Sama seperti regresi berganda, dalam analisis diskriminan variabel dependen hanya satu, sedangkan variabel independennya banyak multiple. Analisis
diskriminan merupakan teknik yang akurat untuk memprediksi seseorang termasuk dalam kategori apa, dengan catatan data-data yang dilibatkan terjamin akurasinya.
2.4.1 Tujuan Analisis Diskriminan
Adapun tujuan analisis diskriminan secara umum adalah:
1. Ingin mengetahui apakah ada perbedaan yang jelas antar grup pada
variabel dependen. 2.
Jika ada perbedaan, variabel independen manakah pada fungsi diskriminan yang membuat perbedaan tersebut.
3. Membuat fungsi atau model diskriminan, yang pada dasarnya mirip dengan
persamaan regresi. 4.
Melakukan klasifikasi terhadap objek dalam terminology SPSS disebut baris, apakah suatu objek bisa nama orang, nama tumbuhan, benda atau
lainnya termasuk pada grup 2, atau lainnya.
2.4.2 Proses Dasar Analisis Diskriminan
Adapun proses dasar dari analisis diskriminan adalah: 1.
Memisah variabel-variabel menjadi variabel dependen dan variabel independen
2. Menentukan metode untuk membuat fungsi diskriminan. Pada prinsipnya
ada dua metode dasar untuk itu, yakni :
Universitas Sumatera Utara
a. Simultaneous Estimation, dimana semua variabel dimasukkan secara
bersama-sama kemudian dilakukan proses analisis diskriminan. b.
Step-Wise Estimation, dimana variabel dimasukkan satu persatu kedalam model diskriminan. Pada proses ini, tentu ada variabel yang
tetap ada pada model, dan ada kemungkinan satu atau lebih variabel independen yang ‘dibuang’ dari model.
3. Menguji signifikansi dari fungsi diskriminan yang telah terbentuk
menggunakan Wilk’s Lambda, Pillai, F test lainnya. 4.
Menguji ketepatan klasifikasi dari fungsi diskriminan, termasuk mengetahui ketepatan klasifikasi secara individual dengan Casewise
Diagnostics. 5.
Melakukan interpretasi terhadap fungsi diskriminan tersebut. 6.
Melakukan uji validitas fungsi diskriminan.
2.4.3 Asumsi Dalam Analisis Diskriminan
Adapun berikut ini asumsi yang harus dipenuhi agar model diskriminan dapat digunakan:
1. Multivariat Normality, atau variabel independen seharusnya berdistribusi
normal, hal ini akan menyebabkan masalah pada ketepatan fungsi model diskriminan. Regresi Logistik Logistic Regression bisa dijadikan alternatif
metode jika memang data tidak berdistribusi normal. Tujuan uji normal adalah ingin mengetahui, apakah distribusi dengan bentuk lonceng bell shapped.
Data yang ‘baik’ adalah data yang mempunyai pola seperti distribusi normal, yakni distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan.
Uji normalitas pada multivariat sebenarnya sangat kompleks, karena harus dilakukan pada seluruh variabel secara bersama-sama. Namun, uji ini bisa juga
dilakukan pada setiap variabel dengan logika bahwa jika secara individual masing-masing variabel memenuhi asumsi normalitas, maka secara bersama-
Universitas Sumatera Utara
sama multivariat variabel-variabel tersebut juga bisa dianggap memenuhi asumsi normalitas. Adapun kriteria pengujiannya adalah:
a. Angka signifikansi Sig 0,05, maka data tersebut berdistribusi
normal. b.
Angka signifikansi Sig 0,05, maka data tidak berdistribusi normal. 2.
Matriks kovarians dari semua variabel independen seharusnya sama.
3. Tidak ada korelasi antara dua variabel independen.
4. Tidak adanya data yang sangat ekstrim pada variabel independen.
Jika sebuah variabel mempunyai sebaran data yang tidak normal, maka perlakuan yang di mungkinkan agar menjadi normal, Santoso, 2010:
1. Menambah jumlah data. Seperti pada kasus, bisa dicari 20 atau 30 atau
sejumlah data baru untuk menambah ke 75 data berat badan konsumen yang sudah ada. Kemudian dengan jumlah data yang baru, dilakukan pengujian
sekali lagi. 2.
Menghilangkan data yang di anggap penyebab tidak normalnya data. Seperti pada variabel berat, jika dua data yang ekstrim dibuang, yakni berat 100 dan
120, kemudian diulang proses pengujian, mungkin data bisa menjadi normal, ulangi pengurangan data yang dianggap penyebab ketidaknormalan data.
Namun demikian, pengurangan data harus dipertimbangkan, apakah tidak mengaburkan tujuan penelitian karena hilangnya data-data yang seharusnya
ada.
3. Dilakukan transformasi data, misal mengubah data ke logaritma atau ke bentuk
natural ln atau bentuk lainnya, kemudian dilakukan pengujian ulang.
Universitas Sumatera Utara
4. Data diterima apa adanya, memang dianggap tidak normal dan tidak perlu
dilakukan berbagai treatment. Untuk itu, alat analisis yang dipilih harus diperhatikan, seperti untuk multivariat mungkin faktor analisis tidak begitu
mementingkan asumsi kenormalan. Atau pada kasus statistik univariat, bisa dilakukan alat analisis nonparametrik, Santoso, 2010.
2.4.4 Model Analisis Diskriminan