Laporan Praktikum Analisis Diskriminan: Faktor Penentu Klasifikasi Daerah dengan Angka Gizi Buruk Tinggi dan Rendah di Jawa Tengah Disusun Untuk Memenuhi Tugas Mata Kuliah Metode Analisis Perencanaan (TKP 342) Dikerjakan Oleh : Sally Indah Nurdyawati 21040113130096 Kelas B Jurusan Perencanaan Wilayah dan Kota Fakultas Teknik Universitas Diponegoro Semarang 2015
16
Embed
Laporan praktikum analisis diskriminan (faktor penentu klasifikasi daerah dengan angka gizi buruk tinggi dan rendah di jawa tengah)
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Laporan Praktikum Analisis Diskriminan: Faktor PenentuKlasifikasi Daerah dengan Angka Gizi Buruk Tinggi dan
Rendah di Jawa TengahDisusun Untuk Memenuhi Tugas Mata Kuliah Metode Analisis Perencanaan
(TKP 342)
Dikerjakan Oleh :Sally Indah Nurdyawati
21040113130096Kelas B
Jurusan Perencanaan Wilayah dan KotaFakultas Teknik Universitas Diponegoro
Semarang2015
1
I. PENDAHULUANAnalisis diskriminan adalah salah satu teknik statistik yang bisa digunakan pada hubungan
dependensi (hubungan antarvariabel dimana sudah bisa dibedakan mana variabel respon danmana variabel penjelas). Analisis diskriminan digunakan pada kasus dimana variabel responberupa data kualitatif dan variabel penjelas berupa data kuantitatif.
Adapun kegunaan dari analisis diskriminan antara lain mengetahui perbedaan yang jelasantar grup pada variabel dependen. Kedua, jika ada perbedaan, untuk mengetahui variabelindependen manakah pada fungsi diskriminan yang membuat perbedaan tersebut. Ketiga,membuat fungsi atau model diskriminan. Dalam bidang ilmu Perencanaan Wilayah dan Kota,analisis diskriminan digunakan untuk melihat mana yang merupakan variabel pembeda ataupenentu dari sebuah fenomena sehingga dapat membantu dalam pengambilan keputusan.
II. STUDI KASUSPada laporan ini diambil studi kasus mengenai fenomena gizi buruk yang ada di Jawa
Tengah. Gizi buruk merupakan masalah yang masih menjadi perhatian utama hingga saat ini,terutama di negara berkembang seperti Indonesia. Banyak hal yang melatarbelakangi kejadiangizi buruk, seperti kurangnya ketersediaan pangan dan penyakit infeksi, ketersediaan pangan padatingkat rumah tangga, pola asuh yang tidak memadai, masih rendahnya akses pada kesehatanlingkungan dan perilaku hidup bersih dan sehat, serta faktor kemiskinan
Pada laporan ini, objek penelitian adalah Kabupaten/Kota yang telah diklasifikasikanmenjadi 2, yaitu:
1. Daerah dengan tingkat kejadian gizi buruk rendah.2. Daerah dengan tingkat kejadian gizi buruk tinggi.
Pengklasifikasian tersebut didasarkan pada analisis cluster yang dilakukan sebelumnya. Olehkarena itu, perlu diketahui variabel mana saja yang menjadi pembeda antara kedua kelompoktersebut. Adapun variabel bebas yang digunakan meliputi Jumlah Penderita Diare, Jumlah RumahSakit, Balai Pengobatan, Apotek, Puskesmas, dan Dokter.
Tabel II.1Jumlah dan Variabel Penentu Gizi Buruk di Jawa Tengah
Keterangan Output:Tabel di atas menunjukkan banyaknya daerah di Jawa Tengah yang masuk dalam klasifikasidaerah dengan angka gizi buruk tinggi dan daerah dengan angka gizi buruk rendah. Terdapat 13daerah yang masuk ke dalam klasifikasi angka gizi buruk tinggi dan terdapat 22 daerah yangmasuk ke dalam klasifikasi angka gizi buruk rendah. Kolom Mean menunjukkan rata-rata masing-masing variabel pada masing-masing klasifikasi. Sedangkan kolom Std. Deviation menunjukkanstandar deviasi masing-masing variabel pada masing-masing klasifikasi. Sebagai contoh, jumlahpenderita diare pada klasifikasi daerah dengan angka gizi buruk tinggi, memiliki rata-rata sebesar30562,385.
Keterangan Output:Dari tabel di atas, diperoleh nilai signifikansi pada masing-masing variabel. Berikut ini adalahketentuan nilai signfikansi. Apabila nilai sig. > 0,05 maka tidak ada perbedaan antar grup atau bukan variabel yang dapat
menjadi pembeda dalam pengelompokan Apabila nilai sig. < 0,05 maka ada perbedaa antar grup sehingga variabel tersebut dapat
menjadi pembeda dalam pengelompokan.Variabel Diare, RS, Apotik, dan Puskesmas memiliki nilai kurang dari 0,05 sehingga adaperbedaan antar grup atau variabel tersebut dapat menjadi pembeda dalam pengelompokan. Padavariabel lainnya, yakni Balai Pengobatan, Dokter, dan Kemiskinan memiliki nilai lebih dari 0,05sehingga tidak ada perbedaan antar grup atau bukan variabel yang dapat menjadi pembeda dalampengelompokan
Log DeterminantsKlasifikasi Rank Log Determinant
Tinggi 2 22.385Rendah 2 19.093Pooled within-groups 2 21.089The ranks and natural logarithms of determinantsprinted are those of the group covariance matrices.
Keterangan Output:Tabel di atas menunjukkan ada tidaknya perbedaan antara dua kelompok yang dibentuk. Padatabel di atas terdapat nilai log determinant pada klasifikasi tinggi sebesar 22,385 dan nilai logdeterminant pada klasifikasi rendah sebesar 19,093. Perbedaan nilai log determinant antaraklasifikasi tinggi dan rendah yang tidak terpaut terlalu jauh, menunjukkan bahwa groupcovariance matrices akan relatif sama untuk kedua kelompok.
Entered Statistic Between Groups Statistic df1 df2 Sig.
1 Diare 3.189 Rendah andTinggi
26.055 1 33.000 1.356E-5
2 RS 6.322 Rendah andTinggi
25.047 2 32.000 2.841E-7
At each step, the variable that maximizes the Mahalanobis distance between the two closest groups isentered.a. Maximum number of steps is 14.b. Maximum significance of F to enter is .05.c. Minimum significance of F to remove is .10.d. F level, tolerance, or VIN insufficient for further computation.
5
Keterangan Output:Tabel diatas menunjukkan variabel apa saja dari 7 variabel yang dimasukkan. Variabel tersebutakan dimasukkan ke dalam persamaan diskriminan dan harus dilakukan secara bertahap. Variabelini adalah variabel yang memiliki nilai F yang cukup besar. Pada tabel diatas, step pertama angka F hitung variabel Kepadatan mencapai 26,055 dengan
nilai signifikansinya mencapai 1,356 x 10-5, maka tahap pertama variabel Diare terpilih danvariabel ini dapat dikatakan mempengaruhi pengelompokkan dareah yang memiliki angkagizi buruk tinggi dan rendah di Jawa Tengah.
Pada step kedua, angka F hitung variabel Luas Sawah Irigasi mencapai 25,047 dengan nilaisignifikansi sebesar 2,841 x 10-7. Maka, tahap kedua variabel RS terpilih dan variabel inidapat dikatakan mempengaruhi pengelompokan dareah yang memiliki angka gizi buruktinggi dan rendah di Jawa Tengah.
Variables in the Analysis
Step ToleranceSig. of F to
Remove Min. D Squared Between Groups
1 Diare 1.000 .000
2 Diare .822 .000 .727 Tinggi andRendah
RS .822 .001 3.189 Tinggi andRendah
Keterangan Output: Dari tabel diatas, pada step 1, variabel Diare merupakan variabel pertama yang masuk model
diskriminan, karena variabel ini memiliki angka Sig. of F to Remove sebesar 0,000. Angkatersebut <0,05.
Untuk step 2, variabel RS masuk ke dalam model diskriminan. Hal ini terjadi karena variabelini memiliki angka Sig. of F to Remove sebesar 0,001 (lebih kecil dari 0,05).
6
Variables Not in the AnalysisStep Tolerance Min. Tolerance Sig. of F to Enter Min. D Squared Between Groups
0 Diare 1.000 1.000 .000 3.189 Tinggi and Rendah
RS 1.000 1.000 .020 .727 Tinggi and Rendah
Balai_Pengobatan 1.000 1.000 .209 .201 Tinggi and Rendah
Apotik 1.000 1.000 .037 .579 Tinggi and Rendah
Puskesmas 1.000 1.000 .001 1.783 Tinggi and Rendah
Dokter 1.000 1.000 .066 .443 Tinggi and Rendah
Kemiskinan 1.000 1.000 .727 .015 Tinggi and Rendah1 RS .822 .822 .001 6.322 Tinggi and Rendah
Balai_Pengobatan 1.000 1.000 .317 3.422 Tinggi and RendahApotik .940 .940 .489 3.299 Tinggi and RendahPuskesmas .955 .955 .047 4.149 Tinggi and RendahDokter .850 .850 .955 3.189 Tinggi and RendahKemiskinan .924 .924 .425 3.336 Tinggi and Rendah
2 Balai_Pengobatan .995 .818 .535 6.453 Tinggi and RendahApotik .807 .700 .539 6.451 Tinggi and RendahPuskesmas .812 .699 .585 6.424 Tinggi and RendahDokter .805 .662 .443 6.524 Tinggi and RendahKemiskinan .900 .740 .249 6.784 Tinggi and Rendah
Keterangan Output:Tabel diatas menunjukkan informasi dari tabel sebelumnya. Pada tabel di atas, harus dilihat nilaiSig. of F to Enter yang <0,05 dan nilai Min. D Squared yang terbesar. Untuk step 0, terlihat angka Sig. of to Enter <0,05 yakni pada variabel Diare, RS, Apotik,
dan Puskesmas. Namun, nilai Min. D Squared yang terbesar dimiliki oleh variabel Diare,maka variabel ini termasuk kedalam variabel yang dianalisis (dieliminasi pada step 0).
Untuk step 1, tersisa 6 variabel dan dari proses eksekusi nilai Sig <0,05, yakni variabel RSdan Puskesmas. Namun, nilai Min. D Squared yang terbesar dimiliki oleh variabel RS, makavariabel ini termasuk kedalam variabel yang dianalisis (dieliminasi pada step 1).
Untuk step 2, tersisa 5 variabel dan dari proses eksekusi, tidak ada variabel yangmenunjukkan nilai yang <0,05, artinya proses pengeliminasian variabel berhenti pada stepini.
Keterangan Output: Tabel diatas menunjukkan nilai persentase varians dalam variabel yang dapat menjelaskan
perbedaan dalam pembagian kedalam 2 pengelompokkan. Pada tabel diatas, menunjukkannilai lambda sebesar 0,559, artinya 55,9% varians dari variabel tidak bisa menjelaskan
7
perbedaannya yang membagi dalam 2 kelompok diatas, yaitu daerah dengan angka giziburuk tinggi dan rendah.
Pada step 2, menunjukkan nilai lambda sebesar 0,390, artinya 39% varians dari variable tidakbisa menjelaskan perbedaannya yang membagi dalam 2 kelompok diatas, yaitu daerahdengan angka gizi buruk tinggi dan rendah.
Summary of Canonical Discriminant FunctionsEigenvalues
Function Eigenvalue % of Variance Cumulative %CanonicalCorrelation
1 1.565a 100.0 100.0 .781a. First 1 canonical discriminant functions were used in the analysis.
Keterangan Output:Tabel Eigenvalues diatas menunjukkan tingkat keeratan antara nilai Discriminant dengan kriteriakawasan atau grup, yaitu daerah dengan angka gizi buruk tinggi dan rendah.. Hal tersebut dilihatmelalui nilai Canonical Correlation. Angka Canonical Correlation menunjukkan 0,781. Haltersebut memiliki arti bahwa keeratan antara nilai diskriminan dan kriteria kawasan atau grupcukup tinggi karena angka tersebut mendekati angka 1.
Wilks' LambdaTest ofFunction(s) Wilks' Lambda Chi-square df Sig.
1 .390 30.148 2 .000
Keterangan Output:Tabel diatas dapat menunjukkan perbedaan yang jelas antara kedua pengelompokkan yang dapatdilihat dari nilai Chi-Square. Nilai Chi-Square menunjukkan angka 30,148. Hal tersebut memilikiarti bahwa terdapat perbedaan yang jelas antara daerah dengan angka gizi buruk tinggi dan rendah.
Standardized CanonicalDiscriminant Function
Coefficients
Function
1
Diare 1.037RS .776
Keterangan Output:Dari tabel Standarized Canonical Discriminant, kita bisa mengetahui persamaan atau fungsidiskriminan yang hampir sama dengan persamaan regresi berganda. Fungsi diskriminannyaadalah sebagai berikut:
Zscore = 1,037 DiareZscore = 0,776 RS
8
Structure Matrix
Function
1
Diare .710Apotika .431Doktera .425Puskesmasa .417RS .339Kemiskinana -.305Balai_Pengobatana .034Pooled within-groups correlations betweendiscriminating variables and standardizedcanonical discriminant functionsVariables ordered by absolute size of
correlation within function.a. This variable not used in the analysis.
Functions at GroupCentroids
Klasifikasi
Function
1
Tinggi 1.580Rendah -.934Unstandardized canonicaldiscriminant functionsevaluated at group means
Processed 35Excluded Missing or out-of-range group
codes0
At least one missingdiscriminating variable
0
Used in Output 35
Keterangan Output: Dari 35 data yang telah diproses, kevalidannya adalah 100% sehingga tidak ada data yang
hilang atau missing.
Prior Probabilities for Groups
Klasifikasi Prior
Cases Used in Analysis
Unweighted Weighted
Tinggi .500 13 13.000Rendah .500 22 22.000Total 1.000 35 35.000
9
Keterangan Output:Dari tabel diatas dapat dilihat bagaimana komposisi dari ke 35 Kabupaten/Kota di Jawa Tengahyang mana dengan model diskriminan ini menghasilkan 13 daerah yang tergolong ke dalamklasifikasi angka gizi buruk tinggi dan 22 daerah yang tergolong ke dalam daerah dengan angkagizi buruk rendah.
Classification Function Coefficients
Klasifikasi
Tinggi Rendah
Diare .001 .000RS .771 .358(Constant) -12.130 -3.268Fisher's linear discriminant functions
Keterangan Output:Hampir menyerupai dengan tabel “Canonical Discriminant Function Coefficient” sebelumnya,dimana fungsi diskriminan dan Fisher’s pada prinsipnya membuat semacam persamaan regresi. Untuk daerah yang termasuk ke dalam klasifikasi daerah angka gizi buruk tinggi, didapat:
Zscore = -12,130 + 0,001 X1+ 0,771 X2
Untuk daerah yang termasuk ke dalam klasifikasi daerah angka gizi buruk rendah, didapat:Zscore = -3,268 + 0,000 X1 + 0,358 X2
Selisih antara klasifikasi daerah angka gizi buruk tinggi dan rendah, didapat:(-12,130 + 0,001 X1 + 0,771 X2) – (-3,268 + 0,000 X1 + 0,358 X2)
Zscore= -8,862 + 0,001 X1 + 0,413 X2
Keterangan:X1 = DiareX2 = RS
Classification Resultsb,c
Klasifikasi
Predicted Group Membership
TotalTinggi Rendah
Original Count Tinggi 11 2 13
Rendah 1 21 22
% Tinggi 84.6 15.4 100.0
Rendah 4.5 95.5 100.0Cross-validateda Count Tinggi 11 2 13
Rendah 1 21 22% Tinggi 84.6 15.4 100.0
Rendah 4.5 95.5 100.0a. Cross validation is done only for those cases in the analysis. In cross validation, each case isclassified by the functions derived from all cases other than that case.b. 91,4% of original grouped cases correctly classified.c. 91,4% of cross-validated grouped cases correctly classified.
Keterangan Output:
10
Dari tabel diatas, pada baris Original, terlihat bahwa sebanyak 11 daerah tetap berada padaklasifikasi daerah dengan angka gizi buruk tinggi, sedangkan yang awalnya tergolongkedalam daerah dengan angka gizi buruk tinggi, tapi setelah menggunakan modeldiskriminan ternyata menjadi daerah dengan angka gizi buruk rendah adalah sebanyak 2daerah.
Untuk klasifikasi desa pada bagian Count, di mana yang tetap kelompok daerah denganangka gizi buruk rendah adalah sebanyak 21, dan terdapat 1 daerah, yang mana setelahmenggunakan model diskriminan ternyata menjadi daerah dengan angka gizi buruk tinggi.
Setelah itu, akan didapatkan model ketetapan prediksi yaitu sebagai berikut:11 + 2135 = 0,914 91,4% Angka ketepatan prediksi menunjukkan angka 91,4%, yang artinya bahwa model
diskriminan ini dapat digunakan dan valid karena ketepatan klasifikasi yang tinggi. Hal inimenunjukkan analisis ini dapat dilanjutkan untuk analisis lainnya.
IV. KESIMPULANBerdasarkan analisis diskriminan, maka didapatkan variabel yang menjadi pembeda dalam
pengelompokkan daerah dengan angka gizi buruk tinggi dan daerah dengan angka gizi burukrendah. Dari total 7 variabel yang dianalisis, yang merupakan variabel pembeda adalah variabelDiare (Jumlah Penderita Diare) sebagai X1 dan variabel RS (Jumlah Rumah Sakit) sebagai X2.Hasil persamaan diskriminan Fisher akhir adalah sebegai berikut:
Zscore= -8,862 + 0,001 X1 + 0,413 X2
Sementara itu, ketepatan prediksi pada model diskriminan yang dihasilkan memiliki nilaisebesar 91,4% sehingga analisis ini dapat dilanjutkan untuk analisis lainnya. Dengan mengetahuivariabel pembeda pada pengelompokan daerah dengan angka gizi buruk tinggi dan rendah, makadapat memudahkan peneliti untuk mengidentifikasi faktor yang mengindikasikan fenomena giziburuk pada suatu wilayah.
V. DAFTAR PUSTAKAAnonim. Tanpa Angka Tahun. “Modul Analisis Diskriminan” dalam Universitas Pendidikan
Indonesia. file.upi.edu Diunduh Kamis, 30 April 2015Badan Pusat Statistik Provinsi Jawa Tengah. 2014. Dalam jateng.bps.go.id Diunduh Kamis,
For the original data, squared Mahalanobis distance is based on canonical functions.For the cross-validated data, squared Mahalanobis distance is based on observations.
**. Misclassified casea. Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived from all cases other than that case.
14
LAMPIRAN LANGKAH KERJA
Buka Program SPSS Pada variable view isikan data Kabupaten/Kota, Klasifikasi, Kemiskinan, Diare, RS, Balai
Pengobatan, Puskesmas, Apotik, dan Dokter. Gunakan skala data nominal untuk variabeldependen dan skala data scale untuk variabel independen
Isikan Values sesuai dengan klasifikasi data yang telah ditentukan sebelumnya
Input Data yang telah ada di bagian Data View.
Untuk melakukan analisis cluster, pada menu bar pilih AnalyzeClassifyDiscriminant
15
Pindahkan variabel Desa ke dalam Label Cases by, dan variabel lainnya ke dalamVariables(s) seperti gambar.
Pindahkan variabel Klasifikasi ke dalam Grouping Variable, lalu klik Define Range.Pilih opsi Use Stepwise Method
Klik button Statistics Pilih opsi sesuai gambar Continue.
Klik button Method Pilih opsi sesuai gambar Continue.
Klik button Method Pilih opsi sesuai gambar Continue.