PROJECT UAS

ANALISIS MULTIVARIAT

Diajukan untuk Memenuhi Ujian Akhir Semester

Analisis Multivariat
Program Strata Satu Program Studi Teknik Industri
Sekolah Tinggi Teknologi Bandung

Disusun oleh :
TI RM - 18 C

Bambang Haryo Pratama 19262012018

Nia Yunita 19262012019
Saidah Nurlaili 17113210
Rifki Ma’ruf 17113269

PROGRAM STUDI TEKNIK INDUSTRI

SEKOLAH TINGGI TEKNOLOGI BANDUNG

2021
 SEKOLAH TINGGI TEKNOLOGI BANDUNG Tanggal Masuk : Januari 2022
PROGRAM STUDI TEKNIK INDUSTRI Versi Soal :1

UJIAN AKHIR SEMESTER Halaman : 1 dari 1

Nama Matakuliah/SKS : Analisis Multivariat / 3 SKS

Dosen : Ahmad Rivai
Waktu/Sifat Ujian : Take home examination
Kelas : TI RM 18C

S1. Untuk mempermudah analisa dari test psikologi yang mempunyai banyak pertanyaan
(variabel), peneliti ingin mengelompokan pertanyaan-pertanyaan tersebut dalam kelompok-
kelompok yang lebih kurang sama tanggapannya dari responden
a) Terangkan satu tools (alat bantu) dari analisis multivariat yang dapat membantu
melaksanakan tugas ini.
b) Buatlah pengelompokkan untuk pertanyaan test psikologi seperti dalam file
S1_UAS.sav dan berilah nama serta analisis singkat dari pengelompokkan tersebut.

S2. Data rata-rata jam kerja, harga dan penghasilan dari penduduk di beberapa kota besar di
dunia adalah seperti pada file S2_UAS.sav, untuk mengetahui profile dan kemudian
menggolongkannya kedalam beberapa kelas kota dunia anda diminta membuat analisis
statistika:
a) Terangkan secara singkat kaidah analisis apa saja yang bisa dipakai untuk membuat
penggolongan tersebut
b) Gunakan kaidah MDS untuk membuat penggolongan
c) Gunakan kaidah K-Means untuk membagikan sample pada 3 cluster. Simpulkan,
tafsirkan serta beri nama pada setiap cluster yang menggambarkan kelompok kota
yang didapat
d) Gunakan kaidah Hierarchical. Kalau dari Dendogram kita ambil tiga cluster apakah
hasilnya sama dengan hasil yang diperoleh sebelumnya (dengan menggunakan K-
Means). Terangkan
e) Bandingkan ketiga hasil yang didapat dan simpulkan
S3. Dosen Universitas diwajibkan untuk melakukan penelitian atau riset ilmiah minimal sekali
setahun. Untuk membantu dosen melakukan riset, perguruan tinggi menyediakan dana yang
dapat diperoleh setelah proposal penelitian dianggap layak. Para dosen yang merasa mampu
juga dapat melakukan penelitian tanpa harus melalui lembaga Litbang. Ternyata sekalipun
Universitas menyediakan dana, lebih banyak dosen yang melakukan penelitian dengan biaya
sendiri. Untuk mengetahui penyebab, dilakukan penelitian terhadap 50 dosen yang
melakukan penelitian 24 diantaranya didanai universitas dan 26 menggunakan biaya sendiri.
Empat variabel yang dijadikan sebagai variabel independen adalah: gaji, sikap terhadap
Litbang, kemampuan melakukan riset dan daya tarik topik yang diteliti. Sampel dibagi 2
sebanyak 30 responden dipakai sebagai sampel analisis data dan sisanya 20 responden
dijadikan sebagai sampel untuk memvalidasi.
a) Terangkan secara singkat kaidah yang perlu dipakai untuk analisis tersebut.
b) Berdasarkan data yang terkumpul dalam file S3_UAS.xcl, tentukan fungsi
diskriminan untuk kasus di atas. Tentukan Cutting Score serta Hit Ratio untuk
keseluruhan datanya (50 data)

PJS Ketua Program Studi Teknik Industri Dosen Koordinator

Rika Andriyanti Dinata, S.T. Dipl. Ing Ahmad Rivai DEA
Tanggal Tanda Tangan Tanggal Tanda Tangan

/01/2022 /01/2022
1. Sebuah survey diadakan oleh Badan Psikologi guna mengetahui hasil analisis
penelitian yang mereka lakukan terhadap responden. Data yang dikumpulkan ada di
Test Psikologi.sav.
Survey ini mencakup 44 pertanyaan apa yang dirasakan oleh responden. Survey
ini mengukur sejumlah factor-faktor yang mendasarinya tetapi modelnya tidak
diketahui. Jadi pertanyaan penelitian untuk analisis ini adalah:
a Berapa banyak faktor yang diukur oleh 44 pertanyaan kita ?
b Aspek kepuasan mana yang diwakili oleh faktor apa?
c Pertanyaan mana yang mengukur faktor yang serupa?

Terangkan satu tools (alat bantu) dari analisis multivariat yang dapat membantu
melaksanakan tugas ini. Dan jawablah ketiga pertanyaan diatas.

ANALISIS:

Salah satu tools yang digunakan dalam menyelesaikan tugas ini adalah
menggunakan analisis faktor. Analisis faktor merupakan proses analisis yang
digunakan untuk menemukan hubungan antara sejumlah variabel-variabel yang
saling independen satu dengan yang lain sehingga bisa dibuat satu atau beberapa
kumpulan variabel yang lebih sedikit dari jumlah variabel awal.

Hal pertama yang dilakukan dalam menggunakan analisis faktor yaitu

menilai terlebih dahulu apakah variabel tersebut layak atau tidak. Setelah
mengetahui mana sajakah variabel yang dianggap layak, maka akan dimasukkan
kedalam proses analisis selanjutnya.
 Proses selanjutnya yaitu melakukan ekstraksi terhadap sekumpulan
variabel yang ada, sehingga terbentuk satu atau lebih faktor.

Tahap I : Proses Menilai variabel yang layak

1. Data Analisa Test Psikologi.Sav

Berikut adalah data test psikologi.sav yang memberikan 44 Komponen
pertanyaan yang diajukan untuk test psikologi guna mempermudah analisa dan
hasil variable pertanyaan berada di range 1-5.

2. Hasil KMO and Bartlett’s Test

Berikut adalah hasil dari KMO and Bartlett’s Test yang menunjukan
bahwa angka KMO and Bartlett’s Test adalah 0,841 dengan signifikansi 0,000.
Oleh karena itu angka tersebut sudah menunjukan diatas 0,5 dan signifikansi
jauh dibawah 0,05 (0,000<0,05), maka variabel dan sampel yang ada sudah bisa
dianalisis lebih lanjut.

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,841

Bartlett's Test of Sphericity Approx. Chi-Square 6730,363

df 946

Sig. ,000
3. Hasil Anti Image Matrices
Pada bagian bawah (anti image correlation), khususnya pada angka
korelasi yang bertanda a ( arah diagonal dari kiri atas ke kanan bawah). Seperti
angka MSA untuk pertanyaan banyak bicara adalah 0,831 untuk variabel
menemukan kesalahan adalah 0,764 dan seterusnya untuk variabel yang lain.
Pada tabel tersebur terdapat kode huruf (a) yang artinya tanda untuk Measure
of Sampling Adequancy. Dengan kriteria angka MSA seperti ini nilainya diatas
0,5 maka seluruh variabel masih bisa di prediksi dan bisa dianalisis lebih lanjut.
Hal ini dapat dilihat pada gambar dibawah yang menunjukan hasil Anti Image
Matrices.
TAHAP II: OUTPUT FACTORING DAN ROTASI

1. Hasil Communalities
Communalities pada dasarnya adalah jumlah varians dari suatu variabel mula-
mula yang bisa dijelaskan oleh faktor yang ada. Untuk variabel Banyak Bicara
mendapatkan angka sebesar 0,749. Hal ini dapat diartikan sekitar 74,9% varians
dari variabel Banyak Bicara bisa dijelaskan oleh faktor yang terbentuk. Untuk
variabel menemukan kesalahan yaitu sebesar 0,564 yang berarti 56,4% varians
dari variabel menemukan kesalahan bisa dijelaskan oleh variabel yang
terbentuk. Begitu juga dengan variabel yang lainnya.

Communalities

Initial Extraction

banyak bicara 1,000 ,749

menemukan kesalahan 1,000 ,564
melakukan pekerjaan yang
1,000 ,581
menyeluruh
murung 1,000 ,608
original 1,000 ,593
pemalu 1,000 ,661
sangat membantu 1,000 ,629
ceroboh 1,000 ,533
santai 1,000 ,629
penasaran 1,000 ,504
penuh tenaga 1,000 ,537
memulai pertengkaran 1,000 ,445
dapat diandalkan 1,000 ,631
tegang 1,000 ,605
berbakat 1,000 ,614
membangkitkan antusiasme
1,000 ,624
pada orang lain
memaafkan 1,000 ,351
kacau 1,000 ,550
khawatir 1,000 ,581
imajinatif 1,000 ,510
pendiam 1,000 ,744
mudah percaya 1,000 ,519
malas 1,000 ,571
stabil secara emosional 1,000 ,558
inventif 1,000 ,591
teguh pendirian 1,000 ,571
dingin dan menyendiri 1,000 ,517
pantang menyerah 1,000 ,543
mudah marah 1,000 ,563
menghargai pengalaman
1,000 ,639
artistik
malu 1,000 ,642
penuh perhatian 1,000 ,693
efisien 1,000 ,658
tenang dalam situasi tegang 1,000 ,592
lebih suka pekerjaan rutin 1,000 ,579
ramah 1,000 ,640
kadang kasar 1,000 ,553
tetap pada rencana 1,000 ,476
grogi 1,000 ,579
reflektif 1,000 ,595
sedikit minat artistik 1,000 ,614
kooperatif 1,000 ,520
menarik perhatian 1,000 ,531
canggih dalam seni & musik 1,000 ,659

Extraction Method: Principal Component Analysis.

 2. Total Variance Explained
Terdapat 44 komponen yang dimasukan dalam analisis faktor, yakni
variabel banyak bicara, menemukan kesalahan, dan seterusnya. Masing-masing
variabel mempuntai variansi 1, maka total variansi adalah 44 x 1 = 44. Sekarang
jika 44 variabel tersebut diringkas menjadi satu vaktor, maka varians yang bisa
dijelaskan oleh satu faktor tersebut adalah 2,675/44 x 100% = 60,80%.

Jika 16 variabel diekstrak menjadi 2 faktor maka:

 Varians faktor pertama adalah 60,80%
 Varians faktor kedua adalah 2,308/44 x 100% = 52,45%
Total kedua faktor bisa menjelaskan 60,80% + 52,45% yaitu 113,25% dari
variabilitas 44 variabel asli tersebut.

Sedangkan nilai eigenvalues dilihat dari tabel dibawah ini, dimana

susunan eigenvalues selalu diurutkan dari yang terbesar sampai terkecil dengan
kriteria bahwa angka eigenvalues dibawah 1 tidak digunakan dalam menghitung
faktor yang terbentuk. Tabel dibawah menunjukan bahwa hanya 10 faktor yang
terbentuk, karena kesepuluh faktor angka eigenvalues diatas 1. Namun untuk
34 faktor angka eigenvalues sudah dibawah 1 yaitu 0,966, sehingga proses
factoring seharusnya berhenti pada 10 faktor saja.

Total Variance Explained

Extraction Sums of Squared Rotation Sums of Squared

Initial Eigenvalues Loadings Loadings

% of Cumulative % of Cumulative % of Cumulative

Component Total Variance % Total Variance % Total Variance %

1 7,280 16,545 16,545 7,280 16,545 16,545 4,388 9,972 9,972

2 4,192 9,527 26,072 4,192 9,527 26,072 3,716 8,446 18,419
3 3,041 6,910 32,982 3,041 6,910 32,982 3,543 8,052 26,471
4 2,548 5,790 38,772 2,548 5,790 38,772 2,908 6,610 33,081
5 2,253 5,121 43,893 2,253 5,121 43,893 2,295 5,215 38,295
6 1,594 3,624 47,517 1,594 3,624 47,517 2,115 4,807 43,102
7 1,318 2,996 50,513 1,318 2,996 50,513 2,111 4,798 47,900
8 1,224 2,781 53,294 1,224 2,781 53,294 1,880 4,272 52,172
9 1,154 2,622 55,916 1,154 2,622 55,916 1,516 3,445 55,617
10 1,044 2,373 58,289 1,044 2,373 58,289 1,176 2,672 58,289
11 ,966 2,197 60,485
12 ,951 2,161 62,646
13 ,900 2,045 64,692
14 ,825 1,875 66,567
15 ,822 1,869 68,436
16 ,753 1,712 70,148
17 ,736 1,672 71,819
18 ,714 1,623 73,443
19 ,686 1,559 75,002
20 ,660 1,500 76,502
21 ,655 1,488 77,989
22 ,647 1,470 79,460
23 ,587 1,333 80,793
24 ,577 1,311 82,104
25 ,569 1,293 83,397
26 ,555 1,261 84,659
27 ,534 1,215 85,873
28 ,484 1,100 86,973
29 ,467 1,061 88,034
30 ,459 1,044 89,078
31 ,447 1,016 90,093
32 ,436 ,991 91,085
33 ,424 ,965 92,049
34 ,396 ,901 92,950
35 ,383 ,870 93,820
36 ,367 ,834 94,654
37 ,353 ,803 95,457
38 ,338 ,768 96,225
39 ,324 ,736 96,961
40 ,314 ,713 97,674
41 ,299 ,680 98,354
42 ,276 ,626 98,980
43 ,241 ,547 99,527
44 ,208 ,473 100,000

Extraction Method: Principal Component Analysis.

3. Scree Plot
Grafik dibawah menunjukah bahwa arah garis sumbu menurun dari
angka 1 sampai dengan 7, sedangkan dari angka 7 sampai dengan 44
memiliki slope yang lebih kecil. Hal ini menunjukan bahwa 10 faktor adalah
paling bagus untuk meringkas 44 variabel tersebut.
 4. Component Matrix
Component matrix menunjukan distribusi 44 variabel tersebut pada 10
faktor yang terbentuk.

Component Matrixa

Component

1 2 3 4 5 6 7 8 9 10
banyak bicara ,551 -,285 ,278 -,490 ,035 -,017 ,041 -,076 ,181 -,067
menemukan
-,185 -,195 ,354 ,081 ,539 -,019 -,130 -,190 ,112 -,053
kesalahan
melakukan
pekerjaan yang ,510 ,434 ,065 -,002 ,316 ,053 ,100 -,056 ,105 -,038
menyeluruh
murung -,516 ,262 ,329 -,089 ,045 -,070 ,104 ,034 -,105 ,357
original ,568 -,083 ,277 ,226 -,119 -,179 ,197 ,211 ,053 -,059
pemalu -,369 ,526 -,023 ,380 ,015 ,200 ,073 -,233 -,040 -,054
sangat membantu ,532 ,299 -,001 -,216 -,193 ,042 ,108 ,082 ,222 ,323
ceroboh -,468 -,340 ,200 -,079 -,225 ,303 ,039 ,057 ,000 -,077
santai ,402 -,244 -,393 ,363 -,068 ,242 ,112 ,166 ,136 ,013
penasaran ,313 -,006 ,444 ,165 -,002 ,101 ,156 -,185 -,186 -,280
penuh tenaga ,353 -,306 ,159 ,172 ,147 ,389 -,206 -,014 -,207 -,077
memulai
-,294 -,263 ,185 ,104 ,279 ,100 -,015 ,249 ,233 ,201
pertengkaran
dapat diandalkan ,556 ,410 ,036 -,101 ,124 -,012 ,093 -,047 ,197 -,277
tegang -,379 ,310 ,499 -,241 ,117 ,070 -,006 ,003 -,176 ,093
berbakat ,166 ,160 ,366 ,403 -,047 -,045 ,132 ,477 -,108 ,063
membangkitkan
antusiasme pada ,459 -,334 ,327 -,018 ,100 ,278 ,007 -,026 -,299 ,131
orang lain
memaafkan ,252 -,012 -,015 -,114 -,275 ,397 ,038 -,199 -,019 ,007
kacau -,382 -,370 ,059 -,072 -,457 ,185 ,050 ,043 -,012 -,102
khawatir -,189 ,475 ,419 -,211 -,055 -,046 -,110 ,244 -,092 -,116
imajinatif ,301 -,052 ,506 ,125 -,144 -,060 ,230 -,045 -,015 -,256
pendiam -,435 ,552 -,143 ,399 -,082 ,228 ,047 -,088 -,019 -,039
mudah percaya ,448 ,163 -,006 -,343 -,266 ,298 -,031 ,047 ,107 ,009
malas -,562 -,388 ,123 -,017 -,203 ,047 ,101 ,025 ,107 ,154
stabil secara
,419 -,310 -,301 ,309 -,034 ,196 ,060 ,070 ,172 -,151
emosional
inventif ,302 -,215 ,364 ,349 -,099 -,118 ,232 -,248 -,239 ,059
teguh pendirian ,386 -,465 ,229 ,102 ,328 ,108 -,035 ,042 -,034 ,139
dingin dan
-,416 ,005 ,118 ,255 ,305 ,162 -,028 ,025 ,380 ,028
menyendiri
pantang
,559 ,390 ,031 -,033 ,221 -,029 ,034 -,030 ,124 -,098
menyerah
mudah marah -,346 ,123 ,448 -,088 ,172 ,085 ,159 -,069 ,386 ,061
menghargai
pengalaman ,206 ,079 ,327 ,392 -,325 -,013 -,429 -,104 ,171 ,002
artistik
malu -,364 ,495 -,047 ,245 -,186 ,277 ,109 -,169 ,210 -,079
penuh perhatian ,517 ,344 ,036 -,262 -,189 ,252 ,063 -,028 ,043 ,364
efisien ,390 ,296 -,031 ,123 ,479 ,126 ,038 -,174 -,177 ,308
tenang dalam
,299 -,263 -,358 ,364 ,071 ,208 ,213 -,136 -,041 ,243
situasi tegang
lebih suka
-,185 ,158 -,133 -,007 ,160 ,369 -,420 ,369 -,129 -,105
pekerjaan rutin
ramah ,494 -,460 ,162 -,285 ,050 ,154 -,209 -,050 ,039 -,052
kadang kasar -,386 -,417 ,245 ,103 ,235 ,020 ,107 ,085 ,288 -,043
tetap pada
,481 ,241 ,058 ,098 ,295 ,123 -,222 ,080 ,058 -,110
rencana
grogi -,465 ,386 ,290 -,082 -,001 ,309 -,028 ,015 -,141 -,085
reflektif ,333 ,141 ,343 ,355 -,278 -,035 ,200 ,315 ,025 ,055
sedikit minat
-,293 -,053 -,203 -,194 ,281 ,311 ,351 ,342 -,137 -,107
artistik
kooperatif ,530 ,259 ,064 -,291 -,199 ,153 ,015 ,093 ,103 ,003
menarik perhatian -,404 -,310 ,281 -,142 -,162 ,264 ,054 -,244 ,111 ,032
canggih dalam
,185 ,024 ,267 ,388 -,305 -,078 -,503 -,009 ,088 ,207
seni & musik

Extraction Method: Principal Component Analysis.

a. 10 components extracted.
Variabel (banyak bicara) bisa dimasukan sebagai faktor 4 karena nilai faktor ke 4
yaitu 0,388 lebih besar dari nilai faktor yang lainnya. variabel (menemukan kesalahan)
masuk kedalam faktor 5 karena nilainya lebih besar yaitu 0,270 dari faktor yang
lainnya. Variabel (pekerjaan yang menyeluruh) masuk faktor 1 yaitu 0,967.

Variabel (murung) masuk ke faktor 3 yaitu 0,584

Variabel (original) masuk faktor 7 aitu 0,568.
Variabel (pemalu) masuk faktor 2 yaitu 0,784.
Variabel (sangat membantu) masuk faktor 1 yaitu 0,314.
Variabel (ceroboh) masuk faktor 6 yaitu 0,198.
Varibel (santai) masuk faktor 7 yaitu 0,158.
Variabel (penasaran) masuk faktor 5 yaitu 0,543.
Variabel (penuh tenaga) masuk faktor 5 yaitu 0,654.
Variabel (memulai pertengkaran) masuk faktor 6 yaitu 0,547.
Variabel (dapat diandalkan) masuk faktor 1 yaitu 0,624.
Variabel (tegang) masuk faktor 3 yaitu 0,723.
Variabel (berbakar) masuk faktor 7 yaitu 0,746.
Variabel (membangkitkan antusiasme orang lain) faktor 5 yaitu 0,632

Variabel (memaafkan) faktor 4 yaitu 0,461.

Variabel (kacau) faktor 10 yaitu 0,119.
Variabel (khawatir) faktor 3 yaitu 0,659
Variabel (imajinatif) faktor 7 yaitu 0,632
Variabel (pendiam) faktor 2 yaitu 0,841
Variabel (mudah percaya) faktor 4 yaitu 0,684
Variabel (malas) faktor 6 yaitu 0,632
Variabel (stabil secara emosional) faktor 5 yaitu 0,125
Variabel (inventif) faktor 5 yaitu 0,453
Variabel (teguh pendirian) faktor 5 yaitu 0,428
Variabel (dingin dan menyendiri) faktor 2 yaitu 0,271
Variabel (mudah marah) faktor 5 yaitu 0,598
Variabel (menghargai pengalaman artistik) faktor 8 yaitu 0,892
Variabel (malu) faktor 2 yaitu 0,752
Variabel (penuh perhatian) faktor 4 yaitu 0,730
Variabel (efisien) faktor 1 yaitu 0,626
Variabel (tenang dalam situasi tegang) faktor 5 yaitu 0,205
Variabel (lebih suka pekerjaan rutin) faktor 2 yaitu 0,134
Variabel (ramah) faktor 5 yaitu 0,325
Variabel (kadang kasar) faktor 6 yaitu 0,576
Variabel (tetap pada rencana) faktor 1 yaitu 0,568
Variabel (grogi) faktor 2 yaitu 0,528
Variabel (reflektif) faktor 7 yaitu 0,707
Variabel (sedikit minat artistik) faktor 9 yaitu 0,277
Variabel (kooperatif) faktor 1 yaitu 0,272
Variabel (menarik perhatian) faktor 6 yaitu 0,299
Variabel (canggih dalam seni musik) faktor 8 yaitu 0,792
Jawaban S2 :

a. Analisis yang dipakai untuk membuat penggolongan tersebut adalah:

- Analisis MDS, atau multi dimensinal scaling adalah analisis yang digunakan untuk
membuat peta/konfigurasi posisi dalam ruang berdimensi rendah (umumnya 2
dimensi) berdasarkan datajarak antar objek atau data multivariat yang sebelumya
diubah dulu menjadi matriks jarak.
- K-means cluster, merupakan metode yang memproses semua objek secara sekaligus.
Proses ini dimulai dengan penentuan jumlah cluster terlebih dahulu.
- Hierarchical method, metode ini memulai pengelompokan dengan dua atau lebih
obyek yang mempunyai kesamaan paling dekat
b. Kaidah MDS(Multi Dimensional Scaling):
 Kelompok MDS
1 2 3 4
Amsterdam Copenhagen Bogota Chicago
Athens Geneva Bombay Houston
Brussels Helsinki Buenos Aires Los Angeles
Dublin London Caracas New York
Dusseldorf Luxembourg Hong Kong Taipei
Frankfurt Madrid Johannesburg Tel Aviv
Lagos Milan Kuala Lumpur Toronto
Lisbon Montreal Manila
Nicosia Oslo Mexico City
Rio de Janeiro Paris Nairobi
Sao Paulo Stockholm Panama
Seoul Tokyo Singpore
Sydney Vienna
Zurich

Berdasarkan hasil plot dengan 2 dimensi ini terdapat 4 kelompok negara berdasarkan
jam kerja, gaji, dan harga kebutuhannya dikarenakan jaraknya yang dekat.

c. Kaidah K-Mean cluster:

Arti langka:
Angka diatas terkait dengan proses satndarisasi data sebelumnya,yang mengacu pada
angka rata-rata jam kerja, harga dan penghasilan penduduk, dengan ketentuan:
- Angka positif berarti data diatas rata-rata total

Sebagai contoh, angka 1740,83 pada variabel rata-rata jam kerja (average working
hours) pada clustur 1, yaitu:

x = μ + zσ

dimana:

x : rata-rata sample (dalam hal ini rata-rata variabel pada cluster tertentu)

µ : rata-rata popolasi

𝜎 : standar deviasi

Z : nilai standarisasi yang didapat pada SPSS

Contoh : untuk rata-rata jam kerja

Rata-rata jam kerja seluruh populasi adalah 1879,91 dan untuk standar deviasi adalah 174,34

- Rata-rata waktu jam kerja cluster 1: 187,91+(1740,83x174,34) = 303,68

- Rata-rata waktu jam kerja cluster 1: 187,91+(1962,78x174,34) = 342,37
- Rata-rata waktu jam kerja cluster 1: 187,91+(2221,40x174,34) = 387,46

Tafsiran setiap cluster:

- Cluster 1 berisi responden yang mempunyai waktu jam kerja lebih pendek dari rata-
rata, harga diatas rata-rata populasi dan mempunyai pendapatan diatas rata-rata
populasi. Dari ciri-ciri diatas, bisa diduga mereka kebanyakan adalah orang kaya dan
relatif mapan

d. Kaidah Hierarchical:
Tabel berikut menyatakan matriks proximity, dengan angka yang tertera adalah jarak
(distance) antara dua buah variabel.
e. Perbandingan ketiga metode:
Perbandingan ketiga metode
Analisis MDS menentukan posisi suatu variable berdasarkan penilaian terhadap
kemiripan dari tiap variable yang akan diteliti, dengan mengelompokkan terhadap
dimensi yang akan dibuat, dalam hal ini 2 dimensi dan didapatkan kelompok data sebagai
berikut

Kelompok MDS
1 2 3 4
Amsterdam Copenhagen Bogota Chicago
Athens Geneva Bombay Houston
Brussels Helsinki Buenos Aires Los Angeles
Dublin London Caracas New York
Dusseldorf Luxembourg Hong Kong Taipei
Frankfurt Madrid Johannesburg Tel Aviv
Lagos Milan Kuala Lumpur Toronto
Lisbon Montreal Manila
Nicosia Oslo Mexico City
Rio de Janeiro Paris Nairobi
Sao Paulo Stockholm Panama
Seoul
Sydney
Tokyo
Vienna
Singpore Kelompok data hasil analisis MDS
Zurich

Analisis K Means cluster menentukan variable berdasarkan jumlah cluster yang ditetapkan di
awal, dalam hal ini 3 cluster, lalu ditentukan nilai tengah dari tiap cluster. Pembagian anggota
cluster berdasarkan pada kedekatan dengan nilai tengah dari tiap cluster

Nilai tengah dari cluster 1-3

Terdapat 23 anggota di cluster1

18 di cluster 2, dan 5 di cluster 3

Analisis Hierarchical melakukan pengelompokan data yang dimulai dengan setiap satu
pengamatan sebagai clusternya sendiri kemudian terus mengelompokkan pengamatan ke dalam
kelompok yang semakin besar. Hal ini menghasilkan sebuah organisasi hirarki data yang dapat
digunakan untuk mengelompokkan kumpulan data dan dari hirarki ini kelompok-kelompok
tertentu dapat dipilih ditunjukkan dengan dendogram
Dendogram berfungsi untuk menunjukkan seberapa banyak cluster yang bisa dibuat dari anggota
kelompok yang ada
3. a. Kaidah :

Model dasar analisis diskriminan mirip regresi berganda. Perbedaannya adalah

kalau variabel dependen regresi berganda dilambangkan dengan Y, maka dalam
analisis diskriminan dilambangkan dengan D. Model analisis diskriminan adalah
sebuah persamaan yang menunjukkan suatu kombinasi linier dari berbagai variabel
independen yaitu :

D = b0 + b1 X 1+ b2 X 2+ b3 X3+ ... + bkXk

Dengan :

D = skor diskriminan

B0…k = koefisien diskriminasi atau bobot

X1....k = prediktor atau variabel independent

b. Fungsi Diskriminan, Cutting Score, Hit Ratio

 Fungsi Diskriminan

Variabel Dependen : Pendanaan mempunyai kategori 1 dan 2

Variabel Independent :

- Gaji

- Sikap terhadap Litbang (Sikap)

- Kemampuan melakukan riset (Kemampuan)

- Daya Tarik topik yang diteliti (Topik)

Hipotesis :

Ho : Rata-rata semua variable dalam semua group adalah sama

H1 : Rata-rata semua variable dalam semua grup adalah berbeda

Input Progress SPSS :

Input 30 responden sebagai sampel analisis

Hasil Output Classify Diskriminan

Group Statistics
Valid N (listwise)
Pendanaan Mean Std. Deviation Unweighted Weighted
1.00 Gaji 3.8857 .68259 14 14.000
Sikap 5.7857 .69929 14 14.000
Kemampuan 6.0714 .82874 14 14.000
Topik 5.9286 .82874 14 14.000
2.00 Gaji 4.9813 1.04640 16 16.000
Sikap 4.0625 .92871 16 16.000
Kemampuan 4.2500 .77460 16 16.000
Topik 4.5000 .51640 16 16.000
Total Gaji 4.4700 1.04127 30 30.000
Sikap 4.8667 1.19578 30 30.000
Kemampuan 5.1000 1.21343 30 30.000
Topik 5.1667 .98553 30 30.000

Analisa : Kasus yang dianalisis 30 responden, 14 responden memberi keputusan 1(Dana

Perguruan Tinggi) dan 16 memberi keputusan 2 (Dana Pribadi).
Pada variable Gaji nilai rata-rata gaji pada kelompok 2 : 4,9813, sedangkan kelompok 1 :
3,8857 artinya rata-rata gaji terhadap keputusan pada kelompok 2 (Dana Pribadi) lebih tinggi
dibandingkan dengan kelompok 1(Dana Perguruan Tinggi). Sedangkan variable lainnya
seperti sikap, kemampuan dan topik kebalikannya, yaitu lebih tinggi pada kelompok 1 (Dana
Perguruan Tinggi).

Tests of Equality of Group Means

Wilks' Lambda F df1 df2 Sig.
Gaji .715 11.161 1 28 .002
Sikap .465 32.176 1 28 .000
Kemampuan .420 38.687 1 28 .000
Topik .459 33.002 1 28 .000

Analisa : Untuk menguji kesamaan rata-rata variabel, mendekati angka 0 maka cenderung
ada perbedaan dalam kelompok.
Untuk Signifikansi Semua Variabel < 0,05 maka ada perbedaan pada pengambilan keputusan
pendanaan.

Pooled Within-Groups Matricesa

Gaji Sikap Kemampuan Topik
Covariance Gaji .803 -.137 -.129 -.177
Sikap -.137 .689 .142 .046
Kemampuan -.129 .142 .640 .038
Topik -.177 .046 .038 .462
Correlation Gaji 1.000 -.184 -.180 -.291
Sikap -.184 1.000 .213 .081
Kemampuan -.180 .213 1.000 .070
Topik -.291 .081 .070 1.000
a. The covariance matrix has 28 degrees of freedom.

Covariance Matricesa
Pendanaan Gaji Sikap Kemampuan Topik
1.00 Gaji .466 .020 .001 -.155
Sikap .020 .489 .016 .060
Kemampuan .001 .016 .687 .159
Topik -.155 .060 .159 .687
2.00 Gaji 1.095 -.272 -.242 -.197
Sikap -.272 .863 .250 .033
Kemampuan -.242 .250 .600 -.067
Topik -.197 .033 -.067 .267
Total Gaji 1.084 -.618 -.638 -.574
Sikap -.618 1.430 .945 .678
Kemampuan -.638 .945 1.472 .707
Topik -.574 .678 .707 .971
a. The total covariance matrix has 29 degrees of freedom.

Analisa : Untuk menilai korelasi antar variabel independent, dengan signifikansi semua
variabel < 0,05 maka ada perbedaan pada pengambilan keputusan pendanaan.
 Classification Resultsa,c
Predicted Group Membership
Pendanaan 1.00 2.00 Total
Original Count 1.00 13 1 14
2.00 0 16 16
% 1.00 92.9 7.1 100.0
2.00 .0 100.0 100.0
Cross-validatedb Count 1.00 13 1 14
2.00 1 15 16
% 1.00 92.9 7.1 100.0
2.00 6.3 93.8 100.0

Analisa :
a. 96,7% dari kasus yang dikelompokkan, berhasil diklasifikasikan dengan benar.
b. 93% kasus kelompok yang divalidasi silang dilakukan pengklasifian dengan
benar.

 Cutting Score

*Z Score = -10,349 + 0,553 Sikap + 0,678 Kemampuan + 0,812 Topik

- Classification Function Coefficients

Dosen yang memakai dana Litbang :

Score = - 75,344 + 6,093 Sikap + 7,441 Kemampuan + 11,617 Topik

Dosen yang memakai dana Pribadi :

Score = - 40,305 + 4,241 Sikap + 5,168 Kemampuan + 8,896 Topik

Selisihnya = (- 75,344 + 6,093 Sikap + 7,441 Kemampuan + 11,617 Topik)

- (- 40,305 + 4,241 Sikap + 5,168 Kemampuan + 8,896 Topik)

Z score = - 35,039 +1,852 Sikap + 2,273 Kemampuan + 2,721 Topik, beda dengan fungsi unstandardised*
 Score Diskriminan

D = - 35,039 +1,852 Sikap + 2,273 Kemampuan + 2,721 Topik

Penda Penda
No Gaji Sikap Kemampuan Topik Gaji Sikap Kemampuan Topik
naan naan
1 1 3.2 5 6 7 2 5 5 6 4
2 1 4 6 5 5 2 5.2 4 5 4
3 1 5.2 5 5 5 2 6 5 4 5
4 1 4 7 6 5 2 4 5 5 4
5 1 2.7 6 5 6 2 4.7 5 4 5
6 1 3.5 5 7 6 2 4.8 4 4 4
7 1 4 6 5 7 2 6.1 3 3 5
8 1 5 6 7 6 2 3 3 4 5
9 1 4 5 7 6 2 5 4 5 5
10 1 3.1 5 6 5 2 4 4 4 5
11 1 3.7 6 7 6 2 6 3 4 4
12 1 4.4 6 6 5 2 7 2 4 4
13 1 3.6 7 7 7 2 5.6 5 4 4
14 1 4 6 6 7 2 5.2 4 3 4
15 1 3.1 6 6 7 2 3.4 4 5 5
16 1 4.3 6 6 5 2 4.7 5 4 5
17 1 5.1 6 5 5 2 4.7 4 3 4
18 1 4.5 6 7 5 2 5.7 4 3 5
19 1 3 6 6 6 2 4 4 4 5
20 1 4 5 7 6 2 5,1 5 5 5
21 1 42 7 5 7 2 4.2 5 4 5
22 1 5.1 6 7 7 2 4.7 4 4 4
23 1 3.6 5 6 6 2 6 3 4 4
24 1 4 6 6 5 2 5 4 4 4
25 2 5 4 3 4
26 2 4.2 5 5 5
Rata-rata 5.55 5.83 6.08 5.92 4.74 4.12 4.12 4.50

Score Diskriminan Biaya Litbang :

D = - 35,039 +1,852 Sikap + 2,273 Kemampuan + 2,721 Topik

= - 35,039 +1,852 (5,83) + 2,273 (6,08) + 2,721 (5,92)

= - 35,039 + 10,797 + 13,820 + 16,11

= 5,688

Score Diskriminan Biaya Sendiri :

D = - 35,039 +1,852 Sikap + 2,273 Kemampuan + 2,721 Topik

= - 35,039 +1,852 (4,12) + 2,273 (4,12) + 2,721 (4,50)

 = - 35,039 + 7,630 + 9,365 + 12,245

= -5,799

�1 (�1) − �2 (�2)
Cutting Score : Yes = (�1+�2)

24 (5,688) − 26 (−5,799) 136,512− (−150,774)

Yes = (24+26)
= (50)
= 5,746

 Hit Ratio

Pengklasifikasian
Gaji Sikap Kemampuan Topik Constant Discrim Kel Salah
Kel Awal
1,852 2,273 2,721 -35,039 Score Awal Masuk
1 3.2 5 6 7 6.906 1
1 4 6 5 5 1.043 1
1 5.2 5 5 5 -0.809 2 ***
1 4 7 6 5 5.168 1
1 2.7 6 5 6 3.764 1
1 3.5 5 7 6 6.458 1
1 4 6 5 7 6.485 1
1 5 6 7 6 8.310 1
1 4 5 7 6 6.458 1
1 3.1 5 6 5 1.464 1
1 3.7 6 7 6 8.310 1
1 4.4 6 6 5 3.316 1
1 3.6 7 7 7 12.883 1
1 4 6 6 7 8.758 1
1 3.1 6 6 7 8.758 1
1 4.3 6 6 5 3.316 1
1 5.1 6 5 5 1.043 1
1 4.5 6 7 5 5.589 1
1 3 6 6 6 6.037 1
1 4 5 7 6 6.458 1
1 42 7 5 7 8.337 1
1 5.1 6 7 7 11.031 1
1 3.6 5 6 6 4.185 1
1 4 6 6 5 3.316 1
2 5 5 6 4 -1.257 2
2 5.2 4 5 4 -5.382 2
2 6 5 4 5 -3.082 2
2 4 5 5 4 -3.530 2
2 4.7 5 4 5 -3.082 2
2 4.8 4 4 4 -7.655 2
2 6.1 3 3 5 -9.059 2
2 3 3 4 5 -6.786 2
2 5 4 5 5 -2.661 2
2 4 4 4 5 -4.934 2
 2 6 3 4 4 -9.507 2
2 7 2 4 4 -11.359 2
2 5.6 5 4 4 -5.803 2
2 5.2 4 3 4 -9.928 2
2 3.4 4 5 5 -2.661 2
2 4.7 5 4 5 -3.082 2
2 4.7 4 3 4 -9.928 2
2 5.7 4 3 5 -7.207 2
2 4 4 4 5 -4.934 2
2 5,1 5 5 5 -0.809 2
2 4.2 5 4 5 -3.082 2
2 4.7 4 4 4 -7.655 2
2 6 3 4 4 -9.507 2
2 5 4 4 4 -7.655 2
2 5 4 3 4 -9.928 2
2 4.2 5 5 5 -0.809 2
Rata 1 5.830 2.273 2.721 -11.671
Rata 2 4.120 4.120 4.500 -5.800
Y cs 5.746

Dari tabel pengklasifikasian diatas terdapat satu individu yang tidak berada pada
kelompok semula, sehingga kita dapat menghitung hit Ratio sebesar (50-1)/50 x
100% = 98%.