' 2 '

8.4. Tunjukkan bahwa [a ( ý 1− ý 2 ) ] =a ( ý 1− ý 2 ) ( ý 1− ý 2) ' a seperti dalam (8.7)

Jawab:

Misal y 11 , y 12 , … , y 1 n dan y 21 , y 22 ,… y 2 n adalah vektor yang berasal dari 2 populasi berbeda

1 2

dengan masing-masing memuat pengukuran p variabel.

'
Misal a =[ a1 … a p ] adalah vector skalar yang digunakan dalam mentransformasi dua sampel
multivariat y 1 dan y 2 dengan kombinasi linier yaitu:

Sehingga diperoleh skor:

Mean dari hasil transformasi dua sampel tersebut adalah:

n1 n
z1 i z 2

=a ý 1 dan ź 2=∑ 2 i =a' ý 2

'
ź 1=∑
i=1 n1 i=1 n2

n1 n2
dimana: ý 1=∑ y 1 i /n1 dan ý 2=∑ y 2 i /n2 .
i=1 i=2

Nilai jarak terstandarisasi yang memisahkan antara kedua sampel tersebut, yaitu ( ź 1− ź 2)/ s z
Namun karena hasilnya bisa negative, akan digunakan hasil kuadratnya yaitu pada persamaan 8.7:

2 2
( ź 1−ź 2)
2
( a' ý 1−a' ý 2) ( a' ( ý 1− ý 2 ) )
= =
s 2z a' S pl a a' S pl a

2
Selanjutnya akan dibuktikan bahwa a' ( ý 1− ý2 ) =a' ( ý 1− ý 2 ) ( ý 1− ý 2 ) ' a. Pembuktian dilakukan
[ ]
dari ruas kanan,

ý 11− ý 21 a1
' '
a ( ý 1− ý 2 ) ( ý 1− ý 2 ) a= [ a1 … a p ]
[ ] ⋮
ý 1 p− ý 2 p
[ ý 11 − ý 21 … ý1 p −ý 2 p ]
[]
⋮
ap
 a 1 ( ý 11 − ý 21 ) a1 ( ý 11− ý 21)
¿
[ ⋮
][ ⋮
a p ( ý 1 p − ý 2 p ) a p ( ý 1 p− ý 2 p ) ]
¿ [ a ' ( ý 1− ý 2 ) ][ a' ( ý1 − ý 2 ) ]

2
¿ [ a ' ( ý 1− ý 2 ) ] (Terbukti)

8.8 Using the beetle data of Table 5.5, do the following:

(a) Find the discriminant function coefficient vector.

(b) Find the standardized coefficients.

(c) Calculate t-tests for individual variables.

(d) Compare the results of (b) and (c) as to the contribution of each variable to separation

of the groups.

(e) Find the partial F for each variable, as in (8.26). Do the partial F's rank the variables
in the same order of importance as the standardized coefficients?

Jawab:
Berikut merupakan data tabel 5.5 yang berisi empat pengukuran dari dua spesies kutu kumbang
yaitu Haltiaca oleracea dan Haltica carduorum.

y1 y2 y3 y4 Jenis Kumbang
189 245 137 163 Oleracea
192 260 132 217 Oleracea
217 276 141 192 Oleracea
221 299 142 213 Oleracea
171 239 128 158 Oleracea
192 262 147 173 Oleracea
213 278 136 201 Oleracea
192 255 128 185 Oleracea
170 244 128 192 Oleracea
201 276 146 186 Oleracea
195 242 128 192 Oleracea
205 263 147 192 Oleracea
180 252 121 167 Oleracea
192 283 138 183 Oleracea
200 294 138 188 Oleracea
192 277 150 177 Oleracea
200 287 136 173 Oleracea
181 255 146 183 Oleracea
192 287 141 198 Oleracea
181 305 184 209 Carduorum
158 237 133 188 Carduorum
184 300 166 231 Carduorum
171 273 162 213 Carduorum
181 297 163 224 Carduorum
181 308 160 223 Carduorum
177 301 166 221 Carduorum
198 308 141 197 Carduorum
180 286 146 214 Carduorum
177 299 171 192 Carduorum
176 317 166 213 Carduorum
192 312 166 209 Carduorum
176 285 141 200 Carduorum
169 287 162 214 Carduorum
164 265 147 192 Carduorum
181 308 157 204 Carduorum
192 276 154 209 Carduorum
 181 278 149 235 Carduorum
175 271 140 192 Carduorum
197 303 170 205 Carduorum

Keterangan:
y 1=Jarak melintang dari batas posterior prothorax ( μm)
y 2=Panjang elytra (dalam 0.01 mm)
y 3=Panjang sendi antenal kedua(μm)
y 4 =Panjang sendi anternal ketiga( μm)

A) Mencari vektor koefisien fungsi diskriminan jika dilakukan secara manual dapat
menggunnakan rumus:
a=Spl −1( ý 1− ý 2)
Mencari vektor koefisien fungsi diskriminan dikerjakan dengan menggunakan software
R:

#input data
> data2<-as.matrix.data.frame(data_8_8_1_)
> n1<-nrow(data2)
> w1<-(n1-1)*var(data2)
>
> data3<-as.matrix.data.frame(data_8_8_2_)
> n2<-nrow(data3)
> w2<-(n2-1)*var(data3)

#PERTAMA : akan dicari SPl

> sp1<-1/(n1+n2-2)*(w1+w2)
> sp1

Diperoleh matriks SPl sebagai berikut :

y1 y2 y3 y4
y1 143.55910 151.8703 42.52660 71.99253
y2 151.87027 366.9514 121.85946 106.32432
y3 42.52660 121.8595 118.31408 42.06401
y4 71.99253 106.3243 42.06401 208.07290

#KEDUA: akan dicari koefisien dari fungsi diskriminan

> b<-solve(sp1)
> matrix1<-
matrix(c(194.473,267.053,137.368,185.95),nrow=4,ncol=1)
> matrix2<-matrix(c(179.55,290.8,157.2,209.25),nrow=4,ncol=1)

Matriks untuk jenis Oleracea ý 1 :

[,1]
[1,] 194.473
[2,] 267.053
[3,] 137.368
[4,] 185.950

Matriks untuk jenis Carduorum ý 2 :

[,1]
[1,] 179.55
[2,] 290.80
[3,] 157.20
[4,] 209.25

> matrixk=matrix1-matrix2
> a<-b%*%matrixk
> a
[,1]
y1 0.3459815
y2 -0.1312460
y3 -0.1058841
y4 -0.1432168

Kesimpulan:

Berdasarkan hasil diatas, diperoleh vektor koefisien dari fungsi diskriminan adalah:
 0.3459815
a'=
(
−0.1312460
−0.1058841
−0.1432168
)
B) Mencari koefosien standarisasi jika dilakukan secara manual dapat menggunnakan
rumus:
a ¿=(diag S pl )1/ 2 a
Mencari koefisien standarisasi akan dikerjakan dengan menggunnakan software R:
> standarisasi<-diag(sp1)^(1/2)*a
> standarisasi
[,1]
y1 4.136640
y2 -2.500550
y3 -1.157705
y4 -2.067833

Kesimpulan:

Berdasarkan hasil diatas diperoleh hasil standarisasi sebagai berikut:

4.145417
¿
a=
(
−2.514145
−1.151725
−2.065864
)
C) Uji t untuk masing-masing variabel akan dikerjakan dengan menggunakan
software R

Hipotesis :

H0 : μi−μ j=0 , i , j=1,2,3,4 , i≠ j (Tidak ada perbedaan yi pada kedua jenis kumbang)

H1 : μi−μ j ≠0 , i , j=1,2,3,4 , i≠ j (Ada perbedaan yi pada kedua jenis kumbang)

Akan digunakan α =0,05

Statistik Uji : menggunakan t-value yang akan diperoleh melalui sofware R

#PERTAMA: Akan dicari nilai untuk t1

> x1<-matrix(c(189,192,217,221,171,
+ 192,213,192,170,201,
+
195,205,180,192,200,192,200,181,192),nrow=1,ncol=19)
> y1<-matrix(c(181,158,184,171,181,181,
+ 177,198,180,177,176,192,176,169,164,181,
+ 192,181,175,197),nrow=1,ncol=20)
> t.test(x1,y1)

Welch Two Sample t-test

data: x1 and y1
t = 3.8577, df = 33.031, p-value = 0.0005024
alternative hypothesis: true difference in means is not equal to
0
95 percent confidence interval:
7.053392 22.793977
sample estimates:
mean of x mean of y
194.4737 179.5500

#KEDUA: Akan dicari nilai untuk t2

> x2<-matrix(c(245,260,276,299,239,
+ 262,278,255,244,276,242,
+ 263,252,283,294,277,287,255,287))
> y2<-matrix(c(305,237,300,273,297,
+ 308,301,308,286,299,
+ 317,312,285,287,265,
+ 308,276,278,271,303))
> t.test(x2,y2)

Welch Two Sample t-test

data: x2 and y2
t = -3.8713, df = 36.998, p-value = 0.0004251
alternative hypothesis: true difference in means is not equal to
0
95 percent confidence interval:
-36.17651 -11.31823
sample estimates:
mean of x mean of y
267.0526 290.8000

#KETIGA: Akan dicari nilai untuk t3

> x3<-matrix(c(137,132,141,142,128,147,136,128,128,
+ 146,128,147,121,138,138,150,136,146,141))
> y3<-matrix(c(184,133,166,162,163,160,166,141,146,171,166,166,
+ 141,162,147,157,154,149,140,170))
> t.test(x3,y3)
Welch Two Sample t-test

data: x3 and y3
t = -5.7563, df = 32.232, p-value = 2.146e-06
alternative hypothesis: true difference in means is not equal to
0
95 percent confidence interval:
-26.84721 -12.81594
sample estimates:
mean of x mean of y
137.3684 157.2000

#KEEMPAT: Akan dicari nilai untuk t4

> x4<-matrix(c(163,217,192,213,158,173,201,
+ 185,192,186,192,192,167,183,188,
+ 177,173,183,198))
> y4<-matrix(c(209,188,231,213,224,223,221,197,
+ 214,192,213,209,200,214,192,204,209,
+ 235,192,205))
> t.test(x4,y4)
Welch Two Sample t-test

data: x4 and y4
t = -5.0229, df = 35.569, p-value = 1.441e-05
alternative hypothesis: true difference in means is not equal to
0
95 percent confidence interval:
-32.71542 -13.88985
sample estimates:
mean of x mean of y
185.9474 209.2500

Aturan Keputusan: H0 ditolak jika p-value < α =0,05

Keputusan, dan Kesimpulan:

t-value p-value Keputusa Kesimpulan

n
3.8577 0.0005024 H0 ditolak Ada perbedaan y1 pada kedua jenis kumbang
−3.8713 0.0004251 H0 ditolak Ada perbedaan y2 pada kedua jenis kumbang
 −5.7563 2.146e-06 H0 ditolak Ada perbedaan y3 pada kedua jenis kumbang
−5.0229 1.441e-05 H0 ditolak Ada perbedaan y4 pada kedua jenis kumbang

D) Hasil dari (b) dann (c) memiliki urutan yang berbeda

 Urutan berdasarkan koefisien yang di standarisasi: y 1 , y 3 , y 4 , y 2

 Urutan berdasarkan hasil t-test : y 3 , y 4 , y 2 , y 1

E) Jika dilakukan secara manual F-Partial dapat diperoleh dengan menggunakan

rumus
T p2−T p−12
F=( v− p+1) 2
v +T p−1

atau dapat menggunnakan rumus:

1−∧ v E − p+1
F=
∧ vH
Uji F parsial jika menggunakan software SPSS maka akan dicari F-Partial dari setiap
variable. Dengan menggunnakan syntax sebagai berikut:

NEW FILE.

DATASET NAME DataSet1 WINDOW=FRONT.

DISCRIMINANT

/GROUPS=Species(1 2)

/VARIABLES=y1 y2 y3 y4

/ANALYSIS ALL

/METHOD=WILKS

/FIN=3.84

/FOUT=2.71

/PRIORS EQUAL

Didapakan hasil sebagai berikut:

Variables in the Analysis

Step Tolerance F to Remove Wilks' Lambda

1 y3 1.000 32.389

2 y3 .894 37.447 .710

y1 .894 19.164 .533

3 y3 .872 13.173 .350

y1 .777 26.628 .447

y4 .807 12.942 .348

4 y3 .648 1.775 .228

y1 .525 35.934 .446

y4 .800 8.259 .270

y2 .408 5.799 .254

 Berdasarkan hasil stepwise di atas, didapat F-partial dari setiap variabel yaitu:

F ( y 1| y 2 , y 3 , y 4 ) =35.934

F ( y 2| y 1 , y 3 , y 4 ) =5.799

F ( y 3| y 1 , y 2 , y 4 ) =1.775

F ( y 4| y 1 , y 2 , y3 ) =8.259

Berdasarkan hasil diatas kita dapat mengurutkan kepentingan dari setiap variabel dengan
cara mengurutkan hasil F-Partial dari yang terbesar sampai yang terkecil didapatkan
urutan sbb: y 1 , y 4 , y 2 , y 3

Seperti yang diperoleh pada bagian (b) urutan kepentingan dengan menggunakan
standardized coefficients adalah: y 1 , y 3 , y 4 , y 2

Kesimpulan: Urutan kepentingan yang dihasilkan dengan menggunakan F-Partial

berbeda dengan urutan kepentingan yang dihasilkan dengan menggunakan standardized
coefficients.

8.14 Carry out a stepwise selection of variables on the engineer data of table 5.6.
Jawab:

Berikut merupakan data tabel 5.6 yang berisi enam ujian yang diberikan kepada 20 engineer
apprentices dan 20 pilot.
Keterangan:

y 1=Intelligence
y 2=Form relation
y 3=Dynamometer
y 4 =Dotting
y 5=Sensory motor coordination
y 6=Perseveration

Akan digunakan metode stepwise dalam analisis diskriminan untuk menyeleksi variabel –
variabel mana saja (dari variabel y1 sampai dengan y6) yang paling mampu untuk
mendiskriminasi (membedakan) antar kelompok, dalam hal ini kelompok pekerjaan Engineer
Apprentices dan Pilots.
Akan digunakan bantuan software SPSS untuk melakukan metode stepwise. Adapun prosedur
dalam melakukan metode stepwise dengan bantuan software SPSS adalah sebagai berikut:

1. Input data pada tampilan data view;

2. Klik Analyze, pilih Classify, dan pilih Discriminant;
3. Pada grouping variable, masukkan kelompok diskriminan (dalam hal ini X yang diberi
label jenis pekerjaan, yaitu Engineer Apprentices dan Pilots. Pada kotak define range
masukkan 0 pada minimum, 1 pada maksimum;
4. Pada kotak independent, pilih y 1 sampai dengan y 6;
5. Pilih stepwise method;
6. Pada pilihan statistics centang semua pilihan pada Descriptive, Matrice, dan Function
Coeeficient;
7. Pada pilihan method centang Mahalonobis distance dan pilih juga use probability F
dengan entry 0.05 dan removal 0.10 (default SPSS);
8. Pada pilihan classify isikan prior probabilities all group equal, pada pilihan use
covariance matrix isikan within group, pada pilihan display isikan casewise result dan
pada pilihan plots isikan combine-groups, separated groups, dan territorial map.

Berikut ini adalah output dan interpretasinya:

Tests of Equality of Group Means

Wilks' Lambda F df1 df2 Sig.

Intelligence .989 .430 1 38 .516
Form Relations .848 6.833 1 38 .013
Dynamometer .778 10.814 1 38 .002
Dotting .639 21.451 1 38 .000
Sensory Motor Coordination .914 3.562 1 38 .067
Perseveration .786 10.372 1 38 .003

Tests of Equality of Group Means digunakan untuk melihat secara univariat, variabel –
variabel mana yang paling mampu mediskriminasi (membedakan) jenis pekerjaan. Hal ini dapat
dilihat dari nilai Wilks’ Lambda yang memiliki signifikansi dibawah 0.05. Jika nilai Wilks’
Lambda mendekati angka 0 maka cenderung ada perbedaan dalam kelompok. Dari output di atas,
variabel yang mampu mendiskriminasi adalah Form Relations ( y 2), Dynamometer ( y 3),
Dotting ( y 4 ), dan Perseveration ( y 6). Sedangkan variabel Intelligence ( y 1) dan Sensory Motor
Coordination ( y 5) tidak mampu membedakan jenis pekerjaan.

Log Determinants

Jenis Pekerjaan Rank Log Determinant

Engineer Apprentices 4 22.042

Pilots 4 22.152
Pooled within-groups 4 22.331

The ranks and natural logarithms of determinants

printed are those of the group covariance matrices.

Semakin besar nilai log determinant pada tabel di atas, maka semakin tinggi perbedaan grup
kovarian matrik. Kolom "Rank" menunjukkan jumlah variabel independen. Dalam hal ini
terdapat 4 variabel independen. Oleh karena analisis diskriminan berasumsi bahwa terdapat
homoginitas matrik kovarian antar grup, maka dapat dilihat uji asumsi pada Box's M berikut ini.

Test Results

Box's M 8.916
F Approx. .789

df1 10

df2 6903.586
Sig. .639

Tests null hypothesis of equal

population covariance matrices.

Hasil uji Box's M menunjukkan bahwa nilai Sig. sebesar 0.639, maka dapat disimpulkan bahwa
matrik kovariat antar grup memang berbeda dan hal ini menyalahi asumsi diskriminan. Namun
demikian analisis fungsi diskriminan tetap dapat diterima, walaupun asumsi homogeniety of
variance tidak terpenuhi dengan syarat data tidak memiliki outlier.

Variables Entered/Removeda,b,c,d

Step Entered Min. D Squared

 Exact F

Statistic Between Groups Statistic df1 df2 Sig.

1 Engineer
Dotting 2.145 Apprentices and 21.451 1 38.000 4.168E-5
Pilots
2 Engineer
Dynamometer 3.198 Apprentices and 15.570 2 37.000 1.241E-5
Pilots
3 Engineer
Perseveration 4.471 Apprentices and 14.119 3 36.000 3.053E-6
Pilots
4 Engineer
Form Relations 5.553 Apprentices and 12.787 4 35.000 1.626E-6
Pilots

At each step, the variable that maximizes the Mahalanobis distance between the two closest groups is
entered.
a. Maximum number of steps is 12.
b. Maximum significance of F to enter is .05.
c. Minimum significance of F to remove is .10.
d. F level, tolerance, or VIN insufficient for further computation.

Dari tabel diatas, setelah dilakukan metode stepwise variabel yang mampu mendiskriminasi jenis
pekerjaan adalah Dotting ( y 4 ), Dynamometer ( y 3), Form Relations ( y 2), dan Perseveration (
y 6). Adapun step – stepnya diperlihatkan pada gambar dibawah ini.

Variables in the Analysis

Sig. of F to Min. D
Step Tolerance Remove Squared Between Groups

1 Dotting 1.000 .000

2 Dotting Engineer Apprentices
1.000 .000 1.081
and Pilots
Dynamometer Engineer Apprentices
1.000 .015 2.145
and Pilots
3 Dotting Engineer Apprentices
.995 .002 2.594
and Pilots
Dynamometer .966 .008 2.991 Engineer Apprentices
and Pilots
 Perseveration Engineer Apprentices
.961 .015 3.198
and Pilots
4 Dotting Engineer Apprentices
.992 .008 3.839
and Pilots

Dynamometer Engineer Apprentices

.955 .008 3.808
and Pilots

Perseveration Engineer Apprentices

.937 .010 3.914
and Pilots

Form Relations Engineer Apprentices

.967 .039 4.471
and Pilots

Variables Not in the Analysis

Min. Sig. of F to Min. D

Step Tolerance Tolerance Enter Squared Between Groups

0 Intelligence 1.000 1.000 .516 .043 Engineer Apprentices and Pilots

Form Relations 1.000 1.000 .013 .683 Engineer Apprentices and Pilots

Dynamometer 1.000 1.000 .002 1.081 Engineer Apprentices and Pilots

Dotting 1.000 1.000 .000 2.145 Engineer Apprentices and Pilots

Sensory Motor
1.000 1.000 .067 .356 Engineer Apprentices and Pilots
Coordination

Perseveration 1.000 1.000 .003 1.037 Engineer Apprentices and Pilots

1 Intelligence .994 .994 .808 2.155 Engineer Apprentices and Pilots
Form Relations .998 .998 .065 2.729 Engineer Apprentices and Pilots
Dynamometer 1.000 1.000 .015 3.198 Engineer Apprentices and Pilots
Sensory Motor
1.000 1.000 .162 2.472 Engineer Apprentices and Pilots
Coordination
Perseveration .995 .995 .028 2.991 Engineer Apprentices and Pilots
2 Intelligence .991 .991 .930 3.200 Engineer Apprentices and Pilots
Form Relations .992 .992 .063 3.914 Engineer Apprentices and Pilots
Sensory Motor
.999 .999 .222 3.499 Engineer Apprentices and Pilots
Coordination
Perseveration .961 .961 .015 4.471 Engineer Apprentices and Pilots
3 Intelligence .833 .808 .362 4.672 Engineer Apprentices and Pilots
Form Relations .967 .937 .039 5.553 Engineer Apprentices and Pilots
Sensory Motor
.999 .961 .288 4.747 Engineer Apprentices and Pilots
Coordination
4 Intelligence .797 .797 .653 5.610 Engineer Apprentices and Pilots

Sensory Motor
.831 .804 .055 6.642 Engineer Apprentices and Pilots
Coordination

Kedua tabel di atas menunjukan variabel yang terdapat di dalam model dalam setiap tahap. Pada
tabel Variable Not in the Analysis, lihatlah nilai signifikansi terkecil dan di bawah 0.05.

 Pada tahap pertama, variabel Dotting ( y 4 ) memiliki nilai signifikansi terkecil yaitu 0.000
dimana sig.=0.000<0.05sehingga variabel Dotting ( y 4 ) akan dimasukan ke dalam
model.
 Pada tahap kedua, variabel Dynamometer ( y 3) memiliki nilai signifikansi terkecil yaitu
0.015 dimana sig.=0.015<0.05sehingga variabel Dynamometer ( y 3) akan dimasukan ke
dalam model.
 Pada tahap ketiga, variabel Perseveration ( y 6) memiliki nilai signifikansi terkecil yaitu
0.015 dimana sig.=0.015<0.05sehingga variabel Perseveration ( y 6) akan dimasukan ke
dalam model.
 Pada tahap keempat, variabel Form Relation ( y 2) memiliki nilai signifikansi terkecil
yaitu 0.039 dimana sig.=0.039<0.05 sehingga variabel Form Relation ( y 2 ¿ akan
dimasukan ke dalam model.
 Pada tahap kelima, tidak ada lagi variabel yang memiliki nilai signifikansi di bawah 0.05
sehingga variabel Intelligence ( y 1) dan Sensory Motor Coordination ( y 5) tidak
dimasukan ke dalam model.

Wilks' Lambda

Number of Exact F

Step Variables Lambda df1 df2 df3 Statistic df1 df2 Sig.

1 1 .639 1 1 38 21.451 1 38.000 .000

2 2 .543 2 1 38 15.570 2 37.000 .000
3 3 .459 3 1 38 14.119 3 36.000 .000
4 4 .406 4 1 38 12.787 4 35.000 .000

Tabel di atas menunjukan nilai Wilks’s Lamda dan nilai uji F dari setiap tahap. Terlihat bahwa
dari tahap pertama sampai tahap keempat menghasilkan nilai sig.=0.000 dimana
sig.=0.000<α =0.05. Hal ini bearti dari tahap pertama sampai tahap keempat, variabel Dotting (
y 4 ), Dynamometer ( y 3), Form Relations ( y 2), dan Perseveration ( y 6) masuk ke dalam model.

Selanjutnya, dari output summary of canonical discriminant function akan dilihat apakah
fungsi diskriminan signifikan dan akan dilihat juga berapa persen dari variasi jenis pekerjaan
dapat dijelaskan dari empat variabel terpilih yaitu Dotting ( y 4 ), Dynamometer ( y 3), Form
Relations ( y 2), dan Perseveration ( y 6).

Wilks' Lambda

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

1 .406 32.425 4 .000

Dari tampilan output diatas, nilai Sig. = 0.000 < α = 0.05, sehingga dapat dikatakan bahwa fungsi
diskriminan sangat signifikan.

Eigenvalues

Canonical
Function Eigenvalue % of Variance Cumulative % Correlation

1 1.461a 100.0 100.0 .771

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

Pada tabel diatas, kolom canonical correlation adalah 0.771. Apabila dikuadratkan, nilainya
menjadi (0.771)2 = 0.594441. Artinya, sekitar 59.45% variasi jenis pekerjaan dapat dijelaskan
oleh empat variabel diskriminan terpilih.

Canonical Discriminant
Function Coefficients

Function

Form Relations -.058

Dynamometer .053
Dotting .019
Perseveration .019
 (Constant) -11.405

Unstandardized coefficients

Pada tampilan diatas, unstandardized coefficient discriminant function digunakan untuk

menghitung discriminant Z score yang dapat digunakan untuk klasifikasi. Sehingga dperoleh
model sebagai berikut:

Z=−11.405 – 0.058 y 2 ( Form Relations )+ 0.053 y 3 (Dynamometer )+0.019 y 4 ( Dotting)+0.019 y 6 (Perseveration)

(Jika menggunakan RStudio)

library(olsrr)

model<-lm(grup~.,data = Data_8_14)

stepwise<-ols_step_forward_p(model,pent=0.05,details = TRUE)

Menggunakan forward stepwise berdasarkan nilai p-value dengan kriteria yaitu nilai ambang
batas p-value yang digunakan untuk memasukan variabel ke dalam model adalah 0.05
(pent=0.05). Didapat output sebagai berikut:

Tahap 1
Tahap 2

Tahap 3
Tahap 4

Sehingga diperoleh hasil akhir sebagai berikut:

Diperoleh variabel yang masuk ke dalam model yaitu Dotting ( y 4 ), Dynamometer ( y 3), Form
Relations ( y 2), Perseveration ( y 6) dan variabel yang dikeluarkan dari model yaitu Intelligence
( y 1) dan Sensory Motor Coordination ( y 5).