4_Analisis Diskriminan.ppt

LOGO
www.themegallery.com
ANALISIS DISKRIMINAN
Eko Ganiarto
1
Sumber: Santoso, S. (2012). Aplikasi SPSS pada Statistik Multivariat. Jakarta: PT Elex Media Komputindo

Materi Pembahasan
Pengertian Analisis Diskriminan
1
Analisis Diskriminan Dua Faktor
2
Analisis Diskriminan Tiga Faktor
3
2 Eko Ganiarto

Pengertian
Analisis diskriminan:
 Suatu teknik statistik yang digunakan untuk
memprediksi probabilitas objek-objek yang terdiri
dari dua atau lebih kategori yang benar-benar
berbeda yang terdapat dalam satu variabel
dependen (terikat) didasarkan pada beberapa
variabel independen (bebas)
Ciri khusus:
 Variabel dependen: tipe kategorik/nominal/ordinal
 Variabel independen: tipe rasio/interval
3 Eko Ganiarto

1
Mengetahui
apakah ada
perbedaan yang
jelas/nyata
antar kelompok
atau grup pada
variabel
dependen.
2
Jika ada
perbedaan,
variabel
independen
mana yang
membuat
perbedaan
tersebut?
3
Membuat fungsi
atau model
diskriminan.
4
Melakukan
klasifikasi
terhadap obyek,
apakah masuk
ke dalam grup/
kelompok 1
atau grup/
kelompok 2
atau lainnya.
Tujuan
4 Eko Ganiarto

Proses Dasar
Memisah
variabel:
-Dependen
-Independen
1
Menentukan
metode untuk
membuat
fungsi
diskriminan:
1. Simul-
taneous
2. Step-wise
2
Uji
signifikansi
fungsi
diskriminan
mengguna-
kan: Wilk’s
Lambda,
F-test , dll.
3
Uji ketepatan
klasifikasi
fungsi
diskriminan,
termasuk
ketepatan
klasifikasi
secara
individual dg
Casewise
Diagnostics
4
Interpretasi
terhadap
fungsi
diskriminan
5
Uji validasi
fungsi
diskriminan
6
5 Eko Ganiarto

Jumlah dan Jenis Sampel
 Secara pasti  tidak ada jumlah yang ideal
 Pedoman umum:
 Untuk setiap variabel independen sebaiknya
ada 5 – 20 data (sampel). Jika ada enam
variabel independen, maka seharusnya
minimal ada 6 x 5 = 30 sampel
 Sebaiknya digunakan 2 jenis sampel:
1. Analysis sample  digunakan utk membuat
fungsi diskriminan
2. Holdout sample (split sample)  digunakan
untuk menguji hasil diskriminan
6 Eko Ganiarto

Jumlah dan Jenis Sampel
 Jika ada 70 sampel:
 35 sampel  analysis sample  hasil 1
 35 sampel  holdout sample  hasil 2
Kemudian hasil 1 dan hasil 2 dibandingkan,
apakah ada perbedaan atau tidak?
Bila hasilnya hampir sama besar  valid
7 Eko Ganiarto

Asumsi Analisis Diskriminan
1. Variabel independen  distribusi normal
Jika tidak normal  masalah dalam ketepatan fungsi
(model) diskriminan  alternatif solusi : gunakan
analisis regresi logistik
2. Tidak ada korelasi antar variabel independen (tidak
terjadi multikolinearitas)
3. Tidak ada data yang ekstrim (outlier)
4. Matriks kovarians dari semua variabel independen
harus sama (equal)  varians sama
8 Eko Ganiarto

Model
Y = X1 + X2 + X3 + ...+ Xn
Non metrik Metrik
Data kategorik/
nominal/ordinal
Data interval/rasio
Misal:
1 = Golongan miskin
2 = Golongan menengah
3 = Golongan kaya
9 Eko Ganiarto

Model
D = b0 + b1X1 + b2X2 + b3X3 + ...+ bnXn
D = Nilai (skor) diskriminan dari responden
D adalah variabel dependen (terikat/tak bebas)
b0 = Konstanta
b1...bn = Koefisien atau timbangan diskriminan dari variabel
X1...Xn = Variabel independen (bebas)
10 Eko Ganiarto

Contoh Penggunaan Analisis Diskriminan
1. Bagaimana mengetahui pelanggan yang loyal dapat
dibedakan dengan yang tidak loyal berdasarkan karakteristik
demografinya?
2. Apakah ada perbedaan antara pelanggan pasar modern dan
pasar tradisional? Kalau ada, variabel apa saja yang bisa
membedakan/mendiskriminasi secara signifikan?
3. Seorang analis kredit sebuah bank ingin mengetahui apakah
calon debitur merupakan nasabah yang jujur atau tidak
berdasarkan data/catatan pribadi dari nasabah tersebut.
4. Seorang dokter bisa menggunakan data tekanan darah,
berat badan, kolesterol dll, untuk membedakan pasien yang
kemungkinan besar akan terkena serangan jantung dan
yang tidak.
11 Eko Ganiarto

I. Uji Variabel
 Akan dibuat model seperti regresi, 1 variabel dependen
dan 2 atau lebih variabel independen
 Prinsip  membuat model yang bisa secara jelas
menunjukkan perbedaan (diskriminasi) antar isi variabel
dependen.
 Langkah pertama adalah menguji apakah semua
variabel independen berbeda secara nyata berdasar
variabel dependen
12 Eko Ganiarto

Kasus 1
Sebuah perusahaan air mineral mengumpulkan data
sekelompok konsumen (75 orang) dengan variabel sbb.:
 Tipe konsumen  variabel dependen
Kode 0 = SEDIKIT (sedikit minum air mineral)
Kode 1 = BANYAK (banyak minum air mineral)
 Usia konsumen (tahun)
 Berat badan konsumen (kg)
 Tinggi badan konsumen (cm)
 Pendapatan konsumen (Rp ribu/bulan)
 Jam kerja konsumen dlm sehari (jam)
 Kegiatan olah raga konsumen dlm sehari (jam)
13 Eko Ganiarto

1. Menilai Variabel yang Layak untuk Dianalisis
Langkah-langkah:
1. Buka file diskriminan.sav
2. Menu  Analyze  Classify  Discriminant ...
 Masukkan variabel minum ke bagian GROUPING VARIABLE
 Buka icon DEFINE RANGE ..., masukkan :
• Angka 0 pada Minimum
• Angka 1 pada Maximum
 Tekan tombol CONTINUE
 Masukkan variabel usia, berat, tinggi, income, jamkerja dan
olahraga ke kotak INDEPENDENT.
 Klik icon STATISTICS; pada bagian DESCRIPTIVES, aktifkan
pilihan Univariate ANOVAs dan Box’s M. Abaikan bagian lain dan
klik CONTINUE utk kembali ke kotak dialog utama
14 Eko Ganiarto

 Abaikan bagian lain dan tekan OK untuk proses uji variabel 
Output disimpan pada file DISKRIMINAN UJI VARIABEL.spv
TIDAK SEMUA BAGIAN OUTPUT DITAMPILKAN, HANYA BAGIAN
OUTPUT YANG RELEVAN SAJA YANG AKAN DIBAHAS.
Tdk berbeda nyata
Signifikan/berbeda
nyata
Signifikan/Berbeda
nyata
15 Eko Ganiarto

Analisis:
 Tabel Test of Equality of Group Means adalah hasil pengujian utk setiap
variabel bebas yang ada.
 Keputusan diambil dengan 2 cara:
1. Dengan angka Wilk’s Lambda; berkisar 0 – 1.
Jika mendekati 0  rata-rata antar grup cenderung berbeda
Jika mendekati 1  rata-rata antar grup cenderung sama
Dari tabel terlihat semua variabel  mendekati 1  sulit ditentukan
secara pasti  perlu bantuan uji F (ANOVA)
2. Dengan F-test (ANOVA)  lihat angka Sig.
Jika Sig. > 0.05  tidak ada perbedaan antar grup
Jika Sig. < 0.05  ada perbedaan antar grup
Variabel Jamkerja  Sig. = 0.783 > 0.05  tdk memengaruhi
banyak sedikitnya konsumsi air mineral.
16 Eko Ganiarto

 Dari 6 variabel, ada 5 variabel yang berbeda secara signifikan untuk dua
grup diskriminan, yaitu variabel USIA, BERAT, TINGGI, INCOME dan
OLAHRAGA  Sedikit atau banyaknya konsumsi seseorang akan air
mineral dipengaruhi oleh usia, berat dan tinggi badan, tingkat
penghasilan dan kegiatan olahraganya.
2. Uji Kesamaan Covarian Matrices  Box’s M
Sig. > 0.05  group covariance
matrices adalah sama
17 Eko Ganiarto

Uji Kesamaan Covarian Matrices  Log Determinants
Angka-angka ini tdk
berbeda banyak, artinya
group covariance matrices
adalah relatif sama
18 Eko Ganiarto

II. Melakukan Analisis Diskriminan – Proses Diskriminan
Dari uji variabel diketahui ada 5 variabel lolos uji, yaitu USIA, BERAT,
TINGGI, INCOME dan OLAHRAGA. Langkah selanjutnya adalah
membuat model diskriminan dua faktor untuk kasus tersebut.
Langkah-langkah:
1. Buka file diskriminan.sav
19 Eko Ganiarto

 Masukkan variabel usia, berat, tinggi, income, jamkerja dan
olahraga ke kotak INDEPENDENT.
 Klik icon STATISTICS; pada bagian DESCRIPTIVES, aktifkan
pilihan Means.
 Pada bagian FUNCTION COEFFICIENTS, aktifkan pilihan
Fisher’s dan Unstandardized.
 Abaikan bagian lain, lalu klik CONTINUE utk kembali ke kotak
dialog utama
 Pada kotak DISCRIMINANT, klik Use stepwise method  icon
METHOD akan terbuka  klik icon METHOD.
• Pada bagian METHOD  pilih Mahalanobis distance
• Pada bagian CRITERIA  pilih Use Probability of F, namun
jangan mengubah isi yang sudah ada
 Abaikan bagian lain, klik CONTINUE
 Klik icon CLASSIFY:
20 Eko Ganiarto

• Pada bagian DISPLAY, aktifkan pilihan Casewise results 
utk membandingkan kasus awal dengan model diskriminan
• Pada bagian DISPLAY, aktifkan juga pilihan Leave-one-out-
classification  utk menampilkan data yang cocok dengan
hasil proses diskriminan dan mana yg tdk cocok.
 Abaikan bagian lain, klik CONTINUE.
 Klik OK untuk proses data.
III. Analisis Output Diskriminan
Output disimpan dalam file DISKRIMINAN 2 FAKTOR
21 Eko Ganiarto

Tabel GROUP STATISTICS  berisi data statistik (deskriptif) yang
utama, yaitu rata-rata dan standar deviasi dari kedua grup konsumen.
22 Eko Ganiarto

Tabel ini menyajikan variabel mana saja dari lima variabel input yang
bisa dimasukkan dalam persamaan diskriminan
23 Eko Ganiarto
Signifikan

Tabel ini hanya perincian dari proses stepwise pada tabel Variable
Entered/Removed.
24 Eko Ganiarto

Tabel ini hanya perincian dari proses stepwise  variabel yang tersisa (pada
step terakhir) adalah variabel yang tidak dianalisis lebih lanjut.
25 Eko Ganiarto

Tabel ini pada prinsipnya menunjukkan varians total dalam discriminant
scores yang tdk bisa dijelaskan oleh perbedaan di antara grup-grup
yang ada.
26 Eko Ganiarto
Terjadi penurunan nilai Lambda : dari 89,4%
menjadi 76,3%  penurunan dalam varians total
dalam discriminant score yg tdk bisa dijelaskan
oleh perbedaan di antara grup-grup yang ada 
baik

Tabel di atas mengukur keeratan hubungan antara discriminant score dengan
grup.
Tabel Wilk’s Lambda di atas menyatakan angka akhir dari Wilk’s Lambda 
sama dengan angka terakhir step 3 pada tabel Wilk’s Lambda sebelumnya.
27 Eko Ganiarto
Cukup tinggi
(skala 0 – 1)

Tabel ini menjelaskan korelasi antara variabel independen dengan fungsi
diskriminan yang terbentuk.
28 Eko Ganiarto

Tabel ini menunjukkan koefisien persamaan/fungsi diskriminan.
z Score = 7,884 + 0,064 BERAT – 0,093 TINGGI + 0,006 INCOME
29 Eko Ganiarto

Tabel ini menunjukkan perbedaan centroid (group means) antara dua
grup.
30 Eko Ganiarto

Tabel di atas memperlihatkan komposisi ke-75 responden  37 responden di
grup banyak dan 38 responden di grup sedikit.
31 Eko Ganiarto

1. Mereka yang minum air mineral SEDIKIT:
SCORE = -297,882 + 0,035 BERAT + 3,587 TINGGI + 0,036 INCOME
2. Mereka yang minum air mineral BANYAK:
SCORE = -306,557 - 0,035 BERAT + 3,690 TINGGI + 0,030 INCOME
Tabel ini mempelihatkan fungsi diskriminan dari Fisher yang membuat
semacam persamaan regresi dengan pembagian berdasarkan kode grup.
32 Eko Ganiarto

Tabel ini (diperlihatkan sebagian) pada prinsipnya ingin menguji apakah model
diskriminan yang terbentuk akan mengelompokkan dengan tepat seorang
responden pada kategori minum BANYAK atau SEDIKIT.
33 Eko Ganiarto

 Untuk aplikasi pada perhitungan score pada tabel Casewise Statistics
digunakan fungsi Unstandardized:
zScore = 7,884 + 0,064 BERAT – 0,093 TINGGI + 0,006 INCOME
 Contoh:
Responden 1, Rusdi, kategori minum SEDIKIT:
Berat = 65 kg; Tinggi = 154 cm; Income = Rp 680.000/bulan
Maka perhitungan score untuk Rusdi adalah:
z Score = 7,884 + (0,064*65) - (0,093*154) + (0,006*680) = 1,802
Bandingkan hasil tsb. dgn output SPSS pada tabel Casewise
Statistics kolom terakhir (Discriminant Scores), yang hasilnya 1,571.
Perbedaan angka tersebut karena adanya pembulatan  seharusnya
hasilnya mendekati/hampir sama dengan 1,571 (score 1,802 terlalu
besar karena ada pembulatan).
34 Eko Ganiarto

 Hasil score tersebut selanjutnya dibandingkan dengan cut off score
(nilai batas/nilai kritis), untuk mengetahui apakah case (responden)
masuk ke grup SEDIKIT atau ke grup BANYAK.
Pembuatan Cut off Score (nilai batas) - ZCU
 Lihat tabel Prior Probabilities for Groups  responden SEDIKIT = 38
orang dan responden BANYAK = 37 orang.
ZCU = NA.ZB + NB.ZA
NA + NB
Zcu = Angka kritis, sebagai cut off score
NA = Jumlah sampel di grup A (SEDIKIT)
NB = Jumlah sampel di grup B (BANYAK)
ZA = Angka centroid pada grup A
ZB = Angka centroid pada grup B
35 Eko Ganiarto

 Perhitungan:
ZCU = NA.ZB + NB.ZA
NA + NB
= 38.(-0,557)+37.(0,542)
38 + 37
= - 0,01483  praktis sama dengan nol (0)
 Penggunaan angka ZCU (Discriminating Z Score):
 Angka skor kasus > ZCU  masuk ke grup SEDIKIT (kode 0)
 Angka skor kasus < ZCU  masuk ke grup BANYAK (kode 1)
 Lihat kembali tabel Casewise Statistics
36 Eko Ganiarto

Bandingkan dengan angka Zcu (= 0),
Jika > Zcu  masuk ke grup SEDIKIT
Jika < Zcu  masuk ke grup BANYAK
37 Eko Ganiarto

Data awal
menyatakan case 1
dikategorikan sbg
grup 0 (SEDIKIT)
Hasil perhitungan
score case 1
diprediksi masuk ke
grup 0  sama
dengan aktual 
fungsi diskriminan
MAMPU mengka-
tegorikan case 1
dengan tepat
Hasil prediksi (1)
tdk sama dengan
aktual (0)  fungsi
diskriminan TIDAK
mampu mengkate-
gorikan case 7 dgn
tepat (tanda **)
Kemungkinan case 1
tepat diklasifikasikan
ke grup 0 adalah 85%
Kemungkinan case 1 tidak
tepat diklasifikasikan ke
grup 0 adalah 15%
38 Eko Ganiarto

Tabel ini memperlihatkan seberapa jauh klasifikasi sudah tepat  ((27+24)/75) =
68 %  ketepatannya tergolong tinggi.
Disarankan gunakan
metode ini untuk mengu-
rangi bias pada proses
klasifikasi  hasilnya
ternyata juga sama yaitu
68 % tepat.
39 Eko Ganiarto

 Setelah terbukti bahwa fungsi diskriminan mempunyai ketepatan
prediksi yang tinggi, maka fungsi diskriminan tersebut bisa
digunakan untuk memprediksi sebuah kasus, apakah akan
diklasifikasikan ke tipe SEDIKIT minum air mineral atau ke tipe
BANYAK minum air mineral.
 Contoh Kegunaan:
Jika seorang konsumen bernama Budi, dgn berat badan 70 kg,
tinggi 175 cm, dan mempunyai income Rp 1.000.000,-/bulan 
maka nilai z score-nya:
zScore = 7,884+(0,064*70) – (0,093*175) + (0,006*1.000)
= 2,409
Karena 2,409 > 0 (angka kritis kasus ini)  masuk grup 0 (SEDIKIT)
Jadi, Budi termasuk tipe konsumen yang sedikit minum air mineral.
40 Eko Ganiarto

KESIMPULAN:
1. Ada perbedaan yang signifikan antara mereka yang banyak minum
air mineral dengan mereka yang sedikit meminumnya. Hal ini
dapat dilihat dari hasil analisis Wilk’s Lambda.
2. Variabel yang membuat perilaku konsumsi air mineral mereka
berbeda adalah BERAT BADAN, TINGGI BADAN, dan INCOME.
Hal ini dapat dilihat pada step analisis awal, baik pada bagian
Variable in Analysis maupun Variable Not in Analysis.
3. Model/fungsi diskriminan untuk kasus ini adalah:
zScore = 7,884 + 0,064 BERAT – 0,093 TINGGI + 0,006 INCOME
4. Model diskriminan di atas mempunyai ketepatan mengklasifikasi
kasus sebesar 68%. Karena di atas 50% ketepatan model sudah
dianggap tinggi, maka model di atas bisa digunakan untuk
mengklasifikasikan sebuah kasus pada tipe minum tertentu.
41 Eko Ganiarto

Kasus 2
Data sama dengan kasus sebelumnya, namun variabel dependennya
menjadi 3:
 Tipe konsumen  variabel dependen
Kode 0 = SEDIKIT (sedikit minum air mineral)
Kode 1 = SEDANG (sedang minum air mineral)
Kode 2 = BANYAK (banyak minum air mineral)
 Usia konsumen (tahun)
 Berat badan konsumen (kg)
 Tinggi badan konsumen (cm)
 Pendapatan konsumen (Rp ribu/bulan)
 Jam kerja konsumen dlm sehari (jam)
 Kegiatan olah raga konsumen dlm sehari (jam)
42 Eko Ganiarto

Tujuan analisis diskriminan pada kasus 2 adalah:
1. Mengetahui apakah ada perbedaan yang signifikan antara ketiga
tipe responden tersebut? Atau ingin mengetahui apakah mereka
yang tergolong minum sedikit air mineral mempunyai perbedaan
(dalam usia, berat badan, tinggi badan, income, jam kerja dan
waktu berolahraga) dengan mereka yang termasuk peminum
sedang dan banyak?
2. Mengetahui variabel apa saja yang membuat perilaku konsumsi air
mineral mereka berbeda?
3. Membuat model/fungsi diskriminan, untuk menentukan apakah
seseorang termasuk ke dalam tipe peminum sedikit, sedang atau
banyak.
4. Menguji apakah fungsi diskriminan di atas mempunyai tingkat
ketepatan yang cukup tinggi.
43 Eko Ganiarto

Penyelesaian:
I. Proses Analisis Diskriminan
Langkah-langkah:
1. Buka file diskriminan 3 faktor.sav
 Masukkan variabel usia, berat, tinggi, income, jamkerja dan olahraga
ke kotak INDEPENDENT.
 Klik icon STATISTICS; pada bagian DESCRIPTIVES, aktifkan pilihan
Univariate ANOVAs
 Pada bagian FUNCTION COEFFICIENTS, aktifkan hanya
Unstandardized
 CONTINUE utk kembali ke kotak dialog utama
44 Eko Ganiarto

Langkah-langkah (lanjutan):
3. Pada bagian tengah kotak dialog utama, klik pilihan Use stepwise method,
lalu icon METHOD akan aktif. Klik METHOD:
 Pilih Mahalanobis distance.
 Pada bagian CRITERIA, pilih Use Probability of F, namun jangan
mengubah isi yang sudah ada (default)
 Pada bagian DISPLAY, aktifkan kotak F for pairwise distances  untuk
mengetahui kelompok/grup mana yang paling berbeda (paling jauh
jaraknya) dan mana yang paling dekat dengan kelompok lainnya.
 Abaikan bagian lain, tekan CONTINUE untuk kembali ke kotak dialog
utama.
4. Klik icon CLASSIFY;
– Pada bagian DISPLAY, aktifkan pilihan Casewise results
– Aktifkan juga pilihan Leave-one-out-classification
– Pada bagian PLOTS, aktifkan Territorial map
Abaikan yang lain, klik CONTINUE
45 Eko Ganiarto

Langkah-langkah (lanjutan):
5. Klik icon SAVE  berfungsi untuk menyimpan hasil proses analisis
diskriminan dalam bentuk variabel baru di DATA EDITOR.
 Aktifkan pilihan Prediction group membership dan Discriminant scores.
 Abaikan bagian lain, tekan CONTINUE untuk kembali ke kotak dialog
utama.
6. Klik OK untuk proses data.
46 Eko Ganiarto

II. Output dan Analisis
Ada 2 jenis output:
1. Output berupa data file baru (tipe sav) yang berisi data semula
dengan tambahan tiga variabel (kolom) baru hasil proses
diskriminan  dapat dilihat pada file diskriminan 3 faktor
hasil.sav
2. Output dengan ekstensi spo, yang bisa disimpan dengan nama
diskriminan 3 faktor.spv
47 Eko Ganiarto

1. Uji Variabel
 Tabel di atas berfungsi untuk menguji apakah ada perbedaan yang
signifikan antar grup untuk tiap variabel.
 Dari enam variabel independen, hanya tiga variabel yang berbeda secara
signifikan untuk 3 grup, yaitu USIA, BERAT dan OLAHRAGA  artinya
perilaku minum air mineral dipengaruhi oleh usia, berat badan dan waktu
yang yang digunakan untuk aktivitas olahraga
48 Eko Ganiarto

2. Variabel yang Membentuk Fungsi Diskriminan
 Dari tabel di atas dapat dilihat bahwa hanya 2 variabel yang akan
digunakan untuk membentuk fungsi diskriminan, yaitu variabel USIA dan
BERAT.
49 Eko Ganiarto

3. Proses Pemasukan Variabel Dilihat dari Angka Wilk’s Lambda
Signifikan, karena < 0,05  artinya
kedua variabel (USIA dan BERAT)
memang berbeda untuk ketiga tipe
konsumen.
Varians yang tidak bisa dijelaskan
oleh perbedaan antar grup turun
dari 90,4% menjadi 78,9 %  BAIK
50 Eko Ganiarto

4. Analisis Perbedaan Antar-Grup Konsumen
 Pada step 2 (proses akhir), jarak antara grup SEDIKIT dan grup BANYAK adalah yg terbesar
(8,697)  artinya bahwa konsumen di grup SEDIKIT paling berbeda profilnya (usia dan berat
badannya) dibanding dengan konsumen yang BANYAK minumnya.
 Sedangkan jarak terkecil adalah antara grup SEDANG dan grup BANYAK (0,929)  artinya
usia dan berat badan konsumen yang konsumsi air mineralnya sedang mempunyai
perbedaan yang kecil dengan mereka yang konsumsinya banyak.
51 Eko Ganiarto

5. Uji Perbedaan Antar Grup Konsumen
 Karena ada 3 grup, maka akan terbentuk 2 fungsi diskriminan:
- Fungsi diskriminan 1  utk memilih mana yang masuk grup SEDIKIT atau SEDANG
- Fungsi diskriminan 2  utk memilih mana yang masuk grup SEDANG atau BANYAK
 Angka Canonical Correlation  mengukur keeratan hubungan antara discriminant
score dengan grup = 0,458  keeratan hubungan cukup tinggi pada fungsi pertama.
 Walaupun angka canonical correlation untuk fungsi kedua rendah (lemah = 0,03), tapi
kedua fungsi tetap digunakan untuk interpretasi selanjutnya.
52 Eko Ganiarto

 Dari tabel di atas, dilakukan uji hipotesis:
- Test of Function(s) 1 through 2
Ho : Tidak ada beda rata-rata (centroid) dari kedua fungsi diskriminan
H1 : Ada beda rata-rata (centroid) dari kedua fungsi diskriminan
- Lihat kolom Sig.  Sig. = 0,002 < 0,05  tolak Ho  ada beda centroid antar dua
fungsi diskriminan  perilaku minum ketiga tipe konsumen memang berbeda.
- Lihat baris 2 (Test of Function(s) 2)  hanya menguji fungsi diskriminan kedua
(antara mereka yang tipe minumnya SEDANG dengan yang tipe minumnya
BANYAK).
- Lihat angka Sig. = 0,799 > 0,05  tdk signifikan  tdk ada perbedaan profil (usia
dan berat) antara tipe minum SEDANG dan BANYAK.
53 Eko Ganiarto

6. Penamaan Fungsi Diskriminan 1 dan 2
 Tabel Structure Matrix menjelaskan korelasi antara variabel independen dengan dua
fungsi diskriminan yang terbentuk (Fungsi 1 dan 2).
 Variabel dengan tanda huruf b  tdk diikutkan dalam fungsi diskriminan
Korelasi BERAT dg Fungsi 1 > dg Fungsi 2  BERAT
masuk ke fungsi diskriminan 1
Korelasi USIA dg Fungsi 2 > dg Fungsi 1  USIA
masuk ke fungsi diskriminan 2
54 Eko Ganiarto

7. Membuat Fungsi Diskriminan 1 dan 2
Tabel di atas digunakan untuk membuat fungsi diskriminan 1 dan 2.
Fungsi Diskriminan 1: Z Score_1 = -7,169 + 0,093 USIA + 0,079 BERAT
 utk memilah konsumen dg tipe SEDIKIT atau SEDANG
Fungsi Diskriminan 2: Z Score_2 = -0,516 + 0,129 USIA – 0,064 BERAT
 utk memilah konsumen dg tipe SEDANG atau BANYAK
55 Eko Ganiarto

8. Penggunaan Fungsi Diskriminan
Misal: Rusdi (konsumen) dengan data: Usia = 40 thn dan Berat = 65 kg, maka:
Z Score_1 = -7,169 + (0,093*40) + (0,079*65) = 1,686 atau 1,648 (output SPSS)
Z Score_2 = -0,516 + (0,129*40) – (0,064*65) = 0,484 atau 0,480 (output SPSS)
 Perbedaan nilai di atas karena adanya pembulatan
 Dengan nilai Zscore_1 = 1,648 dan Zscore_2 = 0,480, di manakah “tempat”
Rusdi ? Atau di tipe apakah Rusdi dimasukkan (SEDIKIT, SEDANG atau
BANYAK)?
 Untuk menjawab pertanyaan tersebut  digunakan bantuan “TERRITORIAL
MAP”
Territorial Map pada dasarnya memetakan (mapping) batas-batas setiap kode
berdasarkan sumbu X (fungsi diskriminan 1) dan sumbu Y (fungsi diskriminan
2). Dengan melihat koordinat sebuah kasus  dapat dilihat dengan mudah di
teritori (daerah) mana kasus itu berada.
56 Eko Ganiarto

9. Mengetahui Centroid (Rata-rata Tiap Grup) dengan Tabel dan Grafik
 Centroid  nilai rata-rata fungsi Z score dari tiap objek yang ada pada
grup. Dalam kasus ini, ada 3 grup  ada 3 centroid, masing-masing untuk
grup SEDIKIT, grup SEDANG dan grup BANYAK.
 Dari tabel di atas dapat dilihat bahwa centroid untuk grup SEDIKIT adalah
0,622 pada function 1 (fungsi diskriminan 1) dan -0,012 pada function 2
(fungsi diskriminan 2). Demikian seterusnya untuk tipe lainnya (SEDANG
dan BANYAK).
57 Eko Ganiarto

Contoh Penggunaan
Territorial Map
Centroid
SEDIKIT
Centroid
SEDANG
Centroid
BANYAK
Untuk kasus Rusdi:
Koordinatnya:
(1.648, 0.48), maka ia
ada di daerah SEDIKIT,
artinya Rusdi termasuk
tipe yang minum
SEDIKIT air mineral.
58 Eko Ganiarto

10. Komposisi Anggota Grup
 Pada tabel di atas dapat dilihat bahwa anggota grup SEDIKIT = 28 orang,
grup SEDANG = 26 orang dan grup BANYAK = 21 orang
59 Eko Ganiarto

11. Menilai Kelayakan Fungsi Diskriminan
 Pada tabel di atas dapat dilihat bahwa 54,7% data telah terklasifikasi dengan
benar. Dari hasil validasi silang menunjukkan angka 49,3%. Kedua angka
tersebut ada di sekitar 50%  fungsi diskriminan yang dibentuk sudah layak
untuk membedakan ketiga tipe konsumen.
60 Eko Ganiarto

KESIMPULAN:
1. Ada perbedaan yang signifikan antara konsumen yang sedikit
minum air mineral dengan konsumen yang sedang dan banyak
meminumnya. Hal ini dapat dilihat dari hasil analisis Wilk’s
Lambda.
2. Variabel yang membuat perilaku konsumsi air mineral mereka
berbeda adalah USIA dan BERAT BADAN.
3. Ada 2 model/fungsi diskriminan yang dibentuk:
zScore_1 = -7,169 + 0,093 USIA + 0,079 BERAT
zScore_2 = -0,516 + 0,129 USIA – 0,064 BERAT
4. Karena hasil validasi sekitar 50%, maka fungsi diskriminan yang
terbentuk dianggap tepat untuk menggolongkan konsumen
berdasar usia dan berat badannya, ke dalam grup SEDIKIT,
SEDANG atau BANYAK.
61 Eko Ganiarto

4_Analisis Diskriminan.ppt

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to 4_Analisis Diskriminan.ppt

Similar to 4_Analisis Diskriminan.ppt (20)

Recently uploaded

Recently uploaded (11)

4_Analisis Diskriminan.ppt