Lampiran 1. Pembangkitan Ukuran Data Kelompok dan Proporsi Pencilan

15 Lampiran 1. Pembangkitan Ukuran Data Kelompok dan Proporsi Pencilan Pencilan 5% 1 15% n=0 n=40 n=00 Kelompok (n1=10, n=10) (n1=0, n=0) (n1=100, n=100) n n* n n* n n* 1 10 0 0 0 100 0 10 0 0 0 100 0 1 - - 19 1 95 5 - - 19 1 95 5 1 9 1 18 90 10 9 1 18 90 10 1 - - 17 3 85 15 - - 17 3 85 15 1 8 16 4 80 0 8 16 4 80 0 Keterangan : n = Jumlah Amatan n* = Jumlah Amatan Pencilan

16 Lampiran. Contoh Analisis Diskriminan linier Dengan Penduga MCD dan MLE n=40 dengan Pencilan 1. Data Bangkitan No x 1 x x 3 JM Bobot KA MLE JMK Bobot KA MCD 1 1.338887 0.778761 6.069947.65 1 1 1.8436 1 1 1 3.103603 5.140607 1.39761 3.9585 1 1 1 5.1005 1 1 1 3 1.00158 4.0046 4.086508 1.17 1 1 1.363 1 1 1 4 3.64444.119439 3.3748 1.0808 1 1 1 0.96955 1 1 1 5-0.89356 1.784769 5.60966 3.56 1 1 1 4.07464 1 1 1 6 3.4114.5896 4.05134 0.4437 1 1 1 0.8604 1 1 1 7 0.13441 1.505988.67045 0.4971 1 1 1 3.4085 1 1 1 8 4.00101 0.851707 3.438501.9904 1 1 1.8815 1 1 1 9 3.038386 3.134883 4.50011 0.0704 1 1 1 1.6011 1 1 1 10 3.340915 3.106414 1.7199.048 1 1 1.894 1 1 1 11 0.10853.836-0.19941 3.5501 1 1 1 13.6858 0 1 1 1-0.67349.1179 5.840847 3.5653 1 1 1 4.46641 1 1 1 13.94591.8145 4.0706 0.1586 1 1 1 0.65174 1 1 1 14 1.419317.18364.83177 0.701 1 1 1 1.03176 1 1 1 15 1.59481-1.33763 5.66417 4.8311 1 1 1 5.0794 1 1 1 16 3.6584.367 3.31304 1.0588 1 1 1 0.98187 1 1 1 17 0.67363 1.341863 5.19778 1.4803 1 1 1 1.40773 1 1 1 18 1.316955.439088-0.18 3.1638 1 1 1 1.51 0 1 1 19 1.34661 4.61603 1.6505 13.405 0 1 915.899 0 1 0 18.94559 1.0356 4.09794 13.076 0 1 865.538 0 1 1 6.060385 9.8515 7.768155.3034 1.9954 1 6.909 7.034349 11.06956 1.155 1 3.7454 1 3.348417 8.30048 7.40968 4.9063 1 7.47815 1 4 8.063144 5.141848 9.740653 3.789 1 3.5696 1 5 3.759557 7.34505 9.70701.153 1.47631 1 6 3.948137 5.573377 9.039863 1.3085 1 3.05699 1 7 8.014036 7.08605 7.645599 1.5047 1 1 1.7759 1 8 6.635117 5.400341 8.768931 1.075 1 1.7754 1 9 5.4066 5.16895 8.335478 0.7657 1 3.7165 1 30 7.3313 7.9487 5.6731 3.1898 1 1 5.95158 1 31 4.914 8.3004 8.34395 1.166 1 1.4546 1 3 3.8847 10.37143 1.407 7.449 1 0.6407 0 33 8.133193 7.70566 9.7483 0.5009 1 1.83957 1 34 4.874956 8.80683 7.84418 1.8693 1.06035 1 35 6.98873 6.9697 9.397157 0.871 1 0.46578 1 36 8.58865 7.68378 10.854 1.130 1 4.648 1 37 8.443099 10.51916 8.183568.183 1 6.4643 1 38 7.478787 4.864718 8.939445.76 1 1 3.3177 1 39.3703 3.04691 1.15179 8.0836 1 48.495 0 40 0.78344 19.75075.40506 6.7414 1 45.641 0

17 Keterangan : JM = Jarak Mahalanobis KA = Kelompok Awal JMK = Jarak Mahalanobis Kekar Amatan yang digaris bawahi adalah amatan yang mengandung pencilan Keterangan Pada Bobot : 1 = Bukan Pencilan 0 = Pencilan Lampiran 3. Nilai Vektor Rata-rata dan Matriks Ragam-peragam Penduga MLE dan MCD Untuk n=0. N Pencilan Kel Ragam-peragam MCD MCD Deviasi 0 1 1 1.8 0.3 0.1 [0.96.14.95] [0.93 0.61 0.6] 0.3.01 0.7 [6.46 7.30 8.10] [0.6 0.51 0.41] 0.1 0.7.0 1.34 0.54 0.37 [0.67 1.94 3.48] [0.9 0.55 0.8] 0.54.30 0.06 0.37 0.06.60 [6.46 7.00 8.04] [0.4 0.56 0.40] 1.64 0.46 0.15 [0.98 1.86.54] [0.88 0.3 0.76] 0.46.4 0.10 0.15 0.10.70 [6.3 6.85 8.0] [0.47 0.48 0.31] n Pencilan Kel Ragam-peragam MLE MLE Deviasi 0 1 1.60 0.11 0.01 [0.93 1.91.9] [0.7 0.36 0.80] 0.11 3. 0.15 [6.0 6.91 7.98] [0.10 0.44 0.41] 0.01 0.15.90 1 34.6 30.6 31. [.73 3.97 5.35] [0.81 0.45 0.7] 30.6 33.1 9.8 31. 9.8 33.1 [8.04 8.4 9.4] [0.0 0.40 0.30] 1 6.3 56. 56.9 [4.93 5.83 6.74] [0.65 0.34 0.65] 56. 55.3 54. [9.57 9.68 10.9] [0.4 0.4 0.5] 56.9 54. 58.3

18 Lampiran 4. Nilai Vektor Rata-rata dan Matriks Ragam-peragam Penduga MLE dan MCD Untuk n=40. Pencilan Kel Ragam-peragam MCD MCD Deviasi 40 5% 1 15% 1.17 0.5 0.18 [1.06 1.74 3.11] [0.45 0.63 0.37] 0.5 1.85 0.1 [5.9 6.86 8.05] [0.7 0.51 0.71] 0.18 0.1.18 1 1.97 0.07 0.1 [0.71 1.66 3.04] [0.43 0.64 0.7] 0.07 1.98 0.43 [6.16 7.03 8.13] [0.34 0.36 0.50] 0.1 0.43.18 1.10 0.0 0.07 [0.93.01.93] [0.55 0.4 0.44] 0.0.48 0.49 [5.97 7.04 7.91] [0.40 0.5 0.66] 0.07 0.49.4 1.3 0.07 0.11 [0.88 1.96.89] [0.47 0.63 0.36] 0.07.74 0.53 [5.96 7.13 7.83] [0.6 0.41 0.74] 0.11 0.53.49 1.57 0.0 0.15 [1.18 1.84.80] [0.48 0.49 0.30] 0.0.1 0.00 [5.9 6.88 7.98] [0.7 0.41 0.57] 0.15 0.00.3 n Pencilan Kel Ragam-peragam MLE MLE Deviasi 40 5% 1 15% 1 3.11 0. 0.00 [1. 1.76 3.19] [0.39 0.50 0.4] 0. 3.14 0.08 [6.01 6.91 8.00] [0.5 0. 0.68] 0.00 0.08.95 1 19. 15.7 15.9 [1.89.69 4.19] [0.4 0.67 0.3] 15.7 18.1 15.1 [7.00 7.75 8.74] [0.37 0.3 0.47] 15.9 15.1 18.6 1 35.1 9.4 30. [.98 3.80 4.91] [0.43 0.55 0.9] 9.4 30.4 8.1 [7.67 8.44 9.9] [0.7 0.33 0.64] 30. 8.1 31.9 1 48.6 41.3 4.7 [4.03 4.79 5.86] [0.35 0.57 0.7] 41.3 40.7 38.7 [8.43 9.18 9.98] [0.8 0.38 0.70] 4.7 38.7 43. 1 61.1 55. 55.3 [5.1 5.84 6.94] [0.35 0.43 0.] 55. 54.7 53.1 [9.34 9.83 10.8] [0.33 0.7 0.55] 55.3 53.1 56.

19 Lampiran 5. Nilai Vektor Rata-rata dan Matriks Ragam-peragam Penduga MLE dan MCD Untuk n=00. n Pencilan Kel Ragam-peragam MCD MCD Deviasi 00 5% 1 15% 1.6 0.03 0.0 [0.97.00 3.04] [0.13 0.14 0.0] 0.03.76 0.04 [5.97 7.07 8.10] [0.1 0.06 0.10] 0.0 0.04.6 1.77 0.03 0.0 [0.94 1.89 3.05] [0.16 0. 0.18] 0.03.70 0.0 [6.03 6.9 8.08] [0.1 0.14 0.15] 0.0 0.0.69 1.8 0.03 0.0 [0.9 1.89 3.03] [0.14 0.19 0.16] 0.03.80 0.05 [6.06 6.9 8.05] [0.19 0.17 0.14] 0.0 0.05.83 1.93 0.05 0.01 [0.95 1.93 3.05] [0.16 0.0 0.16] 0.05.91 0.06 [6.00 6.97 7.98] [0.17 0.16 0.3] 0.01 0.06.93 1.93 0.0 0.07 [0.97 1.96 3.03] [0.14 0. 0.14] 0.0.93 0.03 [5.99 6.97 7.99] [0.19 0.15 0.4] 0.07 0.03 3.01 n Pencilan Kel Ragam-peragam MLE MLE Deviasi 00 5% 1 15% 1.97 0.01 0.0 [0.99.03 3.01] [0.13 0.09 0.18] 0.01 3.04 0.03 [5.99 7.07 8.09] [0.17 0.06 0.08] 0.0 0.03.89 1 19.6 15.4 15.5 [1.99.9 4.07] [0.1 0. 0.15] 15.4 17.3 14.5 [6.84 7.63 8.75] [0.0 0.11 0.13] 15.5 14.5 17.5 1 34.7 9.3 8.9 [.97 3.91 5.05] [0.11 0.18 0.16] 9.3 30. 7.1 [7.73 8.36 9.4] [0.0 0.16 0.1] 8.9 7.1 9.5 1 47.7 41.1 41. [3.96 4.94 6.05] [0.13 0.0 0.1] 41.1 41.1 38.3 [8.55 9.04 10.1] [0.14 0.13 0.16] 41. 38.3 41.4 1 58. 51.5 51.7 [4.93 5.97 7.04] [0.13 0. 0.11] 51.5 51.5 48.6 [9.40 9.79 10.8] [0.16 0.18 0.17] 51.7 48.6 51.8

0 Lampiran 6. Daftar Divre Kelompok Awal Keterangan: 1 = Divre A = Divre B 3 = Divre C Divre Kelompok Awal Aceh Sumut Riau Sumbar 3 Jambi 3 Sumsel Bengkulu 3 Lampung D.K.I. Jakarta 1 Jabar 1 Jateng 1 Yogyakarta 3 Jatim 1 Kalbar 3 Kaltim 3 Kalsel Kalteng 3 Sulut Sulteng 3 Sultra 3 Sulsesl 1 Bali 3 N.T.B. N.T.T. Maluku 3 Papua Lampiran 7. Hasil Uji Kesamaan Vektor Rataan Tests of Equality of Group Means Wilks' Lambda F df1 df Sig. VAR00001 0.33 3.346 3 0 VAR0000 0.336.716 3 0 VAR00003 0.363 0.175 3 0 VAR00004 0.65 31.839 3 0

1 Lampiran 8. Analisis diskriminan kuadratik dengan penduga MCD n Divre Jarak kekar Bobot Kelompok awal Kelompok akhir 1 Aceh 0.581316 1 Jambi.94395 1 3 3 3 Kaltim 1.353589 1 3 3 4 Sulut.45441 1 3 5 Lampung 4.43956 1 6 Kalteng 1.636784 1 3 3 7 Jabar 3. 1 1 1 8 Jateng 3. 1 1 1 9 Jatim 3. 1 1 1 10 Sulsel 3. 1 1 1 11 D.K.I. Jakarta 3. 1 1 1 1 N.T.B..019 1 13 Bengkulu 3.964938 1 3 3 14 Yogyakarta.597 1 3 3 15 Maluku 4.44534 1 3 3 16 Bali 5.43865 1 3 3 17 Sultra 5.077 1 3 3 18 Papua 3.751909 1 19 Kalsel 4.851385 1 0 Riau 5.608 1 1 N.T.T. 4.901196 1 Sulteng 4.8911 1 3 3 3 Kalbar 84.5009 0 3 * 4 Sumsel 6.55776 0 1* 5 Sumbar 131.6684 0 3 * 6 Sumut 77.41853 0 1* Keterangan: (*) pencilan

Lampiran 9. Pengelompokan Divre dengan Analisis Diskriminan Penduga MCD dan MLE No x 1 x x 3 x 4 JM Bobot KA MLE JMK Bobot KA MCD Aceh 167545 38016.6 90058 4675500 0.64 1 0.58 1 Sumut 3586861 1417. 141741 13661600 7.34 1 77.4 0 1 Riau 546550 0 55804 598700 5.31 1 5. 1 Sumbar 1988 4668.33 431 489500 6.75 1 3 3 13 0 3 Jambi 65871 350 631 810100.94 1 3 3.94 1 3 3 Sumsel 374868 8905.4 105536 931600 6.1 1 6.6 0 1 Bengkulu 511 000 19377 1813600.41 1 3 3 3.97 1 3 3 Lampung 701699 60063.9 15733 7714000 1.87 1 4.4 1 D.K.I.Jakarta 05991 7715.4 11819 18697100 3. 1 1 1 3. 1 1 1 Jabar 11650160 313589 475554 40179300 3. 1 1 1 3. 1 1 1 Jateng 100791 35869 49101 34843600 3. 1 1 1 3. 1 1 1 Yogyakarta 830545 11670.8 3477 333300 1.98 1 3 3.5 1 3 3 Jatim 11375779 419393 53569 3670000 3. 1 1 1 3. 1 1 1 Kalbar 13589 1110.8 58935 4671800 5.57 1 3 3 84.5 0 3 Kaltim 580654 5701.43 31930 86900 0.73 1 3 3 1.35 1 3 3 Kalsel 1944888 567.11 835 3349400 5.83 1 3 4.85 1 Kalteng 644781 5651 3518 194000 1.14 1 3 3 1.64 1 3 3 Sulut 844453 3096.47 31673 3161000.6 1 3.5 1 3 Sulteng 98616 5550.7 7051 493700.15 1 3 3 4.89 1 3 3 Sultra 45500 14051.5 4300 167700 5.79 1 3 3 5.07 1 3 3 Sulsesl 4638437 165555 10798 931500 3. 1 1 1 3. 1 1 1 Bali 846896 974.13 85 3457300 6.7 1 3 3 5.44 1 3 3 N.T.B. 1779187 4808. 95078 4600800 1.5 1.0 1 N.T.T. 540771 408 94141 4396800.13 1 4.9 1 Maluku 16354 3548.6 34101 8900 4.7 1 3 3 4.45 1 3 3 Papua 13879 0951.1 945 697100 3.16 1 3.75 1 Keterangan : JM = Jarak Mahalanobis KA = Kelompok Awal JMK = Jarak Mahalanobis Kekar Amatan yang digaris bawahi adalah amatan yang mengandung pencilan dan salah klasifikasi Keterangan Pada Bobot : 1 = Bukan Pencilan 0 = Pencilan

3 Lampiran 10. Makro MINITAB Pengujian Kenormalan Ganda #Memulai makro untuk qq dan peubah x 1 -x p # macro. qq x.1-x.p #Menentukan konstanta, kolom dan matriks# mconstant i n p t chis mcolumn d x.1-x.p dd pi q ss tt mmatrix s sinv ma mb mc md #Memulai perhitungan pengamatan dari x 1 sebanyaka n pengamatan# let n=count(x.1) #Mencari matriks ragam-peragam dari x 1 s/d x p dan nilai inversnya# cova x.1-x.p s invert s sinv #Menentukan dan menghitung banyaknya jarak mahalanobis setiap pengamatan yang lebih kecil dari nilai Khi-kuadratnya# let ss=dd<chis let t=sum(ss)/n print t #Mengidentifikasikan apakah data menyebar multinormal atau bukan# if t>0.5 note distribusi data multinormal endif if t<=0.5 note distribusi data bukan multinormal endif #Mengakhiri makro# endmacro #Mencari nilai vektor rata-rata dari x 1 s/d x p Lakukan dari data pengamatan satu sampai data pengamatan ke-n (x i - ) i= 1,.n # do i=1:p let x.i=x.i-mean(x.i) enddo do i=1:n copy x.1-x.p ma; use i #Mencari nilai jarak mahalanobis# transpose ma mb multiply ma sinv mc multiply mc mb md copy md tt let t=tt(1) let d(i)=t enddo set pi 1:n end #Menghitung nilai pi dan mengurutkan nilai dd dari kecil ke besar# let pi=(pi-0.5)/n sort d dd invcdf pi q; chis p # Buat scatter-plot d (i) dengan qi dan menentukkan nilai Khi-kuadrat ( )# plot q*dd invcdf 0.5 chis; chis p.

4 Lampiran 11. Makro MINITAB Pendeteksian Pencilan #Memulai makro dengan observasi pencilan dari y 1 s/d y p # Macro outlier obs y.1-y.p #Menentukan konstanta, kolom dan matriks# mconstant i n p df mcolumn d x.1-x.p y.1-y.p dd pi f_value tt obs p1 sig_f mmatrix s sinv ma mb mc md #Memulai perhitungan pengamatan dari y 1 sebanyaka n pengamatan# let n=count(y.1) #Mencari matriks ragam-peragam dari y 1 s/d y p dan nilai inversnya# cova y.1-y.p s invert s sinv #Mencari nilai vektor rata-rata dari y 1 s/d y p Lakukan dari data pengamatan satu sampai data pengamatan ke-n (x i - ) i= 1,.n # do i=1:p let x.i=y.i-mean(y.i) enddo do i=1:n copy x.1-x.p ma; use i #Mencari nilai jarak mahalanobis# transpose ma mb multiply ma sinv mc multiply mc mb md copy md tt let d(i)=tt(1) enddo #Mencari nilai f_value let f_value=((n-p-1)*n*d)/(p*(n-1)**-n*p*d) let df=n-p-1 #menentukan nilai derajat bebas# cdf f_value p1; f p df #menghitung nilai sig_f let sig_f=1-p1 print obs d f_value sig_f #Makro berakhir endmacro