Pembeda Antar Kelompok UMKM

NOMOR 2

Berdasarkan uraian di atas, PT berniat untuk menyimpulkan laporan dari seluruh tim analis yang ada. Sebagai analis data, Anda diminta untuk menentukan faktor yang mempengaruhi dan mampu membedakan antara kelompok UMKM dengan performa baik dan buruk.

Point a:

Untuk mengetahui faktor apa saja yang menjadi pembeda antar kelompok UMKM, metode apa yang paling tepat digunakan adalah metode analisis diskriminan. Analisis diskriminan adalah salah satu teknik statistik yang bisa digunakan pada hubungan dependensi atau bentuk regresi dengan variabel dependennya berbentuk non-metrik atau kategori. Dan pada kasus ini, variabel dependennya adalah performa, dimana variabel performa berbentuk kategori yaitu performa baik dan buruk. Dan pada kasus ini, PT berniat untuk menentukan factor-faktor yang mempengaruhi dan mampu membedakan antara kelompok UMKM dengan performa baik dan kelompok UMKM dengan performa buruk.

Analisis diskriminan yang digunakan adalah analisis diskriminan dua factor dimana pada analisis diskriminan dua factor ini mengklasifikasikan, seperti regresi logistic, yang dikelompokkan variabel depedennya (variabel kategorik). Tujuan dari analisis diskriminan dua factor adalah ingin mengetahui apakah ada perbedaan yang jelas antar grup pada variabel dependen. Jika ada, variabel independent manakah pada fungsi diskriminan yang memuat perbedaan grup tersebut. Sama halnya seperti kasus ini, PT berniat untuk menyimpulkan laporan dari seluruh tim analis yang ada apakah ada perbedaan yang jelas antar kelompok UMKM dengan performa yang baik dan kelompok UMKM dengan performa yang buruk. Dan variabel independent apa saja yang memuat perbedaan dua kelompok performa UMKM ini. Kemudian akan dibentuk atau dibuat fungsi atau model diskriminanya kemudian akan dilakukan klasifikasi terhadap kelompok-kelompok UMKM yang ada apakah kelompok UMKM tersebut memiliki performa yang baik atau buruk berdasarkan laporan keuangan antara tahun 2020 dan 2021 pada UMKM masing-masing..

Dimana hasil analisis ini akan dijadikan evaluasi keunggulan dan potensi yang terdapat pada UMKM dari bagaimana inovasi yang diterapkannya untuk menanggulangi krisis ekonomi yang terjadi sebagai akibat dari pandemi.

Point b:

Asumsi yang diperlukan untuk analisis diskriminan antara lain:

1. Setiap populasi berdistribusi normal multivariat 2. Tidak terdapat multikolinearitas

3. Variansi Variabel Independen untuk tiap Grup seharusnya sama 4. Variansi di antara variabel-variabel independen seharusnya sama

1. Normalitas multivariat

Dalam melakukan metode analisis diskriminan, salah satu asumsi yang harus dipenuhi adalah data berdistribusi normal multivariat. Normalitas ini dapat dilakukan dengan berbagai cara salah satunya dengan menggunakan jarak mahalanobis.

Data berdistribusi normal multivariat apabila scatterplot cenderung membentuk garis lurus dan lebih dari 50% nilai jarak mahalanobis kurang atau sama dengan nilai qi.

Dari scatter plot untuk data di atas dapat diamati bahwa scatterplot membentuk garis lurus.

Pada scatter plot ini diketahui jarak mahalanobis berkisar dari nilai 0.00000 sampai dengan 40.00000, jadi nilai qi pada scatter plot ini akan diambil nilai mediannya (nilai tengah) yaitu sebesar 20.00000. Dapat diamati pula dari scatter plot di atas jika lebih dari 50% nilai jarak mahalanobis kurang dari nilai qi. Karena nilai jarak mahalanobis mayoritas memiliki nilai 0.00000 sampai dengan 20.0000. Jadi, dapat disimpulkan jika dilakukan uji normalitas multivariat data secara deskriptif diperoleh bahwa data geokimia tersebut berdistribusi normal karena scatterplot nya membentuk garis lurus dan lebih dari 50% nilai jarak mahalanobisnya kurang atau sama dengan nilai qi.

2. Tidak terdapat multikolinearitas

Uji multikolinearitas bertujuan untuk mengetahui adanya korelasi yang tinggi antar variabel prediktor pada model regresi. Asumsi multikolinearitas terpenuhi apabila nilai korelasi < 0.5

Berdasarkan uji multikolinearitas di atas dapat diamati bahwa, variabel-variabel predictor yang memiliki nilai korelasi lebih dari 0.5 antara lain:

- Variabel Air Temperature dengan Process Temperature memiliki nilai korelasi sebesar 0.877

- Variabel Rotational speed dengan Torque memiliki nilai korelasi sebesar -0.884

Dapat disimpulkan bahwa terdapat multikolinearitas pada variabel-variabel predictor di atas yang memiliki nilai korelasi lebih dari 0.5. Tetapi, pada praktikum ini, diasumsikan asumsi tidak terdapat multikolinearitas ini terpenuhi.

3.

Variansi Variabel Independen untuk tiap Grup seharusnya sama Variansi dari mesin gagal =mesin tidak gagal

Nilai log determinant (variansi yg dibentuk oleh var independen) yang dihasilkan berbeda cukup jauh yaitu di sini perbedaannya sebesar 2.916, hal ini berarti bahwa group covariance matrice berbeda secara nyata untuk kedua faktor (“mesin gagal” dan “mesin tidak gagal”).

4. Variansi di antara variabel-variabel independen seharusnya sama

Variansi dari variabel Penjualan21 = variabel Penjualan20 = variabel Ratio_Beban_Penjualan21 = variabel Ratio_Beban_Penjualan20 = variabel Laba_Rugi_21

= variabel Laba_Rugi_20 = variabel Liabilitas21 = variabel Liabilitas20 = variabel aset21 = variabel Aset20 = variabel Kas21 = variabel Kas20. Jadi seharusnya group

covariance matrice relative sama

Uji Hipotesis 1. Hipotesis

H0: group covariance matrice relative sama / homogen H1: group covariance matrice berbeda secara nyata 2. Tingkat signifikansi

� = 0.05 3. Statistik Uji

Sig. = 0.000 4. Daerah Kritik

H0 ditolak apabila nilai sig. < � = 0.05 5. Kesimpulan

Karena nilai sig = 0.000 < α = 0.05 maka H0 ditolak, yang berarti bahwa group covariance matrice berbeda secara nyata (heterogen). Akan tetapi, untuk keperluan pada praktikum ini, group covariance matrice diasumsikan relative sama atau homogen.

Point c:

Analisis Diskriminan Checking Variable

Dengan menggunakan F test, dapat dilihat dari sig. Apabila sig < α, berarti ada perbedaan antar grup (LOLOS). Variabel yang signifikan mempengaruhi kegagalan mesin “gagal” dan

“tidak gagal” di suatu perusahaan adalah Air Temperature, Process Temperature, Rotational speed, Torque, dan Tool wear

1. Variables entered/removed

Karena proses stepwise (bertahap) maka akan dimulai dengan variabel yang mempunyai angka F yang terbesar.

Variabel Nilai Sig Interpretasi

Torque 4.574E-83 Nilai sig < α maka H0 ditolak, artinya variabel Torque berpengaruh secara signifikan terhadap variabel target.

Rotational speed 7.898E-233 Nilai sig < α maka H0 ditolak, artinya variabel rotational speed berpengaruh secara signifikan terhadap variabel target.

Tool wear 2.157E-259 Nilai sig < α maka H0 ditolak, artinya variabel tool wear berpengaruh secara signifikan terhadap variabel target.

Air temperature 5.153E-273 Nilai sig < α maka H0 ditolak, artinya variabel air temperature berpengaruh secara signifikan terhadap variabel target.

Process temperature 1.161E-284 Nilai sig < α maka H0 ditolak,

artinya variabel process temperature berpengaruh secara signifikan terhadap variabel target.

2. Wilk’s Lambda

 Pada step 1, jumlah variabel yang dimasukkan ada satu (Torque), dengan angka Wilk’s Lambda adalah 0.963 (varians yang tidak dapat dijelaskan oleh perbedaan antar grup-grup).

 Step 2, tambahan variabel Rotational speed angka Wilk’s Lambda TURUN menjadi 0.899.

 Step 3, tambahan variabel Tool wear angka Wilk’s Lambda TURUN menjadi 0.887.

 Sep 4, tambahan variabel air temperature angka Wilk’s Lambda TURUN menjadi 0.881.

 Step 5, tambahan variabel process temperature angka Wilk’s Lambda TURUN menjadi 0.876.

 Step 1 ke Step 5 Wiks’Lambda makin kecil itu lebih bagus karena varians total dalam discriminant scores yang tidak bisa dijelaskan oleh perbedaan di antara grup-grup yang ada juga makin kecil.

 Nilai sig pada F test untuk 5 variabel di atas

Variabel Sig. Kesimpulan

Torque 0.000 Nilai sig < α maka H0

ditolak, artinya variabel torque signifikan terhadap variabel target. Dapat disimpulkan bahwa, variabel torque memang berbeda untuk kedua tipe target.

Rotational speed 0.000 Nilai sig < α maka H0

ditolak, artinya variabel

rotational speed signifikan terhadap variabel target.

Dapat disimpulkan bahwa, variabel rotational speed memang berbeda untuk kedua tipe target.

Tool wear 0.000 Nilai sig < α maka H0 ditolak, artinya variabel tool wear signifikan terhadap variabel target. Dapat disimpulkan bahwa, variabel tool wear memang berbeda untuk kedua tipe target.

Air temperature 0.000 Nilai sig < α maka H0

ditolak, artinya variabel air temperature signifikan terhadap variabel target.

Dapat disimpulkan bahwa, variabel air temperature memang berbeda untuk kedua tipe target.

Process Temperature 0.000 Nilai sig < α maka H0

ditolak, artinya variabel process temperature signifikan terhadap variabel target. Dapat disimpulkan bahwa, variabel process temperature memang berbeda untuk kedua tipe target.

3. Summary of canonical discriminant function

Ini untuk mengukur keeratan hubungan antara discriminant score dengan grup (dalam hal ini ada dua grup kegagalan mesin di perusahaan. Angka 0.353 menunjukkan keeratan yg cukup tinggi.

4. Wilk’s Lambda

Dari output di atas, didapatkan nilai sig pada Wilks’ Lambda akhir = 0.000 < α = 0.05 yang menunjukkan ada perbedaan yang jelas antara 2 group.

5. Structure Matrix

 Korelasi antara variabel Torque dengan fungsi diskriminan yang terbentuk sebesar 0.517

 Korelasi antara variabel Tool wear dengan fungsi diskriminan yang terbentuk sebesar 0.281

 Korelasi antara variabel air temperature dengan fungsi diskriminan yang terbentuk sebesar 0.220

 Korelasi antara variabel rotational speed dengan fungsi diskriminan yang terbentuk sebesar -0.117

 Korelasi antara variabel process temperature dengan fungsi diskriminan yang terbentuk sebesar 0.095

 Output diatas menjelaskan korelasi antara variabel independent dengan fungsi diskriminan yang terbentuk. Terlihat variabel torque paling erat hubungannya dengan fungsi distriminant, diikuti variabel tool wear, air temperature, rotational speed, process temperature.

6. Canonical discriminant function coefficients

Dari output di atas, didapatkan fungsi diskriminan sebagai berikut

Z_score=−22.249+0.318∗Air temperature−0.307∗Process temperature+10.009∗Rotational speed+0.197∗Torque+0.005∗Tool wear

Fungsi tersebut untuk menggolongkan kegagalan mesin di suatu perusahaan.

7. Function at group centroids

Kedua output di atas, digunakan untuk mencari nilai ^Zciritcal unstandardized = cut off score (nilai pembatas).

Z_cu=N_AZ_B+N_BZ_A N_A+N_B Keterangan:

A: Tidak gagal (0) B: Gagal (1)

Z_cu=9661(2.011)+339(−0.071)

9661+339 =1.9404202

Penggunaan ^Zcu , jika:

- Nilai ^Zscore>Z_cu masuk mesin mengalami “gagal”

- Nilai ^Zscore<Z_cu masuk mesin mengalami “tidak gagal”

8. Classification Result Z_cu 1.94042

Z_B 2.011 Z_A

-0.071

Ketepatan klasifikasinya sebesar 84.62% atau yang dihitung dari 8219+243

9661+339 . Karena nilainya cukup tinggi maka model diskriminan di atas bisa digunakan untuk analisis diskriminan atau hasil perhitungannya sudah VALID untuk digunakan.

Point d:

Ayam Geprek Pak Usop adalah UMKM yang menjadi target baru untuk berinvestasi oleh PT X. Apakah Ayam Geprek Pak Usop ini layak untuk mendapatkan investasi atau tidak berdasarkan segmentasi performanya?

Diketahui data laporan keuangan Ayam Geprek Pak Usop sebagai berikut:

- Penjualan21 : 131235400

- Penjualan20 : 11787925

- Ratio_Beban_Penjualan21 : 0.524911063 - Ratio_Beban_Penjualan20 : 0.226382888

- Laba_Rugi_21 : 36148120.33

- Laba_Rugi_20 : -5542217.078

- Liabilitas21 : 44611197

- Liabilitas20 : 73700184

- Aset21 : 177012188

- Aset20 : 189877257

- Kas21 : 27325959

- Kas20 : 36452018

Perhitungan ^Zscore

Z_score=−0.176+0.000∗Penjualan21+0.000∗Penjualan20−1.044∗Ratio Beban Penjualan21+0.863∗Ratio Beban Penjualan20+0.000∗Laba Rugi21+0.000∗Liabilitas21+0.000∗Aset20

Z_score=−0.176+0.000∗131235400+0.000∗11787925–1.044∗0.524911063+0.863∗0.226382888+0.000∗36148120.33+0.000∗44611197+0.000∗189877257

Z_score=−0.176+0+0−0.54800715+0.19536843+0+0+0

Z_score=−0.176−0.54800715+0.19536843

Z_score=−0.52863872

Nilai Z_score<Z_cu masuk tipe performa “buruk”

Kesimpulan:

Setelah nilai pada variabel-variabel predictor Penjualan21, Penjualan20, Ratio_Beban_Penjualan21, Ratio_Beban_Penjualan20, Laba_Rugi_21, Laba_Rugi_20, Liabilitas21, Liabilitas20, Aset21, Aset20, Kas21, Kas20 disubstitusikan pada persamaan Z_score , diperoleh nilai ^Zscore=−0.528638 . Dan nilai ^Zscore<Z_cu , sehingga dapat disimpulkan bahwa Ayam Geprek Pak Usop merupakan kelompok UMKM dengan performa yang buruk. Jadi, Ayam Geprek Pak Usop ini tidak layak untuk mendapatkan investasi berdasarkan segmentasi performanya, karena memiliki performa yang buruk

Tambahan Uji Asumsi PCA Nomor 1

Asumsi-asumsi yang harus terpenuhi untuk uji PCA

1. Memiliki banyak variabel dengan skala interval, rasio, dan ordinal (skala likert) Diasumsikan terpenuhi

2. Kecukupan pengambilan sampel (KMO and Bartlett’s test)

Uji Hipotesis - Hipotesis

H0: Sampel belum memadai untuk analisis lebih lanjut H1: Sampel sudah memadai untuk analisis lebih lanjut - Tingkat signifikansi

� = 0.05 - Statistik Uji

Hasil KMO = 0.851 Sig. = 0.000

- Daerah Kritik

H0 ditolak apabila nilai sig. < � = 0.05 - Kesimpulan

Karena Sig. (0.000) < α (0.05) maka H0 ditolak yang berarti bahwa sampel sudah memadai untuk analisis lebih lanjut atau 85.1% variansi dapat dijelaskan oleh faktor tersebut.

3. Variabel cocok untuk direduksi Diasumsikan terpenuhi

4. Tidak memiliki outlier yang signifikan