Menentukan fungsi Diskriminan PEMBAHASAN DAN ANALISIS DATA

68 untuk mengetahui sebuah case dalam hal ini seorang pelanggan masuk pada grup yang satu ataukah tergolong pada grup yang lainnya. Tabel 4.10 Output Fungsi Diskriminan Canonical Discriminant Function Coefficients Function 1 Reability -3.078 Responsive 1.133 Assurance 3.773 Empathy .152 Tangible -.054 Constant -5.585 Unstandardized coefficients Dilihat dari tabel diatas kita peroleh fungsi yang hampir mirip dengan persamaan regresi berganda, yang dalam analisis diskriminan disebut fungsi diskriminan. Fungsi diskriminan tersebut dapat ditulis sebagai berikut: Z = -5,585- 3.078x 1 +1,133x 2 + 3,773x 3 +0,152x 4 – 0,054x 5 Dimana : X 1 = Reability X 2 = Responsive X 3 = Assurance X 4 = Empathy X 5 = Tangible Selain fungsi diatas, dengan dipilihnya Fisher Function Coefficient pada proses analisis akan terbentuk fungsi diskriminan dari Fisher yang dapat dilihat pada pada tabel 4.11 dibawah ini. Sama seperti tampilan Unstandardized Canonical sebelumnya, fungsi diskriminan dari Fisher pada prinsipnya membuat semacam persamaan regresi dengan pembagian berdasarkan kode kategori. 69 Tabel 4.11 Output ujiClassification Function Coefficients Classification Function Coefficients Kepuasan tidak puas puas Reability -12.808 -19.504 Responsive 12.965 15.429 Assurance -5.279 2.929 Empathy 12.704 13.033 Tangible 46.517 46.400 Constant -79.078 -89.429 Fishers linear discriminant functions Responden yang puas dalam pelayanan frontliner BRI Syariah kode 1: Zscore 1 = -89,429 – 19,504x 1 +15,429x 2 + 2,929x 3 + 13,033x 4 – 46,4x 5 Responden yang tidak puas dalam pelayanan frontliner BRI Syariah kode 0: Zscore = -79,078 – 12,808x 1 +12,965x 2 – 5,279x 3 + 12,704x 4 – 46,517x 5 Fungsi yang akan digunakan dalam aplikasi pada perhitungan score CasewiseStatistics adalah fungsi Unstandardized. Fungsi diskriminan Fisher sebenarnya bersifat proporsional dengan fungsi diskriminan Unstandardized.

H. Interpretasi Fungsi Diskriminan

Didalam lampiran, terdapat tabel outputCasewise Statisticsyang dimaksudkan untuk mengujiapakah model diskriminan yang terbentuk akan mengelompokkan dengan tepatseorang nasabah dengan kategori puas dan tidak puas terhadap kualitas pelayanan BRI Syariah. Sebagai contoh dalam kasus nasabah pertama yang masuk dalam 70 kategori tidak puas mempunyai data sebagai berikut. X 1 = Reability = 4 X 2 = Responsive = 3 X 3 = Assurance = 3 X 4 = Empathy = 4 X 5 = Tangible = 3 persamaan untuk dalam kasus nasabah pertama adalah: Z score = -5,585- 3.0784 +1,1333 + 3,7733 +0,1524 – 0,0543 Z score = -2,733 Jika dilihat pada kolom terakhir dari tampilan Casewise Statistics terlihatangka diskriminan score untuk case nasabah pertama adalah -2.734. Demikian seterusnya bisa dilakukan pembuatan score untuk masing-masing responden. Tabel 4.12 Uji klasifikasi responden Prior Probabilities for Groups Kepuasan Prior Cases Used in Analysis Unweighted Weighted tidak puas .500 12 12.000 Puas .500 88 88.000 Total 1.000 100 100.000 Hasil score selanjutnya akan dibandingkan dengan cut off score, untuk mengetahui apakah responden masuk ke kategori puas ataukah tidak puas. Dari rinciannya yang dapat dilihat pada tabel 4.12 didapatkan jumlah nasabah puas adalah 88 orang sedangkan responden tidak puas adalah12 orang.