2.7 Pengujian Signifikansi
Analisis diskriminan bertujuan juga untuk menghasilkan ukuran tingkat perbedaan antara kelompok-kelompok yang terlibat. Jika fungsi diskriminan untuk
dua kelompok dan
adalah , maka selisih antara rata-rata skor
diskriminan adalah:
Besaran ruas kanan itu disebut jarak Mahalanobis antara dan
, dan dinyatakan dengan tanda
atau . Ukuran atau statistik
dapat digunakan untuk menyelidiki apakah antara dua vektor rata-rata ada perbedaan
yang signifikan. Misalkan diambil dua sampel acak dari populasi normal p-variat dengan
rata-rata dan
dan matrik varians-kovarians , untuk menguji hipotesis
berikut. 1. Hipotesis
2. Kriteria uji ditolak jika
3. Statistik hitung
Dengan derajat kebebasan , dimana
adalah jarak Mahalonobis antara vektor rata-rata sampel, yaitu
. 4. Kesimpulan
Jika hipotesis ditolak, maka hasil analisis diskriminan memang berbeda. Artinya fungsi diskriminan yang dibentuk memang benar-benar bisa membedakan
kelompok yang satu dengan kelompok yang lain Suryanto, 1988:176.
2.8 Klasifikasi
Aturan klasifikasi atau aturan penempatan individu objek ke dalam kedua kelompok digunakan untuk memprediksi responden masuk dalam
kelompok mana yang kemudian akan didapat matrik klasifikasi. Proses klasifikasi dapat juga digunakan untuk menilai validitas analisis diskriminan.
Contoh, pada awal terdapat 40 objek yang masuk pada kelompok A dan terdapat 36 objek dalam kelompok B, dan setelah proses klasifikasi fungsi
diskriminan yang tetap pada kelompok A sebanyak 29 objek dan yang tetap pada kelompok B sebanyak 27 objek. Maka, ketepatan prediksi dari model adalah
atau sebanyak 74. Setelah diperoleh angka ketepatan yang tinggi maka model diskriminan bisa digunakan atau dengan kata lain valid dan model
diskriminan tersebut dapat digunakan untuk memprediksi sebuah kasus. Aturan klasifikasi dapat dirumuskan menggunakan titik tengah:
Jika maka suatu individu yang mencapai nilai
dimasukkan dan akan menjadi kelompok I jika dan akan menjadi
kelompok II jika . Suryanto, 1988:177
2.9 Sumbangan dari Variabel Peramal
Kategori