
11.697 2.895 3 392.267 0.065
Tabel 4.4 menunjukkan bahwa nilai P-value yang dihasilkan adalah 0.065,
sehingga dapat diambil keputusan yaitu pada taraf signifikan 5% gagal menolak H0
karena P-value >  artinya data pengaruh curah hujan dan kecepatan angin rata-
rata terhadap produksi sayur bayam di Kota Makassar memenuhi asumsi
homogenitas varians.

4.2 Analisis Diskriminan

Analisis Diskriminan untuk membuat model yang bisa secara jelas
menunjukkan perbedaan (diskriminasi) antar isi variabel dependen, yang
dalam kasus berikut adalah hasil produksi sayur bayam sedang atau hasil produksi
sayur bayam tinggi.
4.2.1 Eliminasi Forward
Eliminasi Forward dilakukan untuk memilih model regresi terbaik yang
dimulai dengan regresi terkecil yang menggunakan sedikit prediktor dan secara
bertahap menambah variabel prediktor satu persatu.
Tabel 4.5 Eliminasi Forward
Langkah 1 2
Constant 0.583 1.000

X8 0.192 0.259
T-value 2.12 2.95
P-value 0.049 0.009

X3 0.00216

20
 T-Value 2.18
P-Value 0.045

S 0.383 0.347
R2 20.83 38.90
R2 adj 16.18 31.27
Cp mallow 0.1 -1.4
Tabel 4.5 menunjukkan model regresi terbaik dengan menggunakan metode
forward. Dengan R2 sebesar 38.90, R2adj sebesar 31.27, dengan Cp mallow -1.4,
dan nilai S sebesar 0.347 hasil yang didapatkan adalah hanya X8, dan X3 yang
masuk ke dalam model. Sehingga model regresinya Y = 1 + 0.259 X8 + 0.00216
X3, yaitu variabel curah hujan, dan kecepatan angin rata-rata.
4.2.2 Persamaan Rata-Rata
Setelah dilakukan perhitungan menggunakan software didapatkan hasil
sebagai berikut.
Tabel 4.8 Wilks’ Lambda
Function Wilks’ Lambda Chi-square df p-value
1 0.037 13.849 5 0.000
Tabel 4.8 menunjukkan bahwa dengan nilai α sebesar 5% didapatkan hasil p-
value yang kurang dari α (0.000<0.05) yang artinya kelompok yang diteliti mampu
membedakan variabel-variabel yang masuk secara signifikan, selain itu dapat
diketahui pula nilai wilks’ lambda 0.037 atau 3.7% artinya keragaman yang tidak
dapat dijelaskan oleh kelompok hanya sebesar 3.7%.
4.2.3 Uji Kekuatan Hubungan Fungsi Diskriminan
Setelah dilakukan perhitungan menggunakan software didapatkan hasil
sebagai berikut.
Tabel 4.7 Nilai Eigen
Function Eigen value % varians % kumulatif Korelasi kanonik
1 0.637 100 100 0.624
Tabel 4.7 menunjukkan bahwa nilai korelasi kanoniknya adalah 0.624 atau
62.4% yang artinya model yang terbentuk mampu menjelaskan 62.4%2 atau 38.9%

21
keragaman dari variabel respon, sedangkan sisanya dijelaskan oleh variabel lain
yang tidak masuk ke dalam model.
4.2.4 Fungsi Diskriminan
Setelah diketahui bahwa ada dua variabel yang akan masuk ke dalam
kelompok, yaitu curah hujan dan kecepatan angin rata-rata. Maka didapatkan hasil
sebagai berikut.
Tabel 4.9 Koefisien Kanonik
Function
1
X3 = Curah Hujan 0.01
X8 = Kecepatan Angin Rata-Rata 1.234
Konstan -5.740
Tabel 4.9 menunjukkan bahwa setelah dilakukan analisis, didapatkan fungsi
diskriminan dari variabel data pengaruh curah hujan dan kecepatan angin rata-rata
terhadap jumlah produksi padi adalah Y = -5.740 + 0.010 X3 + 1.234 X8.
4.2.5 Pengklasifikasian Koefisien Fungsi
Setelah dilakukan perhitungan menggunakan software didapatkan hasil
sebagai berikut.
Tabel 4.10 Klasifikasi Fungsi
Y
Sedang Tinggi
X3 0.035 0.054
X8 5.707 7.992
Konstan -10.419 -20.055
Tabel 4.10 didapatkan fungsi diskriminan yang dibedakan berdasarkan
kelompok. Pada kelompok jumlah produksi sayur bayam yang sedang didapatkan
fungsi Y (Sedang) = -10.419 + 0.035 X3 + 5.707 X8. Sedangkan pada kelompok
jumlah produksi sayur bayam yang tinggi didapatkan fungsi Y (Tinggi) = -20.055
+ 0.054 X3 + 7.992 X8.
Tabel 4.11 Fungsi Kelompok Sentroid
Y Function
Sedang -1.462

22
 Tinggi 0.390
Tabel 4.11 menunjukkan nilai fungsi masing-masing kelompok, dan jika di
rata-rata didapatkan nilai sebesar -0.536. Jika fungsi kelompok dengan jumlah
produksi yang sedang dibandingkan dengan nilai rata-rata (-0.536) mempunyai
nilai yang lebih kecil sehingga Y masuk ke populasi dengan jumlah produksi yang
tinggi. Sedangkan fungsi kelompok dengan jumlah produksi yang tinggi
mempunyai nilai yang lebih tinggi dari nilai rata-rata (-0.536) sehingga Y masuk
ke populasi dengan jumlah produksi sedang.
4.2.6 Ketepatan Klasifikasi
Setelah dilakukan perhitungan menggunakan software didapatkan hasil
sebagai berikut.
Tabel 4.12 Hasil Klasifikasi
Prediksi
Y Total
Sedang Tinggi
Sedang 3 1 4
Original Count
Tinggi 4 11 15
Sedang 75.0 25.0 100
%
Tinggi 26.7 73.3 100
Tabel 4.12 menunjukkan bahwa variabel pada data awal yang masuk ke
dalam kelompok jumlah produksi sedang dan tetap pada kelompok produksi sedang
ada 3 data, dan yang masuk ke dalam kelompok produksi sayur bayam tinggi ada 1
data, sedangkan variabel pada data awal yang masuk ke dalam kelompok jumlah
produksi tinggi dan tetap pada kelompok produksi tinggi ada 11 data, dan yang
masuk ke dalam kelompok produksi sayur bayam rendah ada 1 data. Selain itu dapat
diketahui pula nilai ketepatan sebesar 73.7% artinya karena nilai ketepatan lebih
dari 50% maka fungsi diskriminan sudah dapat digunakan untuk
mengklasifikasikan sebuah kasus pada tipe jumlah produksi sayur bayam di Kota
Makassar.

23
 BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Berdasarkan hasil analisis data faktor-faktor yang mempengaruhi kondisi
klinis yaitu tekanan darah sistolik dan diastolik pasien telah diperoleh kesimpulan
sebagai berikut.
1. Hasil uji asumsi menunjukkan bahwa faktor-faktor yang mempengaruhi
jumlah produksi bayam di Kota Makassar sudah berdistribusi multivariat
normal, tidak ada multikolinieritas dan memenuhi uji asumsi homogenitas
varians.
2. Hasil analisis diskriminan didapatkan hasil ada 2 faktor yang masuk ke dalam
fungsi yaitu variabel curah hujan dan kecepatan angin rata-rata. Sehingga
fungsi diskriminannya adalah Y = -5.740 + 0.010 X3 + 1.234 X8 dan fungsi
ini mempunyai nilai ketepatan sebesar 73.7%.

5.2 Saran
Saran untuk praktikum selanjutnya adalah lebih memahami materi yang
dibahas, agar tidak terdapat kesalahan dalam pengolahan data ataupun dalam
menginterpretasikannya. Panduan yang jelas dalam melakukan penelitian ini sangat
penting serta dalam menganalisis datahasil pengamatan diperlukan kecermatan dan
ketelitian.

24
 DAFTAR PUSTAKA

Johnson, R.A. and Wichern, D. 2002. Applied Multivariate Statistical Analysis.

USA: Pearson Education,Inc.
Lakitan, B. 2002. Dasar-dasar Ilmu Klomatologi. Jakarta: PT Grafindo Persada.
Madia, E., dkk. 2012. Hubungan Iklim dan Pertumbuhan Tanaman.
http://mbem25.blogspot.com/2012/05/hubungan-iklim-dan-pertumbuhan-
tanaman.html diakses pada tanggal 24 April 2015 pukul 11.30 WIB.
Morison, D. F. 2005. Multivariate Statistical Methods, Brooks/Cole Thomson
Learning, Victoria
Rio, Andi W. 2010. Model Prediktif Produktivitas Jagung (Zea Nays L) Berbasis
Iklim di Kapubaten Maros. Makassar.
Sharma, S. 1996. Applied Multivariate Techniques, Ney-York: John Wiley & Sons,
Inc.
Tjasyono, B. 1992. Klimatologi Terapan. Bandung: CV. Pionir Jaya
Wilks, D. 1995. Statistical Methods In The Atmospheric Sciense. New York:
Academic Press.
Winarso, P.A. 2003. Variabilitas/Penyimpangan Iklim atau Musim di Indonesia
dan Pengembangannya. Yogyakarta: UGM Press.
Yogasara, Y. 2011. Jangan Remehkan Potensi Buah dan Sayur Indonesia.
http://inspirasitabloid.wordpress.com/category/pertanian/ diakses pada
tanggal 24 April 2015 pukul 11.45 WIB.

25
 LAMPIRAN

Lampiran 1. Data Pengamatan

Tahun X1 X2 X3 X4 X5 X6 X7 X8 X9 Y
1993 70 1011,9 27 92 27,9 24,3 32,5 3 11 1
1994 69 1012,1 2 92 27,8 23,9 32,4 3 11 1
1995 72 1010,2 55 91 28,5 24,8 33,4 4 12 1
1996 75 1010,2 43 83 28,8 25,1 33,4 4 11 2
1997 71 1013,4 0 88 28,1 23,5 33 4 12 2
1998 81 1010,2 173 77 28,6 25,3 32,8 4 12 2
1999 79 1010,3 126 70 28 24,8 32,3 4 12 2
2000 82 1008,4 84 69 27,9 25,2 31,1 5 13 2
2001 67 1009,8 20 92 28,4 25 33 5 12 2
2002 77 1009,3 2 98 28,4 24,4 33,5 4 12 2
2003 82 1011,3 20 85 28,6 25,2 33,5 3 12 1
2004 75 1012,3 24 94 28,4 24,8 33,5 4 13 2
2005 76 1010,8 171 80 28,4 25,4 33 2 11 2
2006 68 1012,7 0 98 28,5 24,2 33,7 5 12 2
2007 74 1010,4 16 81 28,4 24,9 32,7 5 12 2
2008 78 1010,7 74 86 28,7 25,3 32,9 6 13 2
2009 71 1011,3 16 83 28,7 25 33,2 5 18 2
2010 77 1007,4 352 59 28,4 24,4 33 3 9 2
2011 74 1010,7 38,7 89 28,7 25,2 33,1 5 30 2
Keterangan :
Y = Jumlah Produksi Sayur Bayam
1 = Sedang
2 = Tinggi
X1 = Kelembaban Udara
X2 = Tekanan Udara
X3 = Curah Hujan
X4 = Penyinaran Matahari
X5 = Suhu Udara Rata-rata
X6 = Suhu Udara Maksimum
X7 = Suhu Udara Minimum
X8 = Kecepatan Rata-rata Angin
X9 = Kecepatan Angin Maksimum

26
Lampiran 2. Output Uji Asumsi
MTB > %D:/MULTINORMAL.txt c12-c20
Executing from file: D:/MULTINORMAL.txt

Answer = 5,1698
Answer = 6,8657
Answer = 2,0461
Answer = 7,7374
Answer = 9,8231
Answer = 6,8633
Answer = 9,9107
Answer = 11,6578
Answer = 8,9682
Answer = 12,6940
Answer = 9,4485
Answer = 5,9453
Answer = 9,5552
Answer = 5,9204
Answer = 3,5215
Answer = 9,2424
Answer = 6,0232
Answer = 14,9961
Answer = 15,6112

Scatterplot of q vs dd
Data Display

t 0,473684

distribusi data multinormal

Lampiran 3. Output Uji Multikolinieritas

Predictor Coef SE Coef T P VIF
Constant -32,2 113,9 -0,28 0,784
X1 0,00324 0,03302 0,10 0,924 2,072
X2 0,0307 0,1109 0,28 0,788 2,318
X3 0,001748 0,002734 0,64 0,538 5,164
X4 -0,01198 0,02751 -0,44 0,674 7,126
X5 -0,242 1,335 -0,18 0,860 14,445
X6 0,0399 0,4312 0,09 0,928 4,561
X7 0,2506 0,6374 0,39 0,703 12,935
X8 0,2869 0,1795 1,60 0,144 2,848
X9 0,00549 0,02864 0,19 0,852 1,446

27
Lampiran 4. Output Stepwise
Stepwise Regression: C21 versus C12; C13; ...

Alpha-to-Enter: 0,3 Alpha-to-Remove: 0,3

Response is C21 on 9 predictors, with N = 19

Step 1 2
Constant 1,0000 0,5833

C19 0,192 0,259

T-Value 2,12 2,95
P-Value 0,049 0,009

C14 0,00216
T-Value 2,18
P-Value 0,045

S 0,383 0,347
R-Sq 20,83 38,90
R-Sq(adj) 16,18 31,27
Mallows Cp -2,6 -3,4

Lampiran 5. Output Analisis Deskriminan

Analysis Case Processing Summary

Unweighted Cases N Percent

Valid 19 100,0
Excluded Missing or out-of-range group codes 0 ,0
At least one missing discriminating
0 ,0
variable

Both missing or out-of-range group

codes and at least one missing 0 ,0

discriminating variable

Total 0 ,0
Total 19 100,0

Group Statistics
y Mean Std. Deviation Valid N (listwise)

Unweighted Weighted

sedang x3 26,0000 22,01515 4 4,000

x8 3,2500 ,50000 4 4,000
tinggi x3 75,9800 96,26091 15 15,000
x8 4,3333 ,97590 15 15,000
Total x3 65,4579 87,89789 19 19,000

x8 4,1053 ,99413 19 19,000

28
 Tests of Equality of Group Means
Wilks' Lambda F df1 df2 Sig.

x3 ,943 1,022 1 17 ,326

x8 ,792 4,474 1 17 ,049

Pooled Within-Groups Matrices

x3 x8

Correlation x3 1,000 -,531

x8 -,531 1,000

Covariance Matricesa
y x3 x8

Total x3 7726,039 -30,623

x8 -30,623 ,988

a. The total covariance matrix has 18 degrees of

freedom.

Log Determinants
y Rank Log Determinant

sedang 2 3,322
tinggi 2 8,690
Pooled within-groups 2 8,431

The ranks and natural logarithms of determinants printed are

those of the group covariance matrices.

Test Results
Box's M 11,697
F Approx. 2,895

df1 3

df2 392,267

Sig. ,035

Tests null hypothesis of equal

population covariance matrices.

Eigenvalues
Function Eigenvalue % of Variance Cumulative % Canonical

Correlation

1 ,637a 100,0 100,0 ,624

a. First 1 canonical discriminant functions were used in the analysis.

29
 Wilks' Lambda
Test of Function(s) Wilks' Lambda Chi-square df Sig.

1 ,611 7,883 2 ,019

Standardized Structure Matrix Canonical

Canonical Function Discriminant
Discriminant 1 Function Coefficients
Function x8 ,643 Function

Coefficients x3 ,307 1

Function
Pooled within-groups x3 ,010
1 correlations between x8 1,234
x3 ,904 discriminating variables (Constant) -5,740
x8 1,123 and standardized Unstandardized coefficients

canonical discriminant

functions

Variables ordered by

absolute size of

correlation within

function.

Functions at Classification Function

Group Centroids Coefficients
y Function y

1 sedang tinggi

sedang -1,462 x3 ,035 ,054

tinggi ,390 x8 5,707 7,992

Unstandardized canonical (Constant) -10,419 -20,055

discriminant functions Fisher's linear discriminant functions

evaluated at group means

Classification Processing Summary

Processed 19
Excluded Missing or out-of-range group codes 0
At least one missing discriminating
0
variable

Used in Output 19

30
 Prior Probabilities for Groups
y Prior Specified Prior Effective Prior Cases Used in Analysis

Unweighted Weighted

sedang ,500 4 4,000

tinggi ,500 15 15,000
Total 1,000 19 19,000

Classification Resultsa,c
y Predicted Group Membership Total

sedang tinggi

Original Count sedang 3 1 4

tinggi 4 11 15
% sedang 75,0 25,0 100,0
tinggi 26,7 73,3 100,0
Cross-validated b
Count sedang 3 1 4

tinggi 4 11 15

% sedang 75,0 25,0 100,0

tinggi 26,7 73,3 100,0

a. 73,7% of original grouped cases correctly classified.

b. 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.

c. 73,7% of cross-validated grouped cases correctly classified.

31