ANALISIS DISKRIMINAN PADA FAKTOR FAKTOR

(1)

LAPORAN PRAKTIKUM

MULTIVARIAT

MODUL IV

ANALISIS DISKRIMINAN PADA FAKTOR-FAKTOR

YANG MEMPENGARUHI AKREDITASI SMK

DI PULAU JAWA DAN MADURA

Oleh:

Raras Anasi (1313030055)

Elok Faiqoh (1313030067)

AsistenDosen: Denni Hariyanto

Dosen: Santi Wulan Purnami, M.Si, Ph.D

(2)

ABSTRAK

(3)

DAFTAR ISI

Halaman ABSTRAK

DAFTAR ISI...ii

DAFTAR TABEL...iv

DAFTAR GAMBAR...v

BAB IPENDAHULUAN

1.1Latar Belakang1

1.2 Rumusan Masalah2 1.3 Tujuan

1.4 Manfaat2

1.5 Batasan Masalah2

BAB IITINJAUAN PUSTAKA

2.1Uji Distribusi Multivariat Normal 2

2 .2 Uji Homogenitas Multivariat4 2 .3 Pendeteksian Multikolinieritas5 2 .4 Analisis Disriminan6

2 .5 Guru8

BAB III METODOLOGI

3.1 Sumber Data9

3.2 Variabel Penelitian9

3.3 Metode Analisis Data9

3.4 Diagram Alir10

(4)

4.1 Pemeriksaan Asumsi Analisis Diskriminan...11

4.1.1 Pemeriksaan Distribusi Multinormal...11

4.1.2 Uji Homogenitas Varians...12

4.1.3 Pemeriksaan Multikolinieritas...13

4.2 Analisis Diskriminan...13

BAB V KESIMPULANDAN SARAN 5.1 Kesimpulan...19

5.2 Saran...19

DAFTAR PUSTAKA

(5)

DAFTAR TABEL

Halaman

Tabel 3.1 Variabel Penelitian...9

Tabel 4.1 Uji Proporsi Distribusi Multinormal...12

Tabel 4.2 Statistik Uji Box’s M...12

Tabel 4.3 Nilai VIV...13

Tabel 4.4Group Statistics...14

Tabel 4.5 Uji Persamaan Mean...14

Tabel 4.6Eigenvalue...16

Tabel 4.7 Nilai Wilk’s Lambda...16

Tabel 4.8 Fungsi Diskriminan...16

Tabel 4.9 Model Analisis Diskriminan...17

Tabel 4.10 Model Analisis Diskriminan Kedua...17

(6)

DAFTAR GAMBAR

Halaman

Gambar 3.1 Flowchart Langkah Analisis...10

(7)

BAB I

PENDAHULUAN

1.1 Latar Belakang

Di abad 21 ini pendidikan merupakan hal yang sangat penting dalam kehidupan, baik dalam segi ilmu politik, social, budaa maupun agama. Pendidikan merupakan pondasi awal tercitanya sumber daya manusia (SDM) yang ungul dan bagus. SDM yang baik akan memberikan suatu nilai positif pada kehidupan bangsa dan negara pada masa mendatang. Guru adalah orang yang sangat berperan di bidang pendidikan, dimana guru adalah pengajar dan yang mendidik para siswa agar mendapatkan ilmu serta pengetahuan yang cukup. Peran guru dalam dunia pendidikan sangat vital, utamanya dalam pengajaran di tngkat sekolah dasar, sekolah tingkat menengah dan sekolah tingkat atas. Para guru di tuntut untuk memberikan pendidikan terbaik kepada para siswa-siswinya. Hal ini di tunjukkan agar SDM bangsa Indonesia meningkat.

(8)

1.2 Rumusan Masalah

Berdasarkan latar belakang diatas, maka rumusan masalah yang digunakan pada penelitian ini adalah sebagai berikut.

1. Apakah data jumlah guru SMK yang mengajar mata pelajaran Bahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura memenuhi asumsi analisis diskriminan?

2. Bagaimana hasil analisis diskriminan pada data gyru SMK yang mengajar mata pelajaran Bahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura?

1.3 Tujuan

Berdasarkan rumusan masalah diatas, maka tujuan yang ingin dicapai dari penelitian ini adalah sebagai berikut.

1. Mengetahui apakah data jumlah guru SMK yang mengajar mata pelajaran Bahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura memenuhi asumsi analisis diskriminan.

2. Mengetahui hasil analisis diskriminan pada data gyru SMK yang mengajar mata pelajaran Bahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura?

1.4 Manfaat

Manfaat yang diperoleh dari hasil penelitian ini adalah untuk peneliti mampu menerapkan analisis diskriminan dan mampu mengklasifikasikan data pada data multivariate, sedangkan manfat untuk pembaca adalah mendapatkan informasi dan pengetahuan dari hasil penelitian yang telah dilakukan.

1.5 Batasan Masalah

(9)

BAB II

TINJAUAN PUSTAKA

2.1 Uji Distribusi Multivariat Normal

Beberapa uji univariat dan interval kepercayaan didasarkan pada distribusi normal univariat. Demikian pula pada sebagian besar prosedur distribusi normal multivariat sebagai fondasi mereka. Berikut kegunaan dari distribusi normal multivariat, sebagai berikut.

a. Distribusi yang dapat sepenuhnya hanya dapat dijelaskan hanya menggunakan variasi dan covarians.

b. Plot bivariat dari data multivariat menunjukkan kelinearan tren c. Jika variabel tidak berkorelasi, mereka independen.

d. Ketika data tidak multivariat normal, maka multivariat normal dapat dipakai berguna sebagai perkiraan dalam penarikan kesimpulan, yakni dengan melibatkan vektor rata-rata sampel, yang kira-kira multivariat normal pada teorema limit sentral. Hal ini dikarenakan densitas normal multivariat merupakan perluasan dari kepadatan yang normal univariate. (Rencher, 2002)

Variabel

X

i

, X

2

,

...

, X

p _{dikatakan berditribusi normal}_multivariate_dengan parameter μ dan ∑¿¿ jika mempunyai probability density function :

H0 : Data berdistribusi normal multivariat

H1 : Data tidak berdistribusi normal multivariat

(10)

d

2_j

<

χ

_α2 _(2.2)

dimana j = banyaknya variabel,

d

2_j

=(

x

−¯

x

)

|

S

−1

(

x

−¯

x

)

_(2.3)

P adalah banyaknya variabel dan N adalah banyaknya sampel.

S_jj= 1

2.2 Uji Homogenitas Multivariat

Beberapa analisis statistika multivariate seperti discriminant analysis dan MANOVAmembutuhkan syarat matriks varians-kovarians yang homogen. Untuk menguji syarat ini dapat dipergunakan statistik uji Box-M.(Johnson dan Wichern, 2007)

Hipotesis :

H0 : Σ1 = Σ2 = ...= Σj (matriks varians covarians homogen)

H1 :minimal ada satu Σi ≠ Σj untuk i ≠ j (matriks varians covarians tidak

(11)



 



_

_{ }



1



1







( Johnson and Winchern, 2007).

2.3 Pendeteksian Multikolinieritas

Multikolinieritas terjadi karena adanya hubungan atau korelasi yang sangat tinggi antara variabel prediktor. Deteksi adanya multikolinieritas dalam model regresi dapat menggunakan3 cara yaitu :

1. Nilai VIF (Variance Inflation Factor) dari masing-masing variabel predictor. Suatu model regresi mengalami multikolinieritas jika terdapat nilai VIF yang lebih dari 10. Rumus VIF adalah sebagai berikut:

VIF=(1-R2_j)-1 _(2.9)

2. Korelasi yang tinggi antar variabel prediktor.

Perhitungan korelasi menunjukkan bahwa terdapat hubungan yang signifikan antar variabel independen. Koefisien korelasi dilambangkan dengan simbol “r” yang merupakan nilai dugaan suatu sampel dalam populasi. Besarnya nilai r dapat dihitung menggunakan rumus :

r_x variabel X dengan variabel Y adalah sebagai berikut.

Hipotesis :

(2.7)

(12)

H0 : ρx1x2 = 0 (Tidak ada korelasi antara variabel X1 dan X2)

H1 : ρx1x2 ≠ 0 (Ada korelasi antara variabel X1 dan X2)

Statistik uji yang digunakan adalah t. Nilai statistik uji t dapat dihitung melalui rumus sebagai berikut.

Jika koefisien korelasi yang dihasilkan semakin mendekati 1 maka korelasi antar variabel prediktor semakin tinggi.

3. Nilai eigen value matriks

Nilai eigen matriks didapat korelasi dari variabel prediktor yang telah distandarkan. suatu model dikatakan mempunyai multikolinieritas jika eigen value matriks korelasi bemilai lebih dari 1 dan proporsi kumulatif yang dihasilkan lebih dari 75% (Drapper and Smith. 1996).

2.4 Analisis Diskriminan

Analisis diskriminan merupakan metode statistik multivariat untuk mengelompokkan atau mengklasifikasikan sejumlah obyek ke dalam beberapa kelompok, berdasarkan beberapa variabel sedemikian hingga setiap obyek menjadi anggota dari salah satu kelompok, tidak ada obyek yang menjadi anggota lebih dari pada 1 kelompok. Analisis diskriminan akan menghasilkan variabel independen yang benar-benar membedakan antar kelompok. Dalam analisis diskriminan terdapat 2 metode berdasarkan jumlah kategori dari variabel dependennya. Apabila terdapat 2 kategori yang terlibat dalam pengklasifikasian, maka disebut dengan two-group discriminant analysis. Sedangkan apabila terdapat 3 atau lebih kategori yang terlibat dalam pengklasifikasian, maka disebut dengan multiple discriminant analysis.

Fungsi diskriminan pertama kali diperkenalkan oleh Ronald A. Fisher (1936) dengan menggunakan beberapa kombinasi linier dari pengamtan yang cukup mewakili populasi. Menurut Fisher, untuk mencari kombinasi linier dari p

(13)

yang menghasilkan hasil bagi maksimum antara matrik peragam antar kelompok (between-group) dan matrik peragam dalam kelompok (within-group).

Tujuan utama analisis diskriminan Fisher adalah memisahkan populasi dan juga dapat digunakan untuk klasifikasi. Dalam analisis dikriminan Fisher tidak perlu mengasumsikan g populasi adalah multivariat normal. Diasumsikan bahwa

kovarian matrik pxp adalah sama dan full rank yaitu

Σ₁=Σ₂=. ..=Σ_g=Σ .

Apabila

μ

~

¿

adalah mean vektor dari grup kombinasi

∑

i=1

g μi

~

g _{. Maka jumlah dari}

cross product between group B0 adalah sebagai berikut :

B₀=

∑

Ukuran variabilitas between group dari harga y relatif terhadap variabilitas

within group dinyatakan sebagai berikut :

(14)

= l

~

'_B

0l ~ ~

l'

~Σ l~

Dari persamaan di atas, dapat dipilih besarnya l untuk memaksimumkan

rasio tersebut, sehingga l '

~Σ~l~ = 1 ( Johnson and Winchern, 2007).

2.5 Guru

(15)

BAB III

METODE PENELITIAN

3.1 Sumber Data

Data yang digunakan dalam pembuatan laporan ini merupakan data sekunder. Data tersebut didapatkan dari hasil Laporan Kerja Praktek oleh Geovani Yeoniza (1307100018) dan Karlina Rachmasita (1307100042) yang berjudul “Laporan Kerja Praktek Program Studi S1 Di Dinas Pendidikan Jawa Timur”. Pengambilan data dilakukan pada hari Kamis, 23 April 2015 pukul 14.00 WIB di ruang baca Statistika ITS.

3.2 Variabel Penelitian

Variabel penelitian yang digunakan dalam penelitian ini adalah sebagai berikut.

Tabel 3.1 Variabel Penelitian

Variabel Keterangan Kategori

Y Akreditasi SMK 1=Akreditasi B_{2=AkreditasiC} X1 Jumlah guru Bahasa Indonesia

X2 Jumlah Guru Bahasa Inggris

X3 Jumlah Guru Matematika

3.3 Langkah Analisis

Langkah analisis dalam penelitian ini adalah sebagai berikut. 1. Memasukkan data.

2. Menguji asumsi distribusi multivariat normal pada data jumlah guru SMK yang mengajar mata pelajaran Bahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura.

3. Melakukan uji homogenitas varians pada data jumlah guru SMK yang mengajar mata pelajaran Bahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura dengan menggunakan uji Box’s M

(16)

5. Melakukan analisis diskriminan pada data jumlah guru SMK yang mengajar mata pelajaran Bahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura

6. Interpretasi dan kesimpulan

3.4 Diagram Alir

Berikut ini adalah flowchart yang menggambarkan langkah analisis data dalam praktikum kali ini.

Gambar 3.Diagram Alir

Mulai

Mengumpulkan Data

Uji Homgenitas

Kesimpulan

Selesai

Deteksi Multikolinieritas Ya Uji Multivariat Normal

Ya

Analisis Diskriminan Tidak

Tidak

(17)

BAB IV

ANALISIS DATA DAN PEMBAHASAN

4.1 Pemeriksaan Asumsi Analisis Diskriminan

Pemeriksaan Asumsi dilakukan sebelum data di analisis menggunakan analisis diskriminan. Syarat asumsi yang harus dipenuhi adalah tidak ada multikolinearitas antar variabel independen, variabel independen mengikuti distribusi normal, dan adanya homogenitas varians antara kelompok data. Berikut pemeriksaan asumsi yang dilakukan pada data jumlah guru SMK yang mengajar mata pelajaranBahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura.

4.1.1 Pemeriksaan Distribusi Multinormal

Uji distribusi normal digunakan untuk mengetahui apakah data yang telah diambil berdistribusi normal atau diambil dari populasi normal atau tidak. Data dalam praktikum ini adalah data jumlah guru SMK yang mengajar mata pelajaranBahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura. Berikut adalah hasil pemeriksaan multinormal yang dilakukan

Scatterplot of q vs dd

Gambar 4.1 Distribusi Multinormal

(18)

mendekati garis normal sehingga dikatakan bahwa datajumlah guru SMK yang mengajar mata pelajaranBahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Maduraberdistribusi multinormal. Selain melalui pengujian secara visual dengan scatterplot, pemeriksaan distribusi multinormal juga dapat diketahui dari nilai t. Nilai t dapat dijelaskan sebagai berikut,

Tabel 4.1 Uji Proporsi Distribusi Multinormal

t (proporsi) 0,440678

Tabel 4.1 menunjukkan bahwa nilai proporsi sebesar 0,440678 sekitar 50 % sehingga dapat disimpulkan bahwa data jumlah guru SMK yang mengajar mata pelajaranBahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura berditribusi multinormal.

4.1.2 Pengujian Homogenitas Varians

Berikut ini adalah hasil uji Homogenitas multivariat dari data jumlah guru SMK yang mengajar mata pelajaran Bahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura dengan menggunakan uji Box’s M. Adapun hipotesis yang digunakan untuk melakukan pengujian homogenitas multivariat adalah sebagai berikut.

Hipotesis :

H0 :

∑

1

=

∑

2

=

∑

3 (Matriks varians covarians antar variabel jumlah guru

SMK yang mengajar mata pelajaranBahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura telah homogen).

H1: minimal ada satu

∑

i

yang tidak homogen, dimana i : 1,2,3(minimal ada

satu matriks varians covarians antar variabel jumlah guru SMK yang mengajar mata pelajaranBahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura tidak homogen)

Taraf Signifikan : 0,05

Daerah Kritis : Tolak H0jika Fhitung> F(db1,db2,α), atau P-value< α

Statistik Uji :

Tabel 4.2 Statistik Uji Box’s M

Box’s M 6,557

Fhitung 1,030

df1 6

(19)

Ftabel 0,937575

Pvalue 0.403

Tabel 4.2 menunjukkan bahwa hasil uji homogenitas multivariat pada data jumlah guru SMK yang mengajar mata pelajaran Bahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Maduramemiliki nilai Box’s Msebesar 6,557 dan Pvalue sebesar 0,403. Derajat bebas 1 sebesar 6 dan derajat bebas 2 sebesar 2346 sehingga diputuskan gagal tolak H0, karena nilai P-value yang

dihasilkan lebih besar dari α, yaitu 0,403 > 0,05. Hal ini berarti bahwa Kelompok guru yang mengajar di pulau Jawa dan Kelompok guru yang mengajar di pulau Madura homogen.

4.1.3 Pemeriksaan Multikolinearitas

Pengujian multikolinieritas dilakukan untuk mengetahui apakah ada hubungan yang signifikan antar variabel prediktor. Pengujian multikolinieritas dapat dilakukan dengan beberapa cara, salah satunya dengan melihat nilai VIF (Varians Inflation Factors). Jika nilai VIF lebih dari 10, maka terjadi multikolinieritas. Berikut hasil output dari software,

Tabel 4.3 Nilai VIF

Variabel Prediktor Nilai VIF

Bhs Indonesia (X1) 1,424

Bhs Inggris (X2) 1,757

Matematika (X3) 1,540

Tabel 4.3 menunjukkan bahwa tidak terdapat variabel prediktor yang memiliki nilai VIF > 10 sehingga variabel prediktor dari data yang diperoleh tidak terdapat masalah multikolinearitas dan dapat dianalisis diskriminan.

4.2 Pengujian Analisis Diskriminan

(20)

Tabel 4.4 Group Statistics

Tabel 4.4 diketahui bahwa rata-rata banyaknya guru bahasa indonesia di SMK yang terakreditasi B sebanyak 74 guru, guru bahasa inggris dan guru matematika sebanyak 87 guru dan 83 guru. Sekolah dengan akreditasi C memiliki guru bahasa Indonesia sebanyak 60 guru, bahasa inggris sebanyak 65 guru dan matematika sebanyak 72 guru. Selisih antara guru bahasa indonesia, bahasa inggris, dan matematika baik di SMK dengan akreditasi B dan C terdapat selisih yang cukup besar, sehingga kedua sekolah dengan akreditasi B dan C merupakan variabel yang baik sebagai pembentuk klasifikasi.

Langkah selanjutnya yaitu menguji kesamaan rata-rata antar variabel pada data jumlah guru SMK yang mengajar mata pelajaranBahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura. Berikut analisis yang dilakukan,

Hipotesis :

a. Hipotesis untuk jumlah guru bahasa Indonesia

H0 : Tidak terdapat perbedaan antara rata-rata jumlah guru SMK yang

mengajar mata pelajaranBahasa Indonesia di Sekolah yang terakreditasi B dan terakreditasi C.

H1 : Terdapat perbedaan antara rata-rata jumlah guru SMK yang mengajar

mata pelajaranBahasa Indonesia di Sekolah yang terakreditasi B dan terakreditasi C.

b. Hipotesis untuk jumlah guru bahasa Inggris

(21)

mata pelajaran bahasa Inggrisdi Sekolah yang terakreditasi B dan terakreditasi C.

c. Hipotesis untuk jumlah guru Matematika

mengajar mata pelajaran Matematikadi Sekolah yang terakreditasi B dan terakreditasi C.

mata pelajaran Matematikadi Sekolah yang terakreditasi B dan terakreditasi C.

Taraf Signigikan : α = 0,05

Daerah kritis : Tolak H0 jika Pvalue < α atau Fhitung> F(db1,db2,α)

Statistik Uji :

Tabel 4.5 Uji Persamaan Mean

Mata Pelajaran Fhitung df1 df2

Pvalu

Matematika 20,58 1 57 0,00 0,9114

Tabel 4.5 menunjukkan perhitungan melalui software dan diperoleh Pvalue

sebesar 0,00 untuk semua jumlah guru yang mengajar di SMK dengan akreditasi B maupun C. Nilai df1 sebesar 1 dan df2 sebesar 57 maka diperoleh nilai Ftabel

sebesar 0,9114. Terdapat perbedaan antara rata-rata jumlah guru SMK yang mengajar mata pelajaranBahasa Indonesia di Sekolah yang terakreditasi B dan terakreditasi C. Kesimpulan tersebut diketahui dari Pvalue (0,000)< α (0,05) atau Fhitung(20,044) > Ftabel (0,9114) sehingga keputusan yang diperoleh adalah

tolakH0. Jumlah guru bahasa inggris dan matematika mempunyai nilai Fhitung yang

lebih besar dari nilai Ftabel, sehingga diputuskan tolak H0 karena Pvalue yang

didapat juga kurang dari nilai α (0,05). Jadi dapat disimpulkan bahwa terdapat perbedaan antara rata-rata jumlah guru SMK yang mengajar mata pelajaranBahasa Inggris dan Matematika di Sekolah yang terakreditasi B dan terakreditasi C.

(22)

oleh model diskriminan yang akan terbentuk. Berikut adalah analisis yang dilakukan,

Tabel 4.6Eigenvalue

Fungs i

Eigenvalue % Varians % Kumulatif Canoncial Correlation

1 0, 957 100, 0 100, 0 0, 699

Tabel 4.6 menunjukkan bahwa satu fungsi (model) yang terbentuk mampu menjelaskan korelasi dari variabel-variabel yang digunakan sebesar 0, 699. Model mampu menjelaskan 48,86% keragaman variabel repon. Selain itu, dengan satu fungsi yang terbentuk dengan nilai eigenvalue sebesar 0,957 sudah mampu menjelaskan data sebesar 100 %. Setelah terbentuk sebuah model, maka dilakukan analisis lebih lanjut untuk mengelompokkan variabel-variabel yang digunakan (guru bahasa Indonesia, Bahas Inggris, dan Matematika) ke dalam kelompok yang sesuai.

Tahap selanjutnya dilihat nilai Wilk’s Lambda, untuk mengetahui prosentase yang tidak bisa dijelaskan oleh variabel yang sudah masuk kedalam model tersebut. Berikut adalah nilai Wilk’s Lambda yang diperoleh

Tabel 4.7 Nilai Wilk’s Lambda

Wilks' Lambda Pvalue

0,511 0,000

Tabel 4.7 menunjukkan nilai Wilk’s Lambda pada model, artinya 51,1% variasi data tidak dapat dijelaskan oleh variabel yang masuk kedalam model. Berikut ini adalah fungsi dan model diskriminan yang terbentuk pada data jumlah guru SMK yang mengajar mata pelajaranBahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura yang diperoleh dari output software,

Tabel 4.8 Fungsi Diskriminan

Mata Pelajaran Function

Tabel 4.8 menunjukkan bahwa fungsi diskriminasi yang terbentuk dari data jumlah guru SMK yang mengajar mata pelajaranBahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura adalah,

^y = -8,143+ 0,029(Bhs. Indonesia) + 0,053(Bhs. Inggris) + 0,29(matematika)

(23)

Tabel 4.9 Model Ananlisis Diskriminan

Tabel diatas menunjukkan nilai-nilai parameter model diskriminan sehingga model yang terbentuk adalah,

^y₁ = -34,306 + 0,266(Bhs. Indonesia) + 0,145(Bhs. Inggris) +

0,591(matematika)

^y₂ = -50,000 + 0,321(Bhs. Indonesia) + 0,248(Bhs. Inggris) + 0,647(matematika)

Langkah selanjutnya setelah menentukan model analisis diskriminan, maka tiap observasi yang terjadi harus digolongkan berdasarkan nilai centroid ( m^ ) sebagai berikut,

Tabel 4.10 Model Ananlisis Diskriminan Kedua

Akreditasi Fungsi 1 Akreditasi B -0,945 Akreditasi C 0,945

Tabel 4.10 telah diketahui nilai m^ sebesar 0,945, dimana nilai tersebut digunakanuntuk mengetahui observasi pada pengamatan pada setiap status akreditasi sekolah harus digolongkan pada kelompok 1 atau kelompok 2, jika nantinya pada observasi didapatkan nilai ^y ≥m^ , maka observasi tersebut masuk kedalam kelompok 1dan jika sebaliknya maka observasi tersebut masuk kelompok. Berdasarkan pada model yang terbentuk dan penentuan kelompok mana observasi-observasi akan masuk. Selanjutnya memeriksa apakah pengelompokakan dari keseluruhan variabel yang digunakan telah sesuai atau belum. Berikut ini adalah hasil pengelompokkan tersebut.

Tabel 4.11Ketepatan Pengklasifikasian

Y Prediksi Total

Akreditasi B Akreditasi C

Kenyataan Akreditasi B 26 3 29

(24)

Akreditasi B 10.3 89.7 100.0

Akreditasi C 73,3 26,7 100.0

Tabel 4.11 menunjukkan bahwa SMK yang diprediksi mendapat akreditasi B dan kenyataannya terakreditasi B sebanyak 26 SMK dan terakreditasi C sebanyak 3 SMK. Kenyataan SMK yang terakreditasi C dengan prediksi yang sama yaitu sebanyak 22 SMK dan dengan prediksi yang salah sebanyak 8 SMK. Total banyaknya SMK yang masuk ke dalam kelompok yang tidak sesuai adalah sebanyak 11 data, sehingga tingkat error dari model yang dihasilkan dapat dihitung dengan cara :

APPER =

11

59 x100=18,64

(25)

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut. 1. Pemeriksaan asumsi analisis diskriminan padadata jumlah guru SMK yang

mengajar mata pelajaranBahasa Indonesia, Bahasa Inggris, dan Matematika di pulau Jawa dan Madura telah terpenuhi, yaitu tidak adanya multikolinearitas, variabel independen mengikuti ditribusi normal, dan adanya homogenitas varians antara kelompok data.

2. Hasil dari analisis diskriminan menunjukkan bahwa model yang terbentuk adalah ^y = -8,143 + 0,029 (Bhs. Indonesia) + 0,053 (Bhs. Inggris) + 0,29 (matematika) dengan total banyaknya salah pengklasifikasian (missclassify)

sebanyak 11 data.

5.2 Saran

(26)

DAFTAR PUSTAKA

Hair, R.A. and Winchern. D.W. 2007. Applied Multivariate Statistical Analysis. USA: Pearson Education International.

Johnson, Richard E and Wicherm, Dean W.1990. Applied Multivariate Statistical Analysis. America: Pearson International Edition.