Analisis Diskriminan

Analisis Diskriminan adalah teknik Multivariat yang termasuk pada Dependence Method,
dengan ciri adanya variabel dependen dan independen. Dengan demikian, ada variabel yang
hasilnya tergantung pada data variabel independen.

Ciri khusus analisis diskriminan adalah data veriabel dependen harus berupa data
kategori, sedangkan data untuk variabel independen justru berupa data rasio.

Secara teknis, analisis diskriminan mirip dengan analisis regresi, karena keduanya
mempunyai variabel dependen dan variabel independen dalam modelnya. Hanya pada
analisis regresi (sederhana maupun berganda), variabel dependen harus data rasio;
sedangkan pada analisis diskriminan, jenis data untuk variabel dependen harus kategori.
Asumsi pada Analisis Diskriminan
 Asumsi penting yang harus dipenuhi agar model diskriminan bisa
digunakan adalah:
 Normalitas Multivariat. Variabel dependen harus berdistribusi normal,
jika data tidak berdistribusi normal, hal ini akan menyebabkan masalah
pada ketetapan fungsi (model) diskriminan.
 Homoskedastisitas data. Matriks kovarians dari semua variabel
independen seharusnya sama.
 Tidak ada korelasi antar variabel independen. Jika dua variabel
independen mempunyai korelasi yang kuat, dikatakan terjadi
multikolinieritas.
 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.
 Contoh Kasus Tujuan Analisis Diskriminan
 PT. HATCO adalah sebuah perusahaan yang bergerak di bidang “Good and Service”, tentu saja
dalam mengembangkan usahanya PT. HATCO memerlukan bahan dasar untuk membuat produk.
Bahan dasar ini dibeli dari pabrik yang memproduksi bahan dasar dalam pengembangan usaha PT.
HATCO. Dalam pembelian bahan dasar tersebut PT. HATCO tidak asal membeli karena PT.
HATCO tidak ingin membeli bahan dasar yang nantinya malah merugikan PT. HATCO itu
sendiri. Ada 6 faktor yang mempengaruhi keputusan PT. HATCO dalam pembelian bahan dasar
yang diproduksi oleh suatu pabrik, antara lain: Delivery Speed (DS), Manufacturer Image (MI),
Service (Se), Sales Force Image (SFI), Product Quality (PQ), Usage Level (UL). PT. HATCO
ingin mengetahui faktor apa saja yang mempengaruhi keputusan dalam membeli suatu bahan
dasar, oleh karena itu dilakuan Analisis Diskriminan untuk mengetahui:
 Apakah memang ada perbedaan yang jelas di antara keputusan yang diambil PT. HATCO, sehingga
keputusan membeli bahan dasar atau tidak dapat dengan jelas dibedakan?
 Jika memang ada perbedaan di antara keputusan yang diambil oleh PT. HATCO, faktor mana yang
perbedaannya memang nyata dan faktor mana yang sesungguhnya tidak jelas berbeda?
 Model Diskriminan untuk memprediksi PT. HATCO membeli atau tidak bahan dasar yang
dihasilkan oleh suatu pabrik?
 Sejauh mana ketepatan model diskriminan yang sudah diperoleh dalam memprediksi keputusan
PT. HATCO dalam membeli bahan dasar?
Pada analisis diskriminan ini digunakan dua jenis sampel, yakni analysis sample yang
digunakan untuk membuat Fungsi Diskriminan, serta holdout sample (split sample) yang
digunakan untuk menguji hasil diskriminan. Analysis sample sebanyak 60 sampel dan
holdout sample sebanyak 40 sampel.
Data dari 60 pabrik yang digunakan untuk analisis ditampilkan dalam tabel di bawah:
 Keterangan:
 Pabrik : Pabrik ke-i yang diambil sebagai sampel
 X1 : Delivery Speed (DS)
 X2 : Manufacturer Image (MI)
 X3 : Service (Se)
 X4 : Sales Force Image (SFI)
 X5 : Product Quality (PQ)
 X6 : Usage Level (UL)
 Y : Keputusan PT. HATCO (1=beli, 0=tidak beli)

3.1 Uji Normalitas Multivariat
 Uji normalitas pada multivariat ada dua cara. Pertama, dengan menguji pada
setiap variabel. Kedua, dilakukan pada seluruh variabel secara bersama-sama.
Pada kasus ini dilakukan pengujian secara bersama-sama. Pengujian normalitas
dibantu dengan software MS. Excel 2007.
 20.000

18.000

16.000

14.000

12.000

10.000

8.000

6.000

4.000

2.000

0.000
0.000 2.000 4.000 6.000 8.000 10.000 12.000 14.000 16.000 18.000
diurutkan

Terlihat sebaran data dari data di atas bergerombol di sekitar garis uji yang
mengarah ke kanan atas, dan tidak ada data yang terletak jauh dari sebaran
data. Dengan demikian, data tersebut bisa dikatakan normal multivariat.
3.2 Uji Homoskedastisitas Data

 Uji Homoskedastisitas data menggunakan software SPSS 17

 Hipotesis:
 H0 : kedua varians populasi adalah identik
(Homoskedastisitas)
 H1 : kedua varians populasi adalah tidak identik
(Heteroskedastisitas)
 α : 5%
 Kriteria Uji:
 Jika Probabilitas (SIG) > 0,05, maka H0 diterima
 Jika Probabilitas (SIG) < 0,05, maka H0 ditolak

 Kesimpulan:
 Pada baris X1 dari tabel output di atas, dan dengan dasar
maupun median didapat angka Sig. adalah 0,982 sehingga H0
diterima, begitu pula untuk variabel X2, X3, X4, X5 dan X6
semua angka Sig. berada di atas 0,05 sehingga H0 diterima.
 Sehingga bisa disimpulkan terjadi Homoskedastisitas antara
populasi dengan jawaban “Beli” dan jawaban “Tidak Beli”.
3.3 Multikolinieritas

 Uji Multikolinieritas menggunakan software SPSS 17.

 Hipotesis:
 H0 : Tidak ada korelasi antar variabel independen
 H1 : Ada korelasi antar variabel independen
(multikolinieritas)
 α : 5%
 Kriteria Uji:
 Tolak H0 jika VIF > 10, terima dalam hal lainnya.

 Kesimpulan:
 Berdasarkan output dari SPSS nilai VIF setiap variabel:
 DS = 2,388 < 10
 MI = 3,066 < 10
 Se = 2,670 < 10
 SFI = 2,793 < 10
 PQ = 1,628 < 10
 UL = 2,836 < 10
 Semua nilai VIF setiap variabel di bawah 10 sehingga dapat diambil kesimpulan
tidak terdapat korelasi antar variabel independen (tidak terjadi
multikolinieritas).
4.1 Tahapan Pengujian Analisis Diskriminan

 4.1.1 Uji Perbedaan antar Grup

 Hipotesis:
 H0 : Tidak ada perbedaan antar grup
 H1 : Ada perbedaan antar grup
 α : 5%

 Stat Uji:
 Dengan menggunakan software SPSS 17 didapat output
sebagai berikut
 Kriteria Uji:
 Jika Sig. > 0,05 H0 diterima
 Jika Sig. < 0,05 H0 ditolak
 Kesimpulan:
 Berdasarkan tabel di atas didapat bahwa:
 Angka Sig. Variabel Delivery Speed (DS) < 0,05
 Angka Sig. Variabel Manufacturer Image (MI) < 0,05
 Angka Sig. Variabel Service (Se) < 0,05
 Angka Sig. Variabel Sales Force Image (SFI) < 0,05
 Angka Sig. Variabel Product Quality (PQ) > 0,05
 Angka Sig. Variabel Usage Level (UL) < 0,05
 Dari tabel terlihat angka Wilk’s Lambda berkisar antara 0,540 sampai 0,967. Berdasarkan kolom Sig.
bisa dilihat bahwa hanya variabel PQ (Product Quality) yang mempunyai angka Sig. > 0,05 sehingga
dapat dikatakan bahwa variabel PQ (Product Quality) cenderung tidak berbeda. Hal ini berarti
Product Quality dalam mempengaruhi keputusan PT. HATCO “Beli” dan “Tidak Beli” ternyata tidak
berbeda secara nyata. Sehingga hanya satu variabel yang tidak lolos.
4.1.2 Uji Matriks Covarians antar Grup

 Hipotesis:
 H0 : group covariance matrices adalah relatif sama
 H1 : group covariance matrices adalah berbeda secara nyata
 α : 5%

 Stat Uji:
 Dengan menggunakan Box’s M
 Dengan menggunakan output Log Determinants

 Kriteria Uji:
 Jika Sig. > 0,05 berarti H0 diterima
 Jika Sig. < 0,05 berarti H1 ditolak Kesimpulan:
 Berdasarkan output Box’s M terlihat bahwa angka Sig. > 0,05 yang berarti group
covariance matrices adalah sama.
 Berdasarkan output Log Determinants terlihat bahwa angka Log Determinants untuk
kategori keputusan 0 (Tidak beli) dan keputusan 1 (Beli) tidak berbeda banyak, sehingga
group covariances matrices akan relatif sama untuk kedua group.
PROSES DISKRIMINAN PADA KASUS
 5.1 Menggunakan metode Mahalanobis distance
dan proses yang dilakukan proses stepwise
(bertahap)
 Berdasarkan tabel output di atas dapat dilihat bahwa “Delivery
Speed” pada kategori keputusan 0 (Tidak Beli) mempunyai rata-
rata 3,2536. Sedangkan pabrik yang mempunyai “Delivery Speed”
pada kategori keputusan 1 (Beli) mempunyai rata-rata 4,1063.
 Demikian pula untuk variabel lainnya, semua mempunyai angka
rata-rata dan standar deviasi yang berbeda untuk kedua grup
kategori keputusan PT. HATCO.
 Dari tabel di atas juga terlihat bahan dasar yang diproduksi 28
pabrik masuk kategori tidak akan dibeli oleh PT. HATCO,
sedangkan 32 pabrik bahan dasar yang dihasilkannya akan dibeli
oleh PT. HATCO. Jika melihat semua variabel terisi agka 28 dan
32, maka pada kasus ini tidak ada data yang hilang (missing),
sehingga total data untuk semua variabel adalah 60 buah.
 Berdasarkan tabel output di atas kedua variabel (Manufacturer
Image dan Service) memiliki angka Sig. di bawah 0,05.
 Dengan demikian, dari lima variabel yang dimasukkan, hanya ada
dua variabel yang signifikan. Atau bisa dikatakan “Manufacturer
Image” dan “Service” mempengaruhi pengambilan keputusan PT.
HATCO dalam membeli bahan dasar yang dihasilkan oleh suatu
pabrik atau tidak.
 Tabel di atas hanyalah sebagai perincian dari proses stepwise pada
tabel sebelumnya. Dari tabel output di atas dapat dilihat pada step
1, variabel “MI” adalah variabel pertama yang masuk dalam model
diskriminan. Hal ini disebabkan variabel tersebut mempunyai
angka Sig. of F to Remove yang paling sedikit yakni 0,000
 Kemudian pada step 2, dimasukkan variabel kedua yaitu “Se”,
karena mempunyai angka Sig. of F to Remove sedikit lebih besar
dari Sig. of F to Remove variabel “MI” yakni 0,001.
 Tabel di atas adalah kebalikan dari tabel sebelumnya, di mana pada tabel ini
justru yang dimunculkan adalah proses pengeluaran variabel secara bertahap.
 Pada step 0 (keadaan awal), kelima variabel secara lengkap dimunculkan dengan
angka Sig. of F to Enter yang terkecil adalah variabel “MI” (walaupun angka Sig.
of F to Enter yang lain sama yaitu 0,000 hanya saja output pada SPSS kasus ini
tiga angka dibelakang koma sehingga sulit untuk melihat yang paling kecil)
 Pada step 1, sekarang terlihat ada empat variabel, dan terlihat variabel “Se” pada
step ini mempunyai angka Sig. of F to Enter paling kecil yaitu 0,001 sehingg
variabel tersebut dikeluarkan.
 Wilk’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 atas dua tahap (step), yang terkait dengan 2
variabel yang secara berurutan dimasukkan pada tahapan analisis sebelumnya.
 Pada step 1, jumlah variabel yang dimasukkan ada satu yaitu variabel “MI”,
dengan angka Wiilk’s Lambda adalah 0,54. Hal ini berarti 54% varians tidak
dapat dijelaskan oleh perbedaan antara grup-grup. Kemudian pada step 2,
dengan tambahan variabel “Se”, angka Wilk’s Lambda turun menjadi 0,447.
Penurunan angka Wilk’s Lambda tentu baik bagi model diskriminan, karena
varians yang tidak bisa dijelaskan juga semakin kecil dari 54% menjadi 44,7%.
 Dari kolom F dan signifikansinya, terlihat baik pada pemasukkan variabel 1 dan
2,, semuanya adalah signifikan secara statistik. Hal ini semakin meyakinkan
kesimpulan bahwa kedua varaibel (Manufacturer Image dan Service) memang
berbeda untuk kedua kategori keputusan yang diambil oleh PT. HATCO.

 Tabel di atas menyatakan angka akhir dari Wilk’s lambda,
yang sebenarnya sama saja dengan angka terakhir dari step 2
pembuatan model diskriminan. Angka Chi-Square sebesar
45,951 dengan tingkat signifikansi yang tinggi menunjukan
perbedaan yang jelas antara dua grup kategori keputusan PT.
HATCO (Beli dan Tidak Beli).
Tabel structure matrix menjelaskan
korelasi antara variabel indepenen
dengan fungsi diskriminan yang
terbentuk. Terlihat variabel “MI”
paling erat hubungannya dengan
fungsi diskriminan, diikuti oleh
variabel Se, SFI, UL, DS. Hanya di sini
variabel SFI, UL serta DS tidak
dimasukkan dalam model diskriminan
(perhatikan tanda huruf a di dekat
variabel tersebut). Perhatikan tanda
korelasi yang sama dengan tanda
koefisien pada mdel discriminant
score.
 Tabel di atas mempunyai fungsi yang hampir
mirip dengan persamaan regresi berganda, yang
dalam analisis diskriminan disebut sebagai
Fungsi Diskriminan :
 Z Score = -7,446 + 0,929 MI + 0,879 Se
 Kegunaan fungsi tersebut untuk mengetahui
sebuah case (dalam kasus ini adalah sebuah
pabrik) masuk pada grup yang satu, ataukah
tegolong pada grup yang lainnya.

 Selain fungsi di atas, dengan dipilihnya Fisher
Function Coefficient pada proses analisis, maka
akan terbentuk pula fungsi diskriminan fisher
(lihat pembahasan selanjutnya).