Академический Документы
Профессиональный Документы
Культура Документы
A. Pengertian
Analisis diskriminan adalah salah satu teknik statistik yang bisa
digunakan pada hubungan dependensi (hubungan antarvariabel dimana
sudah bisa dibedakan mana variabel respon dan mana variabel penjelas).
Lebih spesifik lagi, analisis diskriminan digunakan pada kasus dimana
variabel respon berupa data kualitatif dan variabel penjelas berupa data
kuantitatif. Analisis diskriminan bertujuan untuk mengklasifikasikan suatu
individu atau observasi ke dalam kelompok yang saling bebas (mutually
exclusive/disjoint) dan menyeluruh (exhaustive ) berdasarkan sejumlah
variabel penjelas.
Ada dua asumsi utama yang harus dipenuhi pada analisis diskriminan
ini, yaitu:
1. Sejumlah p variabel penjelas harus berdistribusi normal.
2. Matriks varians-covarians variabel penjelas berukuran pxp pada kedua
kelompok harus sama.
Jika dianalogikan dengan regresi linier, maka analisis diskriminan
merupakan kebalikannya. Pada regresi linier, variabel respon yang harus
mengikuti distribusi normal dan homoskedastis, sedangkan variabel
penjelas diasumsikan fixed, artinya variabel penjelas tidak disyaratkan
mengikuti
sebaran
tertentu.
Untuk
analisis
diskriminan,
variabel
B. Tujuan
C. Persamaan Umum
D=b 0 +b1 X 1 +b2 X 2 +b3 X 3 + ..+b k X k
dimana :
D
= skor diskriminan
B 0 k
X1k
menyatakan
vector
yang
berisi
Y = ' X
dimana
koefisien-koefisien
'
=[ 1 , 2 , , p ] .
[ ]
X=
X1
X2
X 11 k X 12 k .
X 21 k X 22k . . X 1 pk X
.
.
.
.
2 pk
. . . . Xn1k Xn2k .
.
X k = . X npk
.
Dimana i=1, 2, . . ., n
j=1, 2, . . . p
k=1, 2
xijk menyatakan observasi ke-i variabel ke-j pada kelompok kek. Di bawah asumsi
=
[ ][ ]
E ( X1)
= 1 dan E ( X k k ) ( X k k )' ;
2
E( X2)
k
X k N (k , ik ) , maka
[]
1k
.
.
.
pk
k =
kelompok ke-k
12
.
11
. 22
.
. . 1p
. . 2p
. . .
j j=
1 2
. .
.
. pp
Fisher
mentransformasikan
multivariate
persamaan
menjadi
Y = X
observasi-observasi
observasi
yang
univariate.
yang
Dari
diperoleh
ky =E ( Y k )=E ( X )= | k
'
'
( 12 ) =
Jika
( ' )2
.
'
Karena
menurut
teori
( ' )2
'
maka
persamaan
di
atas
menjadi
pertidaksamaan
Cauchy-Schwartz,
rasio
=c ( 1 2)
' ' =c
( 12 ) X
'
Y Y = X =
output
apabila
pilihan
Function
Coefficient
bagian
Unstandardized diaktifkan.
n1 1Y +n2 2 Y
n1 +n2
dengan
cutting
score,
sehingga
dapat
'
( 12 ) x m ,
y=
semua
observasi
diprediksi
keanggotaannya,
pk f k ( x )
pk f k ( x )
f k ( x )=
(2 )
p
2
1
exp ( Xk ) ' ( X k ) ; k =0,1
1
2
| |
(k =0 x)> P( k=1 x)
. Nilai-nilai
Contoh Kasus
Di sebuah laboratorium dilakukan penelitian untuk mengetahui
apa saja yang membedakan bunga A dan bunga B yang masih satu
species. Untuk itu, diambil sampel bunga A dan B masing-masing
sebanyak 10 buah. Kedua bunga dihitung lebar kelopaknya (X 1) dan
lebar daunnya (X2). Diketahui juga bahwa kedua bunga dapat
dijadikan indikator derajat keasaman suatu zat (pH), maka diteliti juga
pada
trayek
pH
berapa
saja
kedua
bunga
sensitif
untuk
x1
x2
4.46209
4.27603
5.17356
4.03402
5.27081
3.36186
4.49723
1.45367
5.76719
2.13282
5.91612
3.03981
5.48373
3.37093
5.0187
4.92126
5.43291
3.54893
4.34865
3.97278
8.90377
3.51359
8.37017
4.91499
8.09676
5.23729
9.36238
5.69686
8.62503
5.4649
9.22858
4.87046
9.07482
4.90865
x3
1.4348
8
1.4828
5
1.5469
2
1.2736
6
1.3265
1.3636
8
1.3259
5
1.4300
8
1.3907
4
1.3809
9
1.1059
3
1.0606
5
9.2296
1.1354
4
1.1027
7
0.1016
6
9.9952
Y
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
9.84865
1.1395
5.31779
1
1
8.28943
5.69997
9.8791
1
8.5171
4.99028
8.8796
1
Sumber: Data bangkitan dari Minitab (telah dimodifikasi)
Keterangan :
X1 = lebar kelopak
X2 = lebar daun
X3 = derajat keasaman
Y = kelompok bunga
Untuk melakukan analisis diskriminan dengan bantuan SPSS, ikuti
langkah-langkah berikut:
1. Pada
menu
Analyze,
pilih
submenu
Classify,
lalu
pilih
Discriminant.
2. Kemudian akan muncul kotak dialog.
kelompok
kode
nol
(1,00000)
lebih
besar
daripada
N
20
Percent
100.0
.0
.0
.0
0
20
.0
100.0
kesemuanya
x1
x2
x3
x1
1.000
-.131
-.365
x2
-.131
1.000
.121
x3
-.365
.121
1.000
Dari matriks korelasi di atas, tidak ada angka yang mencapai 0,5
atau
di
atasnya
sehingga
kita
mengidentifikasi
tidak
ada
x1
x2
x3
Test
Wilks'
Lambda
F
df1
.074
225.080
1
.487
18.983
1
.801
4.467
1
berpedoman pada
df2
18
18
18
Sig.
.000
.000
.049
ini
1. Angka Wilks Lambda.
Angka ini berkisar antara 0 sampai 1. Semakin mendekati 0
berarti data tiap kelompok makin berbeda. sedangkan
semakin mendekati angka 1 berarti data tiap kelompok
cenderung sama. Berdasarkan tabel Test Of Equality Of
Group Means (Tabel Uji Persamaan Kelompok Rata rata ).
2. F Test, dengan batas signifikan 0.05
Dari tabel tersebut, diketahui bahwa yang signifikannya
<0.05 adalah indikator variabel x1,x2,x3. Hal ini berarti ada
perbedaan antara kelompok bunga A dan kelompok bunga B
dipengaruhi oleh sikap mereka terhadap x1, x2, dan x3
yang dilakukan. Mungkin saja apabila varibel X1,x2, dan x3
lebih baik / informatif, kelompok yang menjadi kelompok
bunga B akan menjadi kelompok bunga A. sebaliknya
apabila variebel x1,x2, dan x3 jelek / tidak informatif
kelompok yang menjadi kelompok bunga A akan menjadi
kelompok bunga B.
mempunyai
rata-rata
yang
berbeda
untuk
kedua
59.825
Approx.
17.558
df1
3
df2
58320.000
Sig.
.000
x1
x3
(Constant)
Function
1
1.935
.163
-13.988
berikut:
Y= -13.988+1.935X1 +0.163X3
e. Penghitungan discriminant score
Misalnya untuk observasi pertama, dengan memasukkan nilai
X1=4,46209;
dan
X3=14,3488
y
0
1
Function
1
-3.817
3.817
maka
diperoleh
discriminant
Kelompo
k Awal
0
0
0
0
0
0
0
0
0
0
1
1
1
1
x1
1.935
4.462
09
5.173
56
5.270
81
4.497
23
5.767
19
5.916
12
5.483
73
5.018
7
5.432
91
4.348
65
8.903
77
8.370
17
8.096
76
9.362
x2
*
4.27603
4.03402
3.36186
1.45367
2.13282
3.03981
3.37093
4.92126
3.54893
3.97278
3.51359
4.91499
5.23729
5.69686
x3
0.163
Consta
nt
-
Diskrimin
an Score
13.988
1.434
88
1.482
5.119970
-
85
1.546
3.735457
-
92
1.273
3.536835
-
66
1.326
5.078253
-
5
1.363
2.612268
-
68
1.325
2.318028
-
95
1.430
3.160853
-
08
1.390
4.043713
-
74
1.380
3.248629
-
99
1.105
5.348261
3.421061
93
1.060
54
2.381164
65
9.229
9
3.183655
6
1.135
4
4.313282
Cutti
ng
Score
0
Kelomp
ok Akhir
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
38
8.625
03
9.228
58
9.074
82
9.848
65
8.289
43
8.517
1
5.4649
4.87046
4.90865
5.31779
5.69997
4.99028
44
1.102
02
2.881184
77
0.101
56
3.885872
66
9.995
88
5.200994
2
1.139
3
5.254877
51
9.879
88
3.662340
1
8.879
35
3.939963
1
1
1
1
1
1
Original
Count
%
y
0
1
0
1
Predicted Group
Membership
0
1
10
0
0
10
100.0
.0
.0
100.0
Total
10
10
100.0
100.0