analisis diskriminan (studi kasus: kabupaten jepara, jawa tengah)

Analisis DiskriminanStudi Kasus: Kabupaten Jepara Jawa Tengah

Disusun untuk Memenuhi Tugas Mata Kuliah Metode Analisis Perencanaan(TKP 342)

Dosen Pengampu:Dr. Sc. Agr. Iwan Rudiarto, S.T.Widjanarko, S.T., M.T.Sri Rahayu, S.Si, M.SiAnang Wahyu Sejati, S.T., M.T.

Disusun oleh:Izzah Khusna21040113140123Kelas A- 2013

JURUSAN PERENCANAAN WILAYAH DAN KOTAFAKULTAS TEKNIK UNIVERSITAS DIPONEGOROSEMARANG20151. PendahuluanSalah satu bentuk pengambilan keputusan dalam merencanakan suatu wilayah adalah dengan mengklasifisikannya menjadi kawasan perkotaan dan perdesaan. Perencanaan kota dan desa merupakan dua elemen yang tidak dapat disamakan karena masing-masing membutuhkan jenis pengambilan keputusan yang berbeda. Perbedaan ini didasari dari kondisi fisik masing-masing wilayah, baik dari segi penduduk, infrastruktur, maupun sarana prasarananya. Sebagai mahasiswa perencaaan wilayah dan kota, klasifikasi kawasan merupakan salah satu bentuk pengaplikasian dalam melakukan proses perencanaan wilayah dan kota, begitu pula halnya dengan yang dilakukan oleh seorang perencana.Klasifikasi kawasan ini bertujuan untuk mencapai tujuan perencanaan yang tepat, yaitu menyelesaikan masalah (deal with complexity) dan mengurangi ketidakpastian (reduce uncertainty) dari apa yang dibutuhkan suatu kawasan perkotaan maupun perdesaan. Oleh karena itulah dibutuhkan suatu alat analisis yang mampu membantu mengambil keputusan dalam menentukan suatu kawasan. Salah satunya adalah analisis diskriminan (Discriminant Analyis) yang dikembangkan oleh Fisher tahun 1936.Dalam mengklasifikasikan suatu wilayah menjadi beberapa kawasan, tentunya diperlukan beberapa variabel pembeda yang valid. Melalui analisis diskriminan inilah kita mencari variabel pembeda tersebut. Tujuan dari analisis diskriminan adalah sebagai berikut: untuk untuk mengklasifikasikan suatu individu atau observasi ke dalam kelompok yang saling bebas (mutually exclusive/disjoint) dan menyeluruh (exhaustive) berdasarkan sejumlah variabel penjelas untuk menentukan kontribusi masing-masing variabel yang terlibat dalam pengklasifikasian sebagai dasar penentuan apakah suatu variabel tertentu perlu dilibatkan dalam analisis pengklasifikasian selanjutnya atau tidak.Contohnya adalah dalam penentuan kawasan perkotaan dan perdesaan terdapat beberapa karakteristik. Untuk mengetahui karakteristik manakah yang paling mempengaruhi penggolongan kawasan tersebut, maka dapat digunakan analisis diskriminan ini.Analisis diskriminan adalah salah satu teknik statistik multivariat yang bisa digunakan pada hubungan dependensi (hubungan antar variabel dimana sudah bisa dibedakan manavariabelrespon dan mana variabel penjelas). Analisis diskriminan merupakan teknik menganalisis data, dimanavariabel dependen merupakandata kategorik atau kualitatif (nominal atau ordinal), sedangkanvariabel independen berupadata kuantitatif (interval atau rasio). Jika dibandingkan denganregresi linier, maka analisis diskriminan merupakan kebalikannya. Berikut merupakan analogi yang dapat dipakai untuk analisis regresi dan diskriminan:Tabel I: Perbedaan Analisis Regresi dan DiskriminanFaktor PembedaRegresiDiskriminan

Variabel Respon/ Dependent VariabelKuantitatif, harus mengikuti distribusi normal dan homoskedastisKualitatif, Fixed

Variabel Penjelas/ Independent VariabelDiasumsikan Fixedharus mengikuti distribusi normal dan homoskedastis

ProsesMenurunkan perkiraan parameter yang telah mempunyai kelengkapan statistikStrategi yang teliti dalam menemukan mean dari pengelompokan

Sumber: Bahan Ajar MAP, 2015Asumsidalam analisis diskriminan yaitu:1. Tidak adanyamultikolinieritasantara variabel independen (Hubungan linear antar variable independen)2. Variabel independen mengikutidistribusi normal.3. Adanyahomogenitas varians antara kelompok data(Matriks varians-covarians variabel penjelas berukuran pxp pada kedua kelompok harus sama).Analisis diskriminan merupakan kombinasi linear dari dua atau lebih variabel bebas yang akan terpisah diantara kelompok utama. Formula umum yang digunakan dalam analisis diskriminan adalah sebagai berikut:

dimana:Y= vektor nilai diskriminan untuk individu (1 x n)b= vektor bobot diskriminan (1 x p)X= matriks yang mengandung nilai-nilai untuk setiap n individu pada p independen variabel. Sedangkan fungsi diskriminan Fisher adalahG-1dimana:b= vektor koefisien pembobot fungsi diskriminanX= vektor variabel acak dalam diskriminan1= vektor nilai rata-rata dari variabel acak kelompok 12= vektor nilai rata-rata dari variabel acak kelompok 2G-1= invers matriks gabunganBerikut merupakan istilah-istilah statistik dalam analisis diskriminan:1. Korelasi kanonis (canonical correlation), mengukur tingkat asosiasi antar skor diskriminan dan grup. Koefisien ini merupakan ukuran hubungan fungsi diskriminan tunggal dengan sejumlah variabel dummy yang menyatakan keanggotaan grup. 2. Centroid, adalah nilai rata-rata skor diskriminan untuk grup tertentu. Banyaknya centroid sama dengan banyaknya grup. Setiap satu centroid mewakili satu grup. Rata-rata untuk sebuah grup berdasarkan semua fungsi disebut group centroids.3. Cutting score, adalah nilai rata-rata centroid yang dapat dipakai sebagai patokan mengelompokkan objek. Misalnya, kalau dalam analisis diskriminan dua grup cutting score adalah 0,15, keanggotaan suatu objek dapat dilihat apakah skor diskriminan objek tersebut di bawah ataukah di atas cutting score.4. Discriminant loadings (disebut juga structure correlations) merupakan korelasi linier sederhana antara setiap variabel independen dengan skor diskriminan untuk setiap fungsi diskriminan. 5. Hit rasio merupakan nilai yang dapat menjawab: Berapa persen objek yang dapat diklasifikasi secara tepat dari jumlah total objek?. Hit rasio merupakan salah satu kriteria untuk menilai kekuatan persamaan diskriminan dalam mengelompokkan objek.6. Matrik klasifikasi (classification matrix), sering juga disebut confusion atau prediction matrix. Matrik klasifikasi berisikan jumlah kasus yang diklasifikasikan secara tepat dan yang diklasifikasikan secara salah (misclassified). Kasus yang diklasifikasi secara tepat muncul dalam diagonal matrik, tempat di mana grup prediksi (predicted group) dan grup sebenarnya (actual group) sama.7. Koefisien fungsi diskriminan (discriminant coefficient function), koefisien fungsi diskriminan (tidak distandardisasi) adalah pengali (multipliers) variabel, di mana variabel adalah dalam nilai asli pengukuran.8. Skor diskriminan (dicriminant score), koefisien yang tidak distandardisasi dikalikan dengan nilai-nilai varibel. 9. Eigenvalue, untuk setiap fungsi diskriminan, eigenvalue adalah rasio antara jumlah kuadrat antar kelompok (sums of square between group) dari jumlah kuadrat dalam kelompok (sums of squares within group). Eigenvalue yang besar menunjukkan fungsi yang semakin baik.10. Nilai F dan signifikansinya, nilai F dihitung melalui ANOVA satu arah, di mana variabel-variabel yang dipakai untuk mengelompokkan (grouping variable) berlaku sebagai variabel independen kategoris (categorical independent variable). Sedangkan setiap prediktor diperlakukan sebagai variabel metrik.11. Rata-rata grup dan standar deviasi grup, rata-rata grup dan standar deviasi grup dihitung untuk setiap grup.12. Pooled with correlation matrix, dihitung dengan mencari rata-rata matrik kovarians tersendiri untuk semua grup.13. Koefisien fungsi diskriminan terstandardisasi merupakan koefisien fungsi diskriminan yang dipakai sebagai pengali (multipliers) pada saat variabel telah distandardisasi dengan menjadikan rata-rata 0 dan standar deviasi 1.14. Korelasi struktur (structur correlations) juga disebut discriminant loadings, merupakan korelasi yang mempresentasikan korelasi sederhana (simple correlation) antara prediktor-prediktor dan fungsi diskriminan.15. Matrik korelasi total (total correlation matrix) diperoleh jika setiap kasus 9 objek penelitian dianggap berasal dari satu sampel (single sampel) dan korelasi dihitung. Dengan begitu, matrik korelasi total dapat diperoleh. 16. Wilks Lambda () adalah rasio antara jumlah kuadrat dalam kelompok (within group sums of squares) dan jumlah kuadrat total (total sums of squares). Nilainya berkisar antara 0 sampai 1. Semakin mendekati 1 menunjukkan bahwa rata-rata grup cenderung tidak berbeda. Sebaliknya nilai Lambda yang kecil (mendekati 0), menunjukkan rata-rata grup berbeda.2. Studi KasusSeperti halnya wilayah yang lain, Kabupaten Jepara memiliki 16 kecamatan yang bisa dibedakan menjadi dua kawasan yang berbeda karena beberapa alasan. Oleh karenanya, untuk mendapatkan perencanaan dan keputusan yang tepat, dibutuhkan bantuan analisis diskriminan pengelompokan kawasan perkotaan dan perdesaan terhadap masing-masing kecamatan yang terdapat di Kabupaten Jepara.Dalam analisis diskriminan, data yang di-input adalah data kategoris dan numerik. Untuk data kategoris yang digunakan adalah jenis data ordinal yang dalam laporan ini diwakili oleh data status kawasan (desa atau kota) dan berperan sebagai variabel dependen. Sedangkan untuk data numeriknya adalah berjenis data rasio, diwakili oleh data kepadatan penduduk, PDRB ADHB, dan berbagai macam data terkait infrastruktur yang sekiranya dapat merepresentasikan suatu wilayah dapat disebut kawasan perkotaan atau perdesaan. Data numerik ini berperan sebagai variabel bebas atau independen. Berikut merupakan variabel data yang diolah dalam analisis diskriminan:

TABEL II: DATA KEPADATAN PENDUDUK, SARANA PENDIDIKAN, KESEHATAN, TENAGA MEDIS, APOTIK, SARANA PERIBADATAN, JUMLAH PELANGANGGAN PLN, PAM, DAN PDRB ADHB DI KABUPATEN JEPARA TAHUN 2013KECAMATANStatusKepadatan Penduduk (jiwa/km)Sarana PendidikanSarana KesehatanJumlah Tenaga MedisApotik/ Toko ObatSarana PeribadatanJumlah Pelanggan PLNJumlah Pelanggan PAMPDRB ADHB (juta rupiah)

KEDUNG217287973495273113963698420180.21

PECANGAAN12266857635329215942464667866.67

KALINYAMATAN12604776337719911853697530542.34

WELAHAN126038184656233150781225684558.38

MAYONG213321149552833315799284641152.38

NALUMSARI21250958047226414194355549975.22

BATEALIT292510690393467145226161058041.78

TAHUNAN128151057433114062123823531909529.72

JEPARA13438101112341925822278150081975929.79

MLONGGO1194610064403293170001739672531.55

PAKIS AJI2959746035229997881843522154.92

BANGSRI111501431235410416174611548852868.48

KEMBANG26231047628128211624204502242.15

KELING248811983583370120220897120

DONOROJO24991025621130676100520359.92

KARIMUNJAWA212723211905000112433.57

TOTAL150812306468447412178053003412517487.08

Sumber: Jepara Dalam Angka 2014, Bappeda dan BPS Kabupaten JeparaKeterangan:1: Perkotaan 2: Perdesaan3. Hasil dan PembahasanBerikut merupakan hasil (output) analisis diskriminan yang didapatkan dari bantuan SPSS 17.0 beserta pembahasan yang akan user lakukan. Tujuan pembahasan adalah untuk mengetahui variabel apa saja yang bisa dan menjelaskan untuk mengkategorikan kecamatan-kecamatan sebagai kawasan perkotaan atau perdesaan yang ada di Kabupaten Jepara.a. Analysis Case Processing SummaryAnalysis Case Processing Summary

Unweighted CasesNPercent

Valid1648.5

ExcludedMissing or out-of-range group codes0.0

At least one missing discriminating variable0.0

Both missing or out-of-range group codes and at least one missing discriminating variable1751.5

Total1751.5

Total33100.0

Tabel diatas menunjukkan bahwa data yang digunakan dapat diproses karena seluruh data diketahui oleh program (tidak ada yang missing/terlewatkan). Jumlah data yang terproses merupakan total keseluruhan kecamatan yang ada di Kabupaten Jepara, yaitu sebanyak 16 kecamatan. Hal ini berarti rangkaian analisis yang dilakukan dapat dikatakan valid 100% karena keseluruhan data berhasil diproses dan terdeteksi oleh program.b. Group StatisticsBerdasarkan tabel Group Statistics menunjukkan bahwa terdapat suatu kelas Kota dan Desa. Diketahui bahwa 7 dari 16 kecamatan berstatus kawasan perkotaan dan sisanya (9 kecamatan) berstatus sebagai kawasan perdesaan. Rata-rata (mean) kepadatan penduduk adalah 2403.1429, yang artinya rata-rata kecamatan perkotaan memiliki kepadatan penduduk sekitar 2403 jiwa penduduk setiap satu kilometer persegi. Begitu pula cara membaca mean pada variabel lainnya.Standar deviasi kepadatan penduduk antar 7 kecamatan perkotaan yang terbentuk cukup besar, yaitu 720.99432, hal ini menandakan data kepadatan penduduk besifat cukup heterogen karena data semakin menyebar dan memiliki kecendurungan setiap data berbeda satu sama lainnya. Standar deviasi terbesar adalah variabel PDRB, diikuti jumlah pelanggan PAM, PLN, dan kepadatan penduduk. Sedangkan standar deviasi terkecil (datanya bersifat homogen) adalah jumlah apotik. Artinya, banyaknya jumlah apotik tidak jauh berbeda di masing-masing kecamatan. Begitu pula cara membaca standar deviasi pada variabel lainnya.StatusMeanStd. DeviationValid N. (listwise)

UnweightedWeighted

KotaKepadatan Penduduk2403.1429720.9943277.000

Jumlah Sarana Pendidikan98.857122.2892277.000

Jumlah Sarana Kesehatan85.142923.4551277.000

Jumlah Tenaga Medis42.571412.2046077.000

Jumlah Apotik8.42865.5933677.000

Jumlah Sarana Peribadatan299.571482.9233777.000

Jumlah Pelanggan PLN17264.28573578.7935077.000

Jumlah Pelanggang PAM3290.57145205.8269677.000

PDRB ADHB 20131.0420E66.22688E577.000

DesaKepadatan Penduduk881.2222500.0554499.000




Jumlah Apotik2.77782.4381299.000




PDRB ADHB 2013580406.68332.71762E599.000

TotalKepadatan Penduduk1547.0625974.325231616.000




Jumlah Apotik5.25004.905781616.000




PDRB ADHB 2013782342.94255.00410E51616.000

c. Test Of Quality OF Group MeansTabel Tests of Equality of Group Means berfungsi untuk mengetahui apakah ada perbedaan antar kelompok atau tidak. Amati nilai Sig dari tiap-tiap variabel yang ada terdapat di tabel bawah ini:Tests of Equality of Group Means

Wilks' LambdaFdf1df2Sig.

Kepadatan Penduduk.36024.941114.000

Jumlah Sarana Pendidikan.974.374114.550

Jumlah Sarana Kesehatan.8961.624114.223

Jumlah Tenaga Medis.976.343114.567

Jumlah Apotik.6527.482114.016

Jumlah Sarana Peribadatan.999.013114.910

Jumlah Pelanggan PLN.6089.019114.009

Jumlah Pelanggang PAM.8761.991114.180

PDRB ADHB 2013.7774.026114.065

KeputusanHipotesisdengan nilai signifikansi:Jika signifikansi > 0,05 maka tidak ada perbedaan dalam kelompokJika signifikansi < 0,05 maka ada perbedaan dalam kelompokMelalui nilai Sig. diatas dapat diketahui bahwa variabel kepadatan penduduk, jumlah apotik, dan jumlah pelanggan PLN bernilai 0,05, yang artinya mereka tidak memiliki perbedaan antar grup. Hal ini mengindikasikan bahwa klasifikasi kawasan perkotaan dan perdesaan bisa diketahui melalui perhitungan variabel kepadatan penduduk, jumlah apotik, dan jumlah pelanggan PLN. Dengan kata lain, kecamatan yang berstatus kawasan perkotaan pasti memiliki masing-masing nilai ketiga variabel yang lebih besar dibanding masing-masing nilai ketiga variabel di kecamatan yang berstatus kawasan perdesaan.Selain melihat nilai Sig., perhatikan pula nilai Wilks Lambda, semakin angka Wilks' Lambda mendekati angka 0 maka cenderung ada perbedaan dalam kelompok. Berdasarkan uutan, variabel yang paling memiliki perbedaan dalam kelompok adalah Kepadatan penduduk, jumlah pelanggan PLN, dan jumlah apotik.d. Log determinantsLog Determinants

StatusRankLog Determinant

Kota113.161

Desa112.429

Pooled within-groups112.809

Berdasarkan tabel diatas menunjukkan bahwa selisih nilai log determinant antara kecamatan berstatus perkotaan dan perdesaan tidak terpaut jauh, yaitu 0,732. Hal ini berarti kedua grup tersebut tidak memilki banyak perbedaan sehingga group covariance matrices akan relatif sama.Variables Entered/Removeda,b,c,d

StepEnteredMin. D Squared

StatisticBetween GroupsExact F

Statisticdf1df2Sig.

1Kepadatan Penduduk6.334Kota and Desa24.941114.000.000

Tabel diatas menyajikan informasi mengenai variabel apa saja yang dapat diproses lanjut kedalam analisis diskriminan. Variabel yang dimasukan merupakan variabel yang memiliki nilai statistic pada F yang tinggi dibanding variabel lain. Melalui perhitungan SPSS didapatkan bahwa variabel kepadatan penduduk merupakan satu-satunya yang bisa diproses lebih lanjut ke dalam analisis diskriminan sebab memiliki nilai statistik terhadap F yang paling besar diantara variabel lainnya (lihat tabel Tests of Equality of Group Means kolom F), yaitu sebesar 24.941. Variabel terbesar kedua dan ketiga (jumlah pelanggan PLN dan jumlah apotik) tidak dimasukkan ke analisis karena selisih dengan nilai statistik variabel kepadatan penduduk terpaut jauh. Nilai statistik pelanggan PLN dan apotik hanya sebesar 7.482 dan 9.019.Variables in the Analysis

StepToleranceSig. of F to Remove

1Kepadatan Penduduk1.000.000

Tabel diatas menunjukkan bahwa hanya ada satu variabel yang signifikan. Hal ini mengartikan bahwa kepadatan penduduk merupakan satu-satunya variabel yang mampu mempengaruhi pengelompokan kecamatan berdasarkan kawasan perkotaan atau perkotaan. Nilai Sig. of F to remove variabel kepadatan penduduk adalah 0.000 atau 0,05 yang artinya mereka tidak memiliki pengaruh terhadap variabel terikat (status). Tabel diatas memiliki dua tahap, yaitu step 0 dan 1. Pada step 0, ada tiga variabel yang lolos uji analisis karena memiliki nilai Sig 0,05) sehingga tidak dapat diproses lanjut ke dalam analisis karena mereka sudah tidak memiliki pengaruh terhadap variabel terikat (tidak memenuhi syarat).Wilks' Lambda

StepNumber of VariablesLambdadf1df2df3Exact F

Statisticdf1df2Sig.

11.360111424.941114.000.000

Pada tabel diatas, perhatikan kolom nilai Lambda. Nilai tersebut merupakan representasi nilai lambda dari variabel yang dianalisis, yaitu kepadatan penduduk. Konsep dari Wilks Lambda adalah varian total dalam discriminant scores yang tidak bisa dijelaskan oleh perbedaan di antara grup-grup yang ada. Nilai Lambda tercatat sebesar 0.360, berarti 36% varian tidak dapat dijelaskan oleh perbedaan antar grup-grup pada step 1 dengan 1 variabel yang ada. Sedangkan untuk nilai Sig.-nya adalah 0.000 yang berarti variabel kepadatan penduduk merupakan variabel yang dapat diproses lanjut ke dalam analisis diskriminan karena memiliki pengaruh terhadap variabel terikat.Eigenvalues

FunctionEigenvalue% of VarianceCumulative %Canonical Correlation

11.781a100.0100.0.800

a. First 1 canonical discriminant functions were used in the analysis.

Tabel Eigenvalues berfungsi untuk mengukur tingkat keeratan hubungan antara discriminant scores dan grup. Semakin nilai Canocial Correlation mendekati nilai 1, maka semakin erat pula hubungan yang dimiliki. Kolom nilai Canocial Correlation di tabel menunjukkan angka sebesar 0.800 atau mendekati 1, berarti hubungan antara discriminant scores dengan grup adalah erat/kuat. Angka Canocial Correlation tersebut jika dikuadratkan adalah 0,64 yang berarti 64% varians dari variabel independen (kelompok) dapat dijelaskan dari model diskriminan yang terbentuk.Wilks' Lambda

Test of Function(s)Wilks' LambdaChi-squaredfSig.

1.36013.8101.000

Nilai Chi-square pada tabel diatas menunjukkan angka sebesar 13.180. Karena nilainya tidak terlalu besar, hal ini menunjukan bahwa tidak terjadi perbedaan yang cukup jelas antara kecamatan berstatus perkotaan dengan kecamatan berstatus perdesaan. Hasil perhitungan pada tabel ini juga selaras dengan perhitungan pada tabel Log Determinants sebelumnya.Standardized Canonical Discriminant Function Coefficients

Function

1

Kepadatan Penduduk1.000

Tabel diatas berfungsi untuk menentukan fungsi diskriminan. Diketahui bahwa variabel pembeda yang dapat diproses hanya satu, yaitu Kepadatan Penduduk, sehingga dapat didapatkan fungsi diskriminan sebagai berikut:Zscore 1Zscore 1= variabel pembeda (atau dalam kasus ini adalah kepadatan penduduk)Fungsi ini digunakan untuk menilai suatu kecamatan di Kabupaten Jepara apakah termasuk kedalam kawasan perkotaan atau perdesaan.Structure Matrix

Function

1

Kepadatan Penduduk1.000

Jumlah Pelanggang PAMa.588

Jumlah Apotika.563

Jumlah Pelanggan PLNa.499

PDRB ADHB 2013a.459

Jumlah Sarana Kesehatana.182

Jumlah Tenaga Medisa.114

Jumlah Sarana Pendidikana-.104

Jumlah Sarana Peribadatana-.030

Tabel structure matrix menunjukkan urutan karakteristik yang paling membedakan keputusan (Y). Variabel Kepadatan Penduduk adalah yang paling membedakan diantara yang lain. Tabel di atas menunjukan adanya korelasi antara variabel-variabel bebas dengan fungsi diskriminan yang terbentuk. Variabel Kepadatan Penduduk mempunyai korelasi yang paling tinggi dengan nilai korelasi, yaitu sebesar 1.000. Jika ada variabel dengan tanda a, maka variabel tersebut tidak dimasukan dalam proses analisis diskriminan.Functions at Group Centroids

StatusFunction

1

Kota1.416

Desa-1.101

Tabel diatas berfungsi sebagai indikator penentu apakah suatu kecamatan masuk ke status kawasan perkotaan atau perdesaan. Perhatikan garis dibawah ini:

< -1,101>1,416Jika nilai yang dihasilkan oleh suatu kecamatan < -1,101, maka kecamatan tersebut berstatus perdesaan, sedangkan jika nilai yang dihasilkan >1,416, berarti kecamatan tersebut masuk sebagai kawasan perkotaan.Classification Processing Summary

Processed33

ExcludedMissing or out-of-range group codes0

At least one missing discriminating variable17

Used in Output16

Tabel Classification Processing Summary di atas menunjukan bahwa yang di proses tidak ada yang hilang (missing/terlewatkan).Prior Probabilities for Groups

StatusPriorCases Used in Analysis

UnweightedWeighted

Kota.50077.000

Desa.50099.000

Total1.0001616.000

Tabel diatas menunjukan bahwa terdapat 7 kecamatan yang masuk ke dalam status kawasan perkotaan dan 9 kecamatan yang masuk ke dalam status kawasan perdesaan.Classification Function Coefficients

Status

KotaDesa

Kepadatan Penduduk.007.002

(Constant)-8.590-1.755

Fisher's linear discriminant functions

Tabel diatas menunjukkan persamaan regresi dengan pembagian berdasarkan pembagian masing-masing grup/status yang dibuat:1. Untuk kecamatan yang berstatus kawasan perkotaan:SCORE = -8,590 + 0.007 kepadatan penduduk2. Untuk kecamatan yang berstatus kawasan perdesaan:SCORE = -1,775 + 0.002 kepadatan pendudukKemudian kedua persamaan tersebut diselisihkan sehingga didapatkan nilai Z-Score sebagai berikut:kepadatan pendudukkepadatan penduduk

Z Scorekepadatan penduduk

Hasil fungsi fisher ternyata memiliki hasil yang berbeda dengan fungsi Standardized Canonical Discriminant Function Coefficients sebelumnya. Jadi, hasil yang digunakan sebaiknya adalah fungsi Standardized Canonical Discriminant Function Coefficients.Classification Resultsb,c

StatusPredicted Group MembershipTotal

KotaDesa

OriginalCountKota617

Desa189

%Kota85.714.3100.0

Desa11.188.9100.0

Cross-validatedaCountKota617

Desa189

%Kota85.714.3100.0

Desa11.188.9100.0

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. 87.5% of original grouped cases correctly classified.

c. 87.5% of cross-validated grouped cases correctly classified.

Ketepatan fungsi diskriminan diatas dihasilkan dari perhitungan dengan cara:

Tabel diatas menunjukan besarnya tingkat ketepatan model diskriminan. Ketepatan model ini sebesar 87.5 % artinya tingkat ketepatan model diskriminan yang dilakukan adalah tinggi. Meskipun jumlah original dan cross-validated yang dihasilkan sama, kenyataannya terdapat dua kecamatan yang berpindah posisi dari desa ke kota dan kota ke desa. Hal tersebut menjadikan tingkat ketepatan model diskriminan hanya mencapai angka 87.5%.4. KesimpulanMelalui hasil dan pembahasan analisis diskriminan yang telah dilakukan, diketahui pengelompokan kawasan perkotaan dan perdesaan pada tiap-tiap kecamatan yang ada di Kabupaten Jepara. Dari output yang didapatkan, variabel pembeda yang dapat digunakan dalam analisis diskriminan hanya satu, yaitu Kepadatan Penduduk. Hal ini disebabkan hanya variabel kepadatan penduduk saja yang berhasil memenuhi syarat, yaitu memiliki nilai Sig. of F to Enter sebesar 0.000 (

analisis diskriminan (studi kasus: kabupaten jepara, jawa tengah)

Documents