analisis diskriminan: tipologi kemajuan kota di provinsi jawa tengah tahun 2015
TRANSCRIPT
ANALISIS DISKRIMINAN:TIPOLOGI KEMAJUAN KOTA DI PROVINSI JAWA TENGAH TAHUN
2015Disusun untuk memenuhi Tugas Metode Analisis Perencanaan (TKP 342)
Oleh :KELOMPOK 3 B
Dhita Mey Diana K 21040113130038Bayu Rizqi 21040113120050Septi Ayuning Tyas 21040113130088Sally Indah N 21040113130096
JURUSAN PERENCANAAN WILAYAH DAN KOTAFAKULTAS TEKNIK UNIVERSITAS DIPONEGORO
SEMARANG2015
1
I. PENDAHULUANPerbedaan karakteristik antar wilayah menjadi salah satu pendorong adanya
klasifikasi wilayah khususnya di Jawa Tengah, yakni wilayah maju, berkembang, dan
terbelakang. Dalam pengklasifikasiannya, erdapat variabel-variabel yang mendukung,
seperti sarana ekonoi, pendapatan daerah, serta tingkat pendidikan masyarakat yang ada.
Agar pengklasifikasian berjalan sesuai dengan apa yang seharusnya, maka karakteristik
yang menjadi pembeda antara satu daerah dan yang lain. Salah satu contoh analisisnya
adalah analisis diskriminan. Analisis diskriminan adalah salah satu teknik statistik yang bisa
digunakan pada hubungan dependensi (hubungan antarvariabel dimana sudah bisa
dibedakan mana variabel respon dan mana variabel penjelas). Pada laporan ini akan
dibahas aspek yang menjadi pembeda dan menjelaskan mengenai karakteristik pembeda.
II. METODOLOGI ANALISISAnalisis diskriminan adalah salah satu teknik statistik yang bisa digunakan pada
hubungan dependensi (hubungan antarvariabel dimana sudah bisa dibedakan mana
variabel respon dan mana variabel penjelas). Analisis diskriminan digunakan pada kasus
dimana variabel respon berupa data kualitatif dan variabel penjelas berupa data kuantitatif
(BPS Indonesia, Tanpa Angka Tahun). Model analisis diskriminan ditandai dengan ciri
khusus yaitu data variabel dependen yang harus berupa data kategori, sedangkan data
independen berupa data non kategori. Analisis diskriminan bertujuan untuk
mengklasifikasikan suatu individu atau observasi ke dalam kelompok yang saling bebas
(mutually exclusive/disjoint) dan menyeluruh (exhaustive) berdasarkan sejumlah variabel
penjelas. Berikut ini adalah persamaan model diskriminan:
Y1 = X1 + X2 + X3 + … + Xn Non-Metrik Metrik
Dimana :
Variabel Independen (X1 dan seterusnya) adalah data metrik, yaitu data berskala
interval atau rasio.
Variabel Dependen (Y1) adalah data kategorikal atau nominal.
Jika data kategorikal tersebut hanya terdiri dari 2 kode saja disebut Two-Groups
Discriminant Analysis. Namun apabila lebih dari 2 kategori disebut Multiple Discriminant
Analysis. Asumsi penting yang harus dipenuhi agar model diskriminan dapat digunakan
antara lain:
Variabel bebas harus terdistribusi normal (adanya normalitas).
Matriks kovarians semua variabel bebas harus sama (equal).
2
Tidak terjadi multikolinearitas (tidak berkorelasi) antar variabel bebas.
Tidak terdapat data yang ekstrim (outlier).
Adapun kegunaan dari analisis diskriminan antara lain mengetahui perbedaan yang
jelas antar grup pada variabel dependen. Kedua, jika ada perbedaan, untuk mengetahui
variabel independen manakah pada fungsi diskriminan yang membuat perbedaan tersebut.
Ketiga, membuat fungsi atau model diskriminan (yang mirip dengan persamaan regresi).
Keempat, melakukan klasifikasi terhadap obyek ke dalam kelompok (Anonim, Tanpa Angka
Tahun).
III. DATAData awal yang digunakan dalam analisis diskriminan ini berupa data tipologi
klasifikasi perkotaan tiap Kabupaten di Jawa Tengah menurut BPS. BPS telah melakukan
pengelompokkan desa/kelurahan di Indonesia menjadi dua yaitu, desa/kelurahan dengan
sifat perkotaan dan desa/kelurahan dengan sifat perdesaan. Selanjutnya, penyusun
menggunakan asumsi bahwa :
a. Jika Kabupaten/Kota mempunyai >20% desa dengan sifat perdesaan, maka
Kabupaten tersebut dianggap maju.
b. Jika Kabupaten/Kota mempunyai 20%-50% desa dengan sifat perdesaan, maka
Kabupaten tersebut dianggap berkembang.
c. Jika Kabupaten/Kota mempunyai >50% desa dengan sifat perdesaan, maka
Kabupaten tersebut dianggap tertinggal.
Berikut adalah rekap data klasifikasi perkotaan tiap Kabupaten menurut BPS :
Tabel III.1Klasifikasi Perkotaan Tiap Kabupaten Jawa Tengah Menurut BPS
No Kabupaten
Perdesaan
Perkotaan
Jumlah Desa Persentase Klasifikasi Kode
1 Kab. Cilacap 221 61 28278,3687943
3 Tertinggal 1
2 Kab. Banyumas 189 146 33556,4179104
5 Tertinggal 1
3 Kab. Purbalingga 173 66 23972,3849372
4 Tertinggal 1
4Kab. Banjarnegara 236 42 278
84,89208633 Tertinggal 1
5 Kab. Kebumen 372 88 46080,8695652
2 Tertinggal 1
6 Kab. Purworejo 420 74 49485,0202429
1 Tertinggal 1
7 Kab. Wonosobo 222 43 26583,7735849
1 Tertinggal 1
8 Kab. Magelang 319 53 37285,7526881
7 Tertinggal 19 Kab. Boyolali 204 63 267 76,4044943 Tertinggal 1
3
No Kabupaten
Perdesaan
Perkotaan
Jumlah Desa Persentase Klasifikasi Kode
8
10 Kab. Klaten 148 253 40136,9077306
7Berkemban
g 2
11 Kab. Sukoharjo 62 107 16936,6863905
3Berkemban
g 2
12 Kab. Wonogiri 58 103 16136,0248447
2Berkemban
g 2
13 Kab. Karanganyar 114 63 17764,4067796
6 Tertinggal 1
14 Kab. Sragen 150 49 19975,3768844
2 Tertinggal 115 Kab. Grobogan 252 28 280 90 Tertinggal 1
16 Kab. Blora 261 34 29588,4745762
7 Tertinggal 1
17 Kab. Rembang 240 54 29481,6326530
6 Tertinggal 1
18 Kab. Pati 305 97 40275,8706467
7 Tertinggal 1
19 Kab. Kudus 37 95 13228,0303030
3Berkemban
g 2
20 Kab. Jepara 94 99 19348,7046632
1Berkemban
g 2
21 Kab. Demak 181 68 24972,6907630
5 Tertinggal 1
22 Kab. Semarang 173 62 23573,6170212
8 Tertinggal 1
23Kab. Temanggung 59 230 289
20,41522491
Berkembang 2
24 kab. Kendal 175 110 28561,4035087
7 Tertinggal 1
25 Kab. Batang 176 72 24870,9677419
4 Tertinggal 1
26 Kab. Pekalongan 174 111 28561,0526315
8 Tertinggal 1
27 Kab. Pemalang 134 88 22260,3603603
6 Tertinggal 1
28 Kab. Tegal 145 142 28750,5226480
8 Tertinggal 1
29 Kab. Brebes 192 103 29565,0847457
6 Tertinggal 130 Kota Magelang 0 17 17 0 Maju 331 Kota Surakarta 0 51 51 0 Maju 332 Kota Salatiga 0 22 22 0 Maju 3
33 Kota Semarang 11 166 1776,21468926
6 Maju 3
34 Kota Pekalongan 1 46 472,12765957
4 Maju 335 Kota Tegal 0 27 27 0 Maju 3
Sumber : BPS, 2014
4
Berikutnya, penyusun melakukan pengkajian ulang terhadap pengelompokan tipologi
Kabupaten/Kota di Jawa Tengah menurut BPS di atas dengan beberapa variabel, yaitu :
1. SDA, melalui ketersediaan ragam tambang mineral tiap Kabupaten
2. SDM, melalui dominasi penduduk yang menamatkan jenjang pendidikan
3. Infrastruktur Perekonomian, melalui jumlah pasar tradisional, swalayan dan bank.
4. Keuangan Daerah, melalui PDRB dan Income (selisih pendapatan dengan belanja
daerah).
Berikut adalah data dari variabel-variabel di atas :
Tabel III.2Ketersediaan Tambang Mineral Tiap Kabupaten di Jawa Tengah
No Kabupaten Ketersediaan Ragam Mineral1 Kab. Cilacap 72 Kab. Banyumas 73 Kab. Purbalingga 54 Kab. Banjarnegara 95 Kab. Kebumen 126 Kab. Purworejo 87 Kab. Wonosobo 78 Kab. Magelang 79 Kab. Boyolali 5
10 Kab. Klaten 411 Kab. Sukoharjo 412 Kab. Wonogiri 1413 Kab. Karanganyar 5
5
No Kabupaten Ketersediaan Ragam Mineral14 Kab. Sragen 615 Kab. Grobogan 516 Kab. Blora 617 Kab. Rembang 818 Kab. Pati 619 Kab. Kudus 520 Kab. Jepara 921 Kab. Demak 222 Kab. Semarang 623 Kab. Temanggung 624 kab. Kendal 525 Kab. Batang 526 Kab. Pekalongan 727 Kab. Pemalang 728 Kab. Tegal 729 Kab. Brebes 730 Kota Magelang 231 Kota Surakarta 132 Kota Salatiga 233 Kota Semarang 434 Kota Pekalongan 135 Kota Tegal 1
Sumber : Prodeskel Kemendagri, 2014
Tabel III.3Kualitas SDM Tiap Kabupaten di Jawa Tengah
No Kabupaten SD SMP SMA+ Dominasi 1 Kab. Cilacap 486242 125453 117364 Tamat SD 12 Kab. Banyumas 398405 141407 160464 Tamat SD 13 Kab. Purbalingga 264828 85321 81784 Tamat SD 14 Kab. Banjarnegara 303722 70660 73618 Tamat SD 15 Kab. Kebumen 397418 84986 89355 Tamat SD 16 Kab. Purworejo 135845 95258 118329 Tamat SD 17 Kab. Wonosobo 252084 62928 39955 Tamat SD 18 Kab. Magelang 331914 106347 145992 Tamat SD 19 Kab. Boyolali 205332 103077 191632 Tamat SD 1
10 Kab. Klaten 215575 123745 253568 Tamat SMA++ 311 Kab. Sukoharjo 133054 92608 179614 Tamat SMA++ 312 Kab. Wonogiri 318548 99531 78153 Tamat SD 113 Kab. Karanganyar 156793 99863 166489 Tamat SMA++ 314 Kab. Sragen 231791 97549 118035 Tamat SD 115 Kab. Grobogan 418039 131831 113168 Tamat SD 116 Kab. Blora 254999 76044 110333 Tamat SD 117 Kab. Rembang 162274 74903 73616 Tamat SD 118 Kab. Pati 303173 118671 172892 Tamat SD 119 Kab. Kudus 156511 107908 137672 Tamat SD 1
6
No Kabupaten SD SMP SMA+ Dominasi 20 Kab. Jepara 267086 138002 136984 Tamat SD 121 Kab. Demak 230371 112127 150671 Tamat SD 122 Kab. Semarang 257802 121450 132705 Tamat SD 123 Kab. Temanggung 243998 84309 62093 Tamat SD 124 kab. Kendal 264040 91646 96483 Tamat SD 125 Kab. Batang 222591 69883 55785 Tamat SD 126 Kab. Pekalongan 248494 75562 73421 Tamat SD 127 Kab. Pemalang 398161 74121 82081 Tamat SD 128 Kab. Tegal 335401 115438 122098 Tamat SD 129 Kab. Brebes 580007 122978 117679 Tamat SD 130 Kota Magelang 13834 11876 32400 Tamat SMA++ 331 Kota Surakarta 59329 63591 136944 Tamat SMA++ 332 Kota Salatiga 26421 15990 43550 Tamat SMA++ 333 Kota Semarang 193541 134104 456561 Tamat SMA++ 334 Kota Pekalongan 55796 27817 47975 Tamat SD 135 Kota Tegal 51053 25219 37910 Tamat SD 1
Pengelompokan kualitas SDM di tiap kabupaten Jawa Tengah ini berdasarkan
dominasi penduduk yang menamatkan pendidikan di tiap jenjang, kode 1 untuk tamatan SD,
kode 2 untuk tamatan SMP, dan kode 3 untuk tamatan SMA++.
Tabel III.4Jumlah Pasar dan Swalayan Tiap Kabupaten di Jawa Tengah
No Kabupaten SwalayanPasar
Tradisional Jumlah1 Kab. Cilacap 173 34 2072 Kab. Banyumas 106 31 1373 Kab. Purbalingga 59 18 774 Kab. Banjarnegara 5 27 325 Kab. Kebumen 43 35 786 Kab. Purworejo 28 29 577 Kab. Wonosobo 9 13 228 Kab. Magelang 4 17 219 Kab. Boyolali 70 38 108
10 Kab. Klaten 110 67 17711 Kab. Sukoharjo 116 43 15912 Kab. Wonogiri 5 35 4013 Kab. Karanganyar 56 56 11214 Kab. Sragen 32 51 8315 Kab. Grobogan 1 16 1716 Kab. Blora 29 20 4917 Kab. Rembang 0 16 1618 Kab. Pati 5 87 9219 Kab. Kudus 83 23 10620 Kab. Jepara 4 23 27
7
No Kabupaten SwalayanPasar
Tradisional Jumlah21 Kab. Demak 18 19 3722 Kab. Semarang 4 34 3823 Kab. Temanggung 0 39 3924 kab. Kendal 21 15 3625 Kab. Batang 0 10 1026 Kab. Pekalongan 21 14 3527 Kab. Pemalang 36 43 7928 Kab. Tegal 4 26 3029 Kab. Brebes 4 25 2930 Kota Magelang 18 1 1931 Kota Surakarta 0 29 2932 Kota Salatiga 22 12 3433 Kota Semarang 65 48 11334 Kota Pekalongan 17 11 2835 Kota Tegal 19 13 32
Sumber : Prodeskel Kemendagri, 2014
Tabel III.5Jumlah Bank tiap Kabupaten di Jawa Tengah
No Kabupaten Jumlah Bank1 Kab. Cilacap 102 Kab. Banyumas 163 Kab. Purbalingga 64 Kab. Banjarnegara 35 Kab. Kebumen 86 Kab. Purworejo 47 Kab. Wonosobo 68 Kab. Magelang 19 Kab. Boyolali 6
10 Kab. Klaten 511 Kab. Sukoharjo 412 Kab. Wonogiri 613 Kab. Karanganyar 414 Kab. Sragen 615 Kab. Grobogan 1016 Kab. Blora 517 Kab. Rembang 318 Kab. Pati 819 Kab. Kudus 720 Kab. Jepara 621 Kab. Demak 322 Kab. Semarang 5023 Kab. Temanggung 624 kab. Kendal 525 Kab. Batang 226 Kab. Pekalongan 5
8
No Kabupaten Jumlah Bank27 Kab. Pemalang 428 Kab. Tegal 1829 Kab. Brebes 830 Kota Magelang 1831 Kota Surakarta 1632 Kota Salatiga 1933 Kota Semarang 3734 Kota Pekalongan 1535 Kota Tegal 24
Sumber : Prodeskel Kemendagri, 2014
Tabel III.6PDRB ADHK Tiap Kabupaten di Jawa Tengah Tahun 2013
(Juta Rupiah)No Kabupaten PDRB1 Kab. Cilacap 153522912 Kab. Banyumas 55719413 Kab. Purbalingga 30066274 Kab. Banjarnegara 33579605 Kab. Kebumen 33781606 Kab. Purworejo 34936017 Kab. Wonosobo 21790158 Kab. Magelang 47973199 Kab. Boyolali 4982066
10 Kab. Klaten 551330811 Kab. Sukoharjo 574287712 Kab. Wonogiri 347004813 Kab. Karanganyar 641450414 Kab. Sragen 371748815 Kab. Grobogan 374225016 Kab. Blora 239080017 Kab. Rembang 262647618 Kab. Pati 540716719 Kab. Kudus 1439865120 Kab. Jepara 303810421 Kab. Demak 345527322 Kab. Semarang 657320823 Kab. Temanggung 278132124 kab. Kendal 635000025 Kab. Batang 274648026 Kab. Pekalongan 375893427 Kab. Pemalang 402003928 Kab. Tegal 423351329 Kab. Brebes 639018430 Kota Magelang 131870831 Kota Surakarta 6080954
9
No Kabupaten PDRB32 Kota Salatiga 108065733 Kota Semarang 2569733834 Kota Pekalongan 246094735 Kota Tegal 1477506
Sumber : Prodeskel Kemendagri, 2014
Tabel III.7Selisih Pendapatan dengan Belanja Daerah Tiap Kabupaten di Jawa Tengah
No Kabupaten/KotaAPBD
SelisihPendapatan Belanja
1 Kab. Cilacap 1.792.439.254.841 1.792.586.828.800 -1475739592 Kab. Banyumas 1.979.680.828.075 2.307.495.970.527 -3278151424523 Kab. Purbalingga 1.241.957.454.000 1.282.313.160.000 -403557060004 Kab. Banjarnegara 1.279.702.465.936 1.175.474.028.855 1042284370815 Kab. Kebumen 1.599.628.130.000 1.704.544.610.000 -1049164800006 Kab. Perworejo 1.167.943.577.026 1.126.130.839.860 418127371667 Kab. Wonosobo 1.144.182.522.595 988.103.772.409 1560787501868 Kab. Magelang 1.464.755.469.550 1.824.743.223.423 -3599877538739 Kab. Boyolali 1.271.240.332.042 1.269.226.813.508 201351853410 Kab. Klaten 1.735.602.421.246 1.621.602.407.460 11400001378611 Kab. Sukoharjo 994.435.446.000 1.069.434.968.904 -7499952290412 Kab. Wonogiri 1.339.809.192.399 1.434.154.331.098 -9434513869913 Kab. Karanganyar 1.466.049.795.000 1.657.433.618.000 -19138382300014 Kab. Sragen 1.468.966.588.879 1.408.595.385.453 6037120342615 Kab. Grobogan 1.549.721.355.117 1.507.868.313.023 4185304209416 Kab. Blora 1.292.799.169.613 1.318.484.054.214 -2568488460117 Kab. Rembang 1.017.133.407.333 962.437.435.806 5469597152718 Kab. Pati 1.001.675.112.579 989.490.570.878 1218454170119 Kab. Kudus 1.147.302.760.000 1.156.595.980.000 -929322000020 Kab. Jepara 1.386.691.761.062 1.351.530.902.258 3516085880421 Kab. Demak 1.398.722.359.000 1.338.417.926.000 6030443300022 Kab. Semarang 1.373.383.000.000 1.333.538.000.000 3984500000023 Kab. Temanggung 1.053.845.571.860 1.000.867.918.364 5297765349624 Kab. Kendal 1.365.705.861.859 1.493.099.158.250 -12739329639125 Kab. Batang 1.086.627.383.076 1.067.412.675.201 1921470787526 Kab. Pekalongan 1.185.579.515.656 1.223.169.683.250 -3759016759427 Kab. Pemalang 1.486.773.783.371 1.477.106.031.341 966775203028 Kab. Tegal 1.237.540.477.000 1.290.490.425.000 -5294994800029 Kab. Brebes 1.674.473.056.000 1.782.696.541.000 -10822348500030 Kota Magelang 634.759.985.140 630.950.717.357 380926778331 Kota Surakarta 1.385.005.106.508 1.375.304.857.300 970024920832 Kota Salatiga 603.204.201.915 529.237.634.485 7396656743033 Kota Semarang 2.801.228.549.867 2.481.924.180.150 31930436971734 Kota Pekalongan 1.586.521.596.977 1.607.365.072.421 -2084347544435 Kota Tegal 723.968.861.000 673.040.144.370 50928716630
10
Sumber : Prodeskel Kemendagri, 2014
Berikut adalah rekapitulasi semua data untuk mendukung analisis diskriminan pada
tipologi perkotaan tiap Kabupaten di Jawa Tengah :
No Kabupaten
Klasifikasi
SDA
Pendidikan
Pasar_Swalayan
Bank PDRB Income
1 Kab. Cilacap 1 7 1 207 10153522
90 -147573959
2 Kab. Banyumas 1 7 1 137 16557194
0
-3278151424
52
3Kab. Purbalingga 1 5 1 77 6
3006626
-4035570600
0
4Kab. Banjarnegara 1 9 1 32 3
3357960
104228437081
5 Kab. Kebumen 1 12 1 78 8337816
0
-1049164800
00
6 Kab. Purworejo 1 8 1 57 4349360
04181273716
6
7 Kab. Wonosobo 1 7 1 22 6217901
51560787501
86
8 Kab. Magelang 1 7 1 21 1479731
9
-3599877538
73
9 Kab. Boyolali 1 5 1 108 6498206
5 201351853410 Kab. Klaten 2 4 3 177 5
5513307
114000013786
11 Kab. Sukoharjo 2 4 3 159 4
5742876
-7499952290
4
12 Kab. Wonogiri 2 14 1 40 6
3470048
-9434513869
9
13
Kab. Karanganyar 1 5 3 112 4
6414504
-1913838230
0014 Kab. Sragen 1 6 1 83 6
3717488
60371203426
15 Kab. Grobogan 1 5 1 17 10
3742249
41853042094
16 Kab. Blora 1 6 1 49 5
2390800
-2568488460
117 Kab. Rembang 1 8 1 16 3
2626475
54695971527
18 Kab. Pati 1 6 1 92 8
5407167
12184541701
19 Kab. Kudus 2 5 1 106 7
14398651 -9293220000
20 Kab. Jepara 2 9 1 27 6
3038103
35160858804
21 Kab. Demak 1 2 1 37 3
3455273
60304433000
2 Kab. Semarang 1 6 1 38 50 657320 3984500000
11
2 8 023
Kab. Temanggung 2 6 1 39 6
2781320
52977653496
24 kab. Kendal 1 5 1 36 5
6350000
-1273932963
9125 Kab. Batang 1 5 1 10 2
2746480
19214707875
26
Kab. Pekalongan 1 7 1 35 5
3758933
-3759016759
427 Kab. Pemalang 1 7 1 79 4
4020038 9667752030
28 Kab. Tegal 1 7 1 30 18
4233513
-5294994800
0
29 Kab. Brebes 1 7 1 29 8
6390184
-1082234850
0030 Kota Magelang 3 2 3 19 18
1318707 3809267783
31 Kota Surakarta 3 1 3 29 16
6080954 9700249208
32 Kota Salatiga 3 2 3 34 19
1080656
73966567430
33 Kota Semarang 3 4 3 113 37
25697338
319304369717
34
Kota Pekalongan 3 1 1 28 15
2460946
-2084347544
435 Kota Tegal 3 1 1 32 24
1477505
50928716630
IV. HASIL DAN PEMBAHASAN
Analysis Case Processing Summary
Unweighted Cases N Percent
Valid 35 100.0
Excluded Missing or out-of-range group
codes
0 .0
At least one missing
discriminating variable
0 .0
Both missing or out-of-range
group codes and at least one
missing discriminating variable
0 .0
Total 0 .0
Total 35 100.0
12
Dari tabel diatas dapat dilihat semua data telah di eksekusi sebanyak 35 dan 100 persen
tidak terdapat data yang missing.
Tabel Group Satistics menunjukkan bahwa terdapat pengelompokkan antara
kabupaten tertinggal sebanyak 23 kabupaten, berkembang 6 kabupaten dan maju juga 6
kabupaten. Variabel-variabel tersebut mempunyai kriteria tertinggal, berkembang dan maju
dengan memiliki nilai mean dan standar deviasi yang berbeda. Total dari semuanya adalah
35 kabupaten.
13
Group Statistics
Klasifikasi Mean Std. Deviation
Valid N (listwise)
Unweighted Weighted
Tertinggal SDA 6.48 1.880 23 23.000
Pendidikan 1.09 .417 23 23.000
Pasar_swalayan 60.96 47.334 23 23.000
Bank 8.30 9.966 23 23.000
PDRB 4693273.35 2692747.707 23 23.000
Income -3.37E10 1.251E11 23 23.000
Berkembang SDA 7.00 3.899 6 6.000
Pendidikan 1.67 1.033 6 6.000
Pasar_swalayan 91.33 65.796 6 6.000
Bank 5.67 1.033 6 6.000
PDRB 5824050.83 4386068.050 6 6.000
Income 3.92E9 7.945E10 6 6.000
Maju SDA 1.83 1.169 6 6.000
Pendidikan 2.33 1.033 6 6.000
Pasar_swalayan 42.50 34.921 6 6.000
Bank 21.50 8.216 6 6.000
PDRB 6352684.33 9657511.835 6 6.000
Income 7.28E10 1.255E11 6 6.000
Total SDA 5.77 2.840 35 35.000
Pendidikan 1.40 .812 35 35.000
Pasar_swalayan 63.00 49.843 35 35.000
Bank 10.11 10.145 35 35.000
PDRB 5171591.37 4659687.739 35 35.000
Income -8.97E9 1.224E11 35 35.000
Untuk variabel SDA, dapat terlihat nilai mean pada klasifikasi daerah tertinggal
adalah 6,48, sedangkan pada klasifikasi daerah berkembang adalah 7,00 serta
untuk klasifikasi daerah maju adalah 1,83. Artinya rata-rata Ketersediaan Sumber
Daya alam terhadap klasifikasi daerah berkembang lebih tinggi dibanding yang
lainnya.
Untuk variabel Pendidikan, dapat terlihat nilai mean pada klasifikasi daerah
tertinggal adalah 1,09, sedangkan pada klasifikasi daerah berkembang adalah
1,67 serta untuk klasifikasi daerah maju adalah 2,33. Artinya rata-rata kapasitas
SDM dari tipologi pendidikan terhadap klasifikasi daerah maju lebih tinggi
dibanding yang lainnya.
Untuk variabel ketersediaan pasar swalayan, dapat terlihat nilai mean pada
klasifikasi daerah tertinggal adalah 60,96, sedangkan pada klasifikasi daerah
berkembang adalah 91,33 serta untuk klasifikasi daerah maju adalah 42,50.
Artinya rata-rata ketersediaan pasar swalayan terhadap klasifikasi daerah
berkembang lebih tinggi dibanding yang lainnya.
Untuk variabel ketersediaan bank, dapat terlihat nilai mean pada klasifikasi daerah
tertinggal adalah 8,30, sedangkan pada klasifikasi daerah berkembang adalah
5,67 serta untuk klasifikasi daerah maju adalah 21,50. Artinya rata-rata
ketersediaan bank terhadap klasifikasi daerah maju lebih tinggi dibanding yang
lainnya.
Untuk variabel PDRB, rata-rata PDRB terhadap klasifikasi daerah maju lebih
tinggi dibanding yang lainnya.
Tabel diatas juga menunjukkan mean/rata-rata dan standar deviasi dari
pengelompokkan berdasarkan tingkat kemajuan daerah. Untuk mean total SDA adalah 5,77
sedangkan mean SDA daerah tertinggal adalah 6,48 yang berarti nilai rata-rata variabel
SDA tidak lebih rendah dari mean total SDA. Hal ini berarti variabel SDA daerah tertinggal
adalah signifikan. Untuk total SDA pada kolom rata-rata adalah 2,840, sedangkan standar
deviasi SDA pada daerah tertinggal adalah 1,880 yang berarti standar deviasi variabel SDA
daerah tertinggal lebih kecil daripada standar deviasi total SDA. Hal ini berarti variabel SDA
daerah tertinggal signifikan. Begitu juga dengan variabel lainnya.
Selain terdapat rata-rata, tabel di atas juga terdapat standar deviasi. Untuk standar
deviasi SDA daerah tertinggal adalah 1,880. Sedangkan nilai standar deviasi total SDA
adalah 2,840. Hal ini berarti nilai standar deviasi SDA daerah tertinggal lebih kecil daripada
nilai standar deviasi total yang berarti varabel SDA masih dapat digunakan dalam analisis ini
karena nilainya tidak melebihi standar deviasi total variabelnya. Sehingga jika terdapat nilai
standar deviasi sebuah variabel yang melebihi nilai standar deviasi total variabel maka
dianggap tidak dapat digunakan dalam analisis.14
Pooled Within-Groups Matrices
SDA Pendidikan Pasar_swalayan Bank PDRB Income
Correlation SDA 1.000 -.241 -.186 .079 .026 -.057
Pendidikan -.241 1.000 .434 -.028 .197 -.009
Pasar_swalayan -.186 .434 1.000 .113 .561 -.013
Bank .079 -.028 .113 1.000 .373 .175
PDRB .026 .197 .561 .373 1.000 .215
Pada tabel tersebut terdapat nilai korelasi dimana apabila nilai nya > 0,5 maka dicurigai ada
gejala multikolinearitas. Termasuk di dalam yang dicurigai ada gejala multikolinearitas
adalah SDA, sedangkan variabel lainnya <0,5 sehingga tidak ada multikolinearitas.
Analysis 1
Standardized Canonical Discriminant Function
Coefficients
Function
1 2
SDA -.624 .428
Pendidikan .585 .759
Pasar_swalayan -.658 .382
Bank .514 -.273
PDRB .145 -.148
Income .071 .414
Tabel di atas untuk membentuk fungsi diskriminan. Persamaan ini nantinya dapat
digunakan untuk mengetahui apakah Kabupaten di Provinsi Jawa Tengah masuk dalam
kategori tertinggal, berkembang maupun maju. Fungsi diskriminannya adalah sebagai
berikut:
1. Z score = -0.624 SDA+ 0.585 Pendidikan – 0.658 pasar swalayan + 0.514 Bank +
0.145 PDRB + 0.071 income
2. Z score = = -0.425 SDA+ 0.759 Pendidikan + 0.382 pasar swalayan – 0.273
Bank - 0.148 PDRB + 0.414 income.
15
Structure Matrix
Function
1 2
SDA -.602* .125
Bank .440* -.200
Pendidikan .464 .796*
Pasar_swalayan -.149 .512*
Income .231 .299*
PDRB .082 .214*
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
Functions at Group Centroids
Klasifikasi
Function
1 2
Tertinggal -.576 -.249
Berkembang -.720 .917
Maju 2.926 .038
Unstandardized canonical discriminant
functions evaluated at group means
Classification Statistics
Classification Processing Summary
Processed 35
Excluded Missing or out-of-range group
codes
0
At least one missing
discriminating variable
0
Used in Output 35
16
Prior Probabilities for Groups
Klasifikasi Prior
Cases Used in Analysis
Unweighted Weighted
Tertinggal .333 23 23.000
Berkembang .333 6 6.000
Maju .333 6 6.000
Total 1.000 35 35.000
Classification Function Coefficients
Klasifikasi
Tertinggal Berkembang Maju
SDA 1.586 1.849 .666
Pendidikan 3.082 4.271 6.451
Pasar_swalayan .024 .035 -.021
Bank .085 .041 .278
PDRB -8.959E-8 -1.303E-7 8.693E-9
Income -7.288E-13 3.239E-12 2.345E-12
(Constant) -8.783 -12.450 -11.890
Fisher's linear discriminant functions
17
Casewise Statistics
Case
Number
Highest Group Second Highest Group Discriminant Scores
P(D>d | G=g)
Actual Group Predicted Group p df P(G=g | D=d)
Squared
Mahalanobis
Distance to
Centroid Group P(G=g | D=d)
Squared
Mahalanobis
Distance to
Centroid Function 1 Function 2
Original 1 1 2** .269 2 .640 2.623 1 .360 3.773 -2.312 .621
2 1 1 .504 2 .796 1.372 2 .204 4.096 -1.520 -.942
3 1 1 .986 2 .702 .029 2 .297 1.753 -.643 -.405
4 1 2** .833 2 .595 .366 1 .404 1.139 -1.231 .593
5 1 2** .191 2 .653 3.309 1 .347 4.570 -2.518 .643
6 1 2** .733 2 .525 .622 1 .475 .825 -1.263 .345
7 1 1 .861 2 .531 .299 2 .467 .556 -.371 .258
8 1 1 .453 2 .888 1.582 2 .112 5.727 -.873 -1.471
9 1 1 .910 2 .606 .188 2 .393 1.054 -.974 -.078
10 2 2 .092 2 .945 4.782 1 .052 10.599 .143 2.926
11 2 2 .299 2 .873 2.414 1 .119 6.405 .222 2.153
12 2 2 .148 2 .704 3.818 1 .296 5.549 -2.672 .825
13 1 2** .376 2 .750 1.955 1 .214 4.459 .525 1.553
14 1 1 .866 2 .540 .288 2 .459 .612 -.921 .161
15 1 1 .518 2 .760 1.314 2 .187 4.120 .464 -.732
18
16 1 1 .996 2 .685 .008 2 .314 1.568 -.614 -.331
17 1 1 .910 2 .554 .188 2 .445 .627 -.789 .128
18 1 1 .929 2 .601 .147 2 .398 .970 -.903 -.051
19 2 1** .978 2 .716 .044 2 .283 1.900 -.608 -.457
20 2 1** .799 2 .515 .448 2 .484 .572 -1.041 .232
21 1 1 .401 2 .755 1.826 2 .156 4.982 .629 -.861
22 1 3** .181 2 .968 3.417 1 .030 10.383 2.301 -1.702
23 2 1** .975 2 .652 .050 2 .345 1.326 -.364 -.178
24 1 1 .622 2 .846 .949 2 .147 4.451 -.100 -1.100
25 1 1 .776 2 .754 .508 2 .233 2.861 .052 -.588
26 1 1 .992 2 .684 .016 2 .315 1.563 -.670 -.332
27 1 1 .705 2 .517 .698 2 .483 .835 -1.282 .197
28 1 1 .644 2 .800 .880 2 .182 3.847 .154 -.839
29 1 1 .843 2 .793 .341 2 .204 3.061 -.378 -.799
30 3 3 .743 2 .999 .595 1 .000 16.460 3.378 .663
31 3 3 .743 2 1.000 .595 1 .000 17.605 3.556 .483
32 3 3 .594 2 .999 1.043 2 .001 15.915 3.269 1.000
33 3 3 .263 2 1.000 2.667 2 .000 18.956 3.591 1.530
34 3 3 .090 2 .752 4.814 1 .233 7.153 1.643 -1.742
35 3 3 .158 2 .942 3.693 1 .054 9.405 2.122 -1.707
**. Misclassified case
19
20
Tabel ini berisi rincian tiap kasus, penempatannya dalam model diskriminan, serta
perbandingan apakah penempatan ( predict ) telah sesuai dengan kenyataan.
Responden 2 termasuk pada group responden daerah tertinggal ( kode 1 ). Hal ini
ditampakkan pada bagian actual Group di tabel Case Wise statistics. Pada bagian
Predict Group, terlihat angka 1 juga. Berarti prediksi responden 1 dengan model
diskriminan telah tepat, yaitu sesuai kenyataan (actual). Begitu juga untuk
keserasian data yang lain.
Responden 1, 4, 5, 6, 13, termasuk grup responden daerah tertinggal ( kode 1 ).
Pada bagian Predict Group, ternyata angka adalah 2. Berarti prediksi posisi
responden 1, 4, 5, 6, 13 model diskriminan tidakk tepat, yaitu tidak sesuai
kenyataan (actual). Maka harusnya responden 1, 4, 5, 6, 13 tergolong ke kategori
2 yaitu daerah berkembang. Ketidakserasian (misclassified) antara actual dan
predict group ditunjukkan dengan tanda ** pada kasus yang bersangkutan.
Responden 19, 20, 23 termasuk grup responden daerah berkembang (kode 2).
Pada bagian Predict Group, ternyata angka adalah 1. Berarti prediksi posisi
responden 1, 4, 5, 6, 13 model diskriminan tidakk tepat, yaitu tidak sesuai
kenyataan (actual). Maka harusnya responden 1, 4, 5, 6, 13 tergolong ke kategori
1 yaitu daerah tertinggal. Ketidakserasian (misclassified) antara actual dan predict
group ditunjukkan dengan tanda ** pada kasus yang bersangkutan.
Responden 22 termasuk grup responden daerah tertinggal (kode 1). Pada bagian
Predict Group, ternyata angka adalah 3. Berarti prediksi posisi responden 22
model diskriminan tidak tepat, yaitu tidak sesuai kenyataan (actual). Maka
harusnya responden 22 tergolong ke kategori 3 yaitu daerah maju.
Ketidakserasian (misclassified) antara actual dan predict group ditunjukkan
dengan tanda ** pada kasus yang bersangkutan.
Analysis 1
Stepwise Statistics
21
Variables Entered/Removeda,b,c,d
Step
Wilks' Lambda
Exact F
Entered Statistic df1 df2 df3 Statistic df1 df2 Sig.
1 SDA .586 1 2 32.000 11.319 2 32.000 .000
2 Pendidikan .458 2 2 32.000 7.406 4 62.000 .000
3 Bank .363 3 2 32.000 6.603 6 60.000 .000
At each step, the variable that minimizes the overall Wilks' Lambda is entered.
a. Maximum number of steps is 12.
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.
Tabel tersebut menunjukkan variabel yang dimasukkan dalam tiap tahap. Ada 3
tahapan, maka ada 3 variabel yang masuk model yaitu variabel SDA, Pendidikan, dan
ketersediaan bank. Variabel yang masuk model adalah variabel yang mempunyai pengaruh
bermakna pada klasifikasi daerah dan tidak menyebabkan nilai F tidak signifikan. Variabel
SDA memiliki nilai Sig 0,000 < 0,05 dengan tingkat kepercayaan df1 adalah 2 yang bernilai
2,920, maka berarti variabel SDA memiliki tingkat kepercayaan sebesar 2,920 pada t tabel.
Kemudian untuk variabel Pendidikan memiliki tingkat kepercayaan sebesar 2,312 pada
tabel, sedangkan variabel Bank memiliki tingkat kepercayaan sebesar 1,943 pada t tabel.
Variables in the Analysis
Step Tolerance F to Remove Wilks' Lambda
1 SDA 1.000 11.319
2 SDA .942 6.401 .647
Pendidikan .942 4.325 .586
3 SDA .937 5.388 .493
Pendidikan .942 3.944 .458
Bank .994 3.934 .458
Tabel diatas menunjukkan variabel yang tetap tinggal di dalam model, yaitu ada 3 variabel.
22
Variables Not in the Analysis
Step Tolerance Min. Tolerance F to Enter Wilks' Lambda
0 SDA 1.000 1.000 11.319 .586
Pendidikan 1.000 1.000 8.730 .647
Pasar_swalayan 1.000 1.000 1.544 .912
Bank 1.000 1.000 6.152 .722
PDRB 1.000 1.000 .359 .978
Income 1.000 1.000 1.941 .892
1 Pendidikan .942 .942 4.325 .458
Pasar_swalayan .965 .965 2.105 .516
Bank .994 .994 4.315 .458
PDRB .999 .999 .321 .574
Income .997 .997 1.009 .550
2 Pasar_swalayan .804 .785 3.174 .378
Bank .994 .937 3.934 .363
PDRB .955 .900 .015 .457
Income .996 .938 .848 .433
3 Pasar_swalayan .787 .781 3.365 .294
PDRB .815 .815 .394 .353
Income .964 .931 .490 .351
Tabel di atas menunjukkan variabel yang keluar dari dalam model dalam tiap tahap,
sampai tahap 3 hanya ada 3 variabel yaitu Pasar swalayan, PDRB dan income
Wilks' Lambda
Step
Number of
Variables Lambda df1 df2 df3
Exact F
Statistic df1 df2 Sig.
1 1 .586 1 2 32 11.319 2 32.000 .000
2 2 .458 2 2 32 7.406 4 62.000 .000
3 3 .363 3 2 32 6.603 6 60.000 .000
Tabel di atas memperlihatkan bahwa perubahan nilai lambda dan nilai uji F dalam tiap
tahap. sampai tahap nilai Sig tetap < 0,05 maka sampai tahap 3 variabel bebas masuk
semua model. Angka signifikansi untuk 3 variabel sebesar 0,000 dengan nilai F 11.319.
23
karena nilai signifikansi 0,000 ( <0,05) maka variabel masing-masing kelompok mempunyai
perbedaan yang signifikan.
Summary of Canonical Discriminant Functions
Eigenvalues
Function Eigenvalue % of Variance Cumulative %
Canonical
Correlation
1 1.387a 90.0 90.0 .762
2 .155a 10.0 100.0 .366
a. First 2 canonical discriminant functions were used in the analysis.
Pada tabel Eigenvalues terdapat nilai canonical correlation. Nilai canonical correlation
digunakan untuk mengukur derajat hubungan antara hasil diskriminan atau besarnya
variabilitas yang mampu diteragkan oleh variabel independen terhadap variabel dependen.
Dari tabel di atas diperoleh nilai canonical correlation sebesar 0, 762 bila di kuadratkan
( 0,762 x 0,762)= 0.580644, artinya 58 % varians dari variabel independen (kelompok) dapat
dijelaskan dari model diskriminan yang terbentuk. Nilai koreksi kanonikal menunjukkan
hubungan antara nilai diskriminan dengan kelompok. Nilai sebesar 0,762 berarti
hubungannya sangat tinggi karena mendekati angka 1 (besarnya korelasi antara 0-1)
Wilks' Lambda
Test of
Function(s) Wilks' Lambda Chi-square Df Sig.
1 through 2 .363 31.435 6 .000
2 .866 4.463 2 .107
Tabel di atas menunjukkan perubahan nilai lambda dan nilai uji F dalam tiap tahap .
Sampai tahap nilai Sig tetap < 0,05 maka sampai tahap 3 variabel bebas masuk semua
model. Angka signifikansi untuk 3 variabel sebesar 0,000 dengan nilai F 11.319. karena nilai
signifikansi 0,000 ( <0,05) maka variabel masing-masing kelompok mempunyai perbedaan
yang signifikan. Kemudian pada baris kedua nilai Sig nya adalah 0,107 yang berarti tidak
memiliki perbedaan yang signifikan.
24
Standardized Canonical Discriminant
Function Coefficients
Function
1 2
SDA -.653 .507
Pendidikan .422 .935
Bank .579 -.325
Tabel di atas untuk membentuk fungsi diskriminan. Persamaan ini nantinya dapat
digunakan untuk mengetahui apakah Kabupaten di Provinsi Jawa Tengah masuk dalam
kategori tertinggal, berkembang maupun maju. Fungsi diskriminannya adalah sebagai
berikut:
1. Z score = - 0.653 SDA+ 0.422 Pendidikan + 0.579 Bank
2. Z score = 0.507SDA + 0.935 Pendidikan – 0.325 Bank
Structure Matrix
Function
1 2
SDA -.709* .256
Bank .516* -.311
Pasar_swalayana .370* .275
PDRBa .282* .077
Incomea .135* -.094
Pendidikan .564 .822*
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.
25
Functions at Group Centroids
Klasifikasi
Function
1 2
Tertinggal -.520 -.209
Berkembang -.480 .811
Maju 2.476 -.011
Unstandardized canonical discriminant
functions evaluated at group means
Group Centroid merupakan rata-rata nilai diskriminan dari tiap-tiap observasi di dalam
masing-masing kelompok. Group Centroid untuk klasifikasi daerah tertinggal adalah sebesar
-0.520, sedangkan untuk kelompok berkembang adalah sebesar -0.480. serta untuk
klasifikasi daerah maju adalah 2.476. Ini berarti bahwa secara rata - rata skor diskriminal
ketiga kelompok berbeda cukup besar. Sehingga fungsi diskriminan yang diperoleh dapat
membedakan secara baik kelompok yang ada.
Classification Processing Summary
Processed 35
Excluded Missing or out-of-range group
codes
0
At least one missing
discriminating variable
0
Used in Output 35
Tabel ini menyatakan ada 35 data yang diikutkan dalam analisis dan dari kesemuanya tidak
ada data yang missing.
Prior Probabilities for Groups
Klasifikasi Prior
Cases Used in Analysis
Unweighted Weighted
Tertinggal .333 23 23.000
Berkembang .333 6 6.000
Maju .333 6 6.000
Total 1.000 35 35.000
26
Classification Function Coefficients
Klasifikasi
Tertinggal Berkembang Maju
SDA 1.530 1.749 .702
Pendidikan 3.657 5.100 5.813
Bank .082 .048 .270
(Constant) -8.384 -11.607 -11.431
Fisher's linear discriminant functions
Fungsi diskriminan fisher pada prinsipnya membuat semacam persamaan regresi
dengan pembagian berdasarkan kode group yang dipilih dan digunakan nantinya. Berikut
adalah keterangannya :
1. Untuk klasifikasi kabupaten tertinggal fungsinya adalah berikut:
Z score = 1.530 tertinggal +3.657 berkembang + 0.082 Bank -8.384
2. Untuk klasifikasi kabupaten berkembang fungsinya adalah berikut:
Z score = 1.749 tertinggal + 5.100 berkembang + 0.048 Bank – 11. 607
3. Untuk klasifikasi kabupaten maju fungsinya sebagai berikut:
Z score = 0.702 tertinggal + 5.813 berkembang + 0.270 Bank – 11.431
27
Casewise Statistics
Case
Numbe
r
Highest Group Second Highest Group Discriminant Scores
P(D>d | G=g)
Actual Group
Predicted
Group p df P(G=g | D=d)
Squared
Mahalanobis
Distance to
Centroid Group P(G=g | D=d)
Squared
Mahalanobis
Distance to
Centroid Function 1 Function 2
Original 1 1 1 .993 2 .640 .013 2 .354 1.196 -.617 -.274
2 1 1 .920 2 .678 .168 2 .305 1.767 -.226 -.493
3 1 1 .910 2 .699 .189 2 .287 1.971 -.294 -.580
4 1 2** .467 2 .522 1.523 1 .477 1.703 -1.656 .435
5 1 2** .225 2 .640 2.985 1 .360 4.135 -2.204 .931
6 1 1 .687 2 .540 .751 2 .459 1.079 -1.299 .172
7 1 1 .935 2 .610 .134 2 .388 1.039 -.877 -.127
8 1 1 .765 2 .569 .536 2 .430 1.093 -1.203 .056
9 1 1 .910 2 .699 .189 2 .287 1.971 -.294 -.580
10 2 2 .121 2 .613 4.218 3 .286 5.743 1.187 2.010
11 2 2 .129 2 .653 4.094 3 .244 6.064 1.122 2.047
12 2 2 .042 2 .747 6.355 1 .253 8.520 -2.917 1.457
13 1 2** .145 2 .795 3.855 3 .104 7.921 .831 2.273
14 1 1 .987 2 .658 .025 2 .336 1.369 -.586 -.354
15 1 1 .777 2 .714 .505 2 .255 2.565 -.034 -.726
28
16 1 1 .986 2 .651 .029 2 .344 1.303 -.651 -.317
17 1 1 .642 2 .532 .886 2 .468 1.144 -1.364 .209
18 1 1 .974 2 .671 .052 2 .320 1.534 -.456 -.427
19 2 1** .882 2 .704 .251 2 .279 2.102 -.229 -.617
20 2 1** .558 2 .503 1.168 2 .496 1.196 -1.460 .325
21 1 1 .427 2 .728 1.703 2 .172 4.592 .384 -1.149
22 1 3** .146 2 .969 3.852 1 .028 10.930 2.281 -1.964
23 2 1** .987 2 .658 .025 2 .336 1.369 -.586 -.354
24 1 1 .933 2 .694 .138 2 .295 1.850 -.360 -.543
25 1 1 .974 2 .675 .052 2 .318 1.556 -.555 -.434
26 1 1 .908 2 .602 .192 2 .396 1.027 -.942 -.091
27 1 1 .878 2 .594 .261 2 .405 1.027 -1.008 -.054
28 1 1 .857 2 .687 .309 2 .288 2.047 -.095 -.566
29 1 1 .975 2 .625 .051 2 .371 1.095 -.747 -.200
30 3 3 .545 2 .980 1.213 2 .014 9.670 2.617 1.082
31 3 3 .614 2 .988 .974 2 .008 10.635 2.779 .928
32 3 3 .561 2 .984 1.158 2 .011 10.060 2.683 1.045
33 3 3 .507 2 .997 1.358 2 .002 14.087 3.273 .839
34 3 3 .117 2 .728 4.290 1 .242 6.492 1.458 -1.815
35 3 3 .094 2 .937 4.737 1 .057 10.323 2.044 -2.144
**. Misclassified case
29
Tabel ini berisi rincian tiap kasus, penempatannya dalam model diskriminan, serta perbandingan apakah penempatan ( predict ) telah sesuai
dengan kenyataan.
Responden 1 termasuk pada group responden daerah tertinggal ( kode 1 ). Hal ini ditampakkan pada bagian actual Group di tabel Case
Wise statistics. Pada bagian Predict Group, terlihat angka 1 juga. Berarti prediksi responden 1 dengan model diskriminan telah tepat,
yaitu sesuai kenyataan (actual). Begitu juga untuk keserasian data yang lain.
Responden 4 dan 5 termasuk grup responden daerah tertinggal ( kode 1 ). Pada bagian Predict Group, ternyata angka adalah 2. Berarti
prediksi posisi responden 4 dan 5 model diskriminan tidakk tepat, yaitu tidak sesuai kenyataan (actual). Maka harusnya responden 4
dan 5 tergolong ke kategori 2 yaitu daerah berkembang. Ketidakserasian (misclassified) antara actual dan predict group ditunjukkan
dengan tanda ** pada kasus yang bersangkutan.
Ketidakserasian juga terjadi : pada responden nomor 13 yang harusnya tergolong dalam kategori berkembang (kode 2), responden 19 yang
harusnya masuk ke dalam kategori 1 yautu tertinggal, responden 20 yang harusnya tergolong kategori tertinggal (kode 1), responden 22 yang
harusnya ke dalam kategori maju (kode 3) dan responden 23 yang harusnya masuk dalam kategori tertinggal (kode 1). Demikian seterusnya
untuk data yang lain, dengan memperhatikan tanda ** untuk mengetahui terjadinya misclassified dari model dalam memprediksi
pengelompokkan data.
30
V. KESIMPULANAnalisis #1 Responden 2 termasuk pada group responden daerah tertinggal. Hal ini
ditampakkan pada bagian actual Group di tabel Case Wise statistics.
Responden 1, 4, 5, 6, 13, termasuk grup responden daerah tertinggal.
Responden 19, 20, 23 termasuk grup responden daerah berkembang
Responden 22 termasuk grup responden daerah tertinggal.
Analsis #2 Responden 1 termasuk pada group responden daerah tertinggal ( kode 1 ). Hal ini
ditampakkan pada bagian actual Group di tabel Case Wise statistics. Pada bagian
Predict Group, terlihat angka 1 juga. Berarti prediksi responden 1 dengan model
diskriminan telah tepat, yaitu sesuai kenyataan (actual). Begitu juga untuk
keserasian data yang lain.
Responden 4 dan 5 termasuk grup responden daerah tertinggal ( kode 1 ). Pada
bagian Predict Group, ternyata angka adalah 2. Berarti prediksi posisi responden
4 dan 5 model diskriminan tidakk tepat, yaitu tidak sesuai kenyataan (actual).
Maka harusnya responden 4 dan 5 tergolong ke kategori 2 yaitu daerah
berkembang. Ketidakserasian (misclassified) antara actual dan predict group
ditunjukkan dengan tanda ** pada kasus yang bersangkutan.
VI. DAFTAR PUSTAKAHidayat, Anwar. “Analisis Diskriminan” dalam www.statistikan.com Diunduh pada 1
April 2015
Moeleong, Lexy J. 2008. “Metodologi Penelitian Kualitatif”. Bandung: PT Remaja
Rosdakarya dalam www.scribd.com Diunduh pada 1 April 2015
___. 2011. “Prosedur Penggunaan SPSS,” dalam www.scribd.com Diunduh pada
pada 1 April 2015