Tujuan Analisis Diskriminan Proses Dasar Analisis Diskriminan Asumsi Dalam Analisis Diskriminan

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