Uji Outlier a. Analyze > Regression > Linier Variabel dependen = Promosi_jabatan_baru (pemilihan variabel dependen bebas, karena hanya ingin melihat jarak mahalanobisnya. Sedangkan sisanya menjadi variabel independen) Variabel independen = Penghargaan_atas_prestasi_kerja, Tunjangan_diterima_di_luar_gaji, Rotasi_jabatan_lain, Kondisi_kerja_yang_kondusif, Dukungan_dari_rekan_kerja, Kenaikan_pangkat_jabatan. Save: Distance mahalanobis b. Mencari t _hitung Transform > Compute t_hitung = MAH_1/ jumlah variabel yang dianalisis(6) c. Mencari t_tabel Transform > Compute t_tabel = IDF.T (1-α;jumlah variabel yang dianalisis) = IDF.T(0.95;6) d. Kriteria Outlier Data > Select Cases > If Digunakan kriteria t_hit < t_tabel, mk pd data SPSS kolom $_filter yang bernomor 0 adalah outlier. Uji Normalitas Univariat Analyze > Descriptive Statistics > Explore Dependen list = Penghargaan_atas_prestasi_kerja, Tunjangan_diterima_di_luar_gaji, Rotasi_jabatan_lain, Promosi_jabatan_baru Kondisi_kerja_yang_kondusif, Dukungan_dari_rekan_kerja, Kenaikan_pangkat_jabatan. Di bagian Display kiri bawah Plots Plots: Boxplots None Descriptive Stem-and-leaf Histogram Normality plot with tests Uji Hipotesis: H 0 : data berdistribusi normal vs H 1 : data tidak berdistribusi normal Uji Normalitas Multivariat a. Mengurutkan data MAH_1 dari terkecil ke terbesar Data > Sort Cases.. Sort by: MAH_2 Sort Order: Ascending b. Membuat variabel baru “obs” berisi no. 1 - n untuk kasus ini 1 - 59 c. Membuat nilai persentil (varibel baru “prob_value) Transform > Compute > prob_value = (obs - 0.5) / n untuk kasus ini prob_value = (obs - 0.5) / 59
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
Uji Outlier
a. Analyze > Regression > Linier
Variabel dependen = Promosi_jabatan_baru
(pemilihan variabel dependen bebas, karena hanya ingin melihat jarak mahalanobisnya. Sedangkan
sisanya menjadi variabel independen)
Variabel independen = Penghargaan_atas_prestasi_kerja,
Tunjangan_diterima_di_luar_gaji,
Rotasi_jabatan_lain,
Kondisi_kerja_yang_kondusif,
Dukungan_dari_rekan_kerja,
Kenaikan_pangkat_jabatan.
Save: Distance mahalanobis
b. Mencari t _hitung
Transform > Compute
t_hitung = MAH_1/ jumlah variabel yang dianalisis(6)
c. Mencari t_tabel
Transform > Compute
t_tabel = IDF.T (1-α;jumlah variabel yang dianalisis)
= IDF.T(0.95;6)
d. Kriteria Outlier
Data > Select Cases > If
Digunakan kriteria t_hit < t_tabel, mk pd data SPSS kolom $_filter yang bernomor 0 adalah outlier.
dengan jika tidak dilakukan rotasi. Ditentukan angka
pembatas (cut of point) = 0.55. Variabel yang memiliki
faktor loading < 0.55 tidak dapat secara nyata
dimasukkan ke dalam salah satu faktor. Nilai loading
terbesar menunjukkan variabel tersebut masuk ke
dalam faktor kolom terbesar.
Variabel Penghargaan_atas_prestasi_kerja:
variabel ini masuk faktor 1 karena korelasi variabel
Penghargaan_atas_prestasi_kerja dengan faktor 1
(0.731) lebih kuat dibanding dengan korelasi dengan
faktor 2 (0.291).... Jadi faktor-faktor yang
mempengaruhi promosi jabatan baru adalah:
Faktor 1 (misalnya disebut Faktor Pendukung), dengan anggota-anggotanya adalah variabel:
Penghargaan_atas_prestasi_kerja
Kondisi_kerja_yang_kondusif
Dukungan_dari_rekan_kerja
Faktor 2 (misalnya disebut Faktor Penunjang), dengan anggota-anggotanya adalah variabel:
Tunjangan_diterima_di_luar_gaji
Rotasi_jabatan_lain
Analisis cluster K-Means cluster >>>>>mengelompokkan variabel sesuai yang kita inginkan
Langkah2 di spss:
Buka file tata letak toko buku.sav
Analyze>classify>K-means cluster
Variables: u1-u21
Label cases by: responden(variabel yang ingin dicluster)
Number of cluster: 3 (jml cluster yang ingin dibentuk)
Save: cluster membership dan distance cluster center
Option: intial cluster centers, ANOVA table dan cluster information for each case
Output yang ditampilin
intial cluster centers
Output ini berisi tentang informasi mengenai pusat cluster awal yang ditentukan secara acak oleh
program. Pusat cluster ini kemudian digunakan untuk menghitung jarak masing-masing objek
terhadap pusat cluster pada iterasi pertama. Initial Cluster Centers
Cluster
1 2 3
Tata letak Buku 1,000 5,320 5,320 Kelengkapan Buku 2,254 4,663 4,663 Buku yang Baru Terbit 4,692 3,335 4,692 Harga Buku yang Kompetitif 1,000 3,642 5,240 Desain Interior yang Menarik 2,000 3,503 5,184 Sistem Informasi yang Mudah Diakses 4,913 3,574 4,913 Pendingin Udara yang Memadai 4,761 4,761 4,761 Penitipan barang yang memadai 1,000 4,916 2,164 Kebersihan gedung 3,635 5,168 5,168 Tempat parkir yang luas 1,000 4,617 2,382 Keamanan tempat parkir 4,017 5,692 2,000 Lokasi TB Gramedia yang strategis 2,000 5,512 5,512 Pelayanan kasir yang cepat 5,478 5,478 3,817 Satpam bertugas dengan baik 5,360 5,360 3,719 Karyawan berpenampilan menarik 5,271 5,271 3,631 Karyawan memahami keinginan konsumen 3,373 4,853 2,000 Karyawan ramah dalam melayani konsumen 5,294 5,294 3,685 Pengetahuan karyawan tetang koleksi buku 2,754 5,708 2,754 Respon atas komplain konsumen 3,668 5,509 2,000 Fasilitas diskon kepada konsumen 1,000 4,680 2,368 Promosi kepada konsumen 5,823 4,123 2,790
Iteration history
Pada output ini diperlihatkan proses yang dilalui untuk memperoleh jumlah cluster yang
dikehendaki berdasarkan criteria yang diberikan. Tampak bahwa jumlah iterasi yang diperlukan
agar selisih nilai pusat cluster pada iterasi ke n dan iterasi ke n-1 adalah 0 tercapai pada iterasi ke
10, setelah sampai iterasi ke 10 ini proses berhenti karena salah satu kriteria sudah tercapai. Iteration History(a)
a Iterations stopped because the maximum number of iterations was performed. Iterations failed to converge. The maximum absolute coordinate change for any center is ,018. The current iteration is 10. The minimum distance between initial centers is 9,069.
Final cluster center
Nilai rata-rata variabel tata letak toko buku di cluster 1 adalah sebesar 3,228. Pada cluster 2
sebesar 4,128 dan pada cluster 3 sebesar 3,773. Terlihat disini cluster 2 lbh puas tata letak toko
buku dibandingin cluster 1 dan 3. Istilahnya variabel ini lebih cenderung ke cluster 2. Final Cluster Centers
Cluster
1 2 3
Tata letak Buku 3,228 4,128 3,773 Kelengkapan Buku 2,758 3,897 3,416 Buku yang Baru Terbit 2,955 3,709 3,200 Harga Buku yang Kompetitif 2,916 3,374 3,047 Desain Interior yang Menarik 2,573 3,774 3,526 Sistem Informasi yang Mudah Diakses 3,206 4,252 3,706 Pendingin Udara yang Memadai 3,059 3,953 3,294 Penitipan barang yang memadai 2,850 3,597 3,295 Kebersihan gedung 3,596 4,507 3,757 Tempat parkir yang luas 1,944 3,051 2,897 Keamanan tempat parkir 3,969 4,667 3,925 Lokasi TB Gramedia yang strategis 4,054 5,120 4,223 Pelayanan kasir yang cepat 3,554 4,368 3,774 Satpam bertugas dengan baik 3,553 4,168 3,637 Karyawan berpenampilan menarik 3,282 4,146 3,483 Karyawan memahami keinginan konsumen 2,885 3,810 3,048 Karyawan ramah dalam melayani konsumen 3,562 4,284 3,537 Pengetahuan karyawan tetang koleksi buku 3,473 4,287 3,544 Respon atas komplain konsumen 3,315 3,927 3,516 Fasilitas diskon kepada konsumen 2,764 3,381 2,664 Promosi kepada konsumen 3,569 4,081 3,618
Anova
Pada tabel ANOVA diatas dilakukan pengujian terhadap pusat-pusat cluster yang terbentuk.
Tujuannya adalah untuk mengetahui apakah ada perbedaan yang nyata terhadap pusat cluster
yang terbentuk berdasarkan masing-masing variabel.
H0 : tidak terdapat perbedaan yang nyata antara cluster 1, cluster 2 dan cluster 3
H1 : terdapat perbedaan yang nyata antara cluster 1, cluster 2 dan cluster 3
Variabel tata letak toko buku, sig=0,000 < α=0,05 maka terdapat perbedaan yang nyata antara
cluster 1, cluster 2 dan cluster 3 berdasarkan jenis berita polkam. ANOVA
Cluster Error F Sig.
Mean Square df Mean Square df Mean Square df
Tata letak Buku 9,375 2 ,475 178 19,718 ,000 Kelengkapan Buku 14,970 2 ,558 178 26,830 ,000 Buku yang Baru Terbit 7,188 2 ,577 178 12,451 ,000 Harga Buku yang Kompetitif 2,744 2 ,637 178 4,305 ,015 Desain Interior yang Menarik 18,580 2 ,362 178 51,384 ,000 Sistem Informasi yang Mudah Diakses 12,723 2 ,513 178 24,789 ,000 Pendingin Udara yang Memadai 10,679 2 ,531 178 20,107 ,000 Penitipan barang yang memadai 6,453 2 ,624 178 10,349 ,000 Kebersihan gedung 12,140 2 ,265 178 45,831 ,000 Tempat parkir yang luas 16,814 2 ,547 178 30,737 ,000 Keamanan tempat parkir 9,727 2 ,342 178 28,414 ,000 Lokasi TB Gramedia yang strategis 16,997 2 ,317 178 53,613 ,000 Pelayanan kasir yang cepat 8,784 2 ,410 178 21,432 ,000 Satpam bertugas dengan baik 5,797 2 ,467 178 12,401 ,000 Karyawan berpenampilan menarik 10,278 2 ,440 178 23,340 ,000 Karyawan memahami keinginan konsumen 12,545 2 ,494 178 25,386 ,000 Karyawan ramah dalam melayani konsumen 10,032 2 ,438 178 22,923 ,000 Pengetahuan karyawan tetang koleksi buku 10,833 2 ,499 178 21,707 ,000 Respon atas komplain konsumen 4,732 2 ,443 178 10,685 ,000 Fasilitas diskon kepada konsumen 8,708 2 ,644 178 13,512 ,000 Promosi kepada konsumen 4,225 2 ,558 178 7,566 ,001
The F tests should be used only for descriptive purposes because the clusters have been chosen to maximize the differences among cases in different clusters. The observed significance levels are not corrected for this and thus cannot be interpreted as tests of the hypothesis that the cluster means are equal.
Number of cases in each cluster
Pada tabel output diperlihatkan jumlah objek atau responden untuk masing-masing cluster. Pada
cluster 1 berjumlah 42 responden, cluster 2 berjumlah 51 responden dan cluster 3 berjumlah 88
Entered Statistic df1 df2 df3 Statistic df1 df2 Sig.
1 income .894 1 1 73.000 8.656 1 73.000 .004
2 berat .834 2 1 73.000 7.170 2 72.000 .001
3 tinggi .763 3 1 73.000 7.343 3 71.000 .000
At each step, the variable that minimizes the overall Wilks' Lambda is entered.
a. Maximum number of steps is 10.
b. Minimum partial F to enter is 3.84.
c. Maximum partial F to remove is 2.71.
d. F level, tolerance, or VIN insufficient for further computation.
Karena proses stepwise(bertahap) maka akan dimulai dg variabel yg mempunyai angka F yang terbesar.
Tahap pemasukkan variabel independent:
Tahap pertama, angka F hitung variabel income adalah yang terbesar mencapai 8,656, maka pada tahap
pertama ini variabel income dipilih, Dst
Jika dilihat sig, maka ketiga variabel mempunyai sig < 0,05..dengan demikian ketiga variabel tersebut
mempengaruhi variabel minum.
Wilk’s lambda Wilks' Lambda
Step
Number of
Variables Lambda df1 df2 df3
Exact F
Statistic df1 df2 Sig.
1 1 .894 1 1 73 8.656 1 73.000 .004
2 2 .834 2 1 73 7.170 2 72.000 .001
3 3 .763 3 1 73 7.343 3 71.000 .000
Perinsipnya disini adalah varians total dalam discriminant scores yang tidak bisa dijelaskan oleh
perbedaan diantara grup-grup yang ada.
Jika dilihat sig pada F test terlihat ketiga variabel signifikan terhadap variabel minum, itu menandakan
bahwa ketiga variabel tersebut memang berbeda untuk kedua tipe konsumen.
Summary of canonical discriminant function
Eigenvalues
Function Eigenvalue % of Variance Cumulative %
Canonical
Correlation
1 .310a 100.0 100.0 .487
a. First 1 canonical discriminant functions were used in the analysis.
Ini untuk mengukur keeratan hubungan antara discriminant score dg grup(dalam hal ini ada dua grup
tipe konsumen). Angka 0,487 menunjukkan keeratan yg cukup tinggi, ukuran asosiasi 0-1
Wilk’s lambda Wilks' Lambda
Test of Function(s)
Wilks' Lambda Chi-square df Sig.
1 .763 19.321 3 .000
Dari output diatas, didapatkan nilai sig=0,000 < α=0,05 yang menunjukkan ada perbedaan yang jelas
antara 2 group
Structure matrix Pooled within-groups correlations between discriminating variables and standardized
canonical discriminant functions
Variables ordered by absolute size of correlation within function.
a. This variable not used in the analysis.
Output diatas menjelaskan korelasi antara variabel independen dengan fungsi
diskriminan yang terbentuk. Terlihat variabel income paling erat hubungannya
dengan fungsi distriminant, diikuti variabel usia, berat dan sterusnya. Hanya saja
variabel usia dan olahraga tidak dimasukkan ke dalam model discriminant.
Canonical discriminant function coefficients Canonical Discriminant Function
Coefficients
Function
1
berat .064
tinggi -.093
income .006
(Constant) 7.884
Unstandardized coefficients
Dari output diatas, didapatkan fungsi diskriminan sebagai berikut
incometinggiberatZscore 006,0093,0064,0884,7
Function at group centroids Functions at Group Centroids
minum
Function
1
sedikit .542
banyak -.557
Unstandardized canonical discriminant functions evaluated at group means
Prior Probabilities for Groups
minum Prior
Cases Used in Analysis
Unweighted Weighted
sedikit .500 38 38.000
banyak .500 37 37.000
Total 1.000 75 75.000
Structure Matrix
Function
1
income .618
usiaa .521
berat .478
olahragaa .475
tinggi -.430
Classification Resultsb,c
27 11 38
13 24 37
71,1 28,9 100,0
35,1 64,9 100,0
27 11 38
13 24 37
71,1 28,9 100,0
35,1 64,9 100,0
minumsedikit
banyak
sedikit
banyak
sedikit
banyak
sedikit
banyak
Count
%
Count
%
Original
Cross-validated a
sedikit banyak
Predicted GroupMembership
Total
Cross validation is done only for those cases in the analysis. Incross validation, each case is classified by the functions derivedfrom all cases other than that case.
a.
68,0% of original grouped cases correctly classified.b.
68,0% of cross-validated grouped cases correctly classified.c.
Kedua output diatas, digunakan untuk mencari nilai Zcritical unstandardized
BA
ABBAcu
NN
ZNZNZ
Keterangan :
A = “sedikit”
B =”banyak”
01483,03738
)542,0(37)557,0(38
cuZ
ZB Zcu ZA
-0,557 -0,01483 0,542
incometinggiberatZ score 006,0093,0064,0884,7
Penggunaan Zcu, jika :
o Nilai Zscore > Zcu masuk group “sedikit”
o Nilai Zscore < Zcu masuk group “banyak”
Untuk lebih jelasnya data terdapat dalam data view, dis_1 menunjukkan responden tersebut masuk
dalam group mana. Sedangkan dis1_1 adalah nilai dari Zscore dari responden tersebut.
Analisis diskriminan dua faktor
Langkah2 di spss:
Buka file LDA 3 faktor .sav
Langkah pertama: checking variabel terlebih dahulu sama seperti LDA 2
Langkah berikutnya analisis diskriminan.
Analyze>classify>diskriminant
Masukkan variabel minum ke bagian grouping variabel>>>>>>dikarenakan variabel minum
dinyatakan variabel dependen yang berupa kategori
Pada define range untuk variabel minum ditulis 0 pada minimum dan 2 pada maximum (sesuai
kategori dalam data variabel tersebut)
Masukan semua variabel kecuali variabel minum dan nama ke dalam variabel independent
Entered Statistic Between Groups Statistic df1 df2 Sig.
1 usia .093 sedang and banyak 1.083 1 72.000 .302
2 berat .162 sedang and banyak .929 2 71.000 .400
At each step, the variable that maximizes the Mahalanobis distance between the two closest groups is entered.
a. Maximum number of steps is 12.
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.
Karena proses stepwise(bertahap) maka akan dimulai dg variabel yg mempunyai angka F yang terbesar.
Tahap pemasukkan variabel independent:
Tahap pertama, angka F hitung variabel income adalah yang terbesar mencapai 1,083, maka pada tahap
pertama ini variabel income dipilih, Dst
Jika dilihat sig, maka ketiga variabel mempunyai sig < 0,05..dengan demikian kedua variabel tersebut
mempengaruhi variabel minum.
Wilk’s lambda Wilks' Lambda
Step Number of Variables Lambda df1 df2 df3
Exact F
Statistic df1 df2 Sig.
1 1 .904 1 2 72 3.821 2 72.000 .026
2 2 .789 2 2 72 4.456 4 142.000 .002
Step1 ke Step 2 Wiks’Lambda makin kecil itu lebih bagus
Perinsipnya disini adalah varians total dalam discriminant scores yang tidak bisa dijelaskan oleh
perbedaan diantara grup-grup yang ada.
Jika dilihat sig pada F test terlihat ketiga variabel signifikan terhadap variabel minum, itu menandakan
bahwa ketiga variabel tersebut memang berbeda untuk kedua tipe konsumen.
Pairwise group comparisons
Digunakan u/ melihat sejauh mana
perbedaan antar group
Group mana yg bedanya jauh, mana yg
bedanya dekat.
Yg paling jauh =grup sedikit dan banyak (liat
nile F)
Yg paling deket = grup sedang dan banyak
(liat nile F)
8,697 = Maksudnya konsumen di grup
sedikit berbeda jauh profilnya (usia&beratnya) dari
grup yg banyak
0,929 = Maksudnya konsumen di grup
sedang berbeda sangat kecil (sedikit) profilnya
(usia&beratnya) dari grup yg banyak
Pairwise Group Comparisonsa,b
Step minum sedikit sedang banyak
1 sedikit F 3.041 7.306
Sig. .085 .009
sedang F 3.041 1.083
Sig. .085 .302
banyak F 7.306 1.083
Sig. .009 .302
2 sedikit F 4.441 8.697
Sig. .015 .000
sedang F 4.441 .929
Sig. .015 .400
banyak F 8.697 .929
Sig. .000 .400
a. 1, 72 degrees of freedom for step 1.
b. 2, 71 degrees of freedom for step 2.
Summary of canonical discriminant function Eigenvalues
Function Eigenvalue % of Variance Cumulative % Canonical Correlation
1 .266a 99.7 99.7 .458
2 .001a .3 100.0 .030
a. First 2 canonical discriminant functions were used in the analysis.
Nile Canonical Correlation sudah cukup tinggi jika nilainya >0,4 yg lemah gpp,
.458 = maksudnya keeratannya cukup tinggi .030 = maksudnya keeratannya cukup rendah
cuz interpretasinya harus pake fungsi 2-2nya, maksudnya walaupun lemah tetap dipakai karena kita
menggunakan 2 variabel dan 2 variabel tersebut itu ada di step 2.
Wilk’s lambda =:= Bagusnya ada perbedaan karena kita ingin melihat perbedaan Wilks' Lambda
Test of Function(s) Wilks' Lambda Chi-square df Sig.
1 through 2 .789 16.908 4 .002
2 .999 .065 1 .799
1 through 2
H0 : tidak ada perbedaan rata2 (centroid/PUSAT) dari kedua fungsi diskriminan (ada
fungsi 1 dan fungsi 2).
H1 : ada perbedaan rata2 (centroid) dari kedua fungsi diskriminan.
,002 < 0.05, H0 ditolak
2 Fungsi yang ke-2 itu dari grup sedang dan banyak
H0 : tidak ada perbedaan rata2 (centroid) dari fungsi diskriminan 2 ( grup. Sedang-
banyak)
H1 : ada perbedaan rata2 (centroid) dari fungsi diskriminan 2 ( grup. Sedang-banyak).
,799 > 0.05, H0 diterima
Structure matrix
Menerangkan nile korelasi antara var. yg terbentuk
Yg ada tanda a, ga sig
Usia masuk ke fungsi dikriminan yg ke-2 karena nilai korelasi di
fungsi 2 > di fungsi 1
Usia masuk ke fungsi dikriminan yg ke-1 karena nilai korelasi di
fungsi 2 < di fungsi 1
Canonical discriminant function coefficients = pembuatan
fungsi diskriminan
Didapat fungsi
diskriminan
Zscore1 = -7,169 + ,079 berat
+,093 usia
Zscore2 = -,516 -,064berat +
,129 usia
Function at group centroids= pusatnyaFunctions at Group Centroids
minum
Function
1 2
sedikit .622 (pusatnya) -.012
sedang -.194 .039
banyak -.590 -.032
Unstandardized canonical discriminant functions evaluated at group means
Structure Matrix
Function
1 2
berat .812* -.583
tinggia .192
* -.102
jamkerjaa .054* -.043
usia .630 .776*
incomea .446 .663
*
olahragaa .199 .492*
Pooled within-groups correlations between discriminating variables and standardized canonical discriminant functions Variables ordered by absolute size of correlation within function.
*. Largest absolute correlation between each variable and any discriminant function
a. This variable not used in the analysis.
Canonical Discriminant Function Coefficients
Function
1 2
usia .093 .129
berat .079 -.064
(Constant) -7.169 -.516
Unstandardized coefficients
Prior Probabilities for Groups
minum Prior
Cases Used in Analysis
Unweighted
(orang) Weighted
sedikit .333 28 28.000
sedang .333 26 26.000
banyak .333 21 21.000
Total 1.000 75 75.000
Untuk menentukan var. mana aj yg masuk ke grup mana
Zscore1 = -7,169 + ,079 berat +,093 usia (sumbu x)
Zscore2 = -,516 -,064berat + ,129 usia (sumbu y)
Misal: Rusdi (SEDIKIT)
Zscore1 = -7,169 + ,079 berat +,093 usia = -7,169 + ,079 (60) +,093 (40) (sumbu x) = 1,686 (liat di Dist. 1_1)
Zscore2 = -,516 -,064berat + ,129 usia = -,516 -,064(60) + ,129 (40) = 0,480 (liat di Dist. 1_2)
Classification Resultsb,c
minum
Predicted Group Membership
Total sedikit sedang banyak
Original Count sedikit 19 4 5 28
sedang 7 9 10 26
banyak 4 4 13 21
% sedikit 67.9 14.3 17.9 100.0
sedang 26.9 34.6 38.5 100.0
banyak 19.0 19.0 61.9 100.0
Cross-validateda Count sedikit 18 4 6 28
sedang 8 6 12 26
banyak 4 4 13 21
% sedikit 64.3 14.3 21.4 100.0
sedang 30.8 23.1 46.2 100.0
banyak 19.0 19.0 61.9 100.0
a. 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.
b. 54,7% of original grouped cases correctly classified.
c. 49,3% of cross-validated grouped cases correctly classified.
diprediksi dengan benar dr 75 responden sebanyak 54,7%