BAB I PENDAHULUAN 1.1. Latar Belakang Analisis Diskriminan adalah salah satu teknik statistika 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. (Johnson dan Wichern, 1982:470), tujuan dari analisis diskriminan adalah untuk menggambarkan ciri-ciri suatu pengamatan dari bermacam-macam populasi yang diketahui, baik secara grafis maupun aljabar dengan membentuk fungsi diskriminan. Jika dianalogikan dengan regresi linear, maka analisis diskriminan merupakan kebalikannya. Pada regresi linear, 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 penjelasnya seperti sudah disebutkan diatas mengikuti distribusi normal dan homoskedastis, sedangkan variabel responnya fixed. 1.2. Tujuan Praktikum - Mencari tahu apakah ada perbedaan yang jelas antar grup variabel dependen, jika ada perbedaan manakah variabel independen yang membuat pebedaan pada fungsi linear diskriminan. - Mampu menunjukkan asumsi-asumsi Analisis Diskriminan terpenuhi 1
- Mampu menyelesaikan kasus yang ada dengan menggunakan SPSS. - Mampu membuat fungsi linear dari kasus yang ada dengan hasil menggunakan SPSS. 1.3. Manfaat praktikum - Melatih mahasiswa untuk bisa menggunakan software SPSS dan Minitab dalam aplikasi statistika - Mengetahui langkah-langkah (alogaritma) dalam pengujian asumsi Analisis Diskriminan. - Mengetahui variabel independen mana yang menyebabkan perbedaan pada group variabel dependen pada fungsi linear diskriminan. 2
BAB II TINJAUAN UMUM DAN PERMASALAHAN 1.1. Tinjauan Statistika. 1.1.1. Definisi Model Analisis Diskriminan ditandai dengan ciri khusus yaitu data variabel dependen yang harus berupa data kategori, sedanfkan data independen justru berupa non kategori. Hal ini dapat dimodelkan sebagai berikut: Y 1 =X 1 + X 2 + X 3 + + X n Non-Metrik Metrik Dimana: - Variabel Independen (X1 dan seterusnya) adalah data metrik, yaitu berskala interval atau ratio. - Variabel dependen (Y1) adalah data kategorikal atau nominal. Jika data kategorikal tersebut hanya terdiri dari 2 kode saja disebut Two-Groups Discriminant Analysis. Namun apabila lebih dari 2 kategori disebut Multiple Discriminant Analysis. 1.1.2. Asumsi-asumsi Analisis Diskriminan a. Multivariate normality, atau variabel independen seharusnya berdistribusi normal. Jika tidak berdistribusi normal, hal ini akan menyebabkan masalah pada ketepatan fungsi (model) diskriminan. Regresi Logistik bisa dijadikan alternative metode jika memang data tidak berdistribusi normal. b. Matriks kovarians dari semua variabel independen relatif sama. 3
c. Tidak ada korelasi antar variabel independen. Jika dua variabel independen mempunyai korelasi yang kuat, maka dikatakan terjadi multikolinearitas. d. Tidak ada data yang sangat ekstrim (outlier) pada variabel independen. Jika ada data outlier yang tetap diproses, hal ini bisa berakibat berkurangnya ketepatan klasifikasi dari fungsi diskriminan. 1.1.3. Proses Analisis Diskriminan Beberapa langkah yang merupakan proses dasar dalam Analisis Diskriminan antara lain: - Memilah variabel-variabel menjadi Variabel terkait (Dependent) dan variabel bebas (Independent). - Menentukan metode membuat fungsi diskriminan, yaitu: 1. Simultanoes Estimation; semua variabel dimasukkan secara bersama-sama lalu dilakukan proses Diskriminan. 2. Step-wise Estimation; variabel dimasukkan satu per satu ke dalam model diskriminan. - Menguji signifikansi Fungsi Diskriminan yang terbentuk, dengan menggunakan Wilk s Lambda, Pilai, F test, dan lainnya. - Menguji ketepatan klasifikasi dari fungsi diskriminan (secara individual dengan Casewise Diagnostic). - Melakukan interpretasi Fungsi Diskriminan. - Melakukan uji validasi fungsi diskriminan. 2.2. Tinjauan non Statistika Sebuah penelitian dilakukan untuk mengetahui apakah ada hubungan antara variabel dependen dan independen. Maka digunakan lah Analisis Diskriminan guna menghasil kan fungsi untuk menduga variabel Y (dependen). Variabel Y nya adalah frekuensi liburan keluarga, dimana variabel Y terdiri dari 3 kategori,yaitu Y=1 untuk frekuensi liburan rendah, Y=2 untuk frekuensi liburan sedang, Y=3 untuk frekuensi liburan tinggi. Variabel-variabel yang menjadi penduga bagi variabel Y antara lain pendapatan keluarga perbulan (dalam juta), sikap terhadap perjalanan 4
(skala 1-7 dari negatif ke positif ), tingkat kepentingan liburan keluaraga (skala 1-7 dari tidak penting ke sangat penting), jumlah anggota keluarga, umur kepala keluarga. Dari sini kita bisa melihat berbagai sudut pandang untuk menentukan sebuah keluarga itu memiliki frekuensi liburan yang rendah, sedang atau tinggi. Yang nantinya bisa menjadi sebuah informasi bagi agensi perjalanan/tour and travel untuk bisa memasarkan jasanya kepada sasaran yang tepat. Dengan cara awal adalah melakukan sebuah survey singkat kepada keluarga dalam suatu populasi yang di pilih secara acak. Sehingga menghasilkan kesimpulan yang valid. 2.3. Permasalahan Yang jadi permasalahan adalah apakah sikap terhadap perjalanan dan tingkat kepentingan liburan salang berkorelasi? Karena Analisis Diskriminan memiliki asumsi bahwa tidak terdapat korelasi antar variabel independennya. Mari kita buktikan dengan meilhat nilai VIF-nya apabila niali VIF melebih 10 maka sudah bisa dikatakan terdapat korelasi antar variabel independen didalamnya. Jadi harus dipastikan bahwa nilai VIF kurang dari 10 sudah cukup membuktikan bahwa tidak ada multikolinearitas antar variabel independen. 5
6 BAB III METODE PENELITIAN
3.1. Sumber Data Data yang digunakan dalam hal ini adalah data-data dengan variabel dependen yaitu frekuensi liburan keluarga (1=rendah, 2=sedang, 3=tinggi), dengan variabel independennya X1(Pendapatan keluarga perbulan), X2 (Sikap Terhadap Perjalanan), X3 (Tingkat Kepentingan Liburan Keluarga), X4 (Jumlah Anggota Keluarga), X5 (Umur Kepala Keluarga). 3.2. Langkah-langkah 3.1.1. Input Data 1. Ketikkan data yang akan dianalisis pada Data View 2. Beri nama pada masing-masing variabel, sesuaikan dengan banyak koma yang diperlukan dan tentukan skala data pada masing-masing variabel. Pada variabel dependent pilih Nominal, dan pada variabel independent pilih Scale 3. Pada variabel dependent. Pada Values beri keterangan masing-masing grup. 1=Nakal Menengah Keatas, 2=Nakal Ringan 3.1.2. Pengujian Asumsi 1. Pilih Analyze Regression Linear 2. Masukkan Tingkat_kenakalan pada kolom Dependent dan I-Q, E_Q,dan S_Q pada Independent(s). Lalu piih Statistics 3. Centang Estimates, Model Fit, dan Collinearity diagnostics. Collinearity diagnostics untuk mengetahui asumsi multikolinearitas 4. Pilih Save dan centang Unstandardize pada Residuals. 5. Uji Normalitas dilakukan dengan pilih Analyze Nonparametric Tests Legacy Dialogs 1-Sample K-S 6. Pada kolom Test Variable List isikan dengan Unstandardized Residuals. 7. Selanjutnya menguji ada tidaknya outlier, pilih Graphs Legacy Dialogs Boxplot 8. Pilih Simple dan Summaries of separate variables. Lalu pilih Define 7
9. Pada kolom Boxes Represent isikan dengan variabel prediktor, dalam hal ini adalah I_Q, E_Q, S_Q. 10. Uji matriks varians kovarians dengan pilih Analyze Classify Discriminant 11. Pada Grouping Variable isikan dengan Tingkat_kenakalan, pada Independents isikan dengan I_Q, E_Q, dan S_Q. Lalu pilih Statistics 12. Centang Box s M. 3.1.3. Analisis Diskriminan 1. Pilih Analyze Classify Discriminant 2. Pada Grouping Variable isikan dengan Tingkat_kenakalan, pada Independents isikan dengan I_Q, E_Q, dan S_Q. Lalu pilih Statistics 3. Centang Means, Univariate ANOVAs, Fisher s,dan Unstandardized. Lalu pilih continue 4. Pilih Classify 5. Pilih All groups equal dan centang pada Summary table. Lalu pilih continue 6. Klik Define Range 7. Isikan 1 pada Minimum dan 2 pada Maximum. 8
3.2. Diagram Alir Mulai Data Pengujian Asumsi Terpenuhi asumsi Ya Tidak Analisis Diskriminan Selesai Gambar 3.3.1. Diagram Alir 9
10
4.1. Pengujian Asumsi 4.1.1. Non Multikolinearitas Tabel 4.1.1.1 Coefficients a BAB IV HASIL DAN PEMBAHASAN Model Unstandardized Standardized t Sig. Collinearity Statistics Coefficients Coefficients B Std. Error Beta Tolerance VIF (Constant).975.233 4.188.000 X_1.028.011.174 2.527.019.234 4.274 X_2.104.033.275 3.122.005.143 7.012 X_3.171.037.460 4.577.000.110 9.093 X_4 -.042.025 -.125-1.689.104.203 4.927 X_5 -.001.003 -.014 -.423.676.968 1.033 a. Dependent Variable: Y a. Dependent Variable: Tingkat_kenakalan Hipotesis H 0 : tidak terdapat multikolinieritas H 1 : paling sedikit terdapat multikolinieritas dalam peubah X Nilai VIF yang didapatkan bernilai < 10 sehingga Terima H 0, maka dapat disimpulkan bahwa asumsi non multikolinearitas terpenuhi 11
4.1.2. Normal Multivariat Tabel 4.1.2.1. One-Sample Kolmogorov-Smirnov Test Unstandardized Predicted Value N 30 Normal Parameters a,b Mean 2.0000000 Std. Deviation.81933442 Absolute.180 Most Extreme Differences Positive.157 Negative -.180 Kolmogorov-Smirnov Z.986 Asymp. Sig. (2-tailed).285 a. Test distribution is Normal. b. Calculated from data. Hipotesis uji H 0 : galat berdistribusinormal H 1 : galat tidak berdistribusi normal Perbandingan antara p-value dengan p value=0,842 α α=0,05 Keputusan : Terima H 0 Kesimpulan : Dengan taraf nyata 5% sudah cukup bukti untuk menyatakan bahwa asumsi galat berdistribusi normal terpenuhi 12
4.1.3. No Outlier Tabel 4.1.3.1 Boxplot Dari boxplot diatas menunjukkan hasil bahwa tidak ada data yang keluar dari batas atau tidak ada pencilan, sehingga asumsi no outlier terpenuhi 4.1.4. Matriks kovarian dari semua variabel prediktor relatif sama Tabel 4.1.4.1. Test Results Box's M 61.365 F Approx. 1.480 df1 30 13
df2 2309.985 Sig..045 Tests null hypothesis of equal population covariance matrices. H 0 : Matriks kovarian dari semua variabel prediktor relatif sam H 1 : Matriks kovarian dari semua variabel prediktor berbeda Nilai p-value = 0,045 Keputusan : Tolak α=0,05 H 0 maka dapat disimpulkan bahwa matriks kovarian dari semua variabel prediktor berbeda, sehingga asumsi bahwa matriks kovarian dari semua variabel prediktor sama tidak terpenuhi, namun kembali ke batasan masalah yang menjelaskan bahwa diasumsikan semua asumsi terpenuhi. 4.2. Analisis Diskriminan Tabel 4.2.1. Tests of Equality of Group Means Wilks' Lambda F df1 df2 Sig. X_1.130 90.203 2 27.000 X_2.106 114.081 2 27.000 X_3.060 212.337 2 27.000 X_4.178 62.349 2 27.000 X_5.975.342 2 27.714 Dari Tabel diatas didapatkan hasil bahwa variabel X_1, X_2, X_3, dan X_4 yang signifikan sehingga disumpulkan bahwa variabel X_1, X_2, X_3, dan X_4 berpengaruh terhadap frekuensi liburan keluarga rendah, sedang, atau tinggi. Tabel 4.2.2. Eigen values Function Eigenvalue % of Variance Cumulative % Canonical Correlation 1 37.559 a 98.4 98.4.987 2.606 a 1.6 100.0.614 14
a. First 2 canonical discriminant functions were used in the analysis. Terdapat 2 fungsi karena min (q 1, p )=(3 1,5) =2 sehingga sesuai jika fungsi yang ada adalah dua 15
Pada table Eigen Values terdapat nilai canonical correlation. Nilai canonical correlation digunakan untuk mengukur derajat hubungan antara hasil diskriminan atau besarnya variabilitas yang mampu diterangkan oleh variabel independent terhadap variabel dependent. Nilai korelasi kanonikal menunjukan hubungan antara nilai diskriminan dengan kelompok. Nilai fungsi 1 sama dengan 0.987 berarti hubungannya sangat tinggi dibandingkan nilai fungsi 2 yang sama dengan 0.614 yang artinya fungsi 1 lebih tinggi keeratan hubungan antara nilai diskriminan dengan kelompok. Tabel 4.2.3. Wilks' Lambda Test of Function(s) Wilks' Lambda Chi-square df Sig. 1 through 2.016 103.151 10.000 2.623 11.846 4.019 H 0 : Fungsi tidak signifikan H 1 : Fungsi signifikan(layak) Nilai p-value = 0,000 α=0,05 Keputusan : Tolak H 0 maka dapat disimpulkan bahwa fungsi sudah layak dan sudah dapat digunakan untuk menggambarkan tingkat frekuensi liburan keluarga. 4.3. Model Diskriminan 4.3.1. Canonical Discriminant function coefficient Function 1 2 X_1.256.471 X_2.760 -.014 X_3 1.200 -.517 X_4 -.260.446 X_5 -.012 -.032 (Constant) -7.681-1.811 16
BAB V PENUTUP 5.1. Kesimpulan Dari kasus untuk mengetahui pengaruh apakah benar variabel X_1, X_2, X_3, X_4, dan X_5 sudah tepat digunakan untuk 17
mengelompokkan tingkat frekuensi liburan keluarga menjadi 3 kelompok yaitu rendah, sedang, dan tinggi. Sebelum dilakukan analisis, dilakukan pengujian asum-asumsi yang ada dan dipapatkan hasil bahwa asumsi normal multivariate, non-multikolinearitas, tidak ada pencilan (outlier) terpenuhi namun asumsi homogenitas matriks kovarian dari semua variabel dependen tidak terpenuhi. Pada analisis diskriminan didapatkan hasil bahwa seluruh variabel berpengaruh terhadap pengelompokan tingkat frekuensi liburan keluarga kecuali variabel X_5 yaitu Umur Kepala Keluarga. Dan didapatkan model diskriminan sebagai berikut : D= 7,681+0,256 X 1 +0,760 X 2 +1,200 X 3 0,260 X 4 0,012 X 5 5.2. Saran 5.2.1. Perhatikan dengan cermat skala data yang akan dianalisis, ketika akan melakukan analisis diskriminan. 5.2.2. Sebelum menguji asumsi, sebaiknya sudah mengetahui secara jelas bagaimana prosedur melakukan uji asumsi dan membaca output. 18
DAFTAR PUSTAKA https://masbied.files.wordpress.com/2011/05/modul-matematikaanalisis-diskriminan.pdf https://www.google.com/url? sa=t&rct=j&q=&esrc=s&source=web&cd=8&cad=rja&uact=8&v ed=0ahukewip37ubhrdmahvjhi4khepkddqqfghlmac&ur l=http%3a%2f%2ffile.upi.edu%2fdirektori%2ffpips %2FLAINNYA%2FMEITRI_HENING%2FModul 19
%2FModul_Diskriminan.pdf&usg=AFQjCNFH029DESuRXU_u sxzivnkewenfvg&sig2=zrwp1ngurrujqfarlaeg3q https://www.google.com/url? sa=t&rct=j&q=&esrc=s&source=web&cd=5&cad=rja&uact=8&v ed=0ahukewip37ubhrdmahvjhi4khepkddqqfgg5maq&u rl=http%3a%2f%2fdaps.bps.go.id%2ffile_artikel %2F65%2FANALISIS %2520DISKRIMINAN.pdf&usg=AFQjCNGhA3aYObUWGj78o MgvZWFywxWWAA&sig2=tSQBYkgNJKRWr_lkMPAAIA https://pengetahuanuntukanda.wordpress.com/2012/04/22/analisiskorelasi-kanonikal/ 20
LAMPIRAN Lampiran 1. Data No Y X1 X2 X3 X4 X5 1 1 1.5 1 1 6 25 2 1 2 1 1 7 30 3 1 1.17 1 1 8 55 4 1 3.5 2 1 9 60 5 1 1.25 2 1 5 30 21
6 2 5.3 3 3 3 32 7 2 6.5 3 4 4 31 8 2 4.7 4 4 4 45 9 2 4.65 4 3 5 42 10 2 3.75 5 4 5 41 11 3 10 7 7 2 43 12 3 15 6 7 1 45 13 3 13 7 6 3 29 14 3 14 6 6 2 28 15 3 8 7 6 2 26 16 1 1.5 1 1 10 23 17 1 2.3 2 1 7 24 18 1 3.1 1 2 8 32 19 1 1.4 1 2 9 34 20 1 0.75 2 2 6 47 21 2 3.2 3 4 4 49 22 2 4.5 4 4 5 50 23 2 6.1 6 4 4 36 24 2 4.3 4 5 5 31 25 2 3.8 4 5 5 39 Lampiran 1. Data (lanjutan) 26 3 11 7 7 2 35 27 3 12 5 7 3 42 28 3 12.5 7 6 2 43 29 3 13.7 6 6 3 44 30 3 19 6 7 1 45 Lampiran 2. Output SPSS Variables Entered/Removed a 22
Model Variables Variables Method Entered Removed 1 X_5, X_4, X_1, X_2, X_3 b. Enter a. Dependent Variable: Y b. All requested variables entered. Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1.987 a.973.968.14889 a. Predictors: (Constant), X_5, X_4, X_1, X_2, X_3 b. Dependent Variable: Y ANOVA a Model 1 Sum of Squares df Mean Square Regression 19.468 5 3.894 175.637 Residual.532 24.022 Total 20.000 29 a. Dependent Variable: Y b. Predictors: (Constant), X_5, X_4, X_1, X_2, X_3 F Sig. 23
Model 1 Model Unstandardized Coefficients Coefficients a Standardized Coefficients t Sig. C S B Std. Error Beta T (Constant).975.233 4.188.000 X_1.028.011.174 2.527.019 X_2.104.033.275 3.122.005 X_3.171.037.460 4.577.000 X_4 -.042.025 -.125-1.689.104 X_5 -.001.003 -.014 -.423.676 Coefficients a Collinearity Statistics VIF (Constant) X_1 4.274 1 Mod el 1 Dimensi on X_2 7.012 X_3 9.093 X_4 4.927 X_5 1.033 Eigenval ue Collinearity Diagnostics a Condition Index (Consta nt) Variance Proportions X_1 X_2 X_3 1 5.111 1.000.00.00.00.00 2.753 2.605.00.02.00.00 3.062 9.094.00.86.12.03 4.046 10.538.01.01.08.01 5.018 16.800.00.10.66.88 6.010 22.571.99.00.14.08 Collinearity Diagnostics a 24
Model Dimension Variance Proportions X_4 X_5 1 1.00.00 2.03.00 3.05.03 4.12.87 5.00.02 6.80.07 Minimum Residuals Statistics a Maximu m Mean Std. Deviation Predicted Value.8470 3.2422 2.0000.81933 30 Residual -.24672.22327.00000.13545 30 Std. Predicted Value -1.407 1.516.000 1.000 30 Std. Residual -1.657 1.500.000.910 30 N One-Sample Kolmogorov-Smirnov Test Unstandardized Predicted Value N 30 Mean 2.0000000 Normal Parameters a,b Std. Deviation.81933442 Most Extreme Differences Absolute.180 Positive.157 Negative -.180 Kolmogorov-Smirnov Z.986 Asymp. Sig. (2-tailed).285 a. Test distribution is Normal. b. Calculated from data. Case Processing Summary Cases Valid Missing Total 25
N Percent N Percent N Percent X_1 30 100.0% 0 0.0% 30 100.0% X_2 30 100.0% 0 0.0% 30 100.0% X_3 30 100.0% 0 0.0% 30 100.0% X_4 30 100.0% 0 0.0% 30 100.0% X_5 30 100.0% 0 0.0% 30 100.0% Analysis Case Processing Summary Unweighted Cases N Percent Valid 30 100.0 Excluded Missing or out-of-range group codes 0.0 26
At least one missing discriminating variable 0.0 Both missing or out-of-range group codes and at least one missing discriminating 0.0 variable Total 0.0 Total 30 100.0 Group Statistics Y Valid N (listwise) Unweighted Weighted X_1 10 10.000 X_2 10 10.000 rendah X_3 10 10.000 X_4 10 10.000 X_5 10 10.000 X_1 10 10.000 X_2 10 10.000 sedang X_3 10 10.000 X_4 10 10.000 X_5 10 10.000 X_1 10 10.000 X_2 10 10.000 tinggi X_3 10 10.000 X_4 10 10.000 X_5 10 10.000 X_1 30 30.000 X_2 30 30.000 Total X_3 30 30.000 X_4 30 30.000 X_5 30 30.000 Log Determinants Y Rank Log Determinant Rendah 5 2.422 Sedang 5 1.020 Tinggi 5 2.133 Pooled within-groups 5 4.131 The ranks and natural logarithms of determinants printed are those of the group covariance matrices. Test Results 27
Box's M 61.365 Approx. 1.480 df1 30 F df2 2309.985 Sig..045 Tests null hypothesis of equal population covariance matrices. Eigenvalues Function Eigenvalue % of Variance Cumulative % Canonical Correlation 1 37.559 a 98.4 98.4.987 2.606 a 1.6 100.0.614 a. First 2 canonical discriminant functions were used in the analysis. Wilks' Lambda Test of Function(s) Wilks' Lambda Chi-square df Sig. 1 through 2.016 103.151 10.000 2.623 11.846 4.019 Standardized Canonical Discriminant Function Coefficients Function 1 2 X_1.486.894 X_2.563 -.010 X_3.677 -.292 X_4 -.282.484 X_5 -.121 -.315 Structure Matrix Function 1 2 X_3.646 * -.283 X_2.474 * -.211 X_4 -.348 *.327 X_1.410.785 * X_5.014 -.174 * 28
Pooled within-groups correlations between discriminating variables and standardized canonical discriminant functions Variables ordered by absolute size of correlation within function. *. Largest absolute correlation between each variable and any discriminant function Y Functions at Group Centroids Function 1 2 rendah -6.979.552 sedang -.275-1.044 tinggi 7.254.492 Unstandardized canonical discriminant functions evaluated at group means Group Statistics Y Mean Std. Deviation rendah sedang Unweighte d Valid N (listwise) Weighted X_1 1.8470.88127 10 10.000 X_2 1.4000.51640 10 10.000 X_3 1.3000.48305 10 10.000 X_4 7.5000 1.58114 10 10.000 X_5 36.0000 13.26650 10 10.000 X_1 4.6800 1.03928 10 10.000 X_2 4.0000.94281 10 10.000 X_3 4.0000.66667 10 10.000 X_4 4.4000.69921 10 10.000 X_5 39.6000 7.08990 10 10.000 tinggi X_1 12.8200 2.98917 10 10.000 X_2 6.4000.69921 10 10.000 X_3 6.5000.52705 10 10.000 X_4 2.1000.73786 10 10.000 29
Total X_5 38.0000 7.70281 10 10.000 X_1 6.4490 5.07224 30 30.000 X_2 3.9333 2.19613 30 30.000 X_3 3.9333 2.22731 30 30.000 X_4 4.6667 2.48212 30 30.000 X_5 37.8667 9.53300 30 30.000 Tests of Equality of Group Means Wilks' Lambda F df1 df2 Sig. X_1.130 90.203 2 27.000 X_2.106 114.081 2 27.000 X_3.060 212.337 2 27.000 X_4.178 62.349 2 27.000 X_5.975.342 2 27.714 Eigenvalues Function Eigenvalue % of Variance Cumulative % Canonical Correlation 1 37.559 a 98.4 98.4.987 2.606 a 1.6 100.0.614 a. First 2 canonical discriminant functions were used in the analysis. Wilks' Lambda Test of Function(s) Wilks' Lambda Chi-square df Sig. 1 through 2.016 103.151 10.000 2.623 11.846 4.019 Standardized Canonical Discriminant Function Coefficients Function 1 2 X_1.486.894 X_2.563 -.010 X_3.677 -.292 X_4 -.282.484 X_5 -.121 -.315 Structure Matrix Function 30
1 2 X_3.646 * -.283 X_2.474 * -.211 X_4 -.348 *.327 X_1.410.785 * X_5.014 -.174 * Pooled within-groups correlations between discriminating variables and standardized canonical discriminant functions Variables ordered by absolute size of correlation within function. *. Largest absolute correlation between each variable and any discriminant function Canonical Discriminant Function Coefficients Function 1 2 X_1.256.471 X_2.760 -.014 X_3 1.200 -.517 X_4 -.260.446 X_5 -.012 -.032 (Constant) -7.681-1.811 Unstandardized coefficients Functions at Group Centroids Y Function 1 2 rendah -6.979.552 sedang -.275-1.044 tinggi 7.254.492 Unstandardized canonical discriminant functions evaluated at group means Classification Processing Summary Processed 30 Excluded Missing or out-of-range group codes 0 At least one missing discriminating variable 0 Used in Output 30 Prior Probabilities for Groups Y Prior Cases Used in Analysis 31
Unweighted Weighted rendah.333 10 10.000 sedang.333 10 10.000 Tinggi.333 10 10.000 Total 1.000 30 30.000 Classification Function Coefficients Y rendah sedang tinggi X_1 1.024 1.990 4.644 X_2 3.710 8.826 14.525 X_3 2.726 11.599 19.843 X_4 6.410 3.955 2.683 X_5.248.217.074 (Constant) -34.920-59.596-146.057 Fisher's linear discriminant functions Classification Results a Original Count % Y Predicted Group Membership Total rendah sedang tinggi rendah 10 0 0 10 sedang 0 10 0 10 tinggi 0 0 10 10 rendah 100.0.0.0 100.0 sedang.0 100.0.0 100.0 tinggi.0.0 100.0 100.0 a. 100.0% of original grouped cases correctly classified. 32