hipotesis
DESCRIPTION
tentang pengujian hipotesisTRANSCRIPT
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.