Tugas Kelompok Analisis Diskriminan ELGY ADI MARTUMPAL HARIS

(1)

TUGAS KELOMPOK

ANALISIS MULTIVARIAT II

“Analisis Diskriminan di PT. HATCO”

Anggota :

1.

1. ELGY

ELGY FIRMANSYAH

FIRMANSYAH

(140610090045)

2. 2. ADI MULYANA

ADI MULYANA

(140610090061)

3.

3. MARTUMPAL

MARTUMPAL C

C P

P S

S

(140610090085)

4.

4. HARIS

HARIS NUGROHO

NUGROHO

(140610097001)

Jurusan Statistika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Universitas Padjadjaran

2012

(2)

1. ANALISIS DISKRIMINAN 1. ANALISIS DISKRIMINAN 1.1 Pendahuluan

1.1 Pendahuluan

Analisis Diskriminan adalah teknik Multivariat yang termasuk pada Dependence Method, Analisis Diskriminan adalah teknik Multivariat yang termasuk pada Dependence Method, dengan ciri adanya variabel dependen dan independen. Dengan demikian, ada variabel yang hasilnya dengan ciri adanya variabel dependen dan independen. Dengan demikian, ada variabel yang hasilnya tergantung pada data variabel independen. Ciri khusus analisis diskriminan adalah data veriabel tergantung pada data variabel independen. Ciri khusus analisis diskriminan adalah data veriabel dependen harus berupa data kategori, sedangkan data

dependen harus berupa data kategori, sedangkan data untuk variabel independen justru berupa datauntuk variabel independen justru berupa data rasio.

rasio.

Secara teknis, analisis diskriminan mirip dengan analisis regresi, karena keduanya mempunyai Secara teknis, analisis diskriminan mirip dengan analisis regresi, karena keduanya mempunyai variabel dependen dan variabel independen dalam modelnya.

variabel dependen dan variabel independen dalam modelnya. Hanya pada analisis regresi (sederhanaHanya pada analisis regresi (sederhana maupun berganda), variabel dependen harus data rasio; sedangkan pada analisis diskriminan, jenis maupun berganda), variabel dependen harus data rasio; sedangkan pada analisis diskriminan, jenis data untuk variabel dependen harus kategori.

data untuk variabel dependen harus kategori.

1.2 Asumsi pada Analisis Diskriminan 1.2 Asumsi pada Analisis Diskriminan

Asumsi penting yang harus dipenuhi agar model diskriminan bisa

Asumsi penting yang harus dipenuhi agar model diskriminan bisa digunakan adalah:digunakan adalah: 1.

1. Normalitas Multivariat. Variabel dependen harus berdistribusi normal, jika data tidakNormalitas Multivariat. Variabel dependen harus berdistribusi normal, jika data tidak berdistribusi normal, hal ini akan menyebabkan masalah pada ketetapan fungsi (model) berdistribusi normal, hal ini akan menyebabkan masalah pada ketetapan fungsi (model) diskriminan.

diskriminan. 2.

2. Homoskedastisitas data. Matriks kovarians dari semua variabel independen seharusnya sama.Homoskedastisitas data. Matriks kovarians dari semua variabel independen seharusnya sama. 3.

3. Tidak ada korelasi antar variabel independen. Jika dua variabel independen mempunyaiTidak ada korelasi antar variabel independen. Jika dua variabel independen mempunyai korelasi yang kuat, dikatakan terjadi multikolinieritas.

korelasi yang kuat, dikatakan terjadi multikolinieritas. 4.

4. Tidak adanya data yang sangat ekstrem (outlier) pada variabel independen. Jika ada dataTidak adanya data yang sangat ekstrem (outlier) pada variabel independen. Jika ada data outlier yang tetap diproses, hal ini bisa berakibat berkurangnya ketepatan klasifikasi dari fungsi outlier yang tetap diproses, hal ini bisa berakibat berkurangnya ketepatan klasifikasi dari fungsi diskriminan.

diskriminan. 2. Contoh Kasus 2. Contoh Kasus

2.1 Tujuan Analisis Diskriminan 2.1 Tujuan Analisis Diskriminan

PT. HATCO adalah sebuah perusahaan yang bergerak di bidang “Good and Service”, tentu saja PT. HATCO adalah sebuah perusahaan yang bergerak di bidang “Good and Service”, tentu saja dalam mengembangkan usahanya PT. HATCO memerlukan bahan dasar untuk membuat produk. dalam mengembangkan usahanya PT. HATCO memerlukan bahan dasar untuk membuat produk. Bahan dasar ini dibeli dari pabrik yang memproduksi bahan dasar dalam pengembangan usaha PT. Bahan dasar ini dibeli dari pabrik yang memproduksi bahan dasar dalam pengembangan usaha PT. HATCO. Dalam pembelian bahan dasar tersebut PT. HATCO tidak asal membeli karena PT. HATCO HATCO. Dalam pembelian bahan dasar tersebut PT. HATCO tidak asal membeli karena PT. HATCO tidak ingin membeli bahan dasar yang nantinya malah merugikan PT. HATCO itu sendiri. Ada 6 faktor tidak ingin membeli bahan dasar yang nantinya malah merugikan PT. HATCO itu sendiri. Ada 6 faktor yang mempengaruhi keputusan PT. HATCO dalam pembelian bahan dasar yang diproduksi oleh suatu yang mempengaruhi keputusan PT. HATCO dalam pembelian bahan dasar yang diproduksi oleh suatu pabrik, antara lain: Delivery Speed (DS), Manufacturer Image (MI), Service (Se), Sales Force Image pabrik, antara lain: Delivery Speed (DS), Manufacturer Image (MI), Service (Se), Sales Force Image (SFI), Product Quality (PQ), Usage Level (UL). PT. HATCO ingin mengetahui faktor apa saja yang (SFI), Product Quality (PQ), Usage Level (UL). PT. HATCO ingin mengetahui faktor apa saja yang mempengaruhi keputusan dalam membeli suatu bahan dasar, oleh karena itu dilakuan Analisis mempengaruhi keputusan dalam membeli suatu bahan dasar, oleh karena itu dilakuan Analisis Diskriminan untuk mengetahui:

Diskriminan untuk mengetahui: 1.

1. Apakah memang ada perbedaan yang jelas di antara keputusan yang diambil PT. HATCO,Apakah memang ada perbedaan yang jelas di antara keputusan yang diambil PT. HATCO, sehingga keputusan membeli bahan dasar atau tidak dapat dengan jelas

sehingga keputusan membeli bahan dasar atau tidak dapat dengan jelas dibedakan?dibedakan? 2.

2. Jika memang ada perbedaan di antara keputusan yang diambil oleh PT. HATCO, faktor manaJika memang ada perbedaan di antara keputusan yang diambil oleh PT. HATCO, faktor mana yang perbedaannya memang nyata dan faktor mana yang sesungguhnya tidak jelas berbeda? yang perbedaannya memang nyata dan faktor mana yang sesungguhnya tidak jelas berbeda?

(3)

3.

3. Model Diskriminan untuk memprediksi PT. HATCO membeli atau tidak bahan dasar yangModel Diskriminan untuk memprediksi PT. HATCO membeli atau tidak bahan dasar yang dihasilkan oleh suatu pabrik?

dihasilkan oleh suatu pabrik? 4.

4. Sejauh mana ketepatan model diskriminan yang sudah diperoleh dalam memprediksiSejauh mana ketepatan model diskriminan yang sudah diperoleh dalam memprediksi keputusan PT. HATCO dalam membeli bahan dasar?

keputusan PT. HATCO dalam membeli bahan dasar? 2.2 Jumlah Sampel

2.2 Jumlah Sampel

Pada analisis diskriminan ini digunakan dua jenis sampel, yakni analysis sample yang Pada analisis diskriminan ini digunakan dua jenis sampel, yakni analysis sample yang digunakan untuk membuat Fungsi Diskriminan, serta holdout sample (split sample) yang digunakan digunakan untuk membuat Fungsi Diskriminan, serta holdout sample (split sample) yang digunakan untuk menguji hasil diskriminan. Analysis sample sebanyak 60 sampel dan holdout sample sebanyak untuk menguji hasil diskriminan. Analysis sample sebanyak 60 sampel dan holdout sample sebanyak 40 sampel.

40 sampel.

Data dari 60 pabrik yang digunakan untuk anali

Data dari 60 pabrik yang digunakan untuk anali sis ditampilkan dalam tabel di sis ditampilkan dalam tabel di bawah:bawah: Analysis Sample Analysis Sample Pabri Pabri k k X1 X1 X2 X2 X3 X3 X4 X4 X5 X5 X6 X6 YY 1 1 4,1 4,1 4,7 4,7 2,4 2,4 2,3 2,3 5,2 5,2 32 32 00 2 2 1,8 1,8 6,6 6,6 2,5 2,5 4 4 88,4 ,4 43 43 11 3 3 3,4 3,4 6 6 44,3 ,3 2,7 2,7 8,2 8,2 48 48 11 4 4 2,7 2,7 5,9 5,9 1,8 1,8 2,3 2,3 7,8 7,8 32 32 00 5 5 6 6 7,8 7,8 3,4 3,4 4,6 4,6 4,5 4,5 58 58 11 6 6 1,9 1,9 4,8 4,8 2,6 2,6 1,9 1,9 9,7 9,7 45 45 00 7 7 4,6 4,6 6,6 6,6 3,5 3,5 4,5 4,5 7,6 7,6 46 46 11 8 8 1,3 1,3 5,1 5,1 2,8 2,8 2,2 2,2 6,9 6,9 44 44 00 9 9 5,5 5,5 4,7 4,7 3,5 3,5 3 3 77,6 ,6 63 63 11 10 10 4 4 6 6 3,7 3,7 3,2 3,2 8,7 8,7 54 54 11 11 11 2,4 2,4 4,8 4,8 2 2 2,8 2,8 5,8 5,8 32 32 00 12 12 3,9 3,9 4,6 4,6 3 3 2,5 2,5 8,3 8,3 47 47 00 13 13 2,8 2,8 3,8 3,8 2,1 2,1 1,4 1,4 6,6 6,6 39 39 00 14 14 3,7 3,7 5,7 5,7 2,7 2,7 3,7 3,7 6,7 6,7 38 38 00 15 15 4,7 4,7 6,7 6,7 3 3 2,6 2,6 6,8 6,8 54 54 11 16 16 3,4 3,4 4,7 4,7 2,7 2,7 1,7 1,7 4,8 4,8 49 49 00 17 17 3,2 3,2 5,1 5,1 3,6 3,6 2,9 2,9 6,2 6,2 38 38 11 18 18 4,9 4,9 4,3 4,3 3,4 3,4 1,5 1,5 5,9 5,9 40 40 00 19 19 5,3 5,3 6,1 6,1 3,3 3,3 3,9 3,9 6,8 6,8 54 54 11 20 20 4,7 4,7 6,7 6,7 3 3 2,6 2,6 6,8 6,8 55 55 11 21 21 3,3 3,3 4 4 22,1 ,1 1,8 1,8 6,3 6,3 41 41 00 22 22 3,4 3,4 2,5 2,5 1,2 1,2 1,7 1,7 5,2 5,2 35 35 00 23 23 3 3 7,1 7,1 3,5 3,5 3,4 3,4 8,4 8,4 55 55 11 24 24 2,4 2,4 4,8 4,8 1,9 1,9 2,5 2,5 7,2 7,2 36 36 00 25 25 5,1 5,1 4,8 4,8 3,3 3,3 2,6 2,6 3,8 3,8 49 49 11 26 26 4,6 4,6 5,8 5,8 3,4 3,4 2,8 2,8 4,7 4,7 49 49 11 27 27 2,4 2,4 4,8 4,8 1,9 1,9 2,5 2,5 7,2 7,2 36 36 00 28 28 5,2 5,2 6,1 6,1 3,2 3,2 3,9 3,9 6,7 6,7 54 54 11 29 29 3,5 3,5 3,5 3,5 3,1 3,1 1,7 1,7 5,4 5,4 49 49 00 30 30 4,1 4,1 5,5 5,5 3,9 3,9 3 3 88,4 ,4 46 46 11 31 31 3 3 5,3 5,3 3,1 3,1 3 3 8 8 43 43 11 32 32 2,8 2,8 6,9 6,9 3,3 3,3 3,2 3,2 8,2 8,2 53 53 11 33 33 5,2 5,2 5,9 5,9 3,7 3,7 2,4 2,4 4,6 4,6 60 60 11

(4)

34 34 3,4 3,4 5,7 5,7 3,5 3,5 3,4 3,4 8,4 8,4 47 47 11 35 35 2,4 2,4 3,4 3,4 1,7 1,7 1,1 1,1 6,2 6,2 35 35 00 36 36 1,8 1,8 4,5 4,5 2,5 2,5 2,4 2,4 7,6 7,6 39 39 00 37 37 3,6 3,6 5,8 5,8 3,7 3,7 2,5 2,5 9,3 9,3 44 44 11 38 38 4 4 5,4 5,4 2,4 2,4 2,6 2,6 7,3 7,3 46 46 11 39 39 3 3 5,4 5,4 1,1 1,1 2,6 2,6 8,9 8,9 29 29 11 40 40 2,4 2,4 4,5 4,5 2,1 2,1 2,2 2,2 8,8 8,8 28 28 00 41 41 1,9 1,9 4,6 4,6 2,6 2,6 2,5 2,5 7,7 7,7 40 40 00 42 42 5,9 5,9 7,8 7,8 3,4 3,4 4,6 4,6 4,5 4,5 58 58 11 43 43 4,9 4,9 4,5 4,5 3,6 3,6 1,3 1,3 6,2 6,2 53 53 00 Pabri Pabri k k X1 X1 X2 X2 X3 X3 X4 X4 X5 X5 X6 X6 YY 44 44 5 5 4,7 4,7 3,1 3,1 2,5 2,5 3,7 3,7 48 48 11 45 45 2 2 3,7 3,7 2,4 2,4 1,7 1,7 8,5 8,5 38 38 00 46 46 5 5 4,6 4,6 3,7 3,7 1,4 1,4 6,3 6,3 54 54 00 47 47 3,1 3,1 4,5 4,5 2,6 2,6 3,2 3,2 3,8 3,8 55 55 00 48 48 3,4 3,4 5,6 5,6 3,6 3,6 2,3 2,3 9,1 9,1 43 43 11 49 49 5,8 5,8 4,5 4,5 3 3 2,4 2,4 6,7 6,7 57 57 00 50 50 5,4 5,4 3 3 33,8 ,8 1,4 1,4 5,2 5,2 53 53 00 51 51 3,7 3,7 6 6 22,1 ,1 2,5 2,5 5,2 5,2 41 41 00 52 52 2,6 2,6 5 5 3,6 3,6 2,5 2,5 9 9 53 53 11 53 53 4,5 4,5 5,9 5,9 4,3 4,3 3,4 3,4 8,8 8,8 50 50 11 54 54 2,8 2,8 4,9 4,9 2,5 2,5 2,6 2,6 9,2 9,2 32 32 00 55 55 3,8 3,8 2,9 2,9 1,6 1,6 2,1 2,1 5,6 5,6 39 39 00 56 56 2,9 2,9 7 7 22,8 ,8 3,6 3,6 7,7 7,7 47 47 11 57 57 4,9 4,9 6,9 6,9 4,6 4,6 4 4 99,6 ,6 62 62 11 58 58 5,4 5,4 5,5 5,5 4 4 3 3 7,7 7,7 65 65 11 59 59 4,3 4,3 5,4 5,4 3,1 3,1 2,5 2,5 4,4 4,4 46 46 11 60 60 2,3 2,3 4,7 4,7 3,3 3,3 2,2 2,2 8,7 8,7 50 50 11 Data dari 40 pabrik yang digunakan untuk menguji analisis

Data dari 40 pabrik yang digunakan untuk menguji analisis ditampilkan dalam tabel di bawah:ditampilkan dalam tabel di bawah: Holdout Sample Holdout Sample Pabri Pabri k k X1 X1 X2 X2 X3 X3 X4 X4 X5 X5 X6 X6 YY 61 61 3,1 3,1 4,5 4,5 2,6 2,6 3,1 3,1 3,8 3,8 54 54 00 62 62 5,1 5,1 5,8 5,8 3,6 3,6 2,3 2,3 4,5 4,5 60 60 11 63 63 4,1 4,1 5,5 5,5 2,5 2,5 2,7 2,7 7,4 7,4 47 47 11 64 64 3 3 4,9 4,9 3,4 3,4 2,6 2,6 6 6 36 36 11 65 65 1,1 1,1 4,7 4,7 1,6 1,6 3,2 3,2 10 10 40 40 00 66 66 3,7 3,7 4,5 4,5 2,6 2,6 2,3 2,3 6,8 6,8 45 45 00 67 67 4,2 4,2 6,2 6,2 3,3 3,3 3,9 3,9 7,3 7,3 59 59 11 68 68 1,6 1,6 5,3 5,3 3 3 2,5 2,5 7,1 7,1 46 46 11 69 69 5,3 5,3 3,7 3,7 3,5 3,5 1,9 1,9 4,8 4,8 58 58 00 70 70 2,3 2,3 5,2 5,2 3 3 2,3 2,3 9,1 9,1 49 49 11 71 71 3,6 3,6 6,2 6,2 4,5 4,5 2,9 2,9 8,4 8,4 50 50 11 72 72 5,6 5,6 3,1 3,1 4 4 1,6 1,6 5,3 5,3 55 55 00

(5)

73 73 3,6 3,6 4,8 4,8 2,9 2,9 1,9 1,9 4,9 4,9 51 51 00 74 74 5,2 5,2 4,5 4,5 3,3 3,3 2,7 2,7 7,3 7,3 60 60 11 75 75 3 3 6,6 6,6 2,4 2,4 2,7 2,7 8,2 8,2 41 41 11 76 76 4,2 4,2 4,9 4,9 3,2 3,2 2,7 2,7 8,5 8,5 49 49 11 77 77 3,8 3,8 6,1 6,1 2,2 2,2 2,6 2,6 5,3 5,3 42 42 00 78 78 3,3 3,3 3,3 3,3 2,9 2,9 1,5 1,5 5,2 5,2 47 47 00 79 79 1 1 4,5 4,5 1,5 1,5 3,1 3,1 9,9 9,9 39 39 00 80 80 4,5 4,5 4,6 4,6 3,1 3,1 2,1 2,1 6,8 6,8 56 56 00 81 81 5,5 5,5 3,8 3,8 3,6 3,6 2,1 2,1 4,9 4,9 59 59 00 82 82 3,4 3,4 8,2 8,2 4 4 4,4 4,4 6,3 6,3 47 47 11 83 83 1,6 1,6 6,4 6,4 2,3 2,3 3,8 3,8 8,2 8,2 41 41 11 84 84 2,3 2,3 5 5 3 3 2,5 2,5 7,4 7,4 37 37 00 85 85 2,6 2,6 6 6 22,8 ,8 2,8 2,8 6,8 6,8 53 53 11 86 86 2,5 2,5 4,2 4,2 2,8 2,8 2,2 2,2 9 9 43 43 00 87 87 2,4 2,4 5,9 5,9 2,7 2,7 2,7 2,7 6,7 6,7 51 51 11 88 88 2,1 2,1 4,8 4,8 2,8 2,8 2,3 2,3 7,2 7,2 36 36 00 89 89 2,9 2,9 6,1 6,1 2 2 2,5 2,5 8 8 34 34 11 90 90 4,3 4,3 6,3 6,3 3,4 3,4 4 4 77,4 ,4 60 60 11 91 91 3 3 7,1 7,1 3 3 3,8 3,8 7,9 7,9 49 49 11 92 92 4,8 4,8 4,2 4,2 3,3 3,3 1,4 1,4 5,8 5,8 39 39 00 Pabri Pabri k k X1 X1 X2 X2 X3 X3 X4 X4 X5 X5 X6 X6 YY 93 93 3,1 3,1 7,8 7,8 3,6 3,6 4 4 55,9 ,9 43 43 11 94 94 1,9 1,9 4,9 4,9 2,2 2,2 2,5 2,5 8,2 8,2 36 36 00 95 95 4 4 4,5 4,5 2,2 2,2 2,1 2,1 5 5 31 31 00 96 96 0,6 0,6 5 5 00,7 ,7 2,1 2,1 8,4 8,4 25 25 00 97 97 6,1 6,1 4,8 4,8 3,3 3,3 2,8 2,8 7,1 7,1 60 60 11 98 98 2 2 5 5 2,4 2,4 2,7 2,7 8,4 8,4 38 38 00 99 99 3,1 3,1 6,8 6,8 2,6 2,6 2,9 2,9 8,4 8,4 42 42 11 100 100 2,5 2,5 5 5 2,2 2,2 3 3 6 6 33 33 00 Keterangan: Keterangan: Pabrik

Pabrik : Pabrik : Pabrik ke-i yang ke-i yang diambil sdiambil sebagai ebagai sampelsampel X1

X1 : : Delivery Delivery Speed Speed (DS)(DS) X2

X2 : : Manufacturer Manufacturer Image Image (MI)(MI) X3

X3 : : Service Service (Se)(Se) X4

X4 : : Sales Sales Force Force Image Image (SFI)(SFI) X5

X5 : : Product Product Quality Quality (PQ)(PQ) X6

X6 : : Usage Usage Level Level (UL)(UL) Y

(6)

3. PENGUJIAN ASUMSI

3.1 Uji Normalitas Multivariat 3.1 Uji Normalitas Multivariat

Uji normalitas pada multivariat ada dua cara. Pertama, dengan menguji pada setiap variabel. Uji normalitas pada multivariat ada dua cara. Pertama, dengan menguji pada setiap variabel. Kedua, dilakukan pada seluruh variabel secara bersama-sama. Pada kasus ini dilakukan pengujian Kedua, dilakukan pada seluruh variabel secara bersama-sama. Pada kasus ini dilakukan pengujian secara bersama-sama. Pengujian normalitas dibantu dengan software MS.

secara bersama-sama. Pengujian normalitas dibantu dengan software MS. Excel 2007.Excel 2007. 3.1.1 Input data

3.1.1 Input data

Dari data di atas diketahui: Dari data di atas diketahui:

1 1

X

= 3,65833= 3,65833 SS₁₁22 _{= 1,68349}_{= 1,68349} 2 2

X

= 5,235= 5,235 SS₁₁22 _{= 1,30401}_{= 1,30401} 3 3 X X = 2,96= 2,96 SS₁₁22 _{= 0,59227}_{= 0,59227} 4 4

X

= 2,655= 2,655 SS₁₁22 _{= 0,67472}_{= 0,67472} 5 5 X X = 6,95833= 6,95833 SS₁₁22 _{= 2,66925}_{= 2,66925} 6 6 X X = 46,15= 46,15 SS₁₁22 _{= 79,3839}_{= 79,3839} Matriks Kovarians Matriks Kovarians















79,384 79,384 1,635 1,635 --2,530 2,530 4,944 4,944 4,103 4,103 7,676 7,676 1,635 1,635 --2,669 2,669 0,160 0,160 0,171 0,171 0,354 0,354 0,914 0,914 --2,530 2,530 0,160 0,160 0,675 0,675 0,210 0,210 0,735 0,735 0,265 0,265 4,944 4,944 0,171 0,171 0,210 0,210 0,592 0,592 0,372 0,372 0,564 0,564 4,103 4,103 0,354 0,354 0,735 0,735 0,372 0,372 1,304 1,304 0,332 0,332 7,676 7,676 0,914 0,914 --0,265 0,265 0,564 0,564 0,332 0,332 1,683 1,683 S S















  0,034 0,034 0,011 0,011 0,003 0,003 --0,191 0,191 --0,035 0,035 --0,079 0,079 --0,011 0,011 0,646 0,646 0,082 0,082 --0,739 0,739 --0,100 0,100 --0,581 0,581 0,003 0,003 --0,082 0,082 --3,924 3,924 0,350 0,350 2,195 2,195 --0,334 0,334 --0,191 0,191 --0,739 0,739 --0,350 0,350 4,670 4,670 0,458 0,458 --1,060 1,060 --0,035 0,035 --0,100 0,100 --2,195 2,195 --0,458 0,458 --2,228 2,228 0,163 0,163 0,079 0,079 --0,581 0,581 0,334 0,334 --1,060 1,060 --0,163 0,163 1,644 1,644 1 1

S

3.1.2 Pengujian 3.1.2 Pengujian

Pengujian dilakukan dengan menggunakan software EXCEL, dapat dilihat pada tabel di bawah: Pengujian dilakukan dengan menggunakan software EXCEL, dapat dilihat pada tabel di bawah:

Pabri Pabri k k X X 11X X 11 X X 22X X 22 X X 33X X 33 X X 44X X 44 X X 55X X 55 X X 66X X 66 2 2 )) ((jj

d

2 2 )) ((jj

d

diurutkan diurutkan













 



6 600 5 5 ,, 0 0 2 2 6 6 j j   1 1 0,442 0,442 -0,535 -0,535 -0,560 -0,560 -0,355 -0,355 -1,758 -1,758 -14,150 -14,150 6,650 6,650 1,286 1,286 0,8150,815 2 2 -1,858 -1,858 1,365 1,365 -0,460 -0,460 1,345 1,345 1,442 1,442 -3,150 -3,150 6,614 6,614 2,108 2,108 1,2371,237 3 3 -0,258 -0,258 0,765 0,765 1,340 1,340 0,045 0,045 1,242 1,242 1,850 1,850 6,598 6,598 2,108 2,108 1,5171,517 4 4 -0,958 -0,958 0,665 0,665 -1,160 -1,160 -0,355 -0,355 0,842 0,842 -14,150 -14,150 8,215 8,215 2,122 2,122 1,7441,744 5 5 2,342 2,342 2,565 2,565 0,440 0,440 1,945 1,945 -2,458 -2,458 11,850 11,850 10,258 10,258 2,226 2,226 1,9411,941 6 6 -1,758 -1,758 -0,435 -0,435 -0,360 -0,360 -0,755 -0,755 2,742 2,742 -1,150 -1,150 5,725 5,725 2,345 2,345 2,1202,120

(7)

7 7 0,942 0,942 1,365 1,365 0,540 0,540 1,845 1,845 0,642 0,642 -0,150 -0,150 7,630 7,630 2,374 2,374 2,2852,285 8 8 -2,358 -2,358 -0,135 -0,135 -0,160 -0,160 -0,455 -0,455 -0,058 -0,058 -2,150 -2,150 7,814 7,814 2,636 2,636 2,4412,441 9 9 1,842 1,842 -0,535 -0,535 0,540 0,540 0,345 0,345 0,642 0,642 16,850 16,850 9,730 9,730 2,754 2,754 2,5892,589 10 10 0,342 0,342 0,765 0,765 0,740 0,740 0,545 0,545 1,742 1,742 7,850 7,850 2,226 2,226 2,774 2,774 2,7322,732 11 11 -1,258 -1,258 -0,435 -0,435 -0,960 -0,960 0,145 0,145 -1,158 -1,158 -14,150 -14,150 4,591 4,591 2,809 2,809 2,8702,870 12 12 0,242 0,242 -0,635 -0,635 0,040 0,040 -0,155 -0,155 1,342 1,342 0,850 0,850 2,345 2,345 3,540 3,540 3,0043,004 13 13 -0,858 -0,858 -1,435 -1,435 -0,860 -0,860 -1,255 -1,255 -0,358 -0,358 -7,150 -7,150 2,809 2,809 3,543 3,543 3,1353,135 14 14 0,042 0,042 0,465 0,465 -0,260 -0,260 1,045 1,045 -0,258 -0,258 -8,150 -8,150 4,746 4,746 3,708 3,708 3,2643,264 15 15 1,042 1,042 1,465 1,465 0,040 0,040 -0,055 -0,055 -0,158 -0,158 7,850 7,850 7,091 7,091 3,713 3,713 3,3923,392 16 16 -0,258 -0,258 -0,535 -0,535 -0,260 -0,260 -0,955 -0,955 -2,158 -2,158 2,850 2,850 5,102 5,102 3,812 3,812 3,5173,517 17 17 -0,458 -0,458 -0,135 -0,135 0,640 0,640 0,245 0,245 -0,758 -0,758 -8,150 -8,150 8,837 8,837 4,269 4,269 3,6423,642 18 18 1,242 1,242 -0,935 -0,935 0,440 0,440 -1,155 -1,155 -1,058 -1,058 -6,150 -6,150 8,048 8,048 4,295 4,295 3,7663,766 19 19 1,642 1,642 0,865 0,865 0,340 0,340 1,245 1,245 -0,158 -0,158 7,850 7,850 4,295 4,295 4,436 4,436 3,8893,889 20 20 1,042 1,042 1,465 1,465 0,040 0,040 -0,055 -0,055 -0,158 -0,158 8,850 8,850 7,379 7,379 4,564 4,564 4,0124,012 21 21 -0,358 -0,358 -1,235 -1,235 -0,860 -0,860 -0,855 -0,855 -0,658 -0,658 -5,150 -5,150 2,122 2,122 4,591 4,591 4,1364,136 22 22 -0,258 -0,258 -2,735 -2,735 -1,760 -1,760 -0,955 -0,955 -1,758 -1,758 -11,150 -11,150 10,503 10,503 4,598 4,598 4,2594,259 23 23 -0,658 -0,658 1,865 1,865 0,540 0,540 0,745 0,745 1,442 1,442 8,850 8,850 5,194 5,194 4,698 4,698 4,3834,383 24 24 -1,258 -1,258 -0,435 -0,435 -1,060 -1,060 -0,155 -0,155 0,242 0,242 -10,150 -10,150 2,108 2,108 4,746 4,746 4,5084,508 25 25 1,442 1,442 -0,435 -0,435 0,340 0,340 -0,055 -0,055 -3,158 -3,158 2,850 2,850 4,803 4,803 4,766 4,766 4,6334,633 26 26 0,942 0,942 0,565 0,565 0,440 0,440 0,145 0,145 -2,258 -2,258 2,850 2,850 3,540 3,540 4,803 4,803 4,7604,760 27 27 -1,258 -1,258 -0,435 -0,435 -1,060 -1,060 -0,155 -0,155 0,242 0,242 -10,150 -10,150 2,108 2,108 4,817 4,817 4,8874,887 28 28 1,542 1,542 0,865 0,865 0,240 0,240 1,245 1,245 -0,258 -0,258 7,850 7,850 4,269 4,269 5,102 5,102 5,0175,017 29 29 -0,158 -0,158 -1,735 -1,735 0,140 0,140 -0,955 -0,955 -1,558 -1,558 2,850 2,850 5,158 5,158 5,158 5,158 5,1485,148 30 30 0,442 0,442 0,265 0,265 0,940 0,940 0,345 0,345 1,442 1,442 -0,150 -0,150 3,708 3,708 5,181 5,181 5,2815,281 31 31 -0,658 -0,658 0,065 0,065 0,140 0,140 0,345 0,345 1,042 1,042 -3,150 -3,150 1,286 1,286 5,194 5,194 5,4165,416 32 32 -0,858 -0,858 1,665 1,665 0,340 0,340 0,545 0,545 1,242 1,242 6,850 6,850 4,817 4,817 5,609 5,609 5,5545,554 33 33 1,542 1,542 0,665 0,665 0,740 0,740 -0,255 -0,255 -2,358 -2,358 13,850 13,850 6,158 6,158 5,653 5,653 5,6945,694 34 34 -0,258 -0,258 0,465 0,465 0,540 0,540 0,745 0,745 1,442 1,442 0,850 0,850 2,374 2,374 5,725 5,725 5,8375,837 35 35 -1,258 -1,258 -1,835 -1,835 -1,260 -1,260 -1,555 -1,555 -0,758 -0,758 -11,150 -11,150 4,766 4,766 5,776 5,776 5,9845,984 36 36 -1,858 -1,858 -0,735 -0,735 -0,460 -0,460 -0,255 -0,255 0,642 0,642 -7,150 -7,150 2,754 2,754 5,891 5,891 6,1346,134 37 37 -0,058 -0,058 0,565 0,565 0,740 0,740 -0,155 -0,155 2,342 2,342 -2,150 -2,150 4,698 4,698 6,041 6,041 6,2886,288 38 38 0,342 0,342 0,165 0,165 -0,560 -0,560 -0,055 -0,055 0,342 0,342 -0,150 -0,150 2,774 2,774 6,158 6,158 6,4476,447 39 39 -3,658 -3,658 0,165 0,165 -1,860 -1,860 -0,055 -0,055 1,942 1,942 -17,150 -17,150 10,793 10,793 6,181 6,181 6,6116,611 Pabri Pabri k k X X 11X X 11 X X 22X X 22 X X 33X X 33 X X 44X X 44 X X 55X X 55 X X 66X X 66 2 2 )) ((jj

d

2 2 )) ((jj

d

diurutkan diurutkan













 



6 600 5 5 ,, 0 0 2 2 6 6 j j   40 40 -1,258 -1,258 -0,735 -0,735 -0,860 -0,860 -0,455 -0,455 1,842 1,842 -18,150 -18,150 6,181 6,181 6,221 6,221 6,7806,780 41 41 -1,758 -1,758 -0,635 -0,635 -0,360 -0,360 -0,155 -0,155 0,742 0,742 -6,150 -6,150 2,636 2,636 6,598 6,598 6,9556,955 42 42 2,242 2,242 2,565 2,565 0,440 0,440 1,945 1,945 -2,458 -2,458 11,850 11,850 10,116 10,116 6,614 6,614 7,1377,137 43 43 1,242 1,242 -0,735 -0,735 0,640 0,640 -1,355 -1,355 -0,758 -0,758 6,850 6,850 6,041 6,041 6,650 6,650 7,3277,327 44 44 1,342 1,342 -0,535 -0,535 0,140 0,140 -0,155 -0,155 -3,258 -3,258 1,850 1,850 4,564 4,564 7,091 7,091 7,5257,525 45 45 -1,658 -1,658 -1,535 -1,535 -0,560 -0,560 -0,955 -0,955 1,542 1,542 -8,150 -8,150 3,543 3,543 7,379 7,379 7,7337,733 46 46 1,342 1,342 -0,635 -0,635 0,740 0,740 -1,255 -1,255 -0,658 -0,658 7,850 7,850 5,891 5,891 7,630 7,630 7,9527,952 47 47 -0,558 -0,558 -0,735 -0,735 -0,360 -0,360 0,545 0,545 -3,158 -3,158 8,850 8,850 15,890 15,890 7,809 7,809 8,1838,183 48 48 -0,258 -0,258 0,365 0,365 0,640 0,640 -0,355 -0,355 2,142 2,142 -3,150 -3,150 4,436 4,436 7,814 7,814 8,4298,429 49 49 2,142 2,142 -0,735 -0,735 0,040 0,040 -0,255 -0,255 -0,258 -0,258 10,850 10,850 7,949 7,949 7,949 7,949 8,6928,692 50 50 1,742 1,742 -2,235 -2,235 0,840 0,840 -1,255 -1,255 -1,758 -1,758 6,850 6,850 9,196 9,196 8,048 8,048 8,9758,975 51 51 0,042 0,042 0,765 0,765 -0,860 -0,860 -0,155 -0,155 -1,758 -1,758 -5,150 -5,150 5,776 5,776 8,215 8,215 9,2829,282 52 52 -1,058 -1,058 -0,235 -0,235 0,640 0,640 -0,155 -0,155 2,042 2,042 6,850 6,850 5,181 5,181 8,837 8,837 9,6189,618 53 53 0,842 0,842 0,665 0,665 1,340 1,340 0,745 0,745 1,842 1,842 3,850 3,850 5,653 5,653 9,023 9,023 9,9929,992 54 54 -0,858 -0,858 -0,335 -0,335 -0,460 -0,460 -0,055 -0,055 2,242 2,242 -14,150 -14,150 5,609 5,609 9,196 9,196 10,41210,412

(8)

55 55 0,142 0,142 -2,335 -2,335 -1,360 -1,360 -0,555 -0,555 -1,358 -1,358 -7,150 -7,150 9,023 9,023 9,730 9,730 10,89510,895 56 56 -0,758 -0,758 1,765 1,765 -0,160 -0,160 0,945 0,945 0,742 0,742 0,850 0,850 3,713 3,713 10,116 10,116 11,46611,466 57 57 1,242 1,242 1,665 1,665 1,640 1,640 1,345 1,345 2,642 2,642 15,850 15,850 7,809 7,809 10,258 10,258 12,16812,168 58 58 1,742 1,742 0,265 0,265 1,040 1,040 0,345 0,345 0,742 0,742 18,850 18,850 6,221 6,221 10,503 10,503 13,08813,088 59 59 0,642 0,642 0,165 0,165 0,140 0,140 -0,155 -0,155 -2,558 -2,558 -0,150 -0,150 3,812 3,812 10,793 10,793 14,44914,449 60 60 -1,358 -1,358 -0,535 -0,535 0,340 0,340 -0,455 -0,455 1,742 1,742 3,850 3,850 4,598 4,598 15,890 15,890 17,27217,272 Keterangan: Keterangan: 1 1 1 1 X X X

X  ... X X 66X X 66 : data dikurangkan rata-rata setiap v: data dikurangkan rata-rata setiap v ariabelnyaariabelnya



 

 

11

 

,, 11,,22,,...,...,6060 2 2 )) ((













j

x

S

x

d

_j_j _j_j _j_j : ukuran jarak kuadrat : ukuran jarak kuadrat (squared generalized(squared generalized distances) distances)













 



60 60 5 5 ,, 0 0 2 2 6 6 j j 

 : distribusi Chi Kuadrat dengan derajat : distribusi Chi Kuadrat dengan derajat bebas p = 6bebas p = 6

3.1.3 Output plot 3.1.3 Output plot

Output menggunakan softare MS. EXCEL, dapat dilihat pada grafik di bawah: Output menggunakan softare MS. EXCEL, dapat dilihat pada grafik di bawah:

Terlihat sebaran data dari data di atas bergerombol di sekitar garis uji yang mengarah ke Terlihat sebaran data dari data di atas bergerombol di sekitar garis uji yang mengarah ke kanan atas, dan tidak ada data yang terletak jauh dari sebaran data. Dengan demikian, data tersebut kanan atas, dan tidak ada data yang terletak jauh dari sebaran data. Dengan demikian, data tersebut bisa dikatakan normal multivariat.

bisa dikatakan normal multivariat. 3.2 Uji Homoskedastisitas Data 3.2 Uji Homoskedastisitas Data

Uji Homoskedastisitas data menggunakan software SPSS 17 Uji Homoskedastisitas data menggunakan software SPSS 17 Hipotesis:

Hipotesis: H

H00 : kedua varians populasi adalah i: kedua varians populasi adalah identik (Homoskedastisitas)dentik (Homoskedastisitas)

H

H11 : kedua varians populasi adalah t: kedua varians populasi adalah tidak identik (Heteroskedastisitas)idak identik (Heteroskedastisitas)

α

α : 5%: 5% Stat Uji: Stat Uji:

Dengan menggunakan software SPSS 17 didapat output sebagai

Dengan menggunakan software SPSS 17 didapat output sebagai sebagai berikut:sebagai berikut:

0.000 0.000 2.000 2.000 4.000 4.000 6.000 6.000 8.000 8.000 10.000 10.000 12.000 12.000 14.000 14.000 16.000 16.000 18.000 18.000 20.000 20.000 0 0..000000 55..000000 1100..000000 1155..000000 2200..000000 diurutkan diurutkan

(9)

Kriteria Uji: Kriteria Uji:

Jika Probabilitas (SIG) > 0,05, maka H

Jika Probabilitas (SIG) > 0,05, maka H00diterimaditerima

Jika Probabilitas (SIG) < 0,05, maka H

Jika Probabilitas (SIG) < 0,05, maka H00ditolakditolak

Kesimpulan: Kesimpulan:

Pada baris X1 dari tabel output di atas, dan dengan dasar maupun median didapat angka Sig. Pada baris X1 dari tabel output di atas, dan dengan dasar maupun median didapat angka Sig. adalah 0,982 sehingga H

adalah 0,982 sehingga H00diterima, begitu pula untuk variabel X2, X3, X4, X5 dan X6 semua angka Sig.diterima, begitu pula untuk variabel X2, X3, X4, X5 dan X6 semua angka Sig.

berada di atas 0,05 sehingga H

berada di atas 0,05 sehingga H00diterima.diterima.

Sehingga bisa disimpulkan terjadi Homoskedastisitas antara populasi dengan jawaban “Beli” Sehingga bisa disimpulkan terjadi Homoskedastisitas antara populasi dengan jawaban “Beli” dan jawaban “Tidak Beli”.

(10)

3.3 Multikolinieritas 3.3 Multikolinieritas

Uji Multikolinieritas menggunakan software SPSS 17. Uji Multikolinieritas menggunakan software SPSS 17. Hipotesis:

Hipotesis: H

H00 : Tidak ada korelasi antar variabel independen: Tidak ada korelasi antar variabel independen

H

H11 : Ada korelasi antar variabel : Ada korelasi antar variabel independen (multikolinieritas)independen (multikolinieritas)

α

Dengan menggunakan software SPSS 17 didapat hasil output

Dengan menggunakan software SPSS 17 didapat hasil output sebagai berikut:sebagai berikut:

Kriteria Uji: Kriteria Uji: Tolak H

Tolak H00jika VIF > 10, terima dalam hal lainnya.jika VIF > 10, terima dalam hal lainnya.

Berdasarkan output dari SPSS nilai VIF setiap variabel: Berdasarkan output dari SPSS nilai VIF setiap variabel: DS DS = = 2,388 2,388 < < 1010 MI MI = = 3,066 3,066 < < 1010 Se Se = = 2,670 2,670 < < 1010 SFI SFI = = 2,793 2,793 < < 1010 PQ PQ = = 1,628 1,628 < < 1010 UL UL = = 2,836 2,836 < < 1010

Semua nilai VIF setiap variabel di bawah 10 sehingga dapat diambil kesimpulan tidak Semua nilai VIF setiap variabel di bawah 10 sehingga dapat diambil kesimpulan tidak terdapat korelasi antar variabel independen (tidak terjadi multikolinieritas).

terdapat korelasi antar variabel independen (tidak terjadi multikolinieritas).

3.4 Deteksi Data Outlier 3.4 Deteksi Data Outlier

Cara yang digunakan untuk mendeteksi adanya outlier pada kasus ini adalah dengan Cara yang digunakan untuk mendeteksi adanya outlier pada kasus ini adalah dengan menggunakan Box Plot untuk setiap variabel.

menggunakan Box Plot untuk setiap variabel. Output dengan menggunakan SPSS 17:

(11)

Variabel

Variabel DS DS Variabel Variabel MIMI

Variabel

Variabel Se Se Variabel Variabel SFISFI

Variabel

Variabel PQ PQ Variabel Variabel ULUL

Berdasarkan output Box Plot di atas pada variabel MI dan variabel SFI terdapat outlier, Berdasarkan output Box Plot di atas pada variabel MI dan variabel SFI terdapat outlier, namun data outlier tetap dipertahankan, dan tidak perlu dihilangkan. Outlier dipertahankan karena namun data outlier tetap dipertahankan, dan tidak perlu dihilangkan. Outlier dipertahankan karena apabila dilihat kembali ke data awal data outlier tersebut tidaklah terlalu jauh dengan data yang apabila dilihat kembali ke data awal data outlier tersebut tidaklah terlalu jauh dengan data yang lainnya sehingga apabila dipertahankan data outlier ini tidak akan memberikan efek yang sangat lainnya sehingga apabila dipertahankan data outlier ini tidak akan memberikan efek yang sangat berarti terhadap berkurangnya ketepatan klasifikasi dari fungsi diskriminan.

(12)

4.

ANALISIS DISKRIMINAN PADA KASUS

4.1 Tahapan Pengujian Analisis Diskriminan 4.1 Tahapan Pengujian Analisis Diskriminan

4.1.1 Uji Perbedaan antar Grup 4.1.1 Uji Perbedaan antar Grup Hipotesis:

Hipotesis: H

H00 : Tidak ada perbedaan antar grup: Tidak ada perbedaan antar grup

H

H11 : Ada perbedaan antar grup: Ada perbedaan antar grup

α

Dengan menggunakan software SPSS 17 didapat output sebagai

Dengan menggunakan software SPSS 17 didapat output sebagai berikutberikut

Kriteria Uji: Kriteria Uji: Jika Sig. > 0,05 H

Jika Sig. > 0,05 H00diterimaditerima

Jika Sig. < 0,05 H

Jika Sig. < 0,05 H00ditolakditolak

Berdasarkan tabel di atas didapat bahwa: Berdasarkan tabel di atas didapat bahwa:



 Angka Sig. Variabel Delivery Speed (DS) < Angka Sig. Variabel Delivery Speed (DS) < 0,050,05



 Angka Sig. Variabel Manufacturer Image (MI) < Angka Sig. Variabel Manufacturer Image (MI) < 0,050,05



 Angka Sig. Variabel Service (Se) < Angka Sig. Variabel Service (Se) < 0,050,05



 Angka Sig. Variabel Sales Force Angka Sig. Variabel Sales Force Image (SFI) < 0,05Image (SFI) < 0,05



 Angka Sig. Variabel Product Quality Angka Sig. Variabel Product Quality (PQ) > 0,05(PQ) > 0,05



 Angka Sig. Variabel Usage Level (UL) < 0,05Angka Sig. Variabel Usage Level (UL) < 0,05

Dari tabel terlihat angka Wilk’s Lambda berkisar antara 0,540 sampai 0,967. Berdasarkan kolom Dari tabel terlihat angka Wilk’s Lambda berkisar antara 0,540 sampai 0,967. Berdasarkan kolom Sig. bisa dilihat bahwa hanya variabel PQ (Product Quality) yang mempunyai angka Sig. > 0,05 Sig. bisa dilihat bahwa hanya variabel PQ (Product Quality) yang mempunyai angka Sig. > 0,05 sehingga dapat dikatakan bahwa variabel PQ (Product Quality) cenderung tidak berbeda. Hal ini sehingga dapat dikatakan bahwa variabel PQ (Product Quality) cenderung tidak berbeda. Hal ini berarti Product Quality dalam mempengaruhi keputusan PT. HATCO “Beli” dan “Tidak Beli” ternyata berarti Product Quality dalam mempengaruhi keputusan PT. HATCO “Beli” dan “Tidak Beli” ternyata tidak berbeda secara nyata. Sehingga hanya satu variabel yang tidak

(13)

4.1.2 Uji Matriks Covarians antar Grup 4.1.2 Uji Matriks Covarians antar Grup Hipotesis:

Hipotesis: H

H00 : group covariance matrices adalah relatif sama: group covariance matrices adalah relatif sama

H

H11 : group covariance matrices adalah berbeda secara nyata: group covariance matrices adalah berbeda secara nyata

α

Dengan menggunakan Box’s M Dengan menggunakan Box’s M

Dengan menggunakan output Log Determinants Dengan menggunakan output Log Determinants

Kriteria Uji: Kriteria Uji:

Jika Sig. > 0,05 berarti H0

Jika Sig. > 0,05 berarti H0 diterimaditerima Jika Sig. < 0,05 berarti H1 ditolak Jika Sig. < 0,05 berarti H1 ditolak Kesimpulan:

Kesimpulan:

Berdasarkan output Box’s M terlihat bahwa angka Sig. > 0,05 yang berarti group

Berdasarkan output Box’s M terlihat bahwa angka Sig. > 0,05 yang berarti group covariancecovariance matrices adalah sama.

matrices adalah sama.

Berdasarkan output Log Determinants terlihat bahwa angka Log Determinants untuk kategori Berdasarkan output Log Determinants terlihat bahwa angka Log Determinants untuk kategori keputusan 0 (Tidak beli) dan keputusan 1 (Beli) tidak berbeda banyak, sehingga group covariances keputusan 0 (Tidak beli) dan keputusan 1 (Beli) tidak berbeda banyak, sehingga group covariances matrices akan relatif sama untuk kedua

(14)

5. PROSES DISKRIMINAN PADA KASUS

5.1 Menggunakan metode Mahalanobis distance dan proses yang dilakukan proses stepwise 5.1 Menggunakan metode Mahalanobis distance dan proses yang dilakukan proses stepwise (bertahap) (bertahap) 5.1.1 Output 5.1.1 Output Output 1 Output 1

Berdasarkan tabel output di atas dapat dilihat bahwa “Delivery Speed” pada

Berdasarkan tabel output di atas dapat dilihat bahwa “Delivery Speed” pada kategorikategori keputusan 0 (Tidak Beli) mempunyai

rata-keputusan 0 (Tidak Beli) mempunyai rata-rata 3,2536. Sedangkan pabrik yang mempunyai “Deliveryrata 3,2536. Sedangkan pabrik yang mempunyai “Delivery Speed” pada kategori keputusan 1 (Beli)

Speed” pada kategori keputusan 1 (Beli) mempunyai ratamempunyai rata-rata 4,1063.-rata 4,1063. Demikian pula untuk variabel lainnya, semua mempunyai angka

Demikian pula untuk variabel lainnya, semua mempunyai angka rata-rata dan standar deviasirata-rata dan standar deviasi yang berbeda untuk kedua grup kategori keputusan PT. HATCO.

yang berbeda untuk kedua grup kategori keputusan PT. HATCO.

Dari tabel di atas juga terlihat bahan dasar yang diproduksi 28 pabrik masuk kategori tidak Dari tabel di atas juga terlihat bahan dasar yang diproduksi 28 pabrik masuk kategori tidak akan dibeli oleh PT. HATCO, sedangkan 32 pabrik bahan dasar yang dihasilkannya akan

akan dibeli oleh PT. HATCO, sedangkan 32 pabrik bahan dasar yang dihasilkannya akan dibeli oleh PT.dibeli oleh PT. HATCO. Jika melihat semua variabel terisi agka 28 dan 32, maka pada kasus ini tidak ada data yang HATCO. Jika melihat semua variabel terisi agka 28 dan 32, maka pada kasus ini tidak ada data yang hilang (missing), sehingga total data untuk semua variabel adalah 60 buah.

(15)

Output 2 Output 2

Berdasarkan tabel output di atas kedua variabel (Manufacturer Image dan Service) memiliki Berdasarkan tabel output di atas kedua variabel (Manufacturer Image dan Service) memiliki angka Sig. di bawah 0,05.

angka Sig. di bawah 0,05.

Dengan demikian, dari lima variabel yang dimasukkan, hanya ada dua variabel yang Dengan demikian, dari lima variabel yang dimasukkan, hanya ada dua variabel yang signifikan. Atau bisa dikatakan “Manufacturer Image” dan “Service” mempengaruhi pengambilan signifikan. Atau bisa dikatakan “Manufacturer Image” dan “Service” mempengaruhi pengambilan keputusan PT. HATCO dalam membeli bahan dasar yang dihasilkan oleh

keputusan PT. HATCO dalam membeli bahan dasar yang dihasilkan oleh suatu pabrik atau tidak.suatu pabrik atau tidak. Output 3

Output 3

Tabel di atas hanyalah sebagai perincian dari proses stepwise pada tabel sebelumnya. Dari Tabel di atas hanyalah sebagai perincian dari proses stepwise pada tabel sebelumnya. Dari tabel output di atas dapat dilihat pada step 1, variabel “MI” adalah variabel pertama

tabel output di atas dapat dilihat pada step 1, variabel “MI” adalah variabel pertama yang masukyang masuk dalam model diskriminan. Hal ini

dalam model diskriminan. Hal ini disebabkan variabel tersebut mempunyai angka Sig. of disebabkan variabel tersebut mempunyai angka Sig. of F to RemoveF to Remove yang paling sedikit yakni 0,000

yang paling sedikit yakni 0,000

Kemudian pada step 2, dimasukkan variabel kedua yaitu “Se”, karena mempunyai angka Sig. Kemudian pada step 2, dimasukkan variabel kedua yaitu “Se”, karena mempunyai angka Sig. of F to Remove sedikit leb

(16)

Output 4 Output 4

Tabel di atas adalah kebalikan dari tabel sebelumnya, di mana pada tabel ini justru yang Tabel di atas adalah kebalikan dari tabel sebelumnya, di mana pada tabel ini justru yang dimunculkan adalah proses pengeluaran variabel secara bertahap.

dimunculkan adalah proses pengeluaran variabel secara bertahap.

Pada step 0 (keadaan awal), kelima variabel secara lengkap dimunculkan dengan angka Sig. Pada step 0 (keadaan awal), kelima variabel secara lengkap dimunculkan dengan angka Sig. of F to Enter yang terkecil adalah variabel “MI” (walaupun angka Sig. of F to Enter yang lain sama of F to Enter yang terkecil adalah variabel “MI” (walaupun angka Sig. of F to Enter yang lain sama yaitu 0,000 hanya saja output pada SPSS kasus ini tiga angka dibelakang koma sehingga sulit untuk yaitu 0,000 hanya saja output pada SPSS kasus ini tiga angka dibelakang koma sehingga sulit untuk melihat yang paling kecil)

melihat yang paling kecil)

Pada step 1, sekarang terlihat ada empat variabel, dan terlihat variabel “Se” pada step ini Pada step 1, sekarang terlihat ada empat variabel, dan terlihat variabel “Se” pada step ini mempunyai angka Sig. of F to Enter

mempunyai angka Sig. of F to Enter paling kecil yaitu 0,001 sehingg variabel tersebut dikeluarkan.paling kecil yaitu 0,001 sehingg variabel tersebut dikeluarkan. Output 5

Output 5

Wilk’s Lambda pada prinsipnya adalah varians total dalam discriminant scores yang tidak bisa Wilk’s Lambda pada prinsipnya adalah varians total dalam discriminant scores yang tidak bisa dijelaskan oleh perbedaan di antara grup-grup yang ada. Perhatikan tabel di atas yang terdiri atas dijelaskan oleh perbedaan di antara grup-grup yang ada. Perhatikan tabel di atas yang terdiri atas dua tahap (step), yang terkait dengan 2 variabel yang secara berurutan dimasukkan pada tahapan dua tahap (step), yang terkait dengan 2 variabel yang secara berurutan dimasukkan pada tahapan analisis sebelumnya.

analisis sebelumnya.

Pada step 1, jumlah variabel yang dimasukkan ada satu yaitu variabel “MI”, dengan angka Pada step 1, jumlah variabel yang dimasukkan ada satu yaitu variabel “MI”, dengan angka Wiilk’s Lambda adalah 0,54. Hal ini berarti 54% varians tidak dapat dijelaskan oleh perbedaan antara Wiilk’s Lambda adalah 0,54. Hal ini berarti 54% varians tidak dapat dijelaskan oleh perbedaan antara grup-grup. Kemu

grup-grup. Kemudian pada step 2, dengan tambahan variabel “Se”, angka Wilk’s Lambda turundian pada step 2, dengan tambahan variabel “Se”, angka Wilk’s Lambda turun menjadi 0,447. Penurunan angka Wilk’s Lambda tentu baik bagi model diskriminan, karena varians menjadi 0,447. Penurunan angka Wilk’s Lambda tentu baik bagi model diskriminan, karena varians yang tidak bisa dijelaskan juga semakin kecil dari

yang tidak bisa dijelaskan juga semakin kecil dari 54% menjadi 44,7%.54% menjadi 44,7%.

Dari kolom F dan signifikansinya, terlihat baik pada pemasukkan variabel 1 dan 2,, semuanya Dari kolom F dan signifikansinya, terlihat baik pada pemasukkan variabel 1 dan 2,, semuanya adalah signifikan secara statistik. Hal ini semakin meyakinkan kesimpulan bahwa kedua varaibel adalah signifikan secara statistik. Hal ini semakin meyakinkan kesimpulan bahwa kedua varaibel

(17)

(Manufacturer Image dan Service) memang berbeda untuk kedua kategori keputusan yang diambil (Manufacturer Image dan Service) memang berbeda untuk kedua kategori keputusan yang diambil oleh PT. HATCO.

oleh PT. HATCO. Output 6

Output 6

Summary of Canonical Discriminant Functions Summary of Canonical Discriminant Functions

Canonical Correlation mengukur keeratan hubungan antara discriminant score dengan grup Canonical Correlation mengukur keeratan hubungan antara discriminant score dengan grup (dalam hal ini, karena ada dua kategori keputusan PT. HATCO, maka ada dua grup). Angka 0,744 (dalam hal ini, karena ada dua kategori keputusan PT. HATCO, maka ada dua grup). Angka 0,744 menunjukkan keratan yang cukup tinggi, dengan skala asoiasi antara 0 dan

menunjukkan keratan yang cukup tinggi, dengan skala asoiasi antara 0 dan 1.1. Output 7

Output 7

Tabel di atas menyatakan angka akhir dari Wilk’s lambda, yang sebenarnya sama saja d

Tabel di atas menyatakan angka akhir dari Wilk’s lambda, yang sebenarnya sama saja denganengan angka terakhir dari step 2 pembuatan model diskriminan. Angka Chi-Square sebesar 45,951 dengan angka terakhir dari step 2 pembuatan model diskriminan. Angka Chi-Square sebesar 45,951 dengan tingkat signifikansi yang tinggi menunjukan perbedaan yang jelas antara dua grup kategori keputusan tingkat signifikansi yang tinggi menunjukan perbedaan yang jelas antara dua grup kategori keputusan PT. HATCO (Beli dan Tidak Beli).

(18)

Output 8 Output 8

Tabel structure matrix menjelaskan korelasi antara variabel indepenen dengan fungsi diskriminan Tabel structure matrix menjelaskan korelasi antara variabel indepenen dengan fungsi diskriminan yang terbentuk. Terlihat variabel

yang terbentuk. Terlihat variabel ““MIMI”” paling erat hubungannya dengan fungsi diskriminan, diikutipaling erat hubungannya dengan fungsi diskriminan, diikuti oleh variabel Se, SFI, UL, DS. Hanya di sini variabel SFI, UL serta DS tidak dimasukkan dalam model oleh variabel Se, SFI, UL, DS. Hanya di sini variabel SFI, UL serta DS tidak dimasukkan dalam model diskriminan (perhatikan tanda huruf a di dekat variabel tersebut). Perhatikan tanda korelasi yang diskriminan (perhatikan tanda huruf a di dekat variabel tersebut). Perhatikan tanda korelasi yang sama dengan tanda koefisien pada mdel discriminant score.

sama dengan tanda koefisien pada mdel discriminant score. Output 9

Output 9

Tabel di atas mempunyai fungsi yang hampir mirip dengan persamaan regresi berganda, Tabel di atas mempunyai fungsi yang hampir mirip dengan persamaan regresi berganda, yang dalam analisis diskriminan disebut sebagai Fungsi Diskriminan :

yang dalam analisis diskriminan disebut sebagai Fungsi Diskriminan : Z Score = -7,446 + 0,929 MI + 0,879 Se Z Score = -7,446 + 0,929 MI + 0,879 Se

Kegunaan fungsi tersebut untuk mengetahui sebuah case (dalam kasus ini adalah sebuah Kegunaan fungsi tersebut untuk mengetahui sebuah case (dalam kasus ini adalah sebuah pabrik) masuk pada grup yang satu, at

(19)

Selain fungsi di atas, dengan dipilihnya Fisher Function

Selain fungsi di atas, dengan dipilihnya Fisher Function Coefficient pada proses analisis, makaCoefficient pada proses analisis, maka akan terbentuk pula fungsi diskriminan fisher (lihat

akan terbentuk pula fungsi diskriminan fisher (lihat pembahasan selanjutnya).pembahasan selanjutnya). Output 10

Output 10

Karena ada dua tipe keputusan, maka disebut Two-Group Discriminant, dimana grup yang Karena ada dua tipe keputusan, maka disebut Two-Group Discriminant, dimana grup yang satu mempunyai Centroid (Group Means) negatif, dan grup yang satu mempunyai Centroid (Group satu mempunyai Centroid (Group Means) negatif, dan grup yang satu mempunyai Centroid (Group Means) positif. Angka pada tabel menunjukan besaran Z memisahkan kedua grup tersebut.

Means) positif. Angka pada tabel menunjukan besaran Z memisahkan kedua grup tersebut. Output 11

Output 11

Tabel diatas memperlihatkan komposisi ke 60 pabrik, yang dengan model diskriminan Tabel diatas memperlihatkan komposisi ke 60 pabrik, yang dengan model diskriminan menghasilkan 32 responden ada di grup keputusan 1 (Beli), sedang sisanya ada di grup

menghasilkan 32 responden ada di grup keputusan 1 (Beli), sedang sisanya ada di grup 0 (Tidak Beli).0 (Tidak Beli). Output 12

Output 12

Casewise Statistics Casewise Statistics

(20)

Tabel casewise pada prinsipnya ingin menguji apakah model diskriminan yang terbentuk Tabel casewise pada prinsipnya ingin menguji apakah model diskriminan yang terbentuk akan mengelompokkan dengan tepat sebuah pabrik pada kategori keputusan PT. HATCO “Beli” atau akan mengelompokkan dengan tepat sebuah pabrik pada kategori keputusan PT. HATCO “Beli” atau “Tidak Beli”.

“Tidak Beli”.

Sebagai contoh, daat dilihat pada tampilan sebagaian data

Sebagai contoh, daat dilihat pada tampilan sebagaian data pabrik mula-mula.pabrik mula-mula. Pabri Pabri k k X1 X1 X2 X2 X3 X3 X4 X4 X5 X5 X6 X6 YY 1 1 4,1 4,1 4,7 4,7 2,4 2,4 2,3 2,3 5,2 5,2 32 32 00 2 2 1,8 1,8 6,6 6,6 2,5 2,5 4 4 88,4 ,4 43 43 11 3 3 3,4 3,4 6 6 44,3 ,3 2,7 2,7 8,2 8,2 48 48 11 Untuk pabrik pertama yang bahan dasar

Untuk pabrik pertama yang bahan dasar dihasilkannya tidak dibeli oleh PT. HATCO dan data dihasilkannya tidak dibeli oleh PT. HATCO dan data variabel:variabel: Manufacturer Image (MI) = 4,7

Manufacturer Image (MI) = 4,7 Service (Se) = 2,4

Service (Se) = 2,4

Maka perhitungan score untuk pabrik pertama adalah: Maka perhitungan score untuk pabrik pertama adalah: Zscore = -7,446 + (0,929 x 4,7) + (0,879 x 2,3) = -0,9701 Zscore = -7,446 + (0,929 x 4,7) + (0,879 x 2,3) = -0,9701

Jika dilihat pada kolom terakhir dari tampilan Casewise Statistics, terlihat angka Discriminant Jika dilihat pada kolom terakhir dari tampilan Casewise Statistics, terlihat angka Discriminant Score untuk case number (pabrik pertama) adalah -0,989. Perbedaan angka -0,9701 dengan -0,989 Score untuk case number (pabrik pertama) adalah -0,989. Perbedaan angka -0,9701 dengan -0,989 disebabkan penyajian angka pada Zscore yang tidak lengkap (dilakukan pembulatan pada output disebabkan penyajian angka pada Zscore yang tidak lengkap (dilakukan pembulatan pada output SPSS) namun perbedaannya tidak terlalu jauh sehingga fungsi diskriminannya tidak perlu diperbaiki. SPSS) namun perbedaannya tidak terlalu jauh sehingga fungsi diskriminannya tidak perlu diperbaiki. Fungsi (model) diskriminan adalah:

Fungsi (model) diskriminan adalah:

ZScore = -7,446 + 0,929 MI + 0,879 Se ZScore = -7,446 + 0,929 MI + 0,879 Se



 Untuk pabrik kedua mempunyai score:Untuk pabrik kedua mempunyai score:

Zscore = -7,446 + (0,929 x 6,6) + (0,879 x 2,5) = 0,8829 sedangkan hasil pada kolom Zscore = -7,446 + (0,929 x 6,6) + (0,879 x 2,5) = 0,8829 sedangkan hasil pada kolom discriminant score di output

discriminant score di output casewise adalah 0,864.casewise adalah 0,864.



 Untuk pabrik ketiga mempunyai score:Untuk pabrik ketiga mempunyai score:

Zscore = -7,446 + (0,929 x 6) + (0,879 x 4,3) = 1,9077 sedangkan hasil pada kolom Zscore = -7,446 + (0,929 x 6) + (0,879 x 4,3) = 1,9077 sedangkan hasil pada kolom discriminant score di output

discriminant score di output casewise adalah 1,889.casewise adalah 1,889.

Demikian seterusnya bisa dilakukan pembuatan score untuk masing-masing pabrik. Demikian seterusnya bisa dilakukan pembuatan score untuk masing-masing pabrik.

Hasil score tersebut selanjutnyaakan dibandingkan dengan cut off score, untuk mengetahui apakah Hasil score tersebut selanjutnyaakan dibandingkan dengan cut off score, untuk mengetahui apakah case(pabrik) masuk ke Grup kategori

case(pabrik) masuk ke Grup kategori keputusan PT. HATCO.keputusan PT. HATCO. Selanjutnya akan dijelaskan pembuatan cut off score (nilai batas). Selanjutnya akan dijelaskan pembuatan cut off score (nilai batas).

(21)

Dari tabel PRIOR PROBABILITIES FOR GROUPS, didapat bahwa jumlah pabrik yang bahan Dari tabel PRIOR PROBABILITIES FOR GROUPS, didapat bahwa jumlah pabrik yang bahan dasarnya tidak dibeli oleh PT. HATCO adalah 28 pabrik, sedangkan yang dibeli oleh PT.HATCO adalah dasarnya tidak dibeli oleh PT. HATCO adalah 28 pabrik, sedangkan yang dibeli oleh PT.HATCO adalah 32 pabrik. Dengan demikian, dikaitkan dengan angka grup controid :

32 pabrik. Dengan demikian, dikaitkan dengan angka grup controid : (28 x -1,170)+(32 x 1,024)=-32,76 + 32,76 atau praktis sama

(28 x -1,170)+(32 x 1,024)=-32,76 + 32,76 atau praktis sama dengan NOL (0)dengan NOL (0) Perhitungan Z

Perhitungan ZCUCU(angka kritis):(angka kritis):

 __      Dimana: Dimana: 

 = angka Kritis, yang berfungsi sebagai cut off score= angka Kritis, yang berfungsi sebagai cut off score



__  __ = Jumlah sampel di grup A dan B, yang di dalam kasus ini adalah grup tidak dibeli dan= Jumlah sampel di grup A dan B, yang di dalam kasus ini adalah grup tidak dibeli dan dibeli oleh PT. HATCO

dibeli oleh PT. HATCO



__  __ = angka centroid pada grup A dan B= angka centroid pada grup A dan B

Perhitungan: Perhitungan:  __ ((  ))  ((   ))    

 atau praktis sama dengan 0atau praktis sama dengan 0 Penggunaan angka ZCU (Discriminating ZScore) Penggunaan angka ZCU (Discriminating ZScore)

-- Angka skor kasus di atas ZCU, masuk Angka skor kasus di atas ZCU, masuk ke grup 1 (PT. HATCO membeli)ke grup 1 (PT. HATCO membeli)

-- Angka skor kasus di bawah ZCU, masuk ke Angka skor kasus di bawah ZCU, masuk ke grup 0 (PT. HATCO tidak membeli)grup 0 (PT. HATCO tidak membeli) Sebagai contoh:

Sebagai contoh:

-- Case pabrik pertama mempunyai score -0,989. Karena -0,989 < 0, maka pabrik pertamaCase pabrik pertama mempunyai score -0,989. Karena -0,989 < 0, maka pabrik pertama masuk ke grup 0 (PT. HATCO tidak akan membeli bahan dasar

masuk ke grup 0 (PT. HATCO tidak akan membeli bahan dasar yang dihasilkannya)yang dihasilkannya)

-- Case pabrik kedua mempunyai score 0,864. Karena 0,864 > 0, maka pabrik kedua masuk keCase pabrik kedua mempunyai score 0,864. Karena 0,864 > 0, maka pabrik kedua masuk ke grup 1 (PT. HATCO akan membeli bahan dasar yang dihasilkannya)

grup 1 (PT. HATCO akan membeli bahan dasar yang dihasilkannya)

-- Case pabrik kedua mempunyai score 1,889. Karena 1,889 > 0, maka pabrik ketiga masuk keCase pabrik kedua mempunyai score 1,889. Karena 1,889 > 0, maka pabrik ketiga masuk ke grup 1 (PT. HATCO akan membeli bahan dasar yang dihasilkannya)

grup 1 (PT. HATCO akan membeli bahan dasar yang dihasilkannya)

-- Demikan seterusnya semua responden bisa dikategorikan pada satu dan satu-satunya grupDemikan seterusnya semua responden bisa dikategorikan pada satu dan satu-satunya grup tertentu, grup kategori “Beli” dan “Tidak

tertentu, grup kategori “Beli” dan “Tidak Beli”Beli”

Selain dengan melihat angka Discriminant Score seperti di atas, pengelompokan kasus kasus pada Selain dengan melihat angka Discriminant Score seperti di atas, pengelompokan kasus kasus pada grup tertentu bisa langsung dilihat pada actual

grup tertentu bisa langsung dilihat pada actual dan predict Grup.dan predict Grup. Penafsiran dengan melihat setiap baris:

Penafsiran dengan melihat setiap baris: -- Pada baris 1 (Case 1)Pada baris 1 (Case 1)

Actual grup = 0. Hal ini berarti data awal menyatakan case 1 dikategorikan sebagai grup 0 Actual grup = 0. Hal ini berarti data awal menyatakan case 1 dikategorikan sebagai grup 0 (Tidak Beli)

(Tidak Beli)

Predictited Group = 0. Hal ini berarti dari hasil perhitungan score, case 1 diprediksi masuk ke Predictited Group = 0. Hal ini berarti dari hasil perhitungan score, case 1 diprediksi masuk ke grup = 0. Karena sesuai dengan actual grup yang juga 0, berarti fungsi diskriminan mampu grup = 0. Karena sesuai dengan actual grup yang juga 0, berarti fungsi diskriminan mampu mengkategorikan case dengan tepat.

(22)

P(G=g|D=d)=0,882 pada Highest Group. Hal ini berarti kemungkinan case 1 tepat P(G=g|D=d)=0,882 pada Highest Group. Hal ini berarti kemungkinan case 1 tepat diklasifikasikan ke grup 0 adalah 88,2%.

diklasifikasikan ke grup 0 adalah 88,2%.

P(G=g|D=d)=0,118 pada Second Highest Group. Hal ini berarti kemungkinan case 1 tidak P(G=g|D=d)=0,118 pada Second Highest Group. Hal ini berarti kemungkinan case 1 tidak tepat diklasifikasikan ke grup 0 adalah

tepat diklasifikasikan ke grup 0 adalah 11,8%.11,8%. Perhatikan jumlah kedua kemungkinan adalah

Perhatikan jumlah kedua kemungkinan adalah (88,2% + 11,8%) = 100%.(88,2% + 11,8%) = 100%. -- Pada baris 60 (case 60)Pada baris 60 (case 60)

Actual grup = 1. Hal ini berarti data awal menyatakan case 60 dikategorikan sebagai grup 1 Actual grup = 1. Hal ini berarti data awal menyatakan case 60 dikategorikan sebagai grup 1 (Beli)

(Beli)

Predictited Group = 0. Hal ini berarti dari hasil perhitungan score, case 60 diprediksi masuk Predictited Group = 0. Hal ini berarti dari hasil perhitungan score, case 60 diprediksi masuk ke grup = 0. Karena tidak sesuai dengan actual grup yang juga 1, berarti fungsi diskriminan ke grup = 0. Karena tidak sesuai dengan actual grup yang juga 1, berarti fungsi diskriminan tidak mampu mengkategorikan case dengan tepat. Hal ini ditandai dengan tanda **

tidak mampu mengkategorikan case dengan tepat. Hal ini ditandai dengan tanda **

Demikian seterusnya untuk kasus lainnya, dengan beberapa kasus tidak tepat diklasifikan, Demikian seterusnya untuk kasus lainnya, dengan beberapa kasus tidak tepat diklasifikan, sehingga diberi tanda **

sehingga diberi tanda ** Output 13

Output 13

Setelah fungsi Diskriminan dibuat, kemudian klasifikasi dilakukan, maka selanjutnya akan Setelah fungsi Diskriminan dibuat, kemudian klasifikasi dilakukan, maka selanjutnya akan dilihat seberapa jauh klasifikasi tersebut sudah tepat? Atau, berapa persen terjadi misklasifikasi pada dilihat seberapa jauh klasifikasi tersebut sudah tepat? Atau, berapa persen terjadi misklasifikasi pada proses klasifikasi tersebut, yang akan dijelaskan berikut ini.

proses klasifikasi tersebut, yang akan dijelaskan berikut ini.

Pada bagian original, terlihat bahwa mereka yang pada data awal adalah tergolong kategori Pada bagian original, terlihat bahwa mereka yang pada data awal adalah tergolong kategori keputusan “Tidak Beli”, dan dari klasifikasi Fungsi Diskriminan tetap pada kelompok “Tidak Beli” keputusan “Tidak Beli”, dan dari klasifikasi Fungsi Diskriminan tetap pada kelompok “Tidak Beli” adalah 25 pabrik. Sedang dengan model diskriminan, mereka yang awalny

adalah 25 pabrik. Sedang dengan model diskriminan, mereka yang awalnya masuk grup “Tidak Beli”,a masuk grup “Tidak Beli”, ternyata menjadi anggota grup “Beli” adalah 3 pabrik.

ternyata menjadi anggota grup “Beli” adalah 3 pabrik.

Demikian juga dengan grup “Beli”, yang tetap pada grup “Beli” sejumlah 27 pabrik dan yang Demikian juga dengan grup “Beli”, yang tetap pada grup “Beli” sejumlah 27 pabrik dan yang meleset adalah 5 pabrik.

meleset adalah 5 pabrik.

Dengan demikian, ketepatan prediksi dari model adalah: Dengan demikian, ketepatan prediksi dari model adalah:

(23)

% % 7 7 ,, 86 86 867 867 ,, 0 0 60 60 27 27 25 25

atau





Karena angka ketepatan tinggi (86,7%) maka model diskriminan di atas sebenarnya bisa Karena angka ketepatan tinggi (86,7%) maka model diskriminan di atas sebenarnya bisa digunakan untuk analisis diskriminan. Atau penafsiran tentang berbagai tabel yang ada valid untuk digunakan untuk analisis diskriminan. Atau penafsiran tentang berbagai tabel yang ada valid untuk digunakan.

digunakan.

Setelah terbukti bahwa Fungsi Diskriminan mempunyai ketepatan prediksi yang tinggi, maka Setelah terbukti bahwa Fungsi Diskriminan mempunyai ketepatan prediksi yang tinggi, maka fungsi diskriminan tersebut bisa digunakan untuk memprediksi sebuah kasus, apakah akan fungsi diskriminan tersebut bisa digunakan untuk memprediksi sebuah kasus, apakah akan diklasifikasikan ke dalam grup “Beli” atau “Tidak Beli”.

diklasifikasikan ke dalam grup “Beli” atau “Tidak Beli”.

6. PENGGUNAAN MODEL DISKRIMINAN

Setelah didapat model diskriminannya, model ini digunakan untuk membandingkan hasil Setelah didapat model diskriminannya, model ini digunakan untuk membandingkan hasil prediksinya dengan hasil realnya menggunakan holdout sample yang berjumlah 40 pabrik. Dapat prediksinya dengan hasil realnya menggunakan holdout sample yang berjumlah 40 pabrik. Dapat dilihat pada tabel di bawah:

dilihat pada tabel di bawah: Pabri Pabri k k X1 X1 X2 X2 X3 X3 X4 X4 X5 X5 X6 X6 YY Y Y prediksi prediksi 61 61 3,1 3,1 4,5 4,5 2,6 2,6 3,1 3,1 3,8 3,8 54 54 0 0 00 62 62 5,1 5,1 5,8 5,8 3,6 3,6 2,3 2,3 4,5 4,5 60 60 1 1 11 63 63 4,1 4,1 5,5 5,5 2,5 2,5 2,7 2,7 7,4 7,4 47 47 1 1 00 64 64 3 3 4,9 4,9 3,4 3,4 2,6 2,6 6 6 36 36 1 1 11 65 65 1,1 1,1 4,7 4,7 1,6 1,6 3,2 3,2 10 10 40 40 0 0 00 66 66 3,7 3,7 4,5 4,5 2,6 2,6 2,3 2,3 6,8 6,8 45 45 0 0 00 67 67 4,2 4,2 6,2 6,2 3,3 3,3 3,9 3,9 7,3 7,3 59 59 1 1 11 68 68 1,6 1,6 5,3 5,3 3 3 2,5 2,5 7,1 7,1 46 46 1 1 11 69 69 5,3 5,3 3,7 3,7 3,5 3,5 1,9 1,9 4,8 4,8 58 58 0 0 00 70 70 2,3 2,3 5,2 5,2 3 3 2,3 2,3 9,1 9,1 49 49 1 1 11 71 71 3,6 3,6 6,2 6,2 4,5 4,5 2,9 2,9 8,4 8,4 50 50 1 1 11 72 72 5,6 5,6 3,1 3,1 4 4 1,6 1,6 5,3 5,3 55 55 0 0 00 73 73 3,6 3,6 4,8 4,8 2,9 2,9 1,9 1,9 4,9 4,9 51 51 0 0 00 74 74 5,2 5,2 4,5 4,5 3,3 3,3 2,7 2,7 7,3 7,3 60 60 1 1 00 75 75 3 3 6,6 6,6 2,4 2,4 2,7 2,7 8,2 8,2 41 41 1 1 11 76 76 4,2 4,2 4,9 4,9 3,2 3,2 2,7 2,7 8,5 8,5 49 49 1 1 00 77 77 3,8 3,8 6,1 6,1 2,2 2,2 2,6 2,6 5,3 5,3 42 42 0 0 11 78 78 3,3 3,3 3,3 3,3 2,9 2,9 1,5 1,5 5,2 5,2 47 47 0 0 00 79 79 1 1 4,5 4,5 1,5 1,5 3,1 3,1 9,9 9,9 39 39 0 0 00 80 80 4,5 4,5 4,6 4,6 3,1 3,1 2,1 2,1 6,8 6,8 56 56 0 0 00 81 81 5,5 5,5 3,8 3,8 3,6 3,6 2,1 2,1 4,9 4,9 59 59 0 0 00 82 82 3,4 3,4 8,2 8,2 4 4 4,4 4,4 6,3 6,3 47 47 1 1 11 83 83 1,6 1,6 6,4 6,4 2,3 2,3 3,8 3,8 8,2 8,2 41 41 1 1 11 84 84 2,3 2,3 5 5 3 3 2,5 2,5 7,4 7,4 37 37 0 0 00 85 85 2,6 2,6 6 6 2,8 2,8 2,8 2,8 6,8 6,8 53 53 1 1 11 86 86 2,5 2,5 4,2 4,2 2,8 2,8 2,2 2,2 9 9 43 43 0 0 00 87 87 2,4 2,4 5,9 5,9 2,7 2,7 2,7 2,7 6,7 6,7 51 51 1 1 11 88 88 2,1 2,1 4,8 4,8 2,8 2,8 2,3 2,3 7,2 7,2 36 36 0 0 00 89 89 2,9 2,9 6,1 6,1 2 2 2,5 2,5 8 8 34 34 1 1 00

(24)

90 90 4,3 4,3 6,3 6,3 3,4 3,4 4 4 7,4 7,4 60 60 1 1 11 91 91 3 3 7,1 7,1 3 3 3,8 3,8 7,9 7,9 49 49 1 1 11 92 92 4,8 4,8 4,2 4,2 3,3 3,3 1,4 1,4 5,8 5,8 39 39 0 0 00 93 93 3,1 3,1 7,8 7,8 3,6 3,6 4 4 5,9 5,9 43 43 1 1 11 94 94 1,9 1,9 4,9 4,9 2,2 2,2 2,5 2,5 8,2 8,2 36 36 0 0 00 95 95 4 4 4,5 4,5 2,2 2,2 2,1 2,1 5 5 31 31 0 0 00 96 96 0,6 0,6 5 5 0,7 0,7 2,1 2,1 8,4 8,4 25 25 0 0 00 97 97 6,1 6,1 4,8 4,8 3,3 3,3 2,8 2,8 7,1 7,1 60 60 1 1 00 Pabri Pabri k k X1 X1 X2 X2 X3 X3 X4 X4 X5 X5 X6 X6 YY Y Y prediksi prediksi 98 98 2 2 5 5 2,4 2,4 2,7 2,7 8,4 8,4 38 38 0 0 00 99 99 3,1 3,1 6,8 6,8 2,6 2,6 2,9 2,9 8,4 8,4 42 42 1 1 11 100 100 2,5 2,5 5 5 2,2 2,2 3 3 6 6 33 33 0 0 00 Berddasarkan model yang sudah ditentukan didapat 6 pabrik yang meleset dari

Berddasarkan model yang sudah ditentukan didapat 6 pabrik yang meleset dari hasil sebenarnya.hasil sebenarnya.

7. KESIMPULAN

Dari proses diskriminan, dimulai dari uji asumsi-asumsi sampai analisis output, didapat kesimpulan Dari proses diskriminan, dimulai dari uji asumsi-asumsi sampai analisis output, didapat kesimpulan yang terkait dengan tujuan pada kasus awal

yang terkait dengan tujuan pada kasus awal 1.

1. Apakah memang ada perbedaan yang jelas di antara keputusan yang diambil PT. HATCO,Apakah memang ada perbedaan yang jelas di antara keputusan yang diambil PT. HATCO, sehingga keputusan membeli bahan dasar atau tidak dapat dengan jelas

sehingga keputusan membeli bahan dasar atau tidak dapat dengan jelas dibedakan?dibedakan?

Ada perbedaan yang signifikan antara keputusan yang diambil PT. HATCO dalam membeli Ada perbedaan yang signifikan antara keputusan yang diambil PT. HATCO dalam membeli bahan dasar yang dihasilkan oleh suatu pabrik. Hal ini dibuktikan dengan analisis Wilk’s bahan dasar yang dihasilkan oleh suatu pabrik. Hal ini dibuktikan dengan analisis Wilk’s Lambda.

Lambda. 2.

2. Jika memang ada perbedaan di antara keputusan yang diambil oleh PT. HATCO, faktor manaJika memang ada perbedaan di antara keputusan yang diambil oleh PT. HATCO, faktor mana yang perbedaannya memang nyata dan faktor mana yang sesungguhnya tidak jelas berbeda? yang perbedaannya memang nyata dan faktor mana yang sesungguhnya tidak jelas berbeda? Variabel yang mempengaruhi keputusan PT. HATCO berbeda adalah Manufacturer Image Variabel yang mempengaruhi keputusan PT. HATCO berbeda adalah Manufacturer Image (MI) dan Service (Se). Hal ini dapat dilihat

(MI) dan Service (Se). Hal ini dapat dilihat pada step analisis awal.pada step analisis awal. 3.

3. Model Diskriminan untuk memprediksi PT. HATCO membeli atau tidak bahan dasar yangModel Diskriminan untuk memprediksi PT. HATCO membeli atau tidak bahan dasar yang dihasilkan oleh suatu pabrik?

dihasilkan oleh suatu pabrik?

ZScore = -7,446 + 0,929 MI + 0,879 Se ZScore = -7,446 + 0,929 MI + 0,879 Se 4.

4. Sejauh mana ketepatan model diskriminan yang sudah diperoleh dalam memprediksiSejauh mana ketepatan model diskriminan yang sudah diperoleh dalam memprediksi keputusan PT. HATCO dalam membeli bahan dasar?

keputusan PT. HATCO dalam membeli bahan dasar?

Model diskriminan di atas mempunyai ketepatan mengklasifikasi kasus sebesar 86,7%. Model diskriminan di atas mempunyai ketepatan mengklasifikasi kasus sebesar 86,7%. Karena di atas 70%, ketepatan model dianggap tinggi, dan model di atas bisa digunakan Karena di atas 70%, ketepatan model dianggap tinggi, dan model di atas bisa digunakan untuk mengklasifikasi sebuah kasus pada pabrik yang ingin menjual bahan dasar yang untuk mengklasifikasi sebuah kasus pada pabrik yang ingin menjual bahan dasar yang dihasilkannya kepada PT. HATCO.

(25)

DAFTAR ISI DAFTAR ISI

Halaman Halaman 1.

1. ANALISIS ANALISIS DISKRIMINAN ...DISKRIMINAN ... 1... 1 1.1

1.1 Pendahuluan ...Pendahuluan ... 1... 1 1.2 Asumsi

1.2 Asumsi pada Analisis pada Analisis Diskriminan ... Diskriminan ... 11 2.

2. Contoh Contoh Kasus ...Kasus ... 1... 1 2.1

2.1 Tujuan Tujuan Analisis Analisis Diskriminan ...Diskriminan ... ... 11 2.2

2.2 Jumlah Jumlah Sampel ...Sampel ... 2... 2 3. PENGUJIAN ASUMSI

3. PENGUJIAN ASUMSI ... ... 55 3.1 Uji

3.1 Uji Normalitas Normalitas Multivariat ...Multivariat ... ... 55 3.2

3.2 Uji Uji Homoskedastisitas Data ... Homoskedastisitas Data ... 77 3.3