Penjelasan Uji Diskriminan dengan SPSS Part 2

Interprestasi Uji Diskriminan dengan SPSS Part 2

Dalam bahasan kali ini, kita akan membahas penjelasan akhir atau interprestasi uji diskriminan dengan SPSS. Artikel ini merupakan kelanjutan dari artikel sebelumnya, yaitu yang berjudul:

1. Interprestasi Analisis Diskriminan dengan SPSS,
2. Analisis Diskriminan.

Sebelum membaca artikel ini, sebaiknya anda terlebih dahulu membaca artikel sebelumnya tersebut agar lebih mengerti.

Uji Wilks Lambda Uji Diskriminan SPSS

Pada tabel Wilk’s Lambda diketahui nilai signifikansi statistics Chi-square sebesar 0,000 (< 0,05) yang berarti ada perbedaan yang signifikan antara kedua kelompok responden yang didasarkan pada ketiga variabel bebas.

Struktur Matrix Uji Diskriminan dengan SPSS

Tabel Structure Matrix menunjukan urutan karakteristik yang paling membedakan keputusan (Y). Variabel X3 adalah yang paling membedakan, kemudian jumlah X2 dan selanjutnya X1.

Tabel di atas menunjukan adanya korelasi antara variabel-variabel bebas dengan fungsi diskriminan yang terbentuk. Variabel X3 mempunyai korelasi yang paling tinggi dengan nilai korelasi sebesar 0,666. Jika ada var dengan tanda “a”, maka variabel tersebut tidak dimasukan dalam proses analisis diskriminan.

Tabel Fungsi Diskriminan Uji Diskriminan dengan SPSS

Tabel Canonical Discriminat Function Coefficients di atas menunjukkan fungsi diskriminan dengan persamaan sebagai berikut : Z score = -6,045 (konstan) + 0,037 X1 + 0,042 X2 + 0,042 X3. Fungsi ini berguna untuk menganalisis kasus atau responden yang diteliti akan termasuk ke dalam kelompok mana, yaitu kelompok pertama (keputusan 0) atau kedua (keputusan 1).

Berdasarkan angka tabel di atas, terdapat dua kelompok yang berbeda yaitu kelompok dengan keputusan 0 dengan centroid (rata-rata kelompok) negatif dan kelompok yang keputusan 1 dengan centroid (rata-rata kelompok) positif.

Persamaan Uji Diskriminan dengan SPSS

Tabel Classification Processing Summary di atas menunjukan jumlah kasus (responden) sebanyak 200 yang di proses dan tidak ada data yang hilang (missing).

Pada Tabel Prior Probabilities for Groups menunjukkan kelompok dengan keputusan 0 sebanyak 92 sample sedangkan kelompok dengan keputusan sebanyak 1 sebanyak 108 sample.

Pada Tabel Classification Function Coefficients menunjukkan hal yang sama dengan bagian Canonical Discriminant Function Coefficients di atas yang sebelumnya sudah dibahas. Persamaannya sebagai berikut:

Untuk kelompok 0, persamaannya :

Nilai = -9.846 (konstan) + 0,161 (X1) + 0,178 (X2) + 0,178 (X3)

Untuk kelompok 1, persamaannya :

Nilai = -9.846 (konstan) + 0,282 (X1) + 0,314 (X2) + 0,316 (X3)

Selisis antara kedua kelompok :

Nilai = -6,045 (konstan) + 0,037 (X1) + 0,042 (X2) + 0,042 (X3).

Ketepatan Fungsi Uji Diskriminan dengan SPSS

Tabel di atas pada kolom Original baris “Kelompok Keputusan 0 sebanyak 86 responden atau 93,5%, sedangkan 6 responden (6,5%) berpindah ke kelompok keputusan 1”.

Sementara itu, 105 responden (97,2%) yang berada dikelompok “keputusan 1” dan ada 3 responden (2,8%) berpindah ke kelompok keputusan 0”.

Maka Ketepatan fungsi diskriminan dapat dihitung dengan cara: 86 + 105/200 = 0.955 atau 95,5 %.

Kesimpuan Hipotesis Uji Diskriminan

Kesimpulan hasil uji diskriminan dalam tutorial ini adalah:

1. Asumsi Normalitas Multivariate terpenuhi
2. Asumsi tidak adanya multikolinearitas antar variabel independen terpenuhi
3. Asumsi Homogenitas Varians antar kelompok terpenuhi
4. Terdapat perbedaan yang signifikan antara kelompok responden yang memberikan keputusan 0 dengan kelompok yang memberikan keputusan 1
5. Faktor-faktor yang membuat berbeda adalah variabel X1, X2, dan X3 (Semua Variabel Independen).
6. Ketepatan fungsi diskriminan adalah sebesar 95,5%. Ketepatan ini tinggi karena mendekati angka 100%.
7. Persamaan fungsi diskriminan adalah: Nilai Z = -6,045 (konstan) + 0,037 (X1) + 0,042 (X2) + 0,042 (X3)

Demikian pembahasan singkat tentang Uji Diskriminan dan cara melakukannya dengan menggunakan aplikasi SPSS.

Baca Juga: Analisis Diskriminan dengan STATA. Semoga bermanfaat.

By Anwar Hidayat