Analisis faktor-faktor yang mempengaruhi Tingkat traveling

di sumatera barat

SKRIPSI MINI
Diajukan untuk memenuhi Tugas Mata Kuliah Statistik Multivariat

Oleh :

AULIA FIQRI (1710541015)

Dosen Pembimbing : Nelvia Iryani SE, MSi

PROGRAM STUDI ILMU EKONOMI

FAKULTAS EKONOMI

UNIVERSITAS ANDALAS

PAYAKUMBUH

2019
 KATA PENGANTAR

Puji syukur penulis ucapkan kepada Tuhan Yang Maha Esa, yang telah memberikan rahmat dan
karunia-Nya sehingga penulis dapat menyelesaikan skripsi mini berjudul “Analisis faktor-faktor
yang mempengaruhi Tingkat traveling di sumatera barat

Penulisan skripsi ini dilakukan dalam untuk memenuhi Tugas Mata Kuliah Statistik
Multivariat Jurusan Ilmu Ekonomi, Fakultas Ekonomi Kampus II Universitas Andalas.

Dalam penyusunan dan penyelesaian skripsi mini ini, sangat berterimakasih kepada serta
teman-teman penulis, sehingga makalah ini dapat penulis selesaikan sesuai dengan waktu yang
sudah disediakan.

Akhir kata, penulis berharap Tuhan Yang Maha Esa berkenan membalas segala kebaikan
semua pihak yang telah membantu penyelesaian skripsi mini.Penulis terbuka terhadap kritik dan
saran demi penyempurnaan skripsi mini ini.Semoga skripsi mini ini memberi manfaat bagi
pengembangan ilmu.

Payakumbuh, 25 Maret 2019

Penulis.
 BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah

Di masa ini kegiatan traveling sudah menjadi salah satu kegiatan yang paling diminati
oleh kalangan masyarakat terutama anak muda. Banyak yang menghilangkan rasa bosan dengan
beralih ke traveling dan tak sedikit masyarakat yang menganggap traveling sudah menjadi hobi
dan lifestyle, karena traveling sendiri sudah menjadi trending topic di mata masyarakat terutama
anak muda. Umumnya kegiatan traveling yang dilakukan akan dijadikan topik di akun media
sosial mereka seperti twitter, facebook, path dan instagram Kamus besar bahasa Indonesia
menyatakan bahwa Traveling dalam bahasa Indonesia adalah aktivitas melancong; berpindah
dalam satu tempat ketempat lainnya dengan berbagai alasan, seperti bisnis, liburan, dan
sebagainya (2008: 807). Aktivitas traveling pada saat ini kebanyakan dianggap sebagai hobi
ketimbang pekerjaan. Traveling merupakan sebuah cara untuk membuka wawasan dan
memperluas pengetahuan kita dalam mengunjungi tempat baru atau tempat yang sudah kita kenal
dengan mencoba berinteraksi dengan objek sekitar kita. Dalam pengertiannya orang yang
melakukan traveling disebut sebagai traveler, dalam Kamus Besar Bahasa Indonesia traveler atau
pelancong mempunyai arti orang yang melakukan kegiatan bepergian atau biasa disebut dengan
turis dan wisatawan. Meskipun traveling sudah menjadi lifestyle dan hobi di dewasa ini, tetapi
masih banyak traveler yang bingung dalam menentukan tujuan mereka, informasi budget dan
informasi mengenai tempat tujuan mereka. Faktor-faktor tersebut umumnya menjadi penghambat
dalam setiap kegiatan traveling karena banyak yang menganggap traveling itu sangat
membutuhkan kepastian dari segala aspek agar bisa menikmati perjalanan tanpa adanya
gangguan internal maupun eksternal. Faktor internal yang dimaksud adalah estimasi biaya yang
dikeluarkan dan faktor eksternal adalah menentukan destinasi. 2 Untuk mengatasi rasa
keingintahuan para traveler dalam melakukan perjalanan atau mencari destinasi baru pada
akhirnya banyak traveler yang bertukar pendapat dengan para traveler lain hingga akhirnya
mereka (traveler) membentuk suatu komunitas agar bisa bertukar pikiran dan pendapat serta
menambah wawasan mereka mengenai traveling. Umumnya komunitas ini terbentuk berdasarkan
wilayah tempat mereka tinggal. Sudah banyak komunitas traveler yang ada di Indonesia salah
satunya adalah Indiscoveria, awalnya mereka hanya sebuah komunitas pemuda yang didirikan di
kota Bandung pada awal tahun 2013, komunitas ini mempunyai visi untuk membantu pemuda
pemudi bangsa mengenal tanah airnya, mereka percaya bahwa masa depan Indonesia yang
sejahtera ada di tangan pemuda yang mengenal baik Tanah Air-Nya.

Traveling juga menjadi masalah yang di hadapi oleh pemerintah di provinsi sumatera barat.
Pemerintah provinsi sumatera barat selalu berusaha untuk mengatasi masalah ini. Oleh karena
itu,saya mengambil judul Analisis faktor-faktor yang mempengaruhi Tingkat traveling diprovinsi
sumatera barat “”untuk melihat apa saja factor yang mempengaruhi tingkat traveling tersebut.
Semoga skripsi mini ini bermanfaat untuk acuan skripsi lain nantinya.

2.1 Rumusan Masalah

1. Apakah Pengertian Analisis Diskriminan ?

2. Apakah hal-hal Pokok Tentang Analisis Diskriminan ?

 BAB II
PEMBAHASAN

2.1 Pengertian Analisis Diskriminan

Analisis Diskriminan adalah teknik multivariat yang termasuk pada Dependence Method,
dengan cirri adanya variable dependen dan independen. Ciri khusus analisis diskriminan adalah
data variabel dependen harus berupa data kategori, sedangkan data untuk variabel independen
justru berupa rasio.
Kegunaan utama dari Analisis Diskriminan ada dua, yaitu:
1. Kemampuan memprediksi terjadinya variabel dependen dengan masukan data variabel
independen.
2. Kemampuan memilih mana variabel independen secara nyata memengaruhi variabel
dependen dan mana yang tidak.

2.2 Hal-hal Pokok Tentang Analisis Diskriminan

 . Tujuan Analisis Diskriminan
Tujuan analisis diskriminan secara umum adalah:
1. Inign mengetahui apakah ada perbedaan yang jelas antar-grup pada variabel dependen.
Atau bisa dikatakan apakah ada perbedaan antara anggota grup 1 dengan anggota digrup
2?
2. Jika ada perbedaan, variabel independen manakah pada fungsi diskriminan yang
membuat perbedaan tersebut ?
3. Membuat fungsi atau model diskriminan yang pada dasarnya mirip dengan persamaan
regresi.
4. Melakukan klasifikasi terhadap objek ( dalam terminology SPSS di sebut baris), apakah
suatu objek ( bisa nama orang, nama tumbuhan, benda atau lainnya ) termasuk pada grup
1 atau grup 2.

 P roses Dasar dari Analisis Diskriminan

Proses dasar analisis diskriminan adalah:
1. Memisah variabel-variabel menjadi variabel dependen dan variabel independen.
 2. Menentukan metode untuk membuat fungsi diskriminan. Pada prinsipnya ada dua metode
dasar untuk itu, yakni
a. Simultaneous Estimation, di mana semua variabel dimasukkan secara bersama-sama kemudian
dilakukan proses Diskriminan.
b. Step-Wise Estimation, dimana variabel dimasukkan satu per satu ke dalam model diskriminan.
Pada proses ini, tentu ada variabel yang tetap ada pada model, dan ada kemugkinan satu atau
lebih variabel independen yang di buang dari model.
3. Menguji signifikasi dari Fungsi Diskriminan yang telah terbentuk menggunakan
Wilk’s Lambda, Pilal, F test dan lainnya.
4. Menguji ketepatan klasifikasi dari fungsi Diskriminan termasuk mengetahui ketepatan
kalsifikasi secara individual dengan Casewise Diagnostics.
5. Melakukan interpretasi terhadap Fungsi Diskriminan tersebut.
6. Melakukan uji validasi Fungsi Diskriminan.
 Jumlah Sampel pada A nalisis Diskriminan
Secara pasti tidak ada jumlah sampel yang ideal pada Analisis Diskriminan. Pedoma
yang bersifat umum menyatakan untuk setiap variabel independen sebaiknya ada 5-20 data
(sampel).
 Asumsi pada Analisis Diskriminan
1. Multivariate Normality, atau variabel independen seharusnya berdistribusi normal. Jika
data tidak berdistribusi normal, hal ini akan menyebabkan masalah pada ketepatan fungsi
(model) diskriminan.
2. Matriks kovarians dari semua variabel independen seharusnya sama (equal).
3. Tidak ada korelasi antar variabel independen. Jika dua variabel idependen mempunyai
korelasi yang kuat, dikatakan menjadi multikolinieritas.
4. Tidak adanya data yang sangat ekstrem (outlier) pada variabel independen. Jika ada data
outlier yang tetap diproses, hal ini bisa berakibat berkurangnya ketepatan klasifikasi dari
fungsi Diskriminan.
  Model Analisis Diskriminan

Analisis diskriminan termasuk dalam Multivariate Dependence Method, dengan model:

Y1 = X1 + X2 + … + Xn

Non-Metrik Metrik

Keterangan:

1. Variabel independen (X1 dan seterusnya) adalah data metric, yakni data berjenis interval
atau rasio, seperti usia, tinggi manusia, kandungan vitamin dalam tubuh, dll.
2. Variabel Dependen (Y1) adalah data Kategorikal atau Nominal, seperti golongan darah
miskin ( kode 1), golongan darah kaya (kode 2), dan sebagainya. Jika kategorikal terdiri
dari dua kode, maka di sebut Two-Group Diskriminan. Jika terdiri dari 3 atau lebih kode
atau grup, maka disebut dengan Multiple Discriminant Analysis.
 BAB III
METODA DAN ANALISA DATA
3.1 JENIS DAN SUMBER DATA

Dalam penulisan Skripsi ini, jenis data yang saya gunakan yaitu jenis data kuantitatif.
Sumber data yang saya gunakan yaitu dari 30 (responden) yang berasal masyarakat provinsi
sumatera barat secara acak.

3.2 VARIABEL PENELITIAN

Dalam penulisan Skripsi, ini judul yang penulis analisis yaitu : “Analisis faktor-faktor yang
mempengaruhi Tingkat traveling diprovinsi sumatera barat “. Dalam penelitian dengan metode
Dua Faktor penulis menggunakan 1 variabel Dependen (Y1) yaitu Tingkat traveling dan 5
variabel Independen, yaitu , usia, berat badan, tinggi badan, pendapatan dan pengeluaran.

3.2 ANALISIS DISKRIMINAN DUA FAKTOR

Dengan Analisis Diskriminan, pada akhinya akan dibuat sebuah metode seperti regresi, yakni
adanya sebuah variabel dependen, dan satu atau lebih variabel independen. Prinsip Diskriminan
adalah ingin membuat model yang bisa secara jelas menunjukkan perbedaan ( diskriminan )
antar isi variabel dependen, yang dalam skripsi mini menggunakan dua kategori, yaitu 0 untuk
tidak suka traveling dan 1 suka traveling.

STUDI KASUS
Pemerintah provinsi Sumatera Barat ingin mengumpulkan data beberapa masayarakat di
provinsi sumatera barat, dengan variabel sebagai berikut:
 Tipe masyarakat dari tingkat traveling, dengan kode (Y1)
Kode 0 = Tidak suka traveling
Kode 1 = suka traveling
 usia (X1)
 berat badan (X2)
 tinggi badan (X3)
 pendapatan (X4)
 pengeluaran ( X5)
 TRAVELIN
NAMA G USIA BERAT TINGGI PENDAPATAN PENGELUARAN
Dendi 0 38 53 162 30 15
rizky 1 21 57 157 50 30
mulyadi 0 38 64 170 25 13
roki 1 25 50 169 45 23
febrian 0 39 47 171 25 13
hari 1 26 58 161 65 35
setia 0 34 41 166 26 12
budi 0 36 58 172 30 14
hasbi 0 40 64 156 35 18
khairi 1 25 47 163 54 38
andika 1 20 65 158 47 29
yusri 1 21 65 155 40 20
yulisef 0 35 64 168 35 19
putra 0 37 53 158 27 19
zoni 0 38 40 155 28 18
azizul 0 32 42 157 24 14
qodri 1 24 61 167 50 30
irfan 1 25 50 167 45 35
adam 1 26 43 169 55 45
hasan 0 40 45 173 35 25
rusma 1 28 66 170 45 25
doris 0 39 59 170 34 16
donil 0 39 61 171 31 14
danil 0 36 63 162 32 16
rahman 0 31 60 165 29 17
shinta 1 23 60 173 55 31
nova 0 37 51 170 29 20
siska 0 34 53 173 32 24
indah 0 31 67 161 26 17
safira 1 22 56 165 64 45

3.3 OUTPUT ANALISIS DISKRIMINAN

Tahap pengujian pada Analisis Diskriminan, yaitu:
1. MENILAI VARIABEL YANG LAYAK UNTUK ANALISIS
 Tahap ini kita melihat banyaknya variabel yang bisa di analisis untuk analisis diskriminan
selanjutnya. Pada tahap ini aka nada beberapa variabel yang hilang atau di keluarkan dari matrik.
Hasil outputnya adalah:

Tests of Equality of Group Means

Wilks' Lambda F df1 df2 Sig.

USIA .158 148.819 1 28 .000

BERAT .988 .328 1 28 .572

TINGGI .992 .221 1 28 .642

PENDAPATAN .207 106.963 1 28 .000

PENGELUARAN .350 51.970 1 28 .000

Analisis:

Tabel di atas adalah hasil pengujian untuk setiap variabel bebas yang ada. Keputusan
dapat di ambil ada dua cara, yaitu:

 Dengan angka Wilk’s Lambda

Angka Wilk’s Lambda berkisar antara 0 sampai 1. Jika angka mendekati 0 maka data tiap
grup cenderung berbeda, sedangkan jika angka mendekati 1 maka data tiap grup cenderung
sama.

Dari table dapat dilihat angka bahwa angka Wilk’s Lambda untuk semua variable sudah
mendekati 0, berarti data dari setiap grup berbeda. Dan semua variable lulus uji kelayakan
analisis diskriminan, sehingga bisa di proses lebih lanjut.

 Dengan F Test

Untuk pengujian F test kita bisa melihat angka Sig nya, dengan ketentuan:

Jika Sig. > 0,05 berarti tidak ada perbedaan antar grup. Maka variabel harus di hilangkan.

Jika Sig. < 0,05 berarti ada perbedaan antar grup, dan analisis determinan bisa di lanjutkan.
 Contoh analisis menggunakan uji F untuk semua variable mulai dari pendapatan,
konsumsi, banyak baju, hutang, dan banyak anak adalah 0,00 kecil dari 0,05. Hal ini berarati
bahwa ada perbedaan antar grupdan analisis bisa di lanjutkan.

Test Results

Box's M 23.829

F Approx. 1.256

df1 15

df2 2.215E3

Sig. .222

Tests null hypothesis of equal

population covariance matrices.

Analisis:
Dari tabel Box’s M di atas kita dapat mengetahui 2 ketentuan, yaitu:
 Hipotesis
H0 : group covariance matries adalah relative sama.
Hi : group covarians matrices adalah berbeda seara nyata
 Keputusan dengan dasar signifikansi ( lihat angka sig. )
Jika sig. > 0,05 berarti Ho di terima
Jika sig. < 0,05 berarti Ho di tolak
Dari tabel terlihat bahwa angka sig. adalah 0,222 jauh di atas 0,05 yang berarti group covarians
matrices adalah sama. Hal ini berarti data di atas sudah memenuhi asumsi analisis diskriminan,
sehingga proses dilanjutkan.
Sama tidaknya group covarians matrices juga dapat dilihat dari output LOG
DETERMINANT, yaitu:
 Log Determinants

TRAVELING Rank Log Determinant

0 5 14.351

1 5 15.341

Pooled within-groups 5 15.591

The ranks and natural logarithms of determinants

printed are those of the group covariance matrices.

Analisis:
Dari tabel di atas terlihat Log Determinant untuk 2 kategori 0 ( tidak suka traveling )
adalah 14,351 dan untuk 1 ( suka traveling) adalah 15,314. Maka grup covarians berbeda untuk
setiap grup.
2. Melakukan Analisis Diskriminan

Setelah dilakukan pengujian atas variabel yang akan diproses, langkah selanjutnya adalah
melakukan proses pembuatan model diskriminan. Pada kasus ini akan di bahas model
diskriminan paling sederhana, yakni hanya melibatkan dua kategori pada variabel dependen
( Two- Group ). Dari pengujian di atas dari 5 variabel independen yang ada, ke lima variabel
lulus uji kelayakan,yaitu pendapatan, konsumsi, banyak baju, hutang, dan banyak anak, dan hasil
outputnya adalah:
 Variables Entered/Removeda,b,c,d

Min. D Squared

Exact F

Step Entered Statistic Between Groups Statistic df1 df2 Sig.

1 USIA 20.669 0 and 1 148.819 1 28.000 1.009E-12

2 PENDAPA
45.805 0 and 1 159.010 2 27.000 1.155E-15
TAN

At each step, the variable that maximizes the Mahalanobis distance between the two closest groups
is entered.

a. Maximum number of steps is 6.

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.

Analisis:
Tabel di atas menyajikan mana saja variable dari lima variable input yang bisa di masukkan
dalam persamaan diskriminan. Karena proses adalah stepwise ( bertahap), maka akan di mulai
dengan variable yang mempunyai angka F hitung terbesar. Dari tabel dapat dilihat bahwa
pemasukan variable di mulai dari variable usia tahap 1 dan ,pendapatan tahap 2,
 Variables in the Analysis

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

1 USIA 1.000 .000

2 USIA .949 .000 14.856 0 and 1

PENDAPATAN .949 .000 20.669 0 and 1

Analisis:
Tabel di atas dan tabel selanjutnya adalah perincian dari proses stepwise pada tabel
sebelumnya. Pada tahap satu, variable konsumsi adalah variable pertama yang masuk dalam
model Diskriminan. Hal ini disebabkan karena variable konsumsi mempunyai angka angka SIG.
OF F TO REMOVE yang paling sedikit yaitu 0,00 dengan tolerance 1. Demikian selanjutnya
untuk tahap 2,3, dan 4.

Variables Not in the Analysis

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

0 USIA 1.000 1.000 .000 20.669 0 and 1

PENDAPATAN 1.000 1.000 .000 14.856 0 and 1

PENGELUARAN 1.000 1.000 .000 7.218 0 and 1

1 PENDAPATAN .949 .949 .000 45.805 0 and 1

PENGELUARAN .988 .988 .002 30.866 0 and 1

2 PENGELUARAN .502 .482 .746 46.009 0 and 1

Analisis:
Tabel di atas adalah kebalikan dari tabel sebelumnya., dimana pada tahap ini justru
ditampilkan adalah proses pengeluaran variable secara bertahap. Berdasarkan tabel di atas dapat
dilihat bahwa variable banyak anak di keluarkan secara bertahap dari matrik, dimana dapat
dilihat jika dari tahap 1 dan tahap 2 angka sig. variable kecerdasan emosionalterus bertambah
besar, dan akhirnya di krluarkan dari matrik.

Wilks' Lambda

Exact F
Number of
Step Variables Lambda df1 df2 df3 Statistic df1 df2 Sig.

1 1 .158 1 1 28 148.819 1 28.000 .000

2 2 .078 2 1 28 159.010 2 27.000 .000

Analisis:
Tabel Wil’s Lambda pada prinsipnya adalah varians total dalam discriminant scores yang
tidak bisa dijelaskan oleh perbedaan di antara grup-grup yang ada. Perhatikan tabel di atas yang
terdiri dari 2 variable yang secara berurutan di masukkan pada tahapan analisis sebelumnya.
Pada tahap 1, jumlah variable yang di masukkan ada satu yaitu variable konsumsi dengan
angka Wilk’s Lambda 0,158. Hal ini berarti 15,8% varians tidak dapat dijelaskan oleh perbedaan
antar grup-grup. Demikian selanjutanya untuk tahap 2

Eigenvalues

Functio Canonical
n Eigenvalue % of Variance Cumulative % Correlation

1 11.778a 100.0 100.0 .960

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

Analisis:
Tabel di atas adalah tabel Colonical Correlation yang mengukur keeratan hubungan
antara discriminant score dengan grup. Angka 0,960 menunjukkan keeratan yang cukup tinggi,
dengan ukuran skala asosiasi antara 0 sampai 1.
 Wilks' Lambda

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

1 .078 68.790 2 .000

Analisis:
Tabel di atas menyatakan angka akhir dari Wilk’s Lambda, yang sebenarnya sama saja
dengan angka terakhir pada step 3 pembuatan model diskriminan. Angka Chi-Square sebesar
68,790 dengan tingkat signifikansi yang tinggi menunjukkan perbedaan antar dua grup dua
masyarakat yang miskin dan tidak miskin.

Structure Matrix

Function

USIA .672

PENDAPATAN -.569
a
PENGELUARAN -.444

Pooled within-groups correlations

between discriminating variables
and standardized canonical
discriminant functions
Variables ordered by absolute size
of correlation within function.

a. This variable not used in the

analysis.

Analisis:
Tabel structur Matrix di atas menjelaskan korelasi antara variable independen dengan
fungsi diskriminan yang terbentuk. Terlihat variable usia paling erat hubungannya dengan fungsi
diskriminan,diikuti oleh variable pendapatan. Namun disini variable pengeluaran tidak di
masukkan dalam model diskriminan (perhatikan huruf ada dekat variable tersebut ).
 Functions at Group
Centroids

Function
TRAVE
LING 1

0 2.707

1 -4.061

Unstandardized
canonical discriminant
functions evaluated at
group means

Analisis:
Berdasarkan tabel di atas dapat dilihat bahwa ada 2 grup, dimana yang satu mempunyai
Centroid ( grup means ) negative, dan grup yang satu mempunyai grup means positif. Angka
pada tabel menunjukkan besaran Z yang memisahkan kedua grup,dimana angka Z grup tidak
suka traveling adalah 2,707 dan angka Z untuk grup suka traveling adalah -4,061

Prior Probabilities for Groups

Cases Used in Analysis

TRAVE
LING Prior Unweighted Weighted

0 .500 18 18.000

1 .500 12 12.000

Total 1.000 30 30.000

Analisis:
Tabel di atas memperlihatkan komposisi ke 30 responden, yang dengan model
diskriminan menghasilkan 18 responden ada di Grup Tidak suka traveling dan 12 responden ada
di Grup suka traveling.
 Standardized Canonical
Discriminant Function
Coefficients

Function

USIA .844

PENDAPATAN -.761

Analisis:
Sama seperti tampilan Unstandardized ( Colonical )sebelumnya, Fungsi Diskriminan dari
Fisher pada prinsipnya membuat semacam persamaan regresi, dengan pembagian berdasar kode
grup.

Casewise Statistics

Discrimina
Highest Group Second Highest Group nt Scores

P(D>d | G=g) Squared Squared

Mahalanobis Mahalanobi
Case Actual Predicted P(G=g | Distance to P(G=g | s Distance
Number Group Group p df D=d) Centroid Group D=d) to Centroid Function 1

Original 1 0 0 .646 1 1.000 .211 1 .000 52.227 3.166

2 1 1 .484 1 1.000 .490 0 .000 55.775 -4.761

3 0 0 .256 1 1.000 1.291 1 .000 62.476 3.843

4 1 1 .228 1 1.000 1.451 0 .000 30.949 -2.856

5 0 0 .149 1 1.000 2.083 1 .000 67.422 4.150

6 1 1 .231 1 1.000 1.434 0 .000 63.450 -5.258

7 0 0 .820 1 1.000 .052 1 .000 42.784 2.480

8 0 0 .877 1 1.000 .024 1 .000 43.731 2.552

9 0 0 .693 1 1.000 .156 1 .000 51.314 3.103

10 1 1 .988 1 1.000 .000 0 .000 46.001 -4.075

 11 1 1 .548 1 1.000 .361 0 .000 54.299 -4.662

12 1 1 .513 1 1.000 .428 0 .000 37.376 -3.406

13 0 0 .255 1 1.000 1.298 1 .000 31.682 1.568

14 0 0 .577 1 1.000 .312 1 .000 53.675 3.266

15 0 0 .466 1 1.000 .533 1 .000 56.216 3.437

16 0 0 .569 1 1.000 .325 1 .000 38.415 2.137

17 1 1 .825 1 1.000 .049 0 .000 42.869 -3.840

18 1 1 .228 1 1.000 1.451 0 .000 30.949 -2.856

19 1 1 .875 1 1.000 .025 0 .000 43.704 -3.904

20 0 0 .693 1 1.000 .156 1 .000 51.314 3.103

21 1 1 .034 1 1.000 4.518 0 .000 21.552 -1.935

22 0 0 .823 1 1.000 .050 1 .000 48.887 2.931

23 0 0 .528 1 1.000 .397 1 .000 54.735 3.338

24 0 0 .670 1 1.000 .181 1 .000 40.221 2.281

25 0 0 .120 1 1.000 2.415 1 .000 27.183 1.153

26 1 1 .445 1 1.000 .583 0 .000 56.727 -4.825

27 0 0 .774 1 1.000 .083 1 .000 49.778 2.995

28 0 0 .298 1 1.000 1.081 1 .000 32.812 1.667

29 0 0 .251 1 1.000 1.317 1 .000 31.586 1.559

30 1 1 .022 1 1.000 5.244 0 .000 82.044 -6.351

Cross- 1 0 0 .815 2 1.000 .408 2 .000 50.965

a
validated
2 1 1 .530 2 1.000 1.271 1 .000 55.653

3 0 0 .467 2 1.000 1.521 2 .000 63.416

4 1 1 .347 2 1.000 2.118 1 .000 31.771

5 0 0 .295 2 1.000 2.444 2 .000 70.572

6 1 1 .011 2 1.000 9.096 1 .000 75.502

7 0 0 .592 2 1.000 1.048 2 .000 42.121

8 0 0 .987 2 1.000 .027 2 .000 42.208

9 0 0 .267 2 1.000 2.639 2 .000 52.446

10 1 1 .819 2 1.000 .400 1 .000 44.696

 11 1 1 .260 2 1.000 2.692 1 .000 55.668

12 1 1 .049 2 1.000 6.038 1 .000 39.839

13 0 0 .439 2 1.000 1.648 2 .000 32.205

14 0 0 .828 2 1.000 .377 2 .000 52.416

15 0 0 .735 2 1.000 .615 2 .000 55.358

16 0 0 .170 2 1.000 3.548 2 .000 39.581

17 1 1 .965 2 1.000 .072 1 .000 41.429

18 1 1 .347 2 1.000 2.118 1 .000 31.771

19 1 1 .595 2 1.000 1.038 1 .000 42.964

20 0 0 .267 2 1.000 2.639 2 .000 52.446

21 1 1 .043 2 1.000 6.316 1 .000 25.226

22 0 0 .485 2 1.000 1.447 2 .000 48.619

23 0 0 .590 2 1.000 1.055 2 .000 54.330

24 0 0 .882 2 1.000 .252 2 .000 39.091

25 0 0 .086 2 1.000 4.912 2 .000 29.507

26 1 1 .676 2 1.000 .782 1 .000 56.090

27 0 0 .954 2 1.000 .094 2 .000 48.156

28 0 0 .531 2 1.000 1.267 2 .000 33.012

29 0 0 .090 2 1.000 4.807 2 .000 33.527

30 1 1 .006 2 1.000 10.253 1 .000 105.242

For the original data, squared Mahalanobis distance is based on

canonical functions.
For the cross-validated data, squared Mahalanobis distance is
based on observations.

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.

Analisis:
Tabel CASEWISE pada prinsipnya ingin menguji apakah model diskriminan yang
terbentuk akan mengelompokkan dengan tepat seorang responden pada kategori tidak miskin dan
miskin.
 Classification Resultsb,c

Predicted Group Membership

TRAVE
LING 0 1 Total

Original Count 0 18 0 18

1 0 12 12

% 0 100.0 .0 100.0

1 .0 100.0 100.0

Cross-validateda Count 0 18 0 18

1 0 12 12

% 0 100.0 .0 100.0

1 .0 100.0 100.0

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. 100.0% of original grouped cases correctly classified.

c. 100.0% of cross-validated grouped cases correctly classified.

Analisis:
Pata tabel Classification Resultb,c di atas dapat dilihat pada bagian Original, terlihat
bahwa mereka yang pada awal data adalah tergolong tidak miskin, dan dari Fungsi Diskriminan
tetap pada kelompok tidak suka traveling adalah 18 orang. Sedangkan dengan model
diskriminan, mereka yang awalnya masuk grup tidak miskin, ternyata tidak ada yang menjadi
grup tidak suka traveling . Demikian pula untuk yang suka traveling sekali angggota grupnya
tetap ada 12 masyarakat.
Dengan demikian, ketepatan prediksi dari model diskriminan adalah:
( 18+ 12 )/30 = 1 atau 100%
 BAB IV
PENUTUP
4.1 Kesimpulan
Dari proses diskriminan,dimulai dari uji variable sampai analisis output,didapatkan beberapa
kesimpulan, yaitu:
 Ada perbedaan yang signifikan antara mereka yang mempunyai tingkat kemiskinan yaitu
tidak miskin dan miskin. Hal ini dibuktikan pada analisis Wilks’ Lambda.
 Variable yang membuat tingkat traveling masyarakat berbeda adalah usia dan pendapatan
. Hal ini terlihat pada step analisis awal, baik pada bagian Variable In Analysis maupun
Variable Not In Analysis.
 Model atau fungsi diskriminan untuk kasus Analisis yang mempengaruhi Tingkat
traveling di sumatera barat adalah:
 Model atau fungsi diskriminan di atas mempunyai ketepatan mengklasifikasi kasus
sebesar 100%. Karena diatas 50% ketepatan model dianggap tinggi, dan analisis
diskriminan hasilnya adalah benar.