Top Banner
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
18

Ringkasan Praktikum

Jun 29, 2015

Download

Documents

febtiana
Welcome message from author
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
Page 1: Ringkasan Praktikum

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: H0 : data berdistribusi normal vs H1 : 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

Page 2: Ringkasan Praktikum

d. Menghitung Chi-Square

Transform > Compute > chi_square = IDF.CHISQ (prob_value, banyak variabel independen di

Mahalanobis-1)

untuk kasus ini chi_square = IDF.CHISQ (prob_value, 5)

e. Membuat Scatter Plot

Graphs >Legacy Dialogs > Scatter/Dot > Simple Scatter > Define

Y Axis = chi_square

X Axis = MAH_1

f. Inferensi

Analyze > Correlate > Bivariate

Variabels : chi_square

MAH_1

Uji Hipotesis: H0 : data berdistribusi normal secara multivariat

H1 : data tidak berdistribusi normal secara multivariat

Tingkat signifikansi: = 0.05 n = 59

59 − 55

60 − 55=

(����� ������ ����� � = 59) − (����� ������ ����� � = 55)

(����� ������ ����� � = 60) − (����� ������ ����� � = 55)

4

5=

(����� ������ ����� � = 59) − 0.9787

0.9801 − 0.9787=

(����� ������ ����� � = 59) − 0.9787

0.0014

(����� ������ ����� � = 59) =0.0014 × 4

5+ 0,9787 = 0.97982

Uji Validitas Validitas berasal dari kata validity yang mempunyai arti sejauhmana ketepatan dan kecermatan suatu

alat ukur dalam melakukan fungsi ukurnya. Valid tidaknya suatu alat ukur tergantung pada mampu

tidaknya alat ukur tersebut mencapai tujuan pengukuran yang dikehendaki dengan tepat. Caranya:

Analyze > Scale > Reliability Analysis

Items: 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

Statistics: Item Scale Scale if Item Deleted

OK

Uji Hipotesis:

H0: ρterkoreksi ≤ 0 (skor variabel berkorelasi positif dengan skor faktor)

H1: ρterkoreksi > 0 (skor variabel tidak berkorelasi positif dengan skor faktor)

Statistik Uji: nilai r untuk tiap item dapat dilihat pada kolom Corrected Item-Total

Correlation

Daerah kritik: H0 tidak ditolak jika r hasil positif, serta r hasil > r tabel, sehingga variabel

tersebut dikatakan valid.

Uji Reliabilitas Uji reliabilitas adalah pengujian kehandalan alat ukur untuk mengetahui sejauh mana suatu pengukuran

dapat memberikan hasil yang sama bila dilakukan pengukuran kembali pada subyek yang sama, selama

aspek yang diukur dalam diri responden tidak mengalami perubahan.

Uji Hipotesis:

H0: skor variabel berkorelasi positif dengan komposit faktornya

Page 3: Ringkasan Praktikum

H1: skor variabel tidak berkorelasi positif dengan komposit faktornya

Statistik Uji: Cronbach’s alpha = 0.677

Daerah kritik: H0 tidak ditolak jika Cronbach’s alpha > 0.60, sehingga variabel tersebut

dikatakan reliabel.

Analisis Faktor Analyze > Data Reduction > Faktor

Variabels: Penghargaan_atas_prestasi_kerja

Tunjangan_diterima_di_luar_gaji

Rotasi_jabatan_lain

Kondisi_kerja_yang_kondusif

Dukungan_dari_rekan_kerja

Kenaikan_pangkat_jabatan

Descriptive: Initial Solution Anti Image

KMO and Barlett’s test of sphericity

Extraction: Unrotated faktor solution Scree Plot

Rotation: Varimax Rotated Solution Loading Plot(s)

Scores: Save as variabels Display faktor score coefficient matrix

a. KMO and Barlett’s test

Dalam pemilihan variabel analisis perlu memperhatikan apakah matriks korelasi adalah matriks

identitas atau bukan, karena matriks identitas tidak dapat digunakan untuk analisis berikut. Untuk

menguji kesesuaian pemakaian analisis faktor digunakan Metode Kaiser-Meyer-Olkin (KMO)

Uji 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 = 0.640 Sig = 0.000

Daerah kritik: H0 ditolak jika Sign <

Kesimpulan: Karena Sign (0.000) < (0.05) maka H0 ditolak yang berarti bahwa sampel

sudah memadai untuk analisis lebih lanjut atau 64.0 % variansi dapat dijelaskan oleh faktor

tersebut.

b. Measure of Sampling Adequency (MSA)

Untuk mengetahui apakah proses pengambilan sampel telah memadai atau tidak, digunakan

pengukuran Measure of Sampling Adequacy (MSA). Harga MSA yang rendah merupakan

pertimbangan untuk membuang variabel tersebut pada tahap analisis selanjutnya. Harga Measure of

Sampling Adequacy (MSA) berkisar antara 0 sampai 1, dengan kriteria :

MSA = 1 , artinya variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel lain

MSA > 0.5 artinya variabel masih bisa diprediksi dan dianalisis lebih lanjut

MSA < 0.5 artinya variabel tidak bisa diprediksi dan tidak dapat dianalisis lebih lanjut, atau

dikeluarkan dari variabel lainnya.

Semua MSA > 0.5 yang berarti variabel-variabel tersebut masih bisa diprediksi dan dianalisis

lebih lanjut.

c. Communalitas

Variansi Penghargaan_atas_prestasi_kerja = 0.620, artinya 62.0 % variansi dari variansi

Penghargaan_atas_prestasi_kerja dapat dijelaskan oleh faktor yang akan dibentuk.....

d. Total Variance Explained

Page 4: Ringkasan Praktikum

Rotated Component Matrixa

.731 .291

.162 .848

-.009 .842

.838 .141

.659 -.118

.409 .369

Penghargaan_atas_prestasi_kerja

Tunjangan_diterima_di_luar_gaji

Rotasi_jabatan_lain

Kondisi_kerja_yang_kondusif

Dukungan_dari_rekan_

kerja

Kenaikan_pangkat_jabatan

1 2

Component

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.

Rotation converged in 3 iterations.a.

Ada 6 variabel yang dimasukkan dalam analisis faktor. Dengan masing-masing variabel yang

mempunyai variansi 1 maka total variansi = 6 x 1 = 6. Kemudian dari 6 variabel tersebut diringkas

menjadi 2 faktor dengan masing-masing variansi yang dapat dijelaskan sebagai berikut:

�������� ������ 1 =����� ���������� �� ������� ��������

7× 100%

=�.���

�× 100% = 38.608%

�������� ������ 2 =����� ���������� �� ������� ��������

7× 100%

=�.���

�× 100% = 20.537%

Total kedua faktor tersebut akan dapat menjelaskan 59.145% dari variabilitas 6 variabel. Dari tabel di

atas dapat dilihat hanya ada dua faktor yang terbentuk karena nilai eigen kedua variabel tersebut masih

di atas satu. Hal tersebut dapat dilihat juga pada Scree Plot.

e. Scree Plot

Ada 2 nilai eigen >1 yang berarti jumlah faktor yang akan dibentuk ada 2 faktor.

f. Componen Matrix

Tabel Component Matrix menjelaskan distribusi 6 variabel pada dua faktor yang ada. Sedangkan

angka pada tabel adalah faktor loading atau besar korelasi antara suatu variabel dengan faktor 1 dan 2.

Karena masih ada variabel yang tidak memiliki perbedaan yang nyata (Variabel

Dukungan_dari_rekan_kerja) dengan beberapa faktor lainnya, yaitu dengan nilai loading atau besar

korelasi kurang dari 0,55 maka variabel tersebut tidak dapat dimasukkan ke salah satu variabel dengan

melihat besar korelasinya. Karena itu perlu dilakukan rotasi faktor untuk memperjelas kedudukan

variabel tersebut.

g. Rotated Componen Matrix

Component Matrix hasil dari proses rotasi

(Rotated Component Matrix) memperlihatkan distribusi

variabel yang lebih jelas dan nyata dibandingkan

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

Page 5: Ringkasan Praktikum

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)

Iteration Change in Cluster Centers

1 2 3

1 5,936 4,420 5,513 2 ,737 ,468 ,207 3 ,394 ,173 ,091 4 ,297 ,132 ,097 5 ,280 ,110 ,106 6 ,224 ,070 ,090 7 ,204 ,000 ,088 8 ,094 ,000 ,043 9 ,073 ,084 ,056 10 ,049 ,000 ,024

Page 6: Ringkasan Praktikum

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

Page 7: Ringkasan Praktikum

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

responden. Number of Cases in each Cluster

Cluster 1 42 responden 2 51 responden 3 88 responden Valid 181,000 Missing ,000

Untuk melihat responden masuk dalam cluster mana, dapat dilihat pada data view spss kolom

qcl_1 ATAU pada Cluster Membership dapat juga dilihat dari crostabulation antara responden dan

qcl_1 . Berikut tabel ringkasan dari output kolom qcl_1 :

Dengan analyze>deskrptive>crosstab

Row: responden Coloumn: qcl_1 Cell>persentage>row

Pada output ini terlihat bahwa responden 1,10,11,12, 17 dst masuk dalam cluster 1. Dengan kata

lain pembagian cluster sesuai responden.

Analisis cluster hierarchical Pelajaran terakhir sampai dengan K-mean cluster, dimana disitu dimulai dengan penentuan jml cluster terlebih

dahulu. Sedangkan yang kita pelajari pada hari ini, dimana dimualai menggabungkan dua objek yang paling

mirip, kemudian gabungan dua objek tersebut bergabung lg dengan satu atau lbh obyek yang paling mirip

lainnya.

Langkah2 di spss:

Buka file hierarki.sav

Analyze>classify>hierarchical cluster

Variables: semua variabel

Label cases by: susu (variabel yang ingin dicluster)

Statistic: aglomeration, range of solution (ketik 2 from serta 4 untuk through)

Plots: dendogram

Icicle: none

Method: cluster method>between group linkage, measure>>>squared eclideon distance,

transform value>>>>none (untuk data yang tidak bervariasi, shg tdk perlu

ditransformasikan)///zscore(untuk data yang bervariasi, sehingga perlu

ditransformasikan),

Tambahan aja::::: Untuk standarisasi data pada k-mean cluster dengan:

analyze>descriptive>masukkan data kecuali data yang kategori>aktifkan save standardized values as

variables

Output yang ditampilin

Proximity matrix

Menyatakan ringkasan data, dari semua data (18 objek) telah diproses tanpa ada data yang hilang.

Pada kolom Euclidean distance , menunjukkan jarak anatara 2 variabel. Berikut beberapa contoh

interpretasi dari output proximities:

Jarak antara susu 1(oat quaker) dengan susu 2(nestle carnation) sebesar 15,758. Sedangkan

jarak antara susu 1(oat quaker) dengan susu 3(Ligo), hanyalah 0,608. Ini berarti susu 1 lebih

mirip karakteristiknya dengan susu 3, tetapi berbeda jauh dengan susu 2.

Page 8: Ringkasan Praktikum

Proximity Matrix

Case Squared Euclidean Distance

1:OAT

Quaker

2:Nestle

Carnation

3:LIGO Haverm

out 4:Ovalti

ne 5:Mil

o

6:Dancow

balita

7:Frisian

Flag Instan

8:Frisian

Flag Full Cr

9:Frisian

Flag Coklat

10:Frisian Flag Madu

11:Dancow

Coklat

12:Dancow Full Cream

13:Indomilk Full Cream

14:Indomilk

Coklat

15:Prosteo

rendah lemak

16:Anlene

Kalsium

Tingg 17:Tropicana Slim

18:Protifar

1:OAT Quaker

,000 15,758 ,608 1,464 2,85

7 4,860 7,889 8,140 2,059 4,279 18,954 8,068 8,339 4,014 10,062 4,919 ,593 10,895

2:Nestle Carnation

15,758

,000 21,134 26,051 22,6

05 21,996

24,321

24,699

26,130

22,993 41,554 24,570 24,356 25,265 20,705 14,707 12,320 14,616

3:LIGO Havermout

,608 21,134 ,000 ,638 3,99

2 7,445

11,188

11,457

2,196 6,411 20,644 11,387 11,770 5,442 13,835 7,984 2,077 16,005

4:Ovaltine

1,464 26,051 ,638 ,000 2,35

9 6,419 9,729

10,123

,809 4,875 19,125 9,851 10,523 3,440 11,621 7,107 2,949 15,371

5:Milo 2,857 22,605 3,992 2,359 ,000 2,666 4,305 4,874 ,735 1,201 16,293 4,297 5,174 ,376 3,682 1,925 2,675 7,017 6:Dancow balita

4,860 21,996 7,445 6,419 2,66

6 ,000 ,383 ,445 3,142 ,352 13,953 ,426 ,519 1,440 4,808 3,335 4,509 4,578

7:Frisian Flag Instan

7,889 24,321 11,188 9,729 4,30

5 ,383 ,000 ,036 5,347 ,989 14,697 ,003 ,060 2,496 4,619 4,203 7,080 3,946

8:Frisian Flag Full Cr

8,140 24,699 11,457 10,123 4,87

4 ,445 ,036 ,000 5,717 1,251 14,549 ,053 ,008 2,927 5,436 4,867 7,457 4,420

9:Frisian Flag Coklat

2,059 26,130 2,196 ,809 ,735 3,142 5,347 5,717 ,000 1,892 15,813 5,403 6,062 ,974 7,441 4,545 2,964 10,811

10:Frisian Flag Madu

4,279 22,993 6,411 4,875 1,20

1 ,352 ,989 1,251 1,892 ,000 14,477 ,995 1,412 ,388 3,494 2,315 3,891 4,722

11:Dancow Coklat

18,954

41,554 20,644 19,125 16,2

93 13,953

14,697

14,549

15,813

14,477 ,000 14,724 14,843 15,076 23,062 21,464 22,440 26,222

12:Dancow Full Cream

8,068 24,570 11,387 9,851 4,29

7 ,426 ,003 ,053 5,403 ,995 14,724 ,000 ,082 2,476 4,480 4,174 7,225 3,899

13:Indomilk Full Cream

8,339 24,356 11,770 10,523 5,17

4 ,519 ,060 ,008 6,062 1,412 14,843 ,082 ,000 3,193 5,557 4,973 7,583 4,299

14:Indomilk Coklat

4,014 25,265 5,442 3,440 ,376 1,440 2,496 2,927 ,974 ,388 15,076 2,476 3,193 ,000 3,556 2,409 3,875 6,382

15:Prosteo rendah lemak

10,062

20,705 13,835 11,621 3,68

2 4,808 4,619 5,436 7,441 3,494 23,062 4,480 5,557 3,556 ,000 1,075 7,250 1,932

16:Anlene Kalsium Tingg

4,919 14,707 7,984 7,107 1,92

5 3,335 4,203 4,867 4,545 2,315 21,464 4,174 4,973 2,409 1,075 ,000 2,814 2,129

17:Tropicana Slim

,593 12,320 2,077 2,949 2,67

5 4,509 7,080 7,457 2,964 3,891 22,440 7,225 7,583 3,875 7,250 2,814 ,000 7,381

18:Protifar

10,895

14,616 16,005 15,371 7,01

7 4,578 3,946 4,420

10,811

4,722 26,222 3,899 4,299 6,382 1,932 2,129 7,381 ,000

This is a dissimilarity matrix

Page 9: Ringkasan Praktikum

Agglomeration schedule

Aglgomerasi akan melakukan pengelompokkan satu per satu. Pada stage 1, objek (susu) nomor

7 dan nomor 12 adalah yang paling mirip, maka mereka menjadi satu kelompok terlebih dahulu.

Kemudian lihat kolom next stage terlihat stage 3 yang berarti proses dilanjutkan ke stage 3. Pada

stage 3, terdapat objek nomor 7 dan nomor 8, hal ini berarti objek nomor 8 masuk pada

kelompok pertama yang sudah terbentuk yaitu 7 dan 12. Dengan demikian sekarang terdapat ada

3 anggota yang sudah diketahui clusternya. Begitu juga seterusnya. Agglomeration Schedule

Stage

Cluster Combined Coefficients

Stage Cluster First Appears

Next Stage Cluster 1 Cluster 2 Cluster 1 Cluster 2

1 7 12 ,003 0 0 3 2 8 13 ,008 0 0 3 3 7 8 ,058 1 2 8 4 6 10 ,352 0 0 8 5 5 14 ,376 0 0 9 6 1 17 ,593 0 0 11 7 3 4 ,638 0 0 11 8 6 7 ,803 4 3 14 9 5 9 ,855 5 0 13 10 15 16 1,075 0 0 12 11 1 3 1,775 6 7 13 12 15 18 2,031 10 0 14 13 1 5 3,057 11 9 15 14 6 15 4,340 8 12 15 15 1 6 6,611 13 14 16 16 1 11 17,896 15 0 17 17 1 2 22,575 16 0 0

cluster membership

Terbentuk 2-4 cluster yang anggota dari masing-masing cluster optimum bel output di atas.

Berikut tabel ringkasan dari output diatas: Cluster Membership

Case 4 Clusters 3 Clusters 2 Clusters

1:OAT Quaker 1 1 1 2:Nestle Carnation 2 2 2 3:LIGO Havermout 1 1 1 4:Ovaltine 1 1 1 5:Milo 1 1 1 6:Dancow balita 3 1 1 7:Frisian Flag Instan 3 1 1 8:Frisian Flag Full Cr 3 1 1 9:Frisian Flag Coklat 1 1 1 10:Frisian Flag Madu 3 1 1 11:Dancow Coklat 4 3 1 12:Dancow Full Cream 3 1 1 13:Indomilk Full Cream 3 1 1 14:Indomilk Coklat 1 1 1 15:Prosteo rendah lemak 3 1 1 16:Anlene Kalsium Tingg 3 1 1 17:Tropicana Slim 1 1 1 18:Protifar 3 1 1

Jika terbentuk 4 cluster

Cluster 1 :Susu oat, ligo, ovaltine, milo, frisian flag coklat, indomilk coklat, dan tropicana slim

Cluster 2 :Nestle

Cluster 3 :Dancow balita, Frisian flag instan, Frisian flag full cr, Frisian flag madu, dancow

full cream, indomilk full cream, Prosteo rendah lemak, Anlene Kalsium tinggi, Protifar

Cluster 4 : Dancow Coklat

Jika terbentuk 3 cluster......

Jika terbentuk 2 cluster......

Page 10: Ringkasan Praktikum

Dendogram

Memperlihatkan proses pengklasteran. Dari dendogram terlihat pengklasteran yang mungkin dengan jumlah

2,3, dan 4. Misalkan ingin dibagi menjadi 2 klaster, maka ditarik garis dari angka 20 kemudian terlihat bahwa

cluster 1 terdiri dari surat kabar paling atas yaitu frisian flag instan sampai dancow coklat, sedangkan nestle

terletak pada cluster 2 karena tidak dalam satu garis dengan kelompok cluster 1. Berikut seterusnya cara

membaca dendogram jika ingin melihat dibagi menjadi 3 cluster, maupun 4 cluster.

Diskriminan: 2 faktor atau 3 faktor Sedikit afak Mirip dengan Regresi Logistik Ganda

Tujuan Analisis Ini:

1. Ingin mengetahui apakah ada perbedaan yang jelas antar grup pada variabel dependen

2. Jika ada, variabel independen manakah pada fungsi diskriminan yang membuat perbedaan grup tersebut

3. Membuat Fungsi/Model Diskriminan

4. Melakukan klasifikasi terhadap obyek

Analisis diskriminan dua faktor Langkah2 di spss:

Buka file LDA 2 faktor .sav

Langkah pertama: checking variabel terlebih dahulu

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 1 pada maximum

(sesuai kategori dalam data variabel tersebut)

Page 11: Ringkasan Praktikum

Masukan semua variabel kecuali variabel minum dan nama ke dalam variabel independent

Statistik: univariate ANOVAs dan Box’s M

OUTPUTNYA:

Checking Variable: Tests of Equality of Group Means

Wilks' Lambda F df1 df2 Sig.

usia .945 4.247 1 73 .043

berat .934 5.173 1 73 .026

tinggi .946 4.186 1 73 .044

income .894 8.656 1 73 .004

jamkerja .999 .076 1 73 .783

olahraga .946 4.183 1 73 .044

Ada dua cara dalam mengambil keputusan

Dengan angka wilk’s lambda (U/ MENGUJI RATA-RATA TIAP VARIABEL)

Angka ini hanya berkisar 0-1.....jika angka mendekati 0, mk data tiap grup cenderung berbeda,

sedang jika mendekati 1 data tiap grup cenderung sama.

Terkadang kriteria mendekati 1 sangat sulit ditentukan secara pasti, seperti contoh ini semua

variabel memungkinkan anka wilk’s lambda mendekati 1, tp jika dilihat sig....ternyata hanya 1

variabel saja yang tidak lolos....sehingga lebih mudah melihatnya, dengan menggunakan F test

Dengan F test (PAKE NI AJA)

dilihat dari sig

Apabila sig> α, berarti tidak ada perbedaan antar grup (G LOLOS)

Apabila sig<α, berarti ada perbedaan antar grup

1. Menilai var yg layak dianalisis

Ternyata var jam kerja tdk signifikan sehingga tidak dimasukkan ke dalam analisis selanjutnya

2. Proses diskriminan

Variabel yg digunakan: Usia Berat Tinggi Income olahraga

Box's M U/ MENGUJI VARIANSI DARI SETIAP VARIABEL

ASUMSI DALAM ANALISIS DISKRIMINAN

1. Variansi Variabel Independen u/ tiap Grup seharusnya sama => LOG DETERMINAN

2. Variansi di antara variabel-variabel independen seharusnya sama => BOX’S Test Results

Box's M 28.145

F Approx. 1.222

df1 21

df2 19569.371

Sig. .220

Tests null hypothesis of equal population covariance matrices.

Digunakan untuk uji asumsi matriks kovarians tiap variabel independen.

H0 : group covariance matrice relative sama.

H1 : group covariance matrice berbeda secara nyata.

Karena nilai sig =0,220 > α=0,05 maka H0 tidak ditolak, yang berarti bahwa group covariance matrice

relative sama (homogen). Log Determinants

minum Rank Log Determinant

sedikit 6 14.085

banyak 6 14.258

Pooled within-groups 6 14.556

The ranks and natural logarithms of determinants printed are those of the group covariance matrices.

Page 12: Ringkasan Praktikum

Nilai log determinant yang dihasilkan TIDAK berbeda cukup jauh (RELATIF SAMA), hal ini

berarti bahwa group covariance matrice tidak berbeda secara nyata untuk kedua faktor(“sedikit”

dan “banyak”)

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 1 pada maximum (sesuai

kategori dalam data variabel tersebut)

Masukan semua variabel kecuali variabel minum dan nama ke dalam variabel independent

Use stepwise method

Statistics: descriptive>>>>means, fuction coeficients>>>>>fisher’s dan unstandardized

Method: mahalobis, use probability of F

Classify: casewise result, leave one out classification

Save : prediction membership, discriminant scores

OUTPUT

Variables entered/removed Variables Entered/Removed

a,b,c,d

Step

Wilks' Lambda

Exact F

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

Page 13: Ringkasan Praktikum

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

Page 14: Ringkasan Praktikum

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

Use stepwise method

Page 15: Ringkasan Praktikum

Statistics: descriptive>>>>univariat ANOVAs, fuction coeficients>>>>>unstandardized

Method: mahalobis, criteria>>>use probability of F, display>>>>F for pairwise distances

Classify: display>>>>>>>casewise result, leave one out classification, plot>>>>>teritorial map

Save : prediction membership, discriminant scores

OUTPUT

Variables entered/removed Variables Entered/Removed

a,b,c,d

Step

Min. D Squared

Exact F

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.

Page 16: Ringkasan Praktikum

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

Page 17: Ringkasan Praktikum

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)

Page 18: Ringkasan Praktikum

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%