Analisis Diskriminan

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 = … = µ_k

H₁ : µ_i ≠ µ_j ( 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.

Fungsi Pembagkit variabel Random

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.

Membuktikan Unbiased pada Varians Sampel dengan simulasi

Membuktikan Unbiased pada Varians Sampel

Dalam menaksir parameter suatu populasi pasti membutuhkan sumber daya seperti biaya, waktu, dan tenaga yang sangat besar. Oleh karena itu muncul ilmu statistik yang diperlukan untuk menaksir parameter melalui pendekatan. Suatu pendekatan yang baik adalah pendekatan yang memiliki hasil unbiased dalam menaksir parameter populasi.
Apabila ingin menaksir suatu parameter populasi, kita perlu mengambil sampel dari populasi dalam hal ini akan ditaksir varians dari populasi dengan suatu nilai statistik (varians sampel). Kemudian kita bandingkan nilai statistik tersebut dengan nilai parameter sebenarnya.

Berikut langkah-langkah algoritmanya :

Mulai
Bngkitkan X berdistribusi normal (60,1) sebanyak 100 sebagai populasi
Ambil n sampel sebanyak 10
HItung

untitled,jpg

S_1^2 merupakan varians dari populasi sebanyak 100 data. Sedangkan S_2^2 merupakan varians dari resampel 1000 kali pengambilan data dimana setiap pengambilan adalah 10 data.
Lakukan 3 sebanyak 1000 kali
Hitung luas S_1^2= S_2^2 dan lambangkan
Selesai

Langkah simulasi menggunakan program minitab :

Simpan makro minitab yang berisi tentang perintah pembangkitan data randommenggunagan bootsrap
Misal :
d:\bootvar.txt

Isi makro bootvar :

macro
bootvar x
mconstant i n b lower upper stat_b se_b
mcolumn x y stat
let n=10
let b=1000
do i=1:b
sample n x y;
replacement.
let stat(i)=stde(y)**2
enddo
let stat_b=mean(stat)
let se_b=stde(stat)
sort stat stat
let lower=stat(25)
let upper=stat(975)
print stat_b se_b lower upper
endmacro

Dalam minitab tuliskan perintah enable command
Tulis
MTB > random 100 c1;
Subs > normal 60 1.0.
Panggil makro untuk melakukan resampling 10 data sebanyak 1000 kali
MTB > %d:\bootvar.txt c1

Maka akan tampil di minitab hasilnya sbb :
stat_b 1.12677
se_b 0.584805
lower 0.307798
upper 2.46402

stat_b menyatakan rata-rata dari sampling sebanyak 10 data yang diresampling sebanyak 1000 kali.
Se_b menyatakan varians dari dari sampling sebanyak 10 data yang diresampling sebanyak 1000 kali.
Lower menyatakan bahwa 25 data terbawah berada pada nilai 0,307798
Upper menyatakan bahwa 25 data teratas berada pada nilai 2,46402

Dengan membandingkan nilai varians populasi yaitu sebesar 1 dengan nilai statistik varians yaitu sebesar 0,5848 maka tidak terbukti bahwa varians statistik unbiased terhadap varians populasi