Hipotesisi :

H0 : Σ1=Σ2=Σ3 ( Matriks covariance ke-tiga kelompok sama ).

H1 : Sedikitnya ada kedua kelompok matrik covariance yang berbeda

α : 5 %

Test Results

Box's M 17.067

F Approx. 1.189

df1 12

df2 3532.846

Sig. .284

Tests null hypothesis of equal

population covariance matrices.

Hasil uji Box’s M menunjukkan bahwa nilai F sebesar 1.189 dan signifikan pada 0,284 dan

probabilitas ini di atas 0,05, maka dapat disimpulkan bahwa matrik covariance antar group

sama dan dalam hal ini tidak menyalahi asumsi diskriminan.

Canonical Discriminant Function Coefficients

Function

1 2

KemudahanPemesananTiket -.711 1.151

KenyamananTempatDuduk .848 .419

KetepatanJadwalBerangkatdanS

ampai

1.567 .199

(Constant) -8.872 -9.637

Unstandardized coefficients

Persamaan estimasi fungsi diskriminan unstandardized dapat membuat persamaan fungsi

diskriminan sebagai berikut:

Z1 = -8.872 – 0.711 X2 + 0,848 X6 + 1.567 X9

Z2 = -9.637 + 1.151X2 +0 .419X6 + 0.199X9

Fungsi 1 memiliki koefisien yang relatif besar pada variabel X9 ( Ketepatan jadwal sampai

dan berangkat ). Artinyam koefisien X9 yang paling berperan dalam melakukan diskriminan

melalui fungsi 1.

Fungsi 2 memiliki koefisien yang relatif besar pada variabel X2 ( Kemudahan pemesanan

tiket ). Artinyam koefisien X2 yang paling berperan dalam melakukan diskriminan melalui

fungsi 1.

Functions at Group Centroids

Maskapai

Function

1 2

Garuda Indonesia .045 1.279

Merpati 1.868 -.662

Lion Air -1.914 -.616

Unstandardized canonical discriminant functions

evaluated at group means

Data diatas menjelaskan rata-rata skor setiap grup, baik berdasarkan fungsi 1 maunpun fungsi

2. Centroid grup diperlihatkan dalam territorial group. Berbeda dengan analisis 2 grup, pada

model tiga grup atau lebih nilai dari group centroid tidak dapat dipakai sebagai kriteria untuk

memprediksi keaanggotaan setiap objek.

NoActual Group

Predicted Group

1 1 2**

2 1 1

3 1 1

4 1 3**

5 1 2**

6 1 17 1 18 1 19 1 110 1 111 2 212 2 2

13 2 2

14 2 215 2 216 2 217 2 218 2 219 2 220 2 2

21 3 1**

22 3 3

23 3 324 3 325 3 326 3 327 3 328 3 329 3 330 3 3

Berdasarkan tabel diatas, dari 10 individu grup 1, yang masuk area grup 2 ada 2 dan yang

masuk grup 3 ada 1. Sehingga, nilai yang diprediksi tepat ada 7 individu (70 %). Kemudian,

dari 10 individu grup 2 tidak ada yang masuk grup lain, sehingga nilai yang diprediksi tepat

ada 10 individu ( 100 % ). Terakhir, dari 10 individu yang berada di grup 3, yang masuk area

grup 1 ada 1. Sehingga, nilai yang diprediksi tepat ada 9 individu ( 90 % ).

Akhirnya, dari 30 total sampel, 26 yang diprediksi secara tepat keanggotaannya. Artinya, hit

ratio adalah 86,7 % . Setelah menghitung nilai hit ratio, maka menghitung proportional

chance criterion untuk melihat apakah kedua fungsi akurat dalam melakukan tugasnya.

CPRO = (7/30)2 + (10/30)2 + ( 9/30)2 = 25,56 %.

Kesimpulan :

Karena hit ratio jauh di atas nilai CPRO, kedua fungsi diskriminan diatas telah melakukan tugas

pengelompokan dengan akurat.

Casewise Statistics

Case

Number Actual Group

Highest Group Second Highest Group Discriminant Scores

Predicted Group

P(D>d | G=g)

P(G=g | D=d)

Squared

Mahalanobis

Distance to

Centroid Group P(G=g | D=d)

Squared

Mahalanobis

Distance to

Centroid Function 1 Function 2p df

Original 1 1 2** .113 2 .539 4.361 1 .461 4.670 2.203 1.399

2 1 1 .581 2 .982 1.085 2 .016 9.302 .644 2.131

3 1 1 .187 2 .645 3.355 3 .354 4.554 -1.771 1.513

4 1 3** .290 2 .599 2.476 1 .225 4.435 -.350 -.790

5 1 2** .375 2 .569 1.961 1 .351 2.927 .499 -.371

6 1 1 .559 2 .993 1.163 3 .004 12.182 -.075 2.351

7 1 1 .581 2 .982 1.085 2 .016 9.302 .644 2.131

8 1 1 .505 2 .954 1.365 3 .045 7.474 -.923 1.932

9 1 1 .505 2 .954 1.365 3 .045 7.474 -.923 1.932

10 1 1 .695 2 .764 .728 2 .206 3.349 .507 .561

11 2 2 .807 2 .895 .428 1 .097 4.868 1.218 -.590

12 2 2 .807 2 .895 .428 1 .097 4.868 1.218 -.590

13 2 2 .375 2 .569 1.961 1 .351 2.927 .499 -.371

14 2 2 .869 2 .950 .280 1 .050 6.186 2.066 -.171

15 2 2 .807 2 .895 .428 1 .097 4.868 1.218 -.590

16 2 2 .532 2 .998 1.262 1 .002 14.229 2.777 -1.323

17 2 2 .869 2 .950 .280 1 .050 6.186 2.066 -.171

18 2 2 .869 2 .950 .280 1 .050 6.186 2.066 -.171

19 2 2 .532 2 .998 1.262 1 .002 14.229 2.777 -1.323

20 2 2 .532 2 .998 1.262 1 .002 14.229 2.777 -1.323

21 3 1** .505 2 .954 1.365 3 .045 7.474 -.923 1.932

22 3 3 .431 2 .542 1.684 1 .448 2.064 -1.060 .362

23 3 3 .572 2 .974 1.116 1 .026 8.393 -2.628 .162

24 3 3 .277 2 .998 2.570 1 .002 14.757 -3.476 -.257

25 3 3 .290 2 .599 2.476 1 .225 4.435 -.350 -.790

26 3 3 .649 2 .958 .863 1 .031 7.732 -1.198 -1.209

27 3 3 .933 2 .987 .139 1 .012 8.994 -1.917 -.989

28 3 3 .247 2 1.000 2.795 1 .000 18.547 -3.484 -1.189

29 3 3 .150 2 .999 3.795 2 .001 18.981 -2.054 -2.559

30 3 3 .595 2 .997 1.040 1 .003 12.819 -2.046 -1.627

Cross-

validateda

1 1 2** .174 3 .828 4.967 1 .172 8.112

2 1 1 .539 3 .977 2.165 2 .022 9.762

3 1 3** .159 3 .591 5.180 1 .409 5.914

4 1 3** .496 3 .700 2.388 2 .208 4.814

5 1 2** .365 3 .733 3.176 1 .166 6.144

6 1 1 .228 3 .991 4.332 3 .005 14.785

7 1 1 .539 3 .977 2.165 2 .022 9.762

8 1 1 .612 3 .938 1.815 3 .061 7.291

9 1 1 .612 3 .938 1.815 3 .061 7.291

10 1 1 .265 3 .640 3.966 2 .317 5.371

11 2 2 .590 3 .861 1.918 1 .128 5.734

12 2 2 .590 3 .861 1.918 1 .128 5.734

13 2 1** .250 3 .492 4.106 2 .398 4.532

14 2 2 .950 3 .943 .351 1 .057 5.971

15 2 2 .590 3 .861 1.918 1 .128 5.734

16 2 2 .575 3 .998 1.988 1 .002 14.852

17 2 2 .950 3 .943 .351 1 .057 5.971

18 2 2 .950 3 .943 .351 1 .057 5.971

19 2 2 .575 3 .998 1.988 1 .002 14.852

20 2 2 .575 3 .998 1.988 1 .002 14.852

21 3 1** .701 3 .996 1.418 3 .003 13.010

22 3 1** .515 3 .509 2.288 3 .478 2.415

23 3 3 .596 3 .965 1.889 1 .035 8.528

24 3 3 .278 3 .997 3.849 1 .003 15.718

25 3 3 .351 3 .506 3.278 1 .308 4.274

26 3 3 .419 3 .935 2.824 1 .046 8.853

27 3 3 .666 3 .984 1.572 1 .015 9.897

28 3 3 .007 3 1.000 12.224 1 .000 29.438

29 3 3 .135 3 .999 5.554 2 .001 19.295

30 3 3 .018 3 .995 10.061 1 .004 21.204

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 case

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.