Analisis diskriminan adalah teknik statistika untuk mengelompokkan individu-individu ke dalam kelompok-kelompok yang saling bebas dengan tegas berdasarkan sekelompok variabel bebas. Pengklasifikasian adalah salah satu analisis statistika yang diperlukan jika ada beberapa kelompok kemudian ingin diketahui apakah kelompok-kelompok tersebut memang berbeda secara statsitika. Kelompok-kelompok ini terjadi karena ada pengaruh satu atau lebih variabel lain yang merupakan variabel independen. Kombinasi linier dari variabel-variabel ini akan membentuk suatu fungsi diskriminan.
Dalam analisis diskriminan terdapat 2 metode berdasarkan jumlah kategori dari variabel dependennya. Apabila terdapat 2 kategori yang terlibat da- lam pengklasifikasian, maka disebut dengan two-group discriminant analysis. Sedangkan apabila terdapat 3 atau lebih kategori yang terlibat dalam pengklasifikasian, maka disebut dengan multiple discriminant analysis.
Analisis diskriminan merupakan suatu analisis dengan tujuan membentuk sejumlah fungsi diskriminan, yang dapat digunakan sebagai cara terbaik untuk memisahkan kelompok-kelompok. Manfaat utama analisis diskriminan adalah
1.Cara terbaik untuk menyatakan perbedaan antar segmen tersebut (masalah diskriminan).
2.Cara untuk mengalokasikan suatu objek baru ke dalam salah satu kelompok tersebut.
Dalam buku Johnson, R. A. dan Wichern, D. W dijelaskan bahwa fungsi diskriminan pertama kali diperkenalkan oleh Ronald A. Fisher (1936) dengan menggunakan beberapa kombinasi linier dari pengamtan yang cukup mewakili populasi. Menurut Fisher, untuk mencari kombinasi linier dari p variabel bebas tersebut dapat dilakukan dengan pemilihan koefisien-koefisiennya yang menghasilkan hasil bagi maksimum antara matrik peragam antar kelompok (between-group) dan matrik peragam dalam kelompok (within-group).
Adapun asumsi-asumsi yang harus dipenuhi sebelum melakukan analisis diskriminan, antara lain yaitu:
• Variabel independen berdistribusi normal multivariat (multi variates normal distribution).
• Varians dalam setiap kelompok adalah sama (equal variances).
Analisis diskriminan dapat dilakukan bila terdapat perbedaan yang nyata antar kelompok, sehingga pada tahap awal yang harus dilakukan adalah uji hipotesis nol bahwa tidak ada perbedaan kelompok di antara individu yang dirumuskan dengan:
H0 : µ1 = µ2 = … = µk
H1 : µi ≠ µj ( minimal terdapat 2 kelompok yang berbeda)
Taraf signifikansi α = 0,05
Statistik uji yang digunakan adalah Wilks’Lamda (Λ”)
untuk lebih lengkap dapat di download di link ini.
Berikut Daftar Distribusi yang akan diberikan fungsi pembangkit variabel randomnya :
1. Distribusi uniform
2. Distribusi Eksponensial
3. Distribusi Normal
4. Distribusi Lognormal
5. Distribuso Weibull
6. Distribusi t-student
7. Distribusi fisher
Fungsi Distribusi Uniform
Function Uniform (a,b : double) : double;
Var u : double;
Begin
u := random;
Uniform := (b-a) * u + a;
End; Fungsi Distribusi Eksponensial
Function Eksponensial (beta : double) : double;
Var u : double;
Begin
u := random;
Eksponensial := -beta * ln(u);
End; Fungsi Distribusi Normal
Procedure Normal (mean,variance : double ; Var z1,z2 : double);
Var u1,u2,v1,v2,w,y,x1,x2 : double;
Begin
Repeat
u1 := random;
u2 := random;
v1 := 2 * u1 – 1;
v2 := 2 * u2 – 1;
w := sqr(v1) + sqr(v2);
if w <= 1 then
begin
y := sqrt ((-2*ln(w))/w);
x1 := v1 * y;
x2 := v2 * y;
z1 := sqrt (variance) * x1 + mean;
z2 := sqrt (variance) * x2 + mean;
end
Until w <= 1;
End; Procedure Distribusi Lognormal
procedure lognormal (mean,varr : double;
Var zln1,zln2 : double);
Var y1, y2 : double;
begin
Normal (mean,varr,y1,y2);
zln1 := exp(y1);
zln2 := exp(y2);
end; Fungsi Distribusi Weibull
Function Weibull (alfa,beta: double) : double;
Var u,z : double;
Begin
u := random;
z := -ln(u);
Weibull := beta * exp (ln(z)/alfa);
End; Fungsi Distribusi t-student
function tdistribution(m:integer):double;
Label r2;
Var v,x,r,s,c,a,f,g,mm : real;
begin
mm:=0;
if m < 1 then
begin
writeln('impermissible degrees of freedom.');
halt;
end;
if (m mm) then
begin
s:=m;
c:=-0.25*(s+1);
a:=4/power((1+1/s),c);
f:=16/a;
if m>1 then
begin
g:=s-1;
g:=power(((s+1)/g),c)*sqrt((s+s)/g);
end else
g := 1;
mm:=m;
end;
r2:repeat
r:=random;
until r > 0.0;
x:=(2*random-1)*g/r;
v:=x*x;
if (v>(5-a*r)) then
begin
if ((m>=3) and (r*(v+3)>f)) then goto r2;
if (r>power((1+v/s),c)) then goto r2;
end;
tdistribution :=x;
end;
begin
tipe11[1]:=0.2;
tipe11[1]:=0.3;
tipe11[1]:=0.5;
tipe11[1]:=0.8;
tipe11[1]:=1.0;
end.
