Anda di halaman 1dari 40

ANALISIS DISKRIMINAN

Agus Riyanto

PENGERTIAN
Analisis diskriminan merupakan analisis

multivariat dengan metode dependensi Mempelajari hubungan beberapa variabel (lebih dari satu variabel) independen dengan satu atau beberapa variabel dependen Variabel dependen merupakan variabel kategorik sedangkan variabel independen merupakan variabel numerik.

Tujuan Analisis Diskriminan

Menguji apakah ada perbedaan signifikan antara kelompok pada variabel dependen, dikaitkan dengan variabel independen. Menentukan variabel independen yang mana yang memberikan sumbangan terbesar terhadap terjadinya perbedaan antar kelompok. Membuat suatu fungsi atau model diskriminan, yang pada dasarnya mirip dengan persamaan regresi. Mengelompokkan (mengklasifikasikan) terhadap objek (dalam SPSS disebut baris), apakah suatu objek termasuk pada salah satu kelompok variabel dependen

Asumsi Analisis Diskriminan


Multivariat Normality Matriks kovarians dari semua variabel independen seharusnya sama (equal) Tidak adanya data yang sangat ekstrim (outlier) pada variabel independen, jika ada data ekstrim yang tetap diproses, hal ini bisa berakibat berkurangnya ketepatan klasifikasi dari fungsi diskriminan. Tidak ada multikolinearitas antar variabel independen. Multikolinearitas terjadi bila ada variabel independen yang berkorelasi sangat kuat dengan variabel independen lainnya. Untuk mengetahui adanya multikolinearitas dapat dilakukan dengan melihat korelasi antar variabel independen yaitu jika nilai r > 0,8 menunjukkan adanya multikolinearitas. (Santoso, 2005)

Model Analisis Diskriminan


Z jk W1 X 1k W2 X 2 k ... Wn X nk
Keterangan:

Z jk = Nilai (skor) diskriminan dari fungsi diskriminan j untuk objek k.


a = Intercep

Wn = Timbangan diskriminan untuk variabel independen X nk = Variabel independen n untuk objek k

Langkah-langkah Analisis Diskriminan


1. Desain penelitian untuk analisis diskriminan. Pemilihan variabel dependen dan independen. 1. Analisis diskriminan dua kategori/kelompok, dimana variabel dependen dikelompokkan menjadi 2 (dikotom), diperlukan satu fungsi diskriminan. 2. Analisis diskriminan berganda (Multiple Discriminant Analysis/MDA), dimana variabel dependen dikelompokkan menjadi lebih dari 2 kelompok (multikotomi), diperlukan fungsi diskriminan sebanyak (k-1) kalau ada k kategori Besar Sampel Pembagian Sampel

Langkah-langkah Analisis Diskriminan

Melakukan analisis univariat untuk mengetahui kenormalan data. uji Kolmogorov Smirnov dimana jika p value > 0,05 maka data berdistribusi normal. Melakukan analisis bivariat untuk melihat korelasi antar variabel. jika nlai r > 0,8 menunjukkan adanya multikolinearitas Melakukan Uji Equality Dilihat pada significancy dari Wilks Lambda. Jika nilai p > 0,05 menunjukkan bahwa variabel equal Pembentukan fungsi diskriminan. Menguji signifikasi dari fungsi diskriminan. Uji F, jika nilai p< 0,05 maka menunjukkan bahwa fungsi diskriminan ini dapat memperlihatkan perbedaan yang jelas antara dua kelompok variabel dependen Menguji ketepatan klasifikasi dari fungsi diskriminan Jika fungsi diskriminan mempunyai ketepatan mengklasifikasi kasus 50%, ketepatan model dianggap tinggi Melakukan interpretasi terhadap fungsi diskriminan tersebut

Faktor-faktor yang mempengarahi kejadian berat badan bayi lahir rendah (BBLR) di Desa Melati
tahun 2009
1. Kerangka Konsep Penelitian Umur Ibu Berat Badan Ibu Tekanan Darah Ibu Pendapatan Jam Kerja ANC BBLR Kejadian BBLR Tidak BBLR

3. Definisi Operasional Variabel Kejadian BBLR Umur Berat Badan Ibu Tekanan darah ibu Pendapatan Jam kerja ANC Definisi Perasional Kondisi berat badan bayi yang dilahirkan oleh ibu kurang dari 2500 gr Masa hidup ibu bersalin yang dihitung dari lahir sampai ulang tahun yang terakhir Masa tubuh ibu bersalin yang ditili dalam satuan kilogram Tekanan darah ibu bersalin yang diteliti dalam satuan mmhg Penghasilan keluarga ibu bersalin dalam satu bulan dalam rupiah Lamanya ibu bekerja pada saat hamil dalam satu hari Frekuensi kunjungan ibu hamil ke pelayanan kesehatan selama masa kehamilan Hasil Ukur 1. BBLR 2. Tidak BBLR Numerik Numerik Numerik Numerik Numerik Numeril Skala Ordinal Rasio Rasio Rasio Rasio Rasio Rasio

5. Uji Kenormalan Data

One -Sample Kolm ogor ov-Sm irnov Te s t N Normal Parameters a,b Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Test distribution is Normal. b. Calculated from data. UMURIBU 80 30.15 6.218 .097 .097 -.070 .869 .437 BBIBU 80 54.36 10.601 .151 .151 -.105 1.348 .053 TDIBU 80 159.90 6.563 .181 .181 -.084 1.623 .010 Pendapatan 80 613.50 123.975 .117 .081 -.117 1.043 .226 jamkerja 80 5.27 .123 .119 .094 -.119 1.066 .206 ANC 80 3.03 .626 .139 .081 -.139 1.239 .093

Mean Std. Deviation Absolute Positive Negative

One -Sam ple Kolm ogor ov-Sm ir nov Tes t UMURIBU 80 30.15 6.218 .097 .097 -.070 .869 .437 BBIBU 80 54.36 10.601 .151 .151 -.105 1.348 .053 Pendapa tan 80 613.50 123.975 .117 .081 -.117 1.043 .226 jamkerja 80 5.27 .123 .119 .094 -.119 1.066 .206 ANC 80 3.03 .626 .139 .081 -.139 1.239 .093 Normal 80 2.2035 .01744 .173 .173 -.080 1.550 .016

N Normal Parameters a,b Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)

Mean Std. Deviation Absolute Positive Negative

a. Test distribution is Normal. b. Calculated from data.

Dari hasil test Kolmogorov Smirnov terlihat

bahwa p value variabel tekanan darah adalah 0,016 (< 0,05) yang menunjukkan bahwa vaiabel ini tidak berdistribusi normal. Dengan demikian variabel tekanan darah tidak diikutkan dalam analisis selanjutnya

6. Uji Kolinearitas

Cor relations UMURIBU Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N UMURIBU 1 80 .053 .640 80 .843** .000 80 -.069 .540 80 .538** .000 80 BBIBU .053 .640 80 1 80 .034 .763 80 .073 .521 80 -.006 .958 80 Pendapatan jamkerja .843** -.069 .000 .540 80 80 .034 .073 .763 .521 80 80 1 -.004 .973 80 80 -.004 1 .973 80 80 .716** -.025 .000 .825 80 80 A NC .538** .000 80 -.006 .958 80 .716** .000 80 -.025 .825 80 1 80

BBIBU

Pendapatan

jamkerja

A NC

**. Correlation is s ignif icant at the 0.01 level (2-tailed).

Dari hasil uji kolinearitas terlihat bahwa ada r

yang > 0,8 yaitu umur ibu dan pendapatan (0,843) artinya ada masalah kolinearitas. Kedua variabel ini tetap dimasukkan dalam proses analisis selanjutnya

Asumsi Equality

Tes ts of Equality of Gr oup Me ans Wilks ' Lambda .941 .932 .892 .996 .942 F 4.885 5.648 9.451 .294 4.816 df 1 1 1 1 1 1 df 2 78 78 78 78 78 Sig. .030 .020 .003 .589 .031

UMURIBU BBIBU Pendapatan jamkerja A NC

1. Contoh analisis menggunakan uji F: 1. Variabel Umur Ibu, angka Sig adalah 0,030 (p < 0,05). Hal ini berarti ada perbedaan antar grup, atau responden yang mengalami BBLR atau tidak BBLR terkait dengan umur responden tersebut. Mungkin mereka yang lebih tua akan berisiko mengalami BBLR dibandingkan dengan mereka yang masih muda, atau mungkin sebaliknya. Hal ini akan dibahas saat sudah terbentuk model deskriminan. a) Variabel berat badan ibu angka Sig. Adalah 0,020 (p<0,05). Hal ini berarti berat badan ibu mempengaruhi anak yang dilahirkannya mengalami BBLR atau tidak BBLR b) Variabel Jam kerja ibu angka Sig adalah 0,589 (p>0,05). Hal ini berarti jumlah jam kerja ibu tidak mempengaruhi anak yang dilahirkannya mengalami BBLR atau tidak BBLR.

a. Dari lima variabel ada empat variabel yang berbeda secara signifikan untuk dua grup diskriminan (BBLR dan Tidak BBLR), yaitu UMUR IBU, BERAT BADAN IBU, PENDAPATAN DAN ANC. Dengan demikian BBLR atau tidak BBLR anak yang dilahirkan oleh ibu dipengaruhi oleh umur ibu, berat badan ibu, pendapatan keluarga dan ANC ibu.

a. Untuk Asumsi Equality dapat dilihat pada Test Results


Test Results Box's M F Approx. df1 df2 Sig. 21.842 1.356 15 24496.105 .160

Tests null hypothesis of equal population covariance matrices.

b. Dari tabel terlihat bahwa Sig = 0,160 berarti p value jauh ditas 0,05, yang berarti proup covariance matrices adalah sama. Hal ini berarti data di atas sudah memenuhi asumsi analisis diskriminan, dilanjutkan. c. Catatan: Bagaimana jika ternyata proup covariance matrices adalah berbeda secara nyata? Jika hal ini terjadi pada variabel dependen yang hanya ada dua kelompok, seperti pada kasus ini (dua kategori: BBLR dan Tidak BBLR), maka proses tidak dapat dilanjutkan. sehingga proses bisa

Membuat Fungsi Diskriminan

Pada menu utama: klik atau beri tanda centang pilihan Use stepwise method, tindakan ini secara otomatis mengaktifkan ikon Method. Catatan: Pilihan Use stepwise method akan memasukkan variabel satu persatu ke dalam model, sedangkan pilihan Enter Independent Together memasukkan variabel sekaligus.

Group Statis tics V alid N (lis tw is e) Unw eighted Weighted 40 40.000 40 40.000 40 40.000 40 40.000 40 40.000 40 40.000 40 40.000 40 40.000 80 80.000 80 80.000 80 80.000 80 80.000

BBLR BBLR

TDK BBLR

Total

UMURIBU BBIBU Pendapatan A NC UMURIBU BBIBU Pendapatan A NC UMURIBU BBIBU Pendapatan A NC

Mean 31.65 57.10 654.00 3.18 28.65 51.63 573.00 2.88 30.15 54.36 613.50 3.03

Std. Deviation 6.053 11.963 107.006 .549 6.087 8.316 127.746 .667 6.218 10.601 123.975 .626

1. Dari tabel diatas terlihat perbedaan rata-rata variabel-variabel dari kedua kelompok, dimana rata-rata dari masing-masing variabel antara kelompok berbeda, namun apakah perbedaan tersebut signifikan? 2. Kemudian tabel diatas terlihat ada 40 responden yang anaknya mengalami BBLR, sedangkan 40 responden lainnya tergolong anaknya yang tidak mengalami BBLR, maka pada kasus ini tidak ada data yang hilang (missing), sehingga total data untuk semua variabel adalah 80 responden. Catatan: Bila ada satu atau beberapa data yang hilang atau tidak tercatat, bisa dilakukan proses rata-rata untuk pengisian data yang kosong, atau menghilangkan data missing dari proses pembuatan model.

V ariables Entere d/Rem ovea,b,c,d d Min. D Squared Betw een Groups BBLR and TDK BBLR BBLR and TDK BBLR Ex ac t F Statistic 9.451 df 1 1 df 2 78.000 Sig. .003

Step 1

Entered Pendapat an BBIBU

Statistic .473

2 .799

7.883

77.000

.001

A t each s tep, the variable that max imiz es the Mahalanobis distance betw een the tw o closest groups is entered. a. Max imum number of steps is 8. b. Max imum signif ic anc e of F to enter is .05. c. Minimum signif ic anc e of F to remov e is .10. d. F level, tolerance, or V IN insuf f icient f or f urther computation.

Tabel Variabel Entered dari Analysis 1

(Stepwise Statistics) memperlihatkan variabel mana saja yang masuk ke dalam fungsi diskriminan, dimana nilai p < 0,05

V ariables in the Analysis Step 1 2 Toleranc e 1.000 .997 BBIBU .997 .019 .473 Sig. of F to Remov e .003 .003 Min. D Squared Betw een Groups BBLR and TDK BBLR BBLR and TDK BBLR

Pendapatan Pendapatan

.282

Pada tahap 1, variabel PENDAPATAN yang pertama masuk kedalam fungsi diskriminan karena variabel ini mempunyai p value = 0,003 (p< 0,05). Pada tahap 2, variabel BBIBU juga masuk karena mempunyai p value= 0,019 (p<0,05)

V ariables Not in the Analys is Step 0 Toleranc e UMURIBU 1.000 BBIBU 1.000 Pendapatan 1.000 A NC 1.000 1 UMURIBU .305 BBIBU .997 A NC .518 2 UMURIBU .304 A NC .517 .517 .854 .801 .303 .471 .831 .518 .938 .473 .997 .019 .799 .305 .552 .493 1.000 .031 .241 1.000 .003 .473 1.000 .020 .282 1.000 .030 .244 Min. Toleranc e Sig. of F to Enter Min. D Squared Betw een Groups BBLR and TDK BBLR BBLR and TDK BBLR BBLR and TDK BBLR BBLR and TDK BBLR BBLR and TDK BBLR BBLR and TDK BBLR BBLR and TDK BBLR BBLR and TDK BBLR BBLR and TDK BBLR

1. Tabel Summary Canonical Discriminant Analysis, mengukur keeratan hubungan antara diskriminan score dengan grup (dalam hal ini, karena ada dua tipe responden, maka ada dua grup)
Eigenvalues Function 1 Eigenvalue % of Variance .205a 100.0 Cumulative % 100.0 Canonical Correlation .412

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

2. Perhatikan

pada

kolom

Canonical

Correlation

angkanya

0,412

menunjukkan keeratan yang cukup tinggi, dengan ukuran skala asosiasi antara 0 sampai 1.

1. Tabel Structure Matrix menjelaskan korelasi antara variabel independent dengan fungsi diskriminan yang terbentuk.
Structure Matrix Function 1 .769 .664 .595 .512

Pendapatan UMURIBUa BBIBU ANCa

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.

2. Terlihat variabel PENDAPATAN paling erat hubungannya dengan fungsi diskriminan, diikuti oleh variabel UMURIBU, BBIBU DAN ANC. Hanya disini variabel UMURIBU dan ANC tidak masuk kedalam model diskriminan (perhatikan tanda huruf a di dekat variabel tesebut)

1. Tabel Summary of Canonical Discriminant Coefficients, dapat dilihat nilai Unstandardized coefficients yang merupakan fungsi diskriminan.
Canonical Discriminant Function Coefficients Function 1 .062 .007 -7.569

BBIBU Pendapatan (Constant)

Unstandardized coefficients

2. Hasil menunjukkan model (fungsi) diskriminan yang tebentuk adalah: Zscore = - 7,569 + 0,062 Berat badan ibu + 0,007 Pendapatan 3. Kegunaan fungsi ini untuk mengetahui sebuah case (dalam kasus ini adalah ibu bersalin) masuk pada grup yang satu ataukah tergolong pada grup yang lainnya.

1. Tabel Fungtion at Group Centroids memperlihatkan nilai rata-rata tiap kelompok


Functions at Group Centroids Function 1 .447 -.447

BBLR BBLR TDK BBLR

Unstandardized canonical discriminant functions evaluated at group means

Oleh karena ada dua tipe responden, maka disebut two group discriminant, dimana grup yang satu mempunyai centroid (group mean) negative (-0,447) dan grup yang satunya lagi mempunyai centroid positif (0,447)

1. Tabel Priod Probabilities For Groups, memperlihatkan komposisi responden pada fungsi diskriminan.
Prior Probabilities for Groups Cases Used in Analysis Unweighted Weighted 40 40.000 40 40.000 80 80.000

BBLR BBLR TDK BBLR Total

Prior .500 .500 1.000

Tabel diatas memperlihatkan komposisi ke 80 responden yang dengan fungsi diskriminan menghasilkan 40 responden ada dikelompok BBLR sedangkan sisanya di kelompok Tidak BBLR

1. Untuk membuat cut off score (nilai batas) dilakukan penghitungan Zcu.

Z CU
Dimana: ZCU NA dan NB ZA dan ZB Perhitungan:

N AZ B N B Z A N A NB

= Angka Kritis, yang berfungsi sebagai cut off score = Jumlah sampel di Grup A dan B, yang dalam kasus ini grup BBLR dan grup Tidak BBLR. = Angka centroid pada kasus kelompok A dan B.

Z CU

40 x 0,447 40 x0,447 0 40 40

Penggunaan angka ZCU (Discriminant Z Score): 1. Bila angka skor kasus > ZCU, maka kasus tersebut masuk ke kelompok BBLR (kode 0). 2. Bila angka skor kasus < ZCU, maka kasus tersebut masuk ke kelompok Tidak BBLR (kode 1) Catatan: Penggunaan angka 0 sebagai pembatas pada kasus ini karena kebetulan didapat angka yang praktis sama dengan nol. Pada banyak kasus lainya, tentu angka pembatas bisa tidak sama dengan nol, seperti -1,2 atau -2,1 dan sebagainya.

Kasus nomor 1, mempunyai score 1,115.

Karena 1,115 > 0 , maka responden nomor 1 masuk pada kelompok BBLR. Kasus nomor 6, mempunyai score -0,711. karena -0,711 < 0, maka responden nomor 6 masuk pada kelompok tidak BBLR

1. Menguji Signifikan dari Fungsi Diskriminan Untuk mengetahui nilai signifikan dari fungsi diskriminan yang terbentuk, dilihat dari Wilks Lambda pada Summary of Canonical Diskriminan Function.
Wilks' Lambda Test of Function(s) 1 Wilks' Lambda .830 Chi-square 14.343 df 2 Sig. .001

Dari hasil output diatas terlihat bahwa hasil signifikansi dari uji kelompok variabel dependen.

Wilks

Lambda 0,001 ( p < 0,05) ini menunjukkan perbedaan yang jelas antara

1. Menguji Ketepatan Klasifikasi dari Fungsi Diskriminan. Untuk mengetahui ketepatan klasifikasi fungsi diskriminan, dilihat dari Classification Results pada Casewise Diagnostics
b,c Classification Results

Original

Count %

Cross-validated a

Count %

BBLR BBLR TDK BBLR BBLR TDK BBLR BBLR TDK BBLR BBLR TDK BBLR

Predicted Group Membership BBLR TDK BBLR 28 12 14 26 70.0 30.0 35.0 65.0 27 13 14 26 67.5 32.5 35.0 65.0

Total 40 40 100.0 100.0 40 40 100.0 100.0

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. 67.5% of original grouped cases correctly classified. c. 66.3% of cross-validated grouped cases correctly classified.

Dari output diatas terlihat bahwa ketepatan prediksi dari model adalah 67,5% dan dalam menerangkan kejadian BBLR. Untuk memperhitungkan kemungkinan berbagai bias dilakukan uji kekuatan prediksi dengan metode Leave-one-out-cross validation, dan diperoleh hasil 66,3%. Dengan demikian terbukti bahwa fungsi diskriminan tersebut mempunyai ketepatan prediksi yang tinggi, maka fungsi diskriminan tersebut dapat digunakan untuk memprediksi sebuah kasus, apakah akan diklasifikasikan ke tipe BBLR atau tipe Tidak BBLR.

1. Melakukan interprestasi terhadap fungsi diskriminan tersebut. Fungsi diskriminan yang diperoleh adalah: Zscore = - 7,569 + 0,062 Berat badan ibu + 0,007 Pendapatan Contoh kasus: Jika ada seorang ibu mempunyai berat badan 50 Kg dan mempunyai pendapatan keluarga rata-rata perbulan 750.000 perbulan, maka dengan memasukkan data tersebut kedalam fungsi diskriminan : Zscore = - 7,569 + 0,062 Berat badan ibu + 0,007 Pendapatan Zscore = - 7,569 + (0,062 x 50) + (0,007 x 750) Zscore = + 0,781 Oleh karena angka skor (+0,781) diatas ZCU maka ibu tersebut masuk ke grup BBLR atau ibu tersebut termasuk tipe ibu yang berpotensi anaknya mengalami BBLR

1. Kesimpulan a. Ada perbedaan yang signifikan antara responden yang anaknya mengalami BBLR dengan responden yang anaknya tidak mengalami BBLR. Hal ini dibuktikan pada analisis Wilks Lambda. b. Variabel yang membuat perbedaan terhadap responden yang anaknya mengalami BBLR dengan responden yang anaknya tidak mengalami BBLR adalah Berat Badan Ibu dan Pendapatan Keluarga. Dimana Pendapatan Keluarga merupakan stronger diskriminant factor. c. Model atau Fungsi diskriminan yang diperoleh adalah: Zscore = - 7,569 + 0,062 Berat badan ibu + 0,007 Pendapatan d. Model (fungsi) diskriminan diatas mempunyai ketepatan mengklasifikasi kasus sebesar 67,5. karena diatas 50% ketepatan model dianggap tinggi, dan model diatas bisa digunakan untuk mengklasifikasikan sebuah kasus pada kejadian BBLR

Anda mungkin juga menyukai