22
Sambungan Tabel 3.1
No. KabupatenKota PDRB ADHK
Perkapita Rupiah
PDRB ADHB Perkapita
Rupiah Laju Pertumbuhan
Ekonomi ADHK AHH
1 2
3 .
. .
23 Simeulue
Aceh Singkil Aceh Selatan
. .
. Subulussalam
301.718,02 561.577,83
1.481.559,10 .
. .
309.578,77 724.702,92
1.026.661,77 3.125.168,82
. .
. 474.351,72
5,41 5,08
4,27 .
. .
6,03 63,32
65,58 67,54
. .
. 66,63
Keseluruhan Data Penelitian dapat dilihat pada lampiran.
3.2 Analisis Data
Dalam penelitian ini penulis menggunakan analisis diskriminan sebagai alat untuk menganalisis data yang diperoleh. Analisis diskriminan dimulai dengan hal-hal
yang ringan yaitu pemilihan variabel terikat dan variabel bebas, dimana variabel terikat bersifat kategorik atau kualitatif sedangkan variable bebas harus bersifat
metrik atau kuantitatif. Kemudian melakukan analisis univariat untuk mengetahui kenormalan data.
3.2.1 Uji Kenormalan Data Untuk menguji kenormalan data, dapat dilihat dari uji Kolmogorv Smirnov dan
dengan menggunakan pendekatan grafik. Pendekatan kolmogorv smirnov 1 sample KS dengan melihat data residualnya apakah berdistribusi normal atau
tidak. Maka hasil pengujiannya ditunjukkan pada tabel di bawah ini:
23
Tabel 3.2 Uji Kolmogorov-Smirnov 1 sample KS Data
N Normal Parameters
a
Mean Std. Deviation
Most Extreme Differencess Absolute Positive
Negative Kolmogorov-Smirnov Z
Asymp. Sig. 2-tailed 23
5.5440E6 4.63383E6
.215 .215
-.152 1.030
.239
a. Test Distribution is Normal
Dari hasil test Kolmogorov Smirnov diatas terlihat bahwa nilai-p KS 0,05 sehingga dapat disimpulkan bahwa data yang diuji berdistribusi normal.
3.2.2 Uji Kesamaan Rata-rata Selanjutnya dilakukan uji kesamaan untuk memenuhi asumsi bahwa varians
variabel bebas untuk tiap grup harus sama dan varians diantara variabel-variabel bebas harus sama grup covariance matrices adalah relatif sama, hal ini dapat
dilihat dari angka tingkat signifikan Wilk’s Lambda. Jika angka Sig 0,05 menunjukkan variabel sama.
Tabel 3.3 Uji Kesamaan Rata-rata Test of Equality of Group Means
Wilks’ Lambda F
df1 df2
Sig. Kepadatan Penduduk
TPT PDRB ADHK
PDRB ADHB Pertumbuhan Ekonomi
AHH .909
.999 .873
.898 .987
.826 2.101
.016 3.067
2.398 .272
4.416 1
1 1
1 1
1 21
21 21
21 21
21 .162
.900 .094
.136 .607
.048
24 Pada tabel 3.3 terlihat bahwa angka Wilk’s Lambda berkisar antara 0,826
sampai 0,999 mendekati 1, ini berarti data tiap grup cenderung sama. Dilihat dari kolom signifikan bahwa angka signifikan untuk variable AHH 0,048 yang
berarti bahwa ada perbedaan antar grup, atau suatu daerah dikatakan memiliki tingkat kemiskinan rendah dan tinggi tergantung pada variabel AHH. Namun hal
tersebut tidak menjamin apakah variabel tersebut akan dimasukkan pada fungsi diskriminan. Untuk itu dilakukan fungsi diskriminan dengan tetap menyertakan
seluruh variabel yang ada. Sedangkan, angka signifikan untuk variabel Kepadatan Penduduk 0,162, TPT 0,900, PDRB ADHK 0,094, PDRB ADHB 0,136,
Pertumbuhan Ekonomi 0,607 jauh diatas 0,05 yang berarti bahwa variabel Kepadatan Penduduk, TPT, PDRB ADHK, PDRB ADHB, dan Pertumbuhan
Ekonomi tidak mempengaruhi rendah atau tingginya tingkat kemiskinan suatu daerah KabupatenKota di Provinsi Aceh.
Sebelum melakukan analisis diskriminan. Variabel terikat diperoleh dari persentase penduduk miskin daerah KabupatenKota Provinsi Aceh. Variabel
terikat dibagi menjadi 2 dua kelompok, yaitu: Y
1
: Kelompok I, tingkat kemiskinan rendah adalah daerah dengan persentase penduduk miskin 18.
Y
2
: Kelompok II, tingkat kemiskinan tinggi adalah daerah dengan persentase penduduk miskin ≥18.
Sedangkan variabel bebas dalam penelitian ini adalah: X
1
: Kepadatan Penduduk JiwaKm
2
X
2
: Tingkat Pengangguran Terbuka TPT X
3
: PDRB Per Kapita Atas Dasar Harga Konstan PDRB ADHK Ribu Rupiah
X
4
: PDRB Per Kapita Atas Dasar Harga Berlaku PDRB ADHB Ribu Rupiah
X
5
: Pertumbuhan Ekonomi X
6
: Angka Harapan Hidup AHH
25
Kelompok I berjumlah n
1
11 kabupatenkota yang memiliki persentase kemiskinan 18, kelompok II berjumlah n
2
12 kabupatenkota yang memiliki persentase kemiskinan ≥18. Kemudian dianggap memiliki n
1
observasi dari faktor acak multivariat
dari populasi kelompok I
dan n
2
pengukuran kuantitas dari dengan
– .
Untuk mencari matriks varians-kovarians, data dari kelompok I dan kelompok II dibentuk matriks kelompok I dan kelompok II, yaitu :
Rata-rata untuk tiap variabel kelompok I adalah :
26
Untuk mencari rata-rata tiap variabel untuk kelompok II digunakan dengan rumus yang sama lihat Lampiran 1.
Berdasarkan Persamaan 2.8 maka diperoleh hasil bentuk vektor untuk rata- rata tiap variabel kelompok I dan kelompok II:
dan
27
Untuk mencari matriks varians-kovarians dari kelompok I, pertama kali yang dilakukan adalah menjumlahkan dan mengalikan nilai dari setiap variabel
kelompok pertama. Dari matriks X kelompok I, diperoleh nilai-nilai untuk:
7.131 25.484,35
100,70 21.582.106.638
21.148.750,990 66.311.591.626
57.016.482,380 37.848,36
49,30 510.653,62
773,810 175.061.324,1
21.920.557 451251054,7
1.144,117 434,4581
5,173678 7.070,6237
4,057352 1,437070
233,6296 94.187.303,58
54.460,28 1.499.107.320
253.881.910,4 4.046.717.151
3.467,8717 Berdasarkan Persamaan 2.3 diperoleh hasil varians sebagai berikut:
Untuk mencari varians S
22
, S
33
, S
44
, S
55
, dan S
66
digunakan dengan rumus yang sama lihat lampiran 2.
28
Berdasarkan Persamaan 2.4 diperoleh hasil kovarians sebagai berikut:
Untuk mencari kovarians S
13
, S
14
, S
15
, S
16
, S
23
, S
24
, S
25
, S
26
, S
34
, S
35
, S
36
, S
45
, S
46
, dan S
56
digunakan dengan rumus yang sama lihat lampiran 2. Kemudian dibentuk matriks yang berisi nilai varians dan kovarians dari kelompok
I, dan dengan cara yang sama diatas dibentuk matriks yang berisi nilai varians dan kovarians dari kelompok II lihat Lampiran 3.
Berdasarkan persamaan 2.9 maka diperoleh Matriks varians-kovarians untuk setiap kelompok.
Matriks varians-kovarians untuk kelompok I: S
1
=
Matriks varians-kovarians untuk kelompok II :
S
2
=
1.729.772,42 -3979,67
7,87 2.934.936,11
588,85 901,37
-3.979,67 22,23
-1.854.587,82 -7.070.892,49
-1,69 -1,33
7,87 -1.854587,82
1,11 3,41
-59.755,32 1.136.959,24
2.934.936,11 -7.070.892,49
3,41 1,10
-165.559,70 3.581.494,42
588,85 - 1,69
-59.755,32 -165.559,70
1,27 -0,02
901,37 -1,33
1.136.959,24 3.581.494,82
-0,02 2,56
5.514,52 249,34
3,42 101.086.193,6
-62,00 114,77
249,34 23,22
2.850.804,67 8.009.390,67
-3,36 3,85
3,42 2.850.804,67
1,34 3,96
-1.151.737,57 1.188.669,05
101.086.193,6 8.009.390,67
3,96 1,18
-3.290.840,40 3.656.167,40
-62,00 -3,36
-1.151.737,57 -3.290.840,40
1,74 -1,00
114,77 3,85
1.188.669,05 3.656.167,40
-1,00 6,11
29
Nilai-nilai dari matriks varians-kovarians S
1
dan S
2
diatas dapat juga dilihat pada tabel hasil output SPSS lihat Lampiran 4. Dari kedua matriks
varians-kovarians tersebut dapat dihitung matriks varians-kovarians gabungan S. Berdasarkan persamaan 2.10 maka diperoleh :
S =
Nilai-nilai matriks varians-kovarians diatas dapat juga dilihat pada tabel hasil output SPSS lihat Lampiran 4.
Penyelesaian secara manual cukup panjang, penulis menggunakan bantuan SPSS dalam menyelesaikan fungsi diskriminan.
Langkah-langkah melakukan analisis diskriminan dengan SPSS: 1.
Klik menu Analyze 2.
Pilih Classify 3.
Pilih Discriminant 4.
Masukkan variabel terikat kebagian Grouping Variable. Kemudian buka ikon Define Range, isi minimum dan maksimum variabel terikat.
5. Masukkan variabel bebas kebagian Independents.
6. Klik ikon Statistics, pada bagian Descriptives aktifkan pilihan Means; pada
bagian Function Coeficient aktifkan pilihan Fisher’s dan Unstandardized;
pada bagian Matrices aktifkan Within-grups Correlation dan Within-grups Covariance, kemudian klik continue.
7. Pada bagian tengah kotak dialog utama, pilih Use Stepwise Method, maka
secara otomatis ikon Method yang ada dibagian kanan dialog utama akan aktif. Memilih Stepwise Method berarti variabel akan dimasukkan satu per
satu kedalam model. 8.
Klik ikon Method, pada bagian Method pilih Mahalanobis distance merupakan metode yang digunakan untuk menganalisis kasus pada analisa
diskriminan, dimana metode ini juga dapat mengidentifikasi multivariate
826.589,71 -1.764,47
3,93 1,49
247,93 489,34
-1.764,47 22,75
610.141,58 828.303,45
-2,56 1,39
3,93 610.141,58
1,23 3,69
-631.746,02 1,16
1,45 828.303,45
3,69 1,14
-1.802.611,49 3,62
247,93 -2,56
-631.746,02 -1.802.611,49
1,52 -0,54
489,34 1,39
1164045,33 3.620.609,02
-0,54 4,42
30
outlier. Mahalanobis distance adalah jarak antara kasus dengan centroid pada setiap kelompok variabel terikat. Setiap kasus mempunyai satu jarak
Mahalanobis untuk setiap kelompok dan akan diklasifikasikan ke dalam kelompok dimana jarak tersebut paling kecil. Pada bagian Criteria, pilih Use
probability of F, tetapi jangan mengubah isi yang sudah ada. Disini lolos tidaknya sebuah variabel akan diuji dengan uji F, dengan batasan signifikansi
5. Kemudian klik continue. 9.
Pada bagian kanan kotak dialog utama klik ikon Classify. Classify adalah pelengkap dari pembuatan model diskriminan terutama cara penyajian model
diskriminan serta kelayakan model tersebut. Pada bagian Display aktifkan pilihan Casewise result dan Leave-one-out-classification. Kemudian klik
continue. 10.
Klik Ok.
3.3 Interpretasi Output SPSS Tabel 3.4 Grup Statistik
