BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 1 dari 20

Analisis Diskriminan
(Metode dan Contoh Aplikasi)

Oleh:
BESRAL

Departemen Biostatistik
Fakultas Kesehatan Masyarakat
Universitas Indonesia
2019
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 2 dari 20

Metode dan Aplikasi Analisis

Diskriminan
I. Definisi

Teknik Analisis Diskriminan (Discriminan analysis) merupakan salah satu teknik analisa
statistik multivariate yang digunakan untuk mengklasifikasi individual kedalam dua atau lebih
kelompok-kelompok (atau populasi) dari suatu pengukuran. Populasi diketahui secara jelas,
dan masing-masing individu merupakan bagian dari populasi. Teknik ini dapat digunakan
untuk mengidentifikasi variabel mana yang mengkontribusi dalam pembuatan klasifikasi
(Afifi, 1984,p.247).
Analisis diskriminan merupakan teknik menganalisa data, jika variabel dependen (disebut
riterion) merupakan kategori (non matrik, nominal atau ordinal, bersifat kualitatif) sedangkan
variabel independen sebagai prediktor merupakan metric (interval atau rasio, bersifat
kuantitatif) (Supranto, 2004,p.l.).
Ciri – cirri yang membedakan analisis diskriminan dengan analisis multivariate lainnya adalah
variabel dependennya adalah kategorik sedang variabel independennya adalah numerik.
Prinsip analisis diskriminan adalah membuat model yang secara jelas dapat menunjukkan
perbedaan dan mengklasifikasikan kasus-kasus ke dalam grup dengan menggunakan
determinant function.
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 3 dari 20

II. Tujuan Analisis Diskriminan

Menurut Supranto, 2004 analisis diskriminan dilakukan untuk:

a) Membuat suatu fungsi diskriminan dari prediktor atau variabel independen yang bisa
mendiskriminasikan atau membedakan kategori variabel dependen atau
kriterion/kelompok, artinya mampu membedakan suatu objek (responden) masuk
kelompok/kategori yang mana.
b) Menguji apakah ada perbedaan signifikan antara katagori/kelompok, dikaitkan dengan
variabel independen
c) Menentukan prediktor/variabel independen yang mana memberikan sumbangan
terbesar terhadap terjadinya perbedaan antar kelompok.
d) Mengklarifikasikan/mengelompokkan objek/kasus atau responden ke dalam suatu
kelompok/kategori didasarkan pada nilai variabel bebas.
e) Mengevaluasi keakuratan klasifikasi

Beberapa contoh penelitian yang menggunakan diskriminan analisis dalam pengolahan

datanya, yaitu:
1. Penelitian di bidang pemasaran. Seorang manajer akan melakukan penelitian tentang
perilaku konsumen yang membeli komputer jenis desktop dan notebook. Untuk
mengetahui hal apakah yang membedakan konsumen cenderung membeli masing-
masing produk tersebut, manajer meminta pembeli untuk mengisi angket tentang usia,
jam kerja menggunakan computer, jabatan, pendapatan. Dari kelima hal tersebut, akan
dicari hal manakah yang dominant membedakan konsumen tersebut.
2. Penelitain di bidang kesehatan. Peneliti ingin mendiskrimasi antara orang-orang yang
menderita suatu symptom yang mencari pengobatan (populasi 1) dan tidak mencari
pengobatan (populasi 2). Variabel-variabel yang digunakan untuk menjelaskan
perbedaan antara dua populasi diukur berdasarkan durasi dari symptom, keseriusan
dari symptom, kecemasan terhadap symptom, perasaan tentang kemampuan dokter
untuk menyembuhkan keluhan, jumlah bed-loss day (hari yang dihabiskan ditempat
tidur dan berakibat hilangnya hari kerja), variabel sosial ekonomi dan demografi.
Analisis diskriminan berguna untuk memutuskan kombinasi linier mana dari variabel-
variabel tersebut yang memprediksi seseorang dengan symptom akan mencari
pengobatan atau yang tidak (Hulka dalam Klainbaum,1988)
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 4 dari 20

III. Asumsi Dasar Analisis Diskriminan

Pertama-tama, variabel dependen, kasus dikelompokkan menjadi dua grup (atau lebih)
yang mutually exclusive. Diskriminan variabel atau variabel independen menggunakan
skala interval atau rasio, sehingga varians dapat dihitung dan dapat dimasukkan kedalam
persamaan matematis. Diskriminan variabel tidak boleh digunakan bila ada kolinearitas
antar independen variabel. Matriks kovarians populasi dari masing-masing kelompok
adalah sama. Asumsi selanjutnya adalah pada masing-masing kelompok memiliki
distribusi normal (Klecka, 1980,p.8-11)
Asumsi dalam analisis diskriminan sebagai berikut:
1. Variabel dependen terdiri dari dua kelompok atau lebih
2. Paling sedikit memiliki 2 kasus per kelompok
3. Variabel diskriminan (independen) diukur dalam bentuk interval/ratio.
4. Tidak ada korelasi linier antara variabel diskriminan
5. Matrik kovariat pada masig-masing kelompok harus sama.
6. Variabel diskriminan (independen) berdistribusi normal

IV. Fungsi Diskriminan

Persamaan fungsi diskriminan adalah sbb:
Zjk = a + W1X1k + W2X2k + WnXnk
Z = Fungsi Diskriminan (disciminant fungction) dari subject j-k
Wi=Koefisien diskriminan utk variable independen-i
Xik= Variable independen-i
a = intercept

V. Prosedur Analisis Diskriminan

a. Merumuskan masalah
Langkah pertama dalam analisis diskriminan adalah merumuskan masalah dengan cara
mengenali:
- Tujuan memasukkan elemen ke dalam kelompok atau kategori tertentu.
- Variabel dependen kategorik, terdiri dari dua atau lebih kategori
- Variabel bebas
b. Estimasi Koefisien Fungsi Diskriminan
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 5 dari 20

Jika data tentang sampel untuk estimasi sudah tersedia, dengan menggunakan SPSS
koefisien fungsi diskriminan dapat dihitung, langka-langkanya adalah sebagai berikut:
1. Menentukan metode untukmembuat fungsi disktiminan, apakah menggunakan
Simultaneous Estimation atau Stepwise Estimation. Simultaneous Estimation
digunakan bila semua variabel bebas diproses secara bersama-sama tanpa
memperhatikan discriminating power. Stepwise Estimation diproses secara
bertahap dan variabel yang tidak memenuhi batas signifikansi akan dikeluarkan
dari model.
2. Menguji signifikansi dari fungsi diskriminan dengan uji F (wilk’s Lambda)
3. Menguji ketepatan klasifikasi dari fungsi diskriminan
4. Melakukan interprestasi terhadap fungsi diskriminan
5. Melakukan uji validasi fungsi diskriminan
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 6 dari 20

Contoh Aplikasi Analisis Diskriminan

Judul Penelitian
Faktor-faktor yang Membedakan Kinerja Bidan Desa
(Data: Kinerja-Bidan.SAV)

1.Tujuan Penelitian

a. Diketahuinya perbedaan kelompok bidan yang kinerjanya baik dengan bidan yang kinerjanya
kurang baik
b. Diketahuinya variabel-variabel yang dapat membedakan kinerja bidan
c. Diketahuinya variabel yang paling besar kontribusinya dalam
membedakan kinerja bidan
d. Didapatkannya model diskriminan yang fit untuk membedakan kinerja bidan

2. Kerangka Konsep

Variabel Independen Variabel Dependen

1. Umur bidan
2. Status pegawai (PNS/Kontrak)
3. Pengetahuan Kinerja Bidan
4. Sikap
5. Motivasi
6. Supervisi
7. Peran perangkat desa

3. Definisi Operasional

a. Variabel dependen
Kinerja bidan dikelompokkan menjadi baik dan kurang. Kinerja baik jika cakupan
persalinan pasien JPKMM mencapai 90% dan kinerja kurang jika cakupan persalinan
pasien JPKMM tidak mencapai target 90%. Jenis variabel kategorik

b. Variabel Independen
1. Umur bidan adalah lama waktu yang dijalani oleh bidan mulai dari lahir sampai saat
penelitian dilakukan yang diukur dalam satuan tahun. Jenis variabel Numerik
2. Status pegawai adalah adalah status kepegawaian bidan di desa yang dibedakan antara
PNS dengan PTT. Jenis variabel kategorik
3. Pengetahuan adalah skor dari pengetahuan bidan tentang pelayanan kebidanan
program JPKMM. Jenis variabel numerik
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 7 dari 20

4. Sikap adalah sikap bidan terhadap pelayanan kebidanan program JPKMM yang diukur
dengan skala Likert, kemudian skor dijumlahkan. Jenis variabel numerik
5. Motivasi adalah motivasi bidan terhadap pelayanan kebidanan program JPKMM yang
diukur dengan skala Likert, kemudian skor dijumlahkan. Jenis variabel numerik
6. Supervisi adalah persepsi bidan terhadap supervisi yang dilakukan dalam rangka
pelayanan kebidanan program JPKMM yang diukur dengan skala Likert, kemudian
skor dijumlahkan. Jenis variabel numerik
7. Peran perangkat desa adalah persepsi bidan terhadap peranan perangkat desa (kepala
desa, PKK, tokoh agama, tokoh masyarakata) dalam mempermudah pemberian
pelayanan kebidanan bagi program JPKMM yang diukur dengan skala Likert,
kemudian skor dijumlahkan. Jenis variabel numerik
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 8 dari 20

4. Analisis Data

Untuk melakukan analisis data penelitian ini digunakan analisis Multivariat Diskriminan oleh karena
variabel dependennya berbentuk katagorik dan semua variabel independennya berbentuk numerik

PROSES PEMODELAN ANALISIS DISKRIMINAN

1. UJI ASUMSI NORMALITAS

Dalam analisis diskriminan dianjurkan variabel independen berdistribusi normal. Untuk mengecek
kenormalan suatu distribusi tidak cukup hanya mengandalkan satu jenis uji saja, di sini akan
digunakan 3 jenis uji, yaitu 1. uji KS(Kolmogorov smirnov) nilai sig > 0,05, 2. histogram (terlihat
normal), dan 3. Skewness/SE (berkisar -2.0 sd 2.0). Salah satu dari ke-3 uji tersebut terlihat
normal, maka disimpulkan distribusi tersebut berdistribusi normal.

- Uji Kolmogorov Smirnov

ANALIZE  NONPARAMETRIC  1.SAMPEL KS..

One-Sample Kolmogorov-Smirnov Test

Umur Motivasi Sikap Pengetahuan Supervisi Perandesa
150 150 150 150 150 150
Mean 19.527 47.453 35.080 26.147 44.067 47.947
Std. Deviation 0.946 10.976 14.621 13.130 13.476 14.117
Absolute 0.218 0.106 0.078 0.105 0.112 0.122
Positive 0.218 0.106 0.068 0.105 0.112 0.122
Negative -0.185 -0.090 -0.078 -0.054 -0.061 -0.113
Kolmogorov-
Smirnov Z 1.267 1.298 0.960 1.285 1.371 1.288
Asymp. Sig. (2-
tailed) 0.071 0.069 0.315 0.074 0.047 0.124
Test distribution is Normal.

Setelah dilakuan pengujian kenormalan dengan uji KS ternyata semua variabel independen (umur,
motivasi, sikap, pengetahuan, supervisi, dan peran perangkat desa) berdistribusi normal karena p-
value-nya > 0,05, kecuali untuk supervisi nilai-p = 0.047, namun karena nilai-p nya masih dalam batas
signifikan (borderline significant) dan grafik histogramnya memperlihatkan distribusi normal, serta
nilai skewness/SE masih dalam kisaran -2 sd +2 maka variabel tersebut disimpulkan berdistribusi
normal dan masuk ke dalam tahapan analisis selanjutnya. Sehingga keenam variabel independen dapat
lanjut utk analisis diskriminan
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 9 dari 20

Histogram

Semua grafik histogram memperlihatkan distribusi normal

Skewness/SE

Variabel Skewness SE Skew/SE

Umur 0.549 0.198 2.8
Motivasi -0.061 0.198 -0.3
Sikap 0.173 0.198 0.9
Pengetahuan 0.491 0.198 2.5
Supervisi 0.266 0.198 1.3
Peran perangkat desa 0.047 0.198 0.2

Nilai Skewness/SE masih dalam kisaran -2.0 sd 2.0, memperlihatkan distribusi normal, kecuali untuk
umur (Namun, grafik histogram dari umur terlihat normal).
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 10 dari 20

2. UJI ASUMSI COLLINEARITY

Untuk mengetahui kolinearitas maka antar variabel independen dianalisis korelasi pearson, bila nilai r
< 0,8 maka dikatakan tidak ada kolinearitas.

ANALIZE  Correlate  BIVARIATE

Correlations
Umur Motivasi Sikap Pengetahuan Supervisi
Umur Pearson Correlation
Sig. (2-tailed)
N
Motivasi Pearson Correlation -0.132
Sig. (2-tailed) 0.106
N 150
Sikap Pearson Correlation -0.088 .399(**)
Sig. (2-tailed) 0.284 0.000
N 150 150
Pengetahuan Pearson Correlation .175(*) 0.158 0.113
Sig. (2-tailed) 0.032 0.053 0.168
N 150 150 150
Supervisi Pearson Correlation 0.106 .338(**) 0.146 .572(**)
Sig. (2-tailed) 0.198 0.000 0.074 0.000
N 150 150 150 150
Peran perangkat
desa Pearson Correlation 0.038 0.148 -.174(*) .274(**) .339(**)
Sig. (2-tailed) 0.642 0.07 0.034 0.001 0.000
N 150 150 150 150 150
* Correlation is significant at the 0.05 level (2-tailed).
** Correlation is significant at the 0.01 level (2-tailed).

Hasil analisis korelasi pearson, ternyata semua variabel dihasilkan r < 0,8, berati tidak ada kecurigaan
adanya kolinearitas antar variabel independen, sehingga semua variabel dapat dilanjutkan ke tahap
analisis diskriminan

Diagnosis pasti adanya multikolinearitas pada analisis diskriminan adalah dengan memeriksa nilai
TOLERANCE, nilai ini berkisar antara 0 sampai 1. Makin besar nilai Tolerance, makin terpenuhi
asumsi tidak adanya multikolinearitas (Lihat nilai Tolerance pada pembuatan model diskriminant,
halaman …??).
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 11 dari 20

3.UJI ASUMSI HOMOGENITAS VARIANS (Lihat interpretasi output Analisis diskriminant)

4. PEMBUATAN MODEL DISKRIMINAN

a.Proses analisis diskriminan menggunakan SPSS

- Klik Analyze  Classify,  Klik Discriminant, masukan variabel KINERJA_BDD ke kotak

Grouping Variable,

- klik Define Range dan isikan 0 pada minimum dan isikan 1 pd maximum (kode sesuai
dengan isi variabel KINERJA_BDD: 0 dan 1), kemudian klik continue.

- Kemudian masukan semua variabel independen (umur, biaya persalinan, jumlah bumil
JPKMM, jumlah bumil umum, pengetahuan, sikap, motivasi, dan imbalan) ke kotak
independents,
- klik Use stepwise method,

- Pada menu Statistics, berikan cek list utk bagian descriptives yaitu means, univariate
anova, dan box’s m. Kemudian lakukan cek list juga pada bagian Function Coefficients yaitu
pada Fishers dan Unstandardized
- klik Continue
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 12 dari 20

- Pada menu Method, berikan cek list utk bagian ‘Use Probability of F’, kemudian Klik
Continue

- Klik kotak Classify, lakukan cek list utk bagian Display yaitu “casewise result’, ‘summary
table’, ‘leave-one-out’.
- Klik Continue
- Klik OK, Hasilnya sbb: (hasil terlampir di bagian interpretasi output)
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 13 dari 20

5. INTERPRETASI OUTPUT ANALISIS DISKRIMINAN:

1.Uji Asumsi Homogenitas Varian

Asumsi ini dapat diketahui dengan melihat nilai Log determinant, bila antar variabel nilainya hampir
sama maka asumsi homogenitas terpenuhi. Selain itu bisa juga menggunakan uji Box’s, bila p value >
0,05 maka asumsi homogenitas terpenuhi (uji box’s hati-hati digunkan karena sangat sensitif dengan
jumlah sampel)

Box's Test of Equality of Covariance Matrices

Log Determinants

Log
Kinerja Bidan di Desa Rank Determinant
Kurang 4 12.105
Baik 4 13.002
Pooled within-groups 4 12.839
The ranks and natural logarithms of determinants printed are those of the group covariance matrices.

Hasil log determinant utk kinerja kurang, baik, dan pooled menunjukkan nilai hampir sama, berkisar
12,105 sampai 13,002 sehingga tidak ada pelanggaran terhadap asumsi homogenitas varian. Walaupun
hasil Box’s M test menyatakan hasil yang sebaliknya, di mana nilai sig 0.000 yang berarti variannya
tidak sama, yang berdampak pada hasil estimasi kurang akurat.

Test Results

Box's M 36.874
F Approx. 3.579
df1 10
df2 98783.879
Sig. .000
Tests null hypothesis of equal population covariance matrices.

Hasil test Box’s M mempelihatkan p value = 0,000, berarti asumsi homogenitas varian tidak terpenuhi
sehingga asumsi untuk model diskriminan yang didapat mungkin kurang akurat.
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 14 dari 20

2.Analisis Deskriptif

Discriminant
Group Statistics

Valid N (listwise)
Kinerja Bidan di Desa Mean Std. Deviation Unweighted Weighted
Kurang Umur 19.5942 .95976 69 69.000
PNS_PTT 1.5942 .49464 69 69.000
Motivasi 39.2754 7.73054 69 69.000
Sikap 29.9130 10.12530 69 69.000
Pengetahuan 23.1884 12.03093 69 69.000
Supervisi 38.7826 10.53408 69 69.000
Peran perangkat desa 42.4348 14.57584 69 69.000
Baik Umur 19.4691 .93657 81 81.000
PNS_PTT 1.6914 .46481 81 81.000
Motivasi 54.4198 8.17139 81 81.000
Sikap 39.4815 16.38224 81 81.000
Pengetahuan 28.6667 13.56835 81 81.000
Supervisi 48.5679 14.11820 81 81.000
Peran perangkat desa 52.6420 11.91985 81 81.000
Total Umur 19.5267 .94618 150 150.000
PNS_PTT 1.6467 .47961 150 150.000
Motivasi 47.4533 10.97623 150 150.000
Sikap 35.0800 14.62118 150 150.000
Pengetahuan 26.1467 13.13042 150 150.000
Supervisi 44.0667 13.47614 150 150.000
Peran perangkat desa 47.9467 14.11734 150 150.000

Dari tabel ini terlihat bahwa data yg dianalisis ada 150 responden yang terdiri : 69 bidan berkinerja
kurang dan 81 bidan berkinerja baik. Dari tabel dapat diperbandingkan nilai mean dan standar deviasi
masing-masing variabel independen pada kinerja bidan kurang dan baik.
Terlihat ada kecenderungan bahwa nilai motivasi, sikap, pengetahuan, dan peran perangkat desa pada
kelompok bidan kinerja baik, lebih tinggi dibandingkan kelompok bidan kinerja kurang.
Sedangkan umur bidan yang kinerja baik lebih rendah dibandingkan bidan kinerja kurang.
Dan Bidan kinerja baik memiliki skor PNS_PTT lebih tinggi (dengan skor 1=PNS dan 2=PTT, makin
tinggi skor kinerja berarti PPT lebih baik kinerjanya dibanding PNS).

2. Uji perbedaan Mean (Bivariat)

Tests of Equality of Group Means

Wilks'
Lambda F df1 df2 Sig.
Umur .996 .649 1 148 .422
PNS_PTT .990 1.534 1 148 .217
Motivasi .524 134.470 1 148 .000
Sikap .893 17.751 1 148 .000
Pengetahuan .956 6.736 1 148 .010
Supervisi .868 22.477 1 148 .000
Peran perangkat desa .869 22.257 1 148 .000
Hasil uji perbedaan mean dihasilkan ada dua variabel yang tidak signifikan yaitu Umur dan
PNS_PTT(Sig.= 0,422 dan 0.217), sedangkan variabel yang lainnya signifikan (p < 0,05). Hal ini
berarti baik atau kurangnya kinerja bidan dipengaruhi oleh motivasi, sikap, pengetahuan, supervisi, dan
peran perangkat desa.
Namun demikian hasil ini masih dalam bentuk bivariat, artinya efek dari masing-masing variabel
masih kasar, belum mempertimbangkan pengaruh dari variabel lainnya. Dengan demikian belum
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 15 dari 20

menjamin apakah umur dan PNS-PTT benar-benar tidak signifikan thd kinerja bidan ataupun motivasi,
sikap, pengetahuan, supervisi, dan peran perangkat desa benar-benar signifikan terhadap kinerja bidan.
Untuk lebih akuratnya maka perlu dilakukan analisis multivariat diskriminan, dengan menggunakan
metode stepwise dengan tetap menyertakan semua variabel independen.

3. Pembuatan model

Stepwise Statistics
Variables Entered/Removeda,b,c,d
Wilks' Lambda
Exact F
Step Entered Statistic df1 df2 df3 Statistic df1 df2 Sig.
1 Motivasi .524 1 1 148.000 134.470 1 148.000 .000
2 Peran
perangkat .455 2 1 148.000 87.979 2 147.000 .000
desa
3 Sikap .439 3 1 148.000 62.271 3 146.000 .000
4 PNS_PTT .426 4 1 148.000 48.901 4 145.000 .000
At each step, the variable that minimizes the overall Wilks' Lambda is entered.
a. Maximum number of steps is 14.
b. Maximum significance of F to enter is .09.
c. Minimum significance of F to remove is .10.
d. F level, tolerance, or VIN insufficient for further computation.

Tahapan (stepwise) dari analisis diskriminan ditampilkan dalam variables entered/removed

Variables in the Analysis

Sig. of F to Wilks'
Step Tolerance Remove Lambda
1 Motivasi 1.000 .000
2 Motivasi .977 .000 .869
Peran perangkat desa .977 .000 .524
3 Motivasi .931 .000 .712
Peran perangkat desa .885 .000 .521
Sikap .848 .021 .455
4 Motivasi .929 .000 .689
Peran perangkat desa .884 .000 .506
Sikap .799 .007 .448
PNS_PTT .931 .037 .439

Model ke-4 dengan 4 variabel independen, terlihat bahwa nilai Tolerance yang mendekati 1 (kisaran
0,884 sd 0.931), artinya asumsi multikolinearitas terpenuhi (tidak ada variabel independen yang saling
berkorelasi kuat).

Dari hasil analisis diskriminan metode stepwise ternyata dihasilkan empat variabel yang signifikan,
yang dapat membedakan kinerja bidan desa yaitu variabel motivasi (sig 0.000), peran perangkat desa
(sig 0.000), sikap (sig 0.007), dan PNS_PTT (sig 0.037). Walaupun hasil uji bivariat PNS_PTT tidak
signifikan, namun setelah dikontrol oleh variabel independen lainnya, ternyata di multivariat variabel
ini menjadi signifikan.
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 16 dari 20

Variables Not in the Analysis

Min. Sig. of F Wilks'

Step Tolerance Tolerance to Enter Lambda
0 Umur 1.000 1.000 .422 .996
PNS_PTT 1.000 1.000 .217 .990
Motivasi 1.000 1.000 .000 .524
Sikap 1.000 1.000 .000 .893
Pengetahuan 1.000 1.000 .010 .956
Supervisi 1.000 1.000 .000 .868
Peran perangkat desa 1.000 1.000 .000 .869
1 Umur .986 .986 .670 .523
PNS_PTT .989 .989 .076 .513
Sikap .936 .936 .341 .521
Pengetahuan 1.000 1.000 .091 .514
Supervisi .983 .983 .020 .505
Peran perangkat desa .977 .977 .000 .455
2 Umur .983 .965 .858 .455
PNS_PTT .988 .968 .130 .448
Sikap .848 .848 .021 .439
Pengetahuan .950 .929 .537 .454
Supervisi .915 .909 .286 .452
3 Umur .982 .847 .812 .439
PNS_PTT .931 .799 .037 .426
Pengetahuan .935 .830 .744 .438
Supervisi .908 .818 .395 .436
4 Umur .980 .798 .740 .425
Pengetahuan .928 .784 .886 .426
Supervisi .887 .787 .597 .425

SPSS juga akan memperlihatkan variabel yang tidak masuk dalam setiap step (tahapan pembuatan
model). Pada step ke-4 ternyata masih ada 3 variabel lagi yg tidak bisa masuk kedalam model
(dikeluarkan dari model) yaitu umur, pengetahuan, dan supervisi. Jika variabel tersebut tetap
dimasukkan ke dalam model, maka nilai signifikannya lebih dari 0.05.

Wilks' Lambda

Number of Exact F
Step Variables Lambda df1 df2 df3 Statistic df1 df2 Sig.
1 1 .524 1 1 148 134.470 1 148.000 .000
2 2 .455 2 1 148 87.979 2 147.000 .000
3 3 .439 3 1 148 62.271 3 146.000 .000
4 4 .426 4 1 148 48.901 4 145.000 .000

Dari Wilks’Lamda terlihat bahwa model yang didapat dari empat variabel yang dimasukkan adalah
signifikan untuk menjelaskan perbedaan kinerja bidan.
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 17 dari 20

4. Kemampuan prediksi/ketepatan klasifikasi model diskriminan

Summary of Canonical Discriminant Functions

Eigenvalues

Canonical
Function Eigenvalue % of Variance Cumulative % Correlation
1 1.349(a) 100.0 100.0 .758
a First 1 canonical discriminant functions were used in the analysis.

Pada tabel Eigenvalues, terlihat nilai canonical correlation sebesar 0,758, yang jika dikuadratkan akan
menjadi (0,758 x 0,758) = 0,574.
Artinya kemampuan model diskriminan untuk menjelaskan perbedaan antara kedua grup (kinerja baik
dan kinerja kurang) adalah sebesar 57,4%. Hasil ini sudah cukup bagus, karena sudah lebih dari 50%.
Wilks' Lambda

Wilks'
Test of Function(s) Lambda Chi-square df Sig.
1 .426 124.682 4 .000

Wilks’ lambda 0,426 artinya 1- 0,426 = 0,574 atau 57,4% variasi skor diskriminan dapat dijelaskan
karena perbedaan kedua grup (bidan kinerja baik dan kinerja kurang).
Atau dapat diartikan kemampuan fungsi diskriminan untuk menjelaskan perbedaan antara kedua grup
(bidan kinerja baik dan kinerja kurang) adalah sebesar 57,4%. Hasil uji p value = 0,000 artinya ada
perbedaan yg signifikan antara kedua grup (bidan kinerja baik dan kinerja kurang) pada model
diskriminan.

5. Variabel yang paling dominan

Standardized Canonical Discriminant Function Coefficients

Function
1
PNS_PTT .235
Motivasi .846
Sikap .330
Peran perangkat desa .559

Dari tabel standardized canonical dapat diketahui variabel yang paling dominan yaitu dilihat dari
variabel yang mempunyai skor yang terbesar.
Dari tabel diatas variabel motivasi mempunyai skor paling besar yaitu 0,846 sehingga motivasi
merupakan variabel yang paling dominan untuk membedakan kedua grup(bidan kinerja baik dan
kinerja kurang).
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 18 dari 20

6. Persamaan/model Diskriminan

Canonical Discriminant Function Coefficients

Function
1
PNS_PTT .491
Motivasi .106
Sikap .024
Peran perangkat desa .042
(Constant) -8.710
Unstandardized coefficients

Dari hasil Canonical Discriminant dapat dibuat persamaan sbb:

D = -8,71 + 0,491*PNS/PTT + 0,106*motivasi + 0,024*sikap + 0,042*peran

Aplikasi Model :
1. Bidan Nelly, seorang bidan PTT, skor motivasi 70, skor sikap 70, skor peran perangkat desa 70,
apakah kinerjanya akan baik?

D = -8,71 + 0,491*2 + 0,106*70 + 0,024*70 + 0,042*70 = 12,151

2. Bidan Anne, seorang bidan PNS, skor motivasi 40, skor sikap 40, skor peran perangkat desa 40,
apakah kinerjanya akan baik?

D = -8,71 + 0,491*1 + 0,106*40 + 0,024*40 + 0,042*40 = -1,339

Baik atau tidak kinerjanya ditentukan oleh nilai cut off sbb

7. Penentuan Cut Off Diskriminan

Functions at Group Centroids

Function
Kinerja Bidan di Desa 1
Kurang -1.250
Baik 1.065
Unstandardized canonical discriminant functions evaluated at group means

na Zb + nb Za
Cut off skor = -------------------
na + nb

na, nb = jumlah sampel kelompok a dan b

Za, Zb = centroid pd kelompok a dan b

Cut Off Skor =((81* -1,250) + (69*1,065)) / (81+69) = -0,185

Ketentuan:
- bila nilai D < -0,185 maka masuk ke kelompok kinerja kurang
- bila nilai D > -0,185 maka masuk ke kelompok kinerja baik

Bidan Nelly mempunyai nilai D = 12,151, berarti lebih besar dari nilai Cut Off, jadi Bidan Nelly
diprediksi akan berkinerja baik.
Sedangkan Bidan Anne mempunyai nilai D = -1,339, berarti lebih kecil dari nilai Cut Off, jadi Bidan
Anne diprediksi akan berkinerja kurang.
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 19 dari 20

8. Ketepatan Model Prediksi

Classification Statistics
Classification Resultsb,c

Predicted Group
Membership
Kinerja Bidan di Desa Kurang Baik Total
Original Count Kurang 56 13 69
Baik 12 69 81
% Kurang 81.2 18.8 100.0
Baik 14.8 85.2 100.0
Cross-validated a Count Kurang 56 13 69
Baik 12 69 81
% Kurang 81.2 18.8 100.0
Baik 14.8 85.2 100.0
a. Cross validation is done only for those cases in the analysis. In cross validation,
each case is classified by the functions derived from all cases other than that
case.
b. 83.3% of original grouped cases correctly classified.
c. 83.3% of cross-validated grouped cases correctly classified.

Dari hasil klasifikasi model, terlihat bahwa ketepatan model dalam memprediksi kinerja bidan kurang
adalah 81.2% dan kinerja baik adalah 85.2%.
Secara keseluruhan ketepatan model dalam memprediksi kinerja bidan (baik dan kurang) adalah 83,3%
(baik menggunakan metode original maupun cros-vadilated). Artinya ketepatan model dalam
memprediksi kinerja bidan cukup baik.

6. KESIMPULAN

1. Variabel yang signifikan bisa membedakan apakah kinerja seorang bidan desa baik atau kurang
adalah variabel motivasi bidan, peran perangkat desa, sikap bidan, dan status kepegawaian bidan
(PNS/PTT).

2. Variabel yang paling besar kontribusinya (paling dominan) dalam membedakan kinerja seorang
bidan desa adalah variabel motivasi

3. Variabel yang tidak signifikan (tidak bisa digunakan untuk menjelaskan perbedaan kinerja bidan)
adalah frekuensi umur bidan, supervisi, dan pengetahuan. Walaupun variabel supervisi dan
pengetahuan sangat signifikan pada saat analisis bivariat, setelah analisis multivariat discriminant
ternyata kedua variabel tersebut tidak signifikan.

4.Persamaan model diskriminan yang didapat adalah:

D = -8,71 + 0,491*PNS/PTT + 0,106*motivasi + 0,024*sikap + 0,042*peran

5. Cut off model diskriminan adalah D = -0,185

6. Ketepatan model dalam membedakan kinerja bidan cukup baik yaitu 83.3%
BESRAL (Dept Biostatistik FKM UI) Analisis Diskriminan: hal 20 dari 20

DAFTAR PUSTAKA

Afifi,A.A.;Virginia Clark. Computer Aided Multivariate Analysis. New York:Van Nostrand

Reinhold Company,1984.

Kleinbaum, David G.;Lawrence L. Koppen & Keith E. Muller. Applied Regression Analysis
and Other Multi Variable Methods.2nd.Ed.Belmont, CA:Duxbury Press,1988.

SPSS Inc. 2018. SPSS Base 15 User Guide. SPSS Inc. Chicago, USA.

Supranto, J. Analisis Multivariat, Arti dan Interprestasi. Jakarta:Rineka Cipta, 2004.