LAPORAN PRAKTIKUM

ANALISIS MULTIVARIAT

MODUL 5

ANALISIS DISKRIMINAN PADA DATA PT. HATCO

Oleh:
Marita Qori’atunnadyah 06211640000001
Nisfi Hemas Diga Asmara 06211640000126

Asisten Dosen:
Sri Hidayati 06211750010027

Dosen:
Dr. Bambang Widjanarko Otok, S.Si., M.Si.

PROGRAM STUDI SARJANA

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA, KOMPUTASI, DAN SAINS DATA
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2019
 ABSTRAK

Saat ini persaingan di bidang industri semakin meningkat. Salah satu contohnya adalah sebuah
perusahaan yang memproduksi barang. Jika barang yang dihasailkan tidak memiliki kualitas yang
bagus maka perusahaan tersebut akan tertinggal dalam persaingan industri ini. PT. Hatco
merupakan salah satu perusahaan yang bergerak dalam bidang “Good and Service”. PT Hatco
memerlukan bahan dasar yang dibeli untuk membuat barang produksinya. Terdapat beberapa
factor yang mempengaruhi keputusan PT. Hatco untuk membeli atau tidak bahan dasar yang
diperlukan. Faktor-faktornya antara lain adalah delivery speed (DS), manufacturer image (MI),
service (Se), sales force image (SFI), product quality (PQ), usage level (UL). Berdasarkan hal
tersebut, PT. Hatco ingin mengetahui faktor apa saja yang mempengaruhi keputusan dalam
membeli suatu bahan dasar, oleh karena itu dibutuhkan analisis diskriminan. Analisis diskriminan
adalah ilmu statistika yang digunakan untuk mengklasifikasikan suatu individu atau observasi ke
dalam suatu kelas atau kelompok berdasarkan sekumpulan variabel-variabel berdasarkan
karakteristik variable-variabel tersebut. Pada praktikum ini akan dilakukan analisis diskriminan
untuk mengelompokkan faktor-faktor yang mempengaruhi PT. Hatco untuk membeli atau tidak
bahan dasar yang diperlukan. Sebelum melakukan analisis diskriminan perlu dilakukan
preprocessing data. Terdapat juga beberapa syarat dalam melakukan analisis diskriminan adalah
data harus berdistribusi normal multivariat dan memiliki matriks varians kovarians yang hmogen.
Setelah dilakukan pengujian dan analisis diskriminan didapatkan kesimpulan bahwa tidak terdapat
data missing value dan outlier pada data factor yang mempengaruhi keputusan PT. Hatco. Data
mengikuti persebaran distribusi normal multivariat serta homogen. Selain itu variabel yang
memiliki hubungan paling tinggi dengan fungsi diskminan adalah variabel manufacturer image dan
variabel manufacturer image merupakan variabel yang memiliki kontribusi atau pengaruh paling
besar dalam penentuan kelompok. Didapatkan pula tingkat klasifikasi sebesar 89%.

Kata kunci : Analisis Diskriminan, Homogenitas, Normal Multivariat, Preprocessing

Data.

ii
 DAFTAR ISI

Halaman
HALAMAN JUDUL .............................................................................................. i
ABSTRAK ............................................................................................................. ii
DAFTAR ISI......................................................................................................... iii
DAFTAR TABEL ................................................................................................. v
DAFTAR GAMBAR ............................................................................................ vi
DAFTAR LAMPIRAN ....................................................................................... vii
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang ............................................................................................ 1
1.2 Rumusan Masalah ....................................................................................... 2
1.3 Tujuan ......................................................................................................... 2
1.4 Manfaat ....................................................................................................... 2
1.5 Batasan Masalah ......................................................................................... 3
BAB II TINJAUAN PUSTAKA .......................................................................... 4
2.1 Normal Multivariat ..................................................................................... 4
2.3 Uji Homogenitas ......................................................................................... 5
2.4 Analisis Diskriminan .................................................................................. 5
2.5 PT. Hatco .................................................................................................... 6
BAB III METODOLOGI PENELITIAN ........................................................... 7
3.1. Sumber Data ................................................................................................ 7
3.2. Variabel Penelitian ...................................................................................... 7
3.3. Struktur Data ............................................................................................... 7
3.4. Langkah Analisis ........................................................................................ 7
3.5. Diagram Alir ............................................................................................... 8
BAB IV ANALISIS DAN PEMBAHASAN ........................................................ 9
4.1 Deteksi Missing Value dan Outlier ............................................................. 9
4.2 Uji Normal Multivariat ............................................................................... 9
4.3 Uji Homogenitas ......................................................................................... 9
4.4 Analisis Diskriminan ................................................................................ 10
4.4.1 Uji Beda Mean Antar Kelas ................................................................ 10
4.4.2 Analisis Kebaikan Model .................................................................... 10
4.4.3 Uji Signifikansi Model ........................................................................ 11

iii
 4.4.4 Analisis Hubungan Variabel Prediktor dengan Fungsi Diskriminan .. 11
4.4.5 Analisis Ketepatan Klasifikasi ............................................................ 13
BAB V KESIMPULAN DAN SARAN .............................................................. 15
5.1 Kesimpulan ............................................................................................... 15
5.2 Saran ......................................................................................................... 15
DAFTAR PUSTAKA .......................................................................................... 16
LAMPIRAN..........................................................................................................17

iv
 DAFTAR TABEL

Tabel 3.1 Variabel Penelitian ................................................................................. 7

Tabel 3.2 Struktur Data .......................................................................................... 7
Tabel 4.1 Deteksi Outlier……...………………………………………………….9
Tabel 4.2 Hasil Output Uji Homogenitas……………………………………….. 9
Tabel 4.3 Hasil Beda Mean untuk Setiap Variabel Penjelas……………………. 10
Tabel 4.4 Eigenvalues…………………………………………………………... 10
Tabel 4.5 Haisl Uji Wilks’ Lambda…………………………………………….. 11
Tabel 4.6 Sturcture Matrix……………………………………………………… 11
Tabel 4.7 Canonical Discriminant Function Coefficients……………………….12
Tabel 4.8 Function at Group Centroids………………………………………… 12
Tabel 4.9 Classification Function Coefficients…………………………………. 13
Tabel 4.10 Classification Results……………………………………………….. 13

v
 DAFTAR GAMBAR

Gambar 3.1 Flow Chart Praktikum ....................................................................... 8

vi
 DAFTAR LAMPIRAN
Lampiran 1. Data PT. Hatco ............................................................................... 17
Lampiran 2. Output SPSS untuk Group Statistics .............................................. 17
Lampiran 3. Output SPSS untuk Test of Equality of Group Means .................... 18
Lampiran 4. Output SPSS untuk Pooled Within-Groups Matrices ..................... 18
Lampiran 5. Output SPSS untuk Test Results Box’s M ...................................... 18
Lampiran 6. Output SPSS untuk Eigenvalues..................................................... 22
Lampiran 7. Output SPSS untuk Wilks’ Lambda ............................................... 22
Lampiran 8. Output SPSS Standardized Canonical Discriminant Function ...... 22
Lampiran 9. Output SPSS untuk Structure Matrix ............................................. 22
Lampiran 10. Output SPSS Canonical Discriminant Function Coefficients ...... 23
Lampiran 11. Output SPSS untuk Prior Probabilities for Groups ..................... 23
Lampiran 12. Output SPSS untuk Classification Function Coefficients ............ 23
Lampiran 13. Output SPSS untuk Classification Results ................................... 24

vii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Persaingan dalam dunia bisnis semakin hari semakin kompetitif. Sebuah
perusahaan akan mengalami ketertinggalan apabila tidak menghasilkan produk
unggulan yang berkualitas. Definisi kualitas sebagaimana dijelaskan oleh American
Society for Quality adalah keseluruhan fitur dan karakteristik produk atau jasa yang
mampu memuaskan kebutuhan yang tampak atau samar (Heizer, Render, 2009).
Semakin baik kualitas produk yang dihasilkan, semakin baik pula citra
perusahaan. Untuk menjaga dan meningkatkan kualitas produk yang dihasilkan dari
waktu ke waktu, sebuah perusahaan harus memiliki metode-metode yang dapat
digunakan dalam upaya peningkatan kualitas produksi. Peningkatan kualitas
produksi merupakan salah satu hal penting yang harus diperhatikan dalam dunia
bisnis modern.
PT. Hatco adalah sebuah perusahaan yang bergerak di bidang “Good and
Service”. Semua peralatan Hatco diproduksi dengan komitmen terhadap kualitas
dan keandalan oleh perakit bersertifikat menggunakan teknologi Demand Flow.
Proses ini menggunakan serangkaian pemeriksaan dan pengujian kualitas untuk
memenuhi standar kinerja yang kaku untuk setiap produk. Tentu saja dalam
mengembangkan usahanya PT. Hatco memerlukan bahan dasar untuk membuat
produk. Bahan dasar ini dibeli dari pabrik yang memproduksi bahan dasar dalam
pengembangan usaha PT. Hatco. Dalam pembelian bahan dasar tersebut PT. Hatco
tidak asal membeli karena PT. Hatco tidak ingin membeli bahan dasar yang
nantinya akan merugikan perusahaan tersebut. Ada 6 faktor yang mempengaruhi
keputusan PT. Hatco dalam pembelian bahan dasar yang diproduksi oleh suatu
pabrik, antara lain adalah delivery speed (DS), manufacturer image (MI), service
(Se), sales force image (SFI), product quality (PQ), usage level (UL). PT. Hatco
ingin mengetahui faktor apa saja yang mempengaruhi keputusan dalam membeli
suatu bahan dasar, oleh karena itu dibutuhkan analisis diskriminan.
Analisis diskriminan adalah teknik statistika yang dipergunakan untuk
mengklasifikasikan suatu individu atau observasi ke dalam suatu kelas atau
kelompok berdasarkan sekumpulan variabel-variabel. Analisis diskriminan
berguna pada situasi dimana sampel total dapat dibagi menjadi grup-grup
1
berdasarkan karakteristik variabel yang diketahui dari beberapa kasus. Tujuan
utama dari analisis multipel diskriminan adalah untuk mengetahui perbedaan
antargrup (Hair, 2010). Selain itu, tujuan dari analisis diskriminan adalah untuk
menggambarkan ciri-ciri suatu pengamatan dari bermacam-macam populasi yang
diketahui, dengan kata lain analisis dikriminan digunakan untuk
mengklasifikasikan individu kedalam salah satu dari dua kelompok atau lebih
(Rumus Statistik, 2017). Dalam praktikum ini akan dijelaskan dan dipaparkan
mengenai hasil analisis diskriminan terhadap data PT. Hatco. Namun sebelum
melakukan analisis tersebut, diperlukan pengujian distribusi normal multivariat dan
pengujian homogenitas matriks varians kovarians.

1.2 Rumusan Masalah

Berdasarkan latar belakang tersebut, rumusan masalah dalam laporan
praktikum ini yaitu sebagai berikut.
1. Bagaimana analisis preprocessing data PT. Hatco?
2. Bagaimana uji asumsi normal multivariat dari data PT. Hatco?
3. Bagaimana uji asumsi homogenitas dari data PT. Hatco?
4. Bagaimana analisis diskriminan dari data PT. Hatco?

1.3 Tujuan
Tujuan yang ingin dicapai dari praktikum ini berdasarkan rumusan masalah
tersebut yaitu sebagai berikut.
1. Mengetahui analisis preprocessing data PT. Hatco.
2. Mengetahui uji asumsi normal multivariat dari data PT. Hatco.
3. Mengetahui uji asumsi homogenitas dari data PT. Hatco.
4. Mengetahui analisis diskriminan dari data PT. Hatco.

1.4 Manfaat
Manfaat yang diperoleh dengan dibuatnya laporan ini adalah sebagai berikut.
1. Menjadi sumber informasi bagi pembaca terutama PT. Hatco mengenai
keputusan dalam membeli suatu bahan dasar berdasarkan faktor-faktor yang
mempengaruhinya.
2. Menambah wawasan keilmuan mengenai cara menganalisis data berdasarkan
analisis preprocessing data, uji normal multivariat, uji homogenitas, analisis
diskriminan.

2
1.5 Batasan Masalah
Batasan masalah dalam praktikum ini adalah adanya uji normal multivariat
dan homogenitas dimana jika asumsi normal multivariat dan homogenitas tidak
terpenuhi, maka data diasumsikan berdistribusi normal multivariat dan memenuhi
asumsi homogenitas.

3
 BAB II
TINJAUAN PUSTAKA

2.1 Normal Multivariat

Seringkali sebelum melakukan pemodelan statistik, penting untuk
mengetahui apakah data yang sedang diamati memenuhi asumsi di bawah distribusi
tertentu. Uji normal multivariat merupakan uji yang digunakan untuk mengetahui
apakah data berdistribusi normal secara multivariat atau tidak. Variabel
𝑥1 , 𝑥2 , . . . , 𝑥𝑝 dikatakan berditribusi normal multivariat dengan parameter 𝜇 dan Σ
(Johnson & Winchern, 2007).
Hipotesis
H0 : data berdistribusi normal multivariat
H1 : data tidak berdistribusi normal multivariat
Taraf siginifikan : 𝛼
Statistik uji :
d j 2   2 (2.1)

Dimana j = banyaknya variabel,

−1
d j 2 = ( x − x )S ( x − x ) (2.2)

1 n
S jj =  ( x j − x )2
n − 1 j =1
(2.3)

Daerah kritis : tolak 𝐻0 jika 𝑡 < 0,5 roughly 50%

2.2 Outlier
Outlier atau data ekstrim adalah data yang secara nyata berbeda dengan data-
data yang lain, bisa terjadi dikarenakan kesalahan dalam input data, kesalahan pada
pengambilan sampel, atau memang ada data ekstrem yang tidak bisa dihindarkan
keberadaannya (Walpole, 1993). Adanya outlier berpengaruh terhadap hasil analisa
data. Pengecekan outlier dapat digunakan dengan dua cara yaitu secara univariat
dan multivariat. Dalam penelitian ini, menggunakan gabungan dari dua metode
tersebut. Apabila data terdapat outlier secara multivariat sekaligus univariat maka
dikategorikan sebagai outlier namun jika hanya salah satu uji saja maka akan
diasumsikan tidak outlier. Pemeriksaan multivariat outlier dapat dilakukan dengan
statistik Mahalanobis Distance (d2) yang berdistribusi chi square (χ²) dengan
derajat kebebasan (df) sejumlah variabel pengamatan (p). Sedangkan untuk
4
univariat outlier dapat menggunakan nilai 𝑧, sebagai normal standard setiap
observasi dengan ambang batas tertentu. Jika nilai 𝑧 melebihi 3,00 maka observasi
tersebut outlier.

2.3 Uji Homogenitas

Salah satu syarat untuk melakukan analisis diskriminan adalah matriks
varians kovarians yang homogen dan data harus berdistribusi normal multivariat.
Untuk menguji syarat ini dapat dipergunakan statistik uji Box-M (Hair and
Winchern, 2007).
Hipotesis
H0 :  =
1 2
= ... =  k

H1 : minimal ada 1  
i j

Taraf signifikan : 
Statistik uji :
k k
M =  ni ln S −  ni ln Si (2.4)
i =1 i =1

Dimana
k

v S i i
S= i =1
k
(2.5)
v
i =1
i

 
 k 1 1   2 p2 + 3 p −1 
c −1 =   − k    (2.6)
 i =1 vi   6( p + 1)(k − 1) 
 
i =1
vi


vi = ni − 1 (2.7)

Daerah kritis : tolak H 0 jika MC −1   21/2( k −1) p ( p +1) .

2.4 Analisis Diskriminan

Analisis diskriminan merupakan metode statistik multivariat untuk
mengelompokkan atau mengklasifikasikan sejumlah obyek ke dalam beberapa
kelompok, berdasarkan beberapa variabel sedemikian hingga setiap obyek menjadi
anggota dari salah satu kelompok, tidak ada obyek yang menjadi anggota lebih dari
pada 1 kelompok (Johnson & Winchern, 2007). Analisis diskriminan akan

5
menghasilkan variabel independen yang benar-benar membedakan antar kelompok.
Dalam analisis diskriminan terdapat 2 metode berdasarkan jumlah kategori dari
variabel dependennya. Apabila terdapat 2 kategori yang terlibat dalam klasifikasi,
maka disebut dengan two-group discriminant analysis. Sedangkan apabila terdapat
3 atau lebih kategori yang terlibat dalam pengklasifikasian, maka disebut dengan
multiple discriminant analysis.
Untuk mencari kombinasi linier dari p variabel bebas tersebut dapat dilakukan
dengan pemilihan koefisien-koefisiennya dengan hasil bagi maksimum antara
matrik peragam antar kelompok (between-group) dan matriks peragam dalam
kelompok (within-group). Tujuan utama analisis diskriminan adalah memisahkan
populasi dan juga dapat digunakan untuk klasifikasi.
g _ _
B0 =  (  i −  )(  i −  ) ' …………… (2.8)
i =1 ~ ~

Kombinasi linier y = l ' x dimana E ( y ) = l ' E ( x |  i ) = l '  i untuk populasi  i

~ ~ ~ ~

. Sedangkan var( y ) = l ' var( x |  i ) l = l '  l berlaku untuk semua populasi. Nilai
~ ~ ~ ~ ~


1 g
_
1 g ' g i _
harapan  iy = l  i dan  y =   iy =  l  i = l ( ~ ) = l '  .
' '
~ ~ g i =1 g i =1 ~ ~ ~ i =1 g ~ ~

2.5 PT. Hatco

PT. HATCO adalah salah satu perusahaan di Indonesia yang bergerak di
bidang “Good and Service”. Beberapa bahan dasar diperlukan perusahaan ini dalam
membuat produknya. Bahan dasar tersebut diperoleh dengan cara membeli namun
dalam pelaksanannya terdapat beberapa faktor yang mempengaruhi PT. Hatco
dalam pembelian bahan dasar yang diproduksi oleh suatupabrik, antara lain adalah
Delivery Speed (DS), Manufacturer Image (MI), Service (Se), Sales Force Image
(SFI), Product Quality (PQ), Usage Level (UL).

6
 BAB III
METODOLOGI PENELITIAN

3.1. Sumber Data

Sumber data yang digunakan dalam praktikum ini berasal dari sumber data
sekunder yang diperoleh dari data PT Hatco. Sumber data ini diakses pada hari
Kamis, 9 Mei 2019, pukul 16.29 WIB di Departemen Statistika ITS.

3.2. Variabel Penelitian

Variabel yang digunakan dalam penelitian kali ini adalah sebagai berikut.
Tabel 3.1 Variabel Penelitian
Variabel Keterangan
X1 Delivery speed (DS)
X2 Manufacturer image (MI)
X3 Service (Se)
X4 Sales force image (SFI)
X5 Product quality (PQ)
X6 Usage level (UL)
Y Keputusan PT. HATCO
3.3. Struktur Data
Berikut adalah struktur data dalam praktikum ini.
Tabel 3.2 Struktur Data
Pengamatan Ke- X1 X2 … Y
Pengamatan 1 X11 X12 … Y1
Pengamatan 2 X21 X22 … Y2
Pengamatan 3 X31 X32 … Y3
. . . . .
. . . . .
. . . . .
Pengamatan 100 X1001 X1002 … Y100

3.4. Langkah Analisis

Langkah analisis yang dilakukan dalam penelitian ini adalah sebagai berikut.
1. Mengambil data sekunder.
2. Merumuskan masalah dan menentukan tujuan.
3. Mendeteksi missing value dan outlier pada data.
4. Menguji distribusi normal multivariat.
5. Menguji homogenitas matriks varians kovarians.
6. Melakukan analisis diskriminan pada data.
7. Mengintrepetasikan hasil analisis diskriminan.
8. Menarik kesimpulan dan saran.
7
3.5. Diagram Alir
Diagram alir yang dipakai dalam laporan ini adalah
Mengambil data sekunder

Merumuskan masalah dan

menentukan tujuan

Mendeteksi missing value dan

outlier

Uji normal multivariat

Uji homogenitas

Analisis diskriminan

Mengintepretasi hasil analisis

Menarik kesimpulan dan saran

Gambar 3.1 Flow Chart Praktikum

8
 BAB IV
ANALISIS DAN PEMBAHASAN

4.1 Deteksi Missing Value dan Outlier

Banyak yang digunakan pada praktikum ini adalah 100 pengamatan dan tidak
ada data yang missing value. Selanjutnya dilakukan deteksi outlier secara univariat
dan multivariat. Deteksi outlier secara univariat menggunakan nilai 𝑧 dan
didapatkan bahwa tidak terdapat pengamatan yang memiliki nilai 𝑧 > 3 sehingga
secara univariat tidak terdapat data outlier. Setelah dilakukan deteksi outlier secara
univariat maka dilanjutkan untuk mendeteksi outlier secara multivariat
menggunakan jarak Mahalanobis.
Tabel 4.1 Deteksi Outlier
Pengamatan Ke- Outlier
1 0,34
2 0,48
. .
. .
. .
99 0,56
100 0,56

Berdasarkan Tabel 4.1 dapat diketahui bahwa tidak ada nilai yang kurang
dari 0,001 sehingga tidak ada data outlier secara multivariat. Oleh karena itu, maka
tidak ada data yang perlu dihilangkan.

4.2 Uji Normal Multivariat

Salah satu syarat untuk melakukan analisis diskriminan adalah data harus
berdistribusi normal secara multivariat. Pada praktikum ini, uji normal multivariat
dilakukan menggunakan software Minitab. Didapatkan proporsi sebesar 49% di
mana nilai tersebut berada pada interval 46% - 54% sehingga dapat disimpulkan
bahwa data mengikuti persebaran distribusi normal multivariat dan dapat
dilanjutkan pada uji homogenitas.

4.3 Uji Homogenitas

Uji homogenitas digunakan untuk menguji matriks varians kovarians dari
sekelompok data homogen/identik atau tidak. Pada praktikum ini dilakukan uji
homogenitas terhadap data PT. Hatco, dimana hasil pengujian menggunakan
bantuan software SPSS ditampilkan pada tabel berikut.
Tabel 4.2 Hasil Output Uji Homogenitas

9
 Box’s M F df1 df2 Sig.
29,211 1,3 21 34837,386 0,161

Tabel 4.2 di atas menunjukkan bahwa nilai signifikansi pada pengujian

homogenitas adalah 0,161 dimana nilai ini lebih dari taraf signifikansi yang
digunakan (α = 0,05) sehingga dapat diputuskan bahwa gagal tolak H0 yang berarti
bahwa variabel penelitian homogen atau memiliki varians yang sama

4.4 Analisis Diskriminan

Clustering Dalam menganalisa data PT. Hatco menggunakan analisis
diskriminan, terdapat beberapa tahapan yang harus dilakukan sebagai berikut.

4.4.1 Uji Beda Mean Antar Kelas

Gambar Dalam analisis diskriminan perlu dilakukan identifikasi awal yaitu
uji beda mean untuk mengetahui faktor-faktor variabel yang signifikan memberi
perbedaan terhadap 2 keputusan yang akan diambil dan sekaligus untuk mengetahui
apakah variabel yang digunakan baik untuk dijadikan sebagai penentu klasifikasi.
Tabel 4.3 Hasil Beda Mean untuk Setiap Variabel Penjelas
Wilks’
Variabel Sig.
Lambda
Delivery Speed (X1) 0,937 0,012
Manufacturer Image
0,541 0,000
(X2)
Service (X3) 0,769 0,000
Sales Force Image (X4) 0,658 0,000
Product Quality (X5) 0,961 0,050
Usage Level (X6) 0,820 0,000

Pada Tabel 4.3 dapat diketahui bahwa korelasi antara variabel Delivery Speed
dan Manufacturer Image sebesar -0,160 dan bertanda negatif yang artinya antara
variabel tersebut memiliki hubungan yang berkebalikan. Sedangkan untuk korelasi
antara Service dan Delivery Speed sebesar 0,538 dan bertanda positif, sehingga
dapat diartikan bahwa antara variabel tersebut memiliki hubungan yang lurus.
Begitu pula dengan hubungan antara variabel yang lain dapat dilihat pada Tabel 4.
diatas. Selain itu dapat disimpulkan bahwa antar variabel tidak terindikasi
multikolinieritas karena nilai korelasi yang relatif di bawah angka 0,95.
4.4.2 Analisis Kebaikan Model
Tahap selanjutnya adalah menganalisis kebaikan model berdasarkan R2 yang
diperoleh.
Tabel 4.4 Eigenvalues

10
 % of Cumulative Canonical
Function Eigenvalue
Variance % Correlation
1 1,386 100 100 0,762

Tabel 4.4 menunjukkan bahwa satu fungsi (model) yang terbentuk mampu
menjelaskan keragaman dari variabel respon dalam hal ini adalah keputusan yang
akan diambil yaitu beli atau tidak beli sebesar (0,762)2 atau 58,06%, sedangkan
sisanya sebesar 41,94% dijelaskan oleh variabel lain yang tidak digunakan dalam
penelitian. Selain itu, dengan satu fungsi yang terbentuk diperoleh eigenvalue
sebesar 1,386 yang sudah dapat menjelaskan keragaman sebesar 100%.
4.4.3 Uji Signifikansi Model
Hasil pengujian kesamaan rata-rata kelompok berdasarkan seluruh variabel
penjelas ditunjukkan oleh Tabel 4.5 berikut.

Tabel 4.5 Haisl Uji Wilks’ Lambda

Test of Wilks’
Chi-square df Sig.
Function(s) Lambda
1 0,419 82,627 6 0,000

Tabel 4. menunjukkan statistik uji Wilks’ Lambda yang dihasilkan sebesar

0,419. Nilai tersebut menunjukkan bahwa 41,9% keragaman yang tidak dapat
dijelaskan. Selain itu pada Tabel 4. juga dapat diketahui nilai p-value sebesar 0,000
sehingga pada tingkat kepercayaan 5% dapat diputuskan untuk menolak H0 yang
artinya bahwa keenam variabel prediktor atau variabel penjelas mampu
membedakan grup secara signifikan

4.4.4 Analisis Hubungan Variabel Prediktor dengan Fungsi Diskriminan

Hasil analisis hubungan variabel prediktor dengan fungsi diskriminan
disajikan pada tabel berikut ini.
Tabel 4.6 Sturcture Matrix
Function
Variabel
1
Manufacturer Image (X2) 0,782
Sales Force Image (X4) 0,613
Service (X3) 0,466
Usage Level (X6) 0,398
Delivery Speed (X1) 0,220
Product Quality (X5) 0,170

Berdasarkan Tabel 4.6 struktur matriks dapat disimpulkan bahwa variabel

manufacturer image memiliki kontribusi terbesar senilai 78,2% atau variabel
manufacturer image lebih berpengaruh terhadap fungsi diskriminan. Sedangkan
11
untuk variabel sales force image berkontribusi sebesar 61,3%, variabel service
berkontribusi sebesar 46,6%, variabel usage level berkontribusi sebesar 39,8%,
variabel delivery speed berkontribusi sebesar 22%, dan variabel product quality
berkontribusi sebesar 17%. Berikut didapatkan pula canonical discriminant
function coefficients yang disajikan pada Tabel 4.7 berikut.

Tabel 4.7 Canonical Discriminant Function Coefficients

Function
Variabel
1
Delivery Speed (X1) 0,182
Manufacturer Image (X2) 0,875
Service (X3) 0,430
Sales Force Image (X4) 0,220
Product Quality (X5) 0,221
Usage Level (X6) 0,031
(Constant) -10,053

Berdasarkan Tabel 4.7 diatas, dapat dibentuk model (persamaan) diskiminan

sebagai berikut.

y = −10,053 + 0,182 X1 + 0,875 X 2 + 0, 43 X 3 + 0, 22 X 4 + 0, 221X 5 + 0,031X 6

Apabila nilai diskriminan semakin besar maka akan mengakibatkan observasi

masuk ke dalam keputusan untuk beli sedangkan apabila nilai skor diskriminan
semakin kecil maka akan diklasifikasikan ke dalam keputusan untuk tidak beli.
Selanjutnya, didapatkan function at group centroids yang digunakan untuk
mengetahui dari persamaan 𝑦 diatas observasi akan masuk ke keputusan mana.
Tabel 4.8 Function at Group Centroids
Function
Keputusan
1
Tidak Beli -1,213
Beli 1,120
Dari hasil perhitungan group centroids diatas dapat diketahui observasi
tersebut akan masuk pada keputusan untuk tidak beli atau keputusan untuk beli.
Didapatkan nilai m centroid sebesar -0,0465. Jika hasil score discriminant yang
diperoleh dari fungsi diskriminan < -0,0465 maka akan diklasifikasikan ke kategori
keputusan untuk tidak beli. Sedangkan apabila hasil score discriminant yang
diperoleh dari fungsi diskriminan > -0,0465 maka akan diklasifikasikan ke kategori
keputusan untuk beli. Kemudian didapatkan pula classification function coefficients

12
dari fisher yang digunakan untuk mengetahui observasi masuk ke dalam kelompok
mobil regular atau mobil sports dengan membandingkan kedua persamaan fisher’s.
Tabel 4.9 Classification Function Coefficients
Y
Variabel
Tidak Beli Beli
Delivery Speed (X1) 3,781 4,206
Manufacturer Image
7,926 9,969
(X2)
Service (X3) -1,031 -0,029
Sales Force Image
-1,861 -1,348
(X4)
Product Quality (X5) 5,108 5,623
Usage Level (X6) 0,705 0,778
(Constant) -52,907 -76,254
Berdasarkan Tabel 4.9 didapatkan persamaan fisher’s sebagai berikut.
y1 = −52,907 + 3, 781X 1 + 7,926 X 2 − 1, 031X 3 − 1,861X 4 + 5,108 X 5 + 0, 705 X 6
y1 = −76, 254 + 4, 206 X 1 + 9,969 X 2 − 0, 029 X 3 − 1,348 X 4 + 5, 623 X 5 + 0, 778 X 6

4.4.5 Analisis Ketepatan Klasifikasi

Setelah dilakukan pengelompokkan selanjutnya dapat dihitung nilai akurasi
terhadap hasil klasifikasi yang terbentuk dengan melihat tabel berikut.

Tabel 4.10 Classification Results

Predicted Group
Membership Total
Tipe Mobil Tidak Beli Beli
Tidak Beli 45 3 48
Count
Beli 8 44 52
Original
Tidak Beli 93,8 6,3 100,0
%
Beli 15,4 84,6 100,0
Pada Tabel 4. dapat diketahui bahwa 3 dari 48 observasi atau sebesar 6,3%
pada keputusan untuk tidak beli tidak tepat pengklasifikasiannya atau tidak sesuai
dengan kenyataan, sedangkan pada keputusan untuk beli terdapat 8 dari 52
observasi atau sebesar 15,4% pengklasifikasian yang tidak sesuai. Kesalahan
pengklasifikasian tersebut dapat dihitung menggunakan nilai APER sebagai
berikut.
3+8 11
APER = = = 0,11
48 + 52 100
Jadi, persentase kesalahan klasifikasi adalah sebesar 11%, sedangkan untuk
mengetahui akurasi atau ketepatan klasifikasi dapat dihitung menggunakan
persamaan berikut.
Persentase Ketepatan Klasifikasi = (1 − 0,11) 100%
13
 = 0,89  100%
= 89%
Berdasarkan hasil akurasi diatas dapat disimpulkan bahwa ketepatan
pengklasifikasian dengan menggunakan metode analisis diskriminan akan
menghasilkan tingkat akurasi sebesar 89% dari data yang ada. Dimana nilai akurasi
tersebut juga menunjukkan bahwa total banyaknya kesalahan pengklasifikasian
(missclassify) sebanyak 11 data.

14
 BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Kesimpulan dalam praktikum ini berdasarkan hasil analisis adalah sebagai
berikut:
1. Berdasarkan hasil preprocessing data, tidak ada data missing value dan outlier
secara univariat maupun multivariat. Data telah berdistribusi normal secara
multivariat karena memiliki nilai proporsi 49% di mana nilai tersebut berada
pada interval 46% - 54%.
2. Nilai signifikansi pada pengujian homogenitas adalah 0,161 dimana nilai ini
lebih dari taraf signifikansi yang digunakan (α = 0,05) sehingga variabel
penelitian homogen atau memiliki varians yang sama.
3. Dari hasil analisis diskriminan dapat diketahui bahwa keenam variabel
(delivery speed (X1), manufacturer image (X2), service (X3), sales force image
(X4), product quality (X5) dan usage level (X6)) memberikan perbedaan mean
yang signifikan antara keputusan untuk tidak beli dan keputusan untuk beli.
Kebaikan model yang dihasilkan sebesar 58,06% yang artinya model mampu
menjelaskan 58,06% keragaman dari variabel respon. Adapun hasil uji
signifikansi model menunjukkan bahwa keenam variabel prediktor atau
mampu membedakan grup secara signifikan. Sedangkan variabel yang
memiliki hubungan paling tinggi dengan fungsi diskminan adalah variabel
manufacturer image, dimana hubungan yang terjadi antara variabel
manufacturer image dan fungsi diskriminan adalah hubungan yang searah.
Variabel manufacturer image merupakan variabel yang memiliki kontribusi
atau pengaruh paling besar dalam penentuan kelompok. Didapatkan pula
tingkat akurasi pengklasifikasian yang didapatkan sebesar 89%.

5.2 Saran
Kegiatan praktikum tentang analisis diskriminan ini harus dilakukan dengan
teliti dan cermat, ketika proses penginputan data harus benar dan tepat sehingga
diharapkan dapat menunjukkan hasil yang lebih akurat dan sesuai.

15
 DAFTAR PUSTAKA

Tukey, J. W. (1977). In Exploratory Data Analysis. South Africa: National Library

of South Africa.
Hair, R.A. and Winchern. D.W. 2007. Applied Multivariate Statistical Analysis.
USA: Pearson Education International.

Johnson, R. A., & Winchern, D. (2007). Applied Multivariate Statistical Analysis.

New Jersey: Prentice Hall.
Walpole. (1993). Pengantar Statistika. Jakarta: PT Gramedia Pustaka Utama.

16
 LAMPIRAN

Lampiran 1. Data PT. Hatco

Pabrik ke- X1 X2 X3 X4 X5 X6 Y
1 4.1 4.7 2.4 2.3 5.2 32 0
2 1.8 6.6 2.5 4 8.4 43 1
3 3.4 6 4.3 2.7 8.2 48 1
4 2.7 5.9 1.8 2.3 7.8 32 0
5 6 7.8 3.4 4.6 4.5 58 1
6 1.9 4.8 2.6 1.9 9.7 45 0
. . . . . . . .
. . . . . . . .
. . . . . . . .
96 0.6 5 0.7 2.1 8.4 25 0
97 6.1 4.8 3.3 2.8 7.1 60 1
98 2 5 2.4 2.7 8.4 38 0
99 3.1 6.8 2.6 2.9 8.4 42 1
100 2.5 5 2.2 3 6 33 0
Lampiran 2. Output SPSS untuk Group Statistics

Group Statistics

Valid N (listwise)

Y Mean Std. Deviation Unweighted Weighted

Tidak Beli X1 3.2146 1.30791 48 48.000

X2 4.4542 .76686 48 48.000

X3 2.5417 .70010 48 48.000

X4 2.1979 .57593 48 48.000

X5 6.6479 1.59227 48 48.000

X6 42.1458 8.68599 48 48.000

Beli X1 3.8500 1.17181 52 52.000
X2 5.9808 .89575 52 52.000
X3 3.2615 .62471 52 52.000
X4 3.0962 .67300 52 52.000
X5 7.2692 1.53387 52 52.000
X6 49.7500 7.68210 52 52.000
Total X1 3.5450 1.27330 100 100.000

X2 5.2480 1.13141 100 100.000

X3 2.9160 .75126 100 100.000

X4 2.6650 .77085 100 100.000

X5 6.9710 1.58524 100 100.000

X6 46.1000 8.98877 100 100.000

17
Lampiran 3. Output SPSS untuk Test of Equality of Group Means

Tests of Equality of Group Means

Wilks' Lambda F df1 df2 Sig.

X1 .937 6.565 1 98 .012

X2 .541 83.148 1 98 .000
X3 .769 29.520 1 98 .000
X4 .658 51.011 1 98 .000
X5 .961 3.948 1 98 .050
X6 .820 21.575 1 98 .000

Lampiran 4. Output SPSS untuk Pooled Within-Groups Matrices

Pooled Within-Groups Matricesa

X1 X2 X3 X4 X5 X6

Covariance X1 1.535 -.166 .441 -.068 -1.062 6.359

X2 -.166 .700 -.023 .345 .121 -.653

X3 .441 -.023 .438 -.024 -.180 3.386

X4 -.068 .345 -.024 .395 .077 .053

X5 -1.062 .121 -.180 .077 2.440 -3.974

X6 6.359 -.653 3.386 .053 -3.974 66.895

Correlation X1 1.000 -.160 .538 -.087 -.549 .627

X2 -.160 1.000 -.042 .657 .092 -.096

X3 .538 -.042 1.000 -.057 -.174 .625

X4 -.087 .657 -.057 1.000 .078 .010

X5 -.549 .092 -.174 .078 1.000 -.311

X6 .627 -.096 .625 .010 -.311 1.000

a. The covariance matrix has 98 degrees of freedom.

Lampiran 5. Output SPSS untuk Test Results Box’s M

Test Results

Box's M 29.211
F Approx. 1.300

df1 21

df2 34837.386

Sig. .161

18
Lampiran 6. Output SPSS untuk Eigenvalues

Eigenvalues

Canonical
Function Eigenvalue % of Variance Cumulative % Correlation

1 1.386a 100.0 100.0 .762

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

Lampiran 7. Output SPSS untuk Wilks’ Lambda

Wilks' Lambda

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

1 .419 82.627 6 .000

Lampiran 8. Output SPSS untuk Standardized Canonical Discriminant Function

Coefficients
Standardized Canonical
Discriminant Function
Coefficients

Function

X1 .226
X2 .732
X3 .284
X4 .138
X5 .345
X6 .255

Lampiran 9. Output SPSS untuk Structure Matrix

Structure Matrix

Function

X2 .782
X4 .613
X3 .466
X6 .398
X1 .220
X5 .170

22
Lampiran 10. Output SPSS untuk Canonical Discriminant Function Coefficients
Canonical Discriminant
Function Coefficients

Function

X1 .182
X2 .875
X3 .430
X4 .220
X5 .221
X6 .031
(Constant) -10.053

Lampiran 11. Output SPSS untuk Prior Probabilities for Groups

Prior Probabilities for Groups

Cases Used in Analysis

Y Prior Unweighted Weighted

Tidak Beli .500 48 48.000

Beli .500 52 52.000
Total 1.000 100 100.000

Lampiran 12. Output SPSS untuk Classification Function Coefficients

Classification Function Coefficients

Tidak Beli Beli

X1 3.781 4.206
X2 7.926 9.969
X3 -1.031 -.029
X4 -1.861 -1.348
X5 5.108 5.623
X6 .705 .778
(Constant) -52.907 -76.254

Fisher's linear discriminant functions

23
Lampiran 13. Output SPSS untuk Classification Results
Classification Resultsa

Predicted Group Membership

Y Tidak Beli Beli Total

Original Count Tidak Beli 45 3 48

Beli 8 44 52

% Tidak Beli 93.8 6.3 100.0

Beli 15.4 84.6 100.0

a. 89.0% of original grouped cases correctly classified.

24