Laporan Praktikum Analisis Diskriminan: Faktor PenentuKlasifikasi Daerah dengan Angka Gizi Buruk Tinggi dan

Rendah di Jawa TengahDisusun Untuk Memenuhi Tugas Mata Kuliah Metode Analisis Perencanaan

(TKP 342)

Dikerjakan Oleh :Sally Indah Nurdyawati

21040113130096Kelas B

Jurusan Perencanaan Wilayah dan KotaFakultas Teknik Universitas Diponegoro

Semarang2015

1

I. PENDAHULUANAnalisis diskriminan adalah salah satu teknik statistik yang bisa digunakan pada hubungan

dependensi (hubungan antarvariabel dimana sudah bisa dibedakan mana variabel respon danmana variabel penjelas). Analisis diskriminan digunakan pada kasus dimana variabel responberupa data kualitatif dan variabel penjelas berupa data kuantitatif.

Adapun kegunaan dari analisis diskriminan antara lain mengetahui perbedaan yang jelasantar grup pada variabel dependen. Kedua, jika ada perbedaan, untuk mengetahui variabelindependen manakah pada fungsi diskriminan yang membuat perbedaan tersebut. Ketiga,membuat fungsi atau model diskriminan. Dalam bidang ilmu Perencanaan Wilayah dan Kota,analisis diskriminan digunakan untuk melihat mana yang merupakan variabel pembeda ataupenentu dari sebuah fenomena sehingga dapat membantu dalam pengambilan keputusan.

II. STUDI KASUSPada laporan ini diambil studi kasus mengenai fenomena gizi buruk yang ada di Jawa

Tengah. Gizi buruk merupakan masalah yang masih menjadi perhatian utama hingga saat ini,terutama di negara berkembang seperti Indonesia. Banyak hal yang melatarbelakangi kejadiangizi buruk, seperti kurangnya ketersediaan pangan dan penyakit infeksi, ketersediaan pangan padatingkat rumah tangga, pola asuh yang tidak memadai, masih rendahnya akses pada kesehatanlingkungan dan perilaku hidup bersih dan sehat, serta faktor kemiskinan

Pada laporan ini, objek penelitian adalah Kabupaten/Kota yang telah diklasifikasikanmenjadi 2, yaitu:

1. Daerah dengan tingkat kejadian gizi buruk rendah.2. Daerah dengan tingkat kejadian gizi buruk tinggi.

Pengklasifikasian tersebut didasarkan pada analisis cluster yang dilakukan sebelumnya. Olehkarena itu, perlu diketahui variabel mana saja yang menjadi pembeda antara kedua kelompoktersebut. Adapun variabel bebas yang digunakan meliputi Jumlah Penderita Diare, Jumlah RumahSakit, Balai Pengobatan, Apotek, Puskesmas, dan Dokter.

Tabel II.1Jumlah dan Variabel Penentu Gizi Buruk di Jawa Tengah

No Kabupaten/Kota GiziBuruk

PresentasePendudukMiskin

Klasifikasi Diare RS BalaiPengobatan Apotek Puskesmas Dokter

1 Kab. Cilacap 137088 15,9 1 14057 3 58 94 38 532 Kab. Banyumas 136799 19,4 1 26258 10 128 132 39 943 Kab. Purbalingga 68966 21,2 2 13845 2 19 44 22 394 Kab. Banjarnegara 78945 18,9 2 19177 2 33 37 35 545 Kab. Kebumen 118011 22,4 1 21432 9 18 59 35 616 Kab. Perworejo 49828 16,3 2 7708 3 7 41 27 577 Kab. Wonosobo 81946 22,5 2 18886 1 7 30 24 458 Kab. Magelang 93916 14,0 1 39719 3 4 69 29 909 Kab. Boyolali 77281 13,9 2 6611 8 31 70 29 69

10 Kab. Klaten 92387 16,7 1 38914 3 35 79 34 9411 Kab. Sukoharjo 71632 10,2 2 23644 3 41 147 12 7312 Kab. Wonogiri 66691 14,7 2 9649 6 53 65 34 6913 Kab. Karanganyar 67116 14,1 2 15508 4 12 52 21 9514 Kab. Sragen 77059 16,7 2 24003 5 20 25 25 6115 Kab. Grobogan 118346 16,1 1 20596 6 49 64 30 63

2

No Kabupaten/Kota GiziBuruk

PresentasePendudukMiskin

Klasifikasi Diare RS BalaiPengobatan Apotek Puskesmas Dokter

16 Kab. Blora 63484 15,1 2 11683 3 9 24 26 3317 Kab. Rembang 43229 21,9 2 7382 1 3 32 16 4318 Kab. Pati 95862 13,6 1 27076 5 30 84 29 7219 Kab. Kudus 75287 8,6 2 15791 6 22 61 19 7120 Kab. Jepara 107875 9,4 1 29303 3 18 66 21 5221 Kab. Demak 99627 16,7 1 22646 2 50 46 27 4422 Kab. Semarang 70321 9,4 2 22568 2 52 77 26 10223 Kab. Temanggung 59639 12,3 2 19724 3 5 19 24 6024 Kab. Kendal 79824 13,2 2 24440 1 7 60 30 9725 Kab. Batang 59110 12,4 2 13343 1 8 33 21 4926 Kab. Pekalongan 76439 13,9 2 26937 1 14 52 26 5327 Kab. Pemalang 126457 19,3 1 25254 5 18 32 22 6328 Kab. Tegal 135606 10,8 1 57914 3 22 120 29 6629 Kab. Brebes 157124 21,1 1 37582 6 12 79 38 4730 Kota Magelang 9461 10,3 2 3577 3 4 34 5 2931 Kota Surakarta 46744 12,0 2 14804 7 91 163 17 4732 Kota Salatiga 13816 7,1 2 4715 3 17 30 6 4533 Kota Semarang 130514 5,1 1 36560 10 79 356 37 16134 Kota Pekalongan 24537 9,5 2 13147 5 18 50 12 4035 Kota Tegal 20636 10,0 2 7631 2 45 61 8 19

Sumber: Badan Pusat Statistik Provinsi Jawa Tengah

III. HASIL DAN PEMBAHASANBerdasarkan analisis yang telah dilakukan, maka didapatkan hasil sebagai berikut:

Analysis Case Processing SummaryUnweighted Cases N Percent

Valid 35 100.0Excluded Missing or out-of-range group

codes0 .0

At least one missingdiscriminating variable

0 .0

Both missing or out-of-rangegroup codes and at least onemissing discriminatingvariable

0 .0

Total 0 .0Total 35 100.0

Keterangan Output: Dari 35 data yang telah diproses, kevalidannya adalah 100% sehingga tidak ada data yang

hilang atau missing.

3

Group Statistics

Klasifikasi Mean Std. Deviation

Valid N (listwise)

Unweighted Weighted

Tinggi Diare 30562.385 11420.6960 13 13.000

RS 7.308 7.3528 13 13.000

Balai_Pengobatan 35.769 34.9265 13 13.000

Apotik 98.462 82.0250 13 13.000

Puskesmas 31.385 5.9936 13 13.000

Dokter 73.846 31.1685 13 13.000Kemiskinan 15.423 4.8756 13 13.000

Rendah Diare 14762.409 6964.1856 22 22.000RS 3.273 2.0744 22 22.000Balai_Pengobatan 23.545 21.7052 22 22.000Apotik 54.864 36.2390 22 22.000Puskesmas 21.136 8.4869 22 22.000Dokter 56.818 21.7379 22 22.000Kemiskinan 16.732 12.7884 22 22.000

Total Diare 20630.971 11661.3920 35 35.000RS 4.771 5.0648 35 35.000Balai_Pengobatan 28.086 27.5215 35 35.000Apotik 71.057 60.3538 35 35.000Puskesmas 24.943 9.0779 35 35.000Dokter 63.143 26.5409 35 35.000Kemiskinan 16.246 10.4792 35 35.000

Keterangan Output:Tabel di atas menunjukkan banyaknya daerah di Jawa Tengah yang masuk dalam klasifikasidaerah dengan angka gizi buruk tinggi dan daerah dengan angka gizi buruk rendah. Terdapat 13daerah yang masuk ke dalam klasifikasi angka gizi buruk tinggi dan terdapat 22 daerah yangmasuk ke dalam klasifikasi angka gizi buruk rendah. Kolom Mean menunjukkan rata-rata masing-masing variabel pada masing-masing klasifikasi. Sedangkan kolom Std. Deviation menunjukkanstandar deviasi masing-masing variabel pada masing-masing klasifikasi. Sebagai contoh, jumlahpenderita diare pada klasifikasi daerah dengan angka gizi buruk tinggi, memiliki rata-rata sebesar30562,385.

Tests of Equality of Group Means

Wilks' Lambda F df1 df2 Sig.

Diare .559 26.055 1 33 .000RS .847 5.940 1 33 .020Balai_Pengobatan .953 1.642 1 33 .209Apotik .875 4.732 1 33 .037Puskesmas .694 14.571 1 33 .001Dokter .901 3.623 1 33 .066Kemiskinan .996 .124 1 33 .727

4

Keterangan Output:Dari tabel di atas, diperoleh nilai signifikansi pada masing-masing variabel. Berikut ini adalahketentuan nilai signfikansi. Apabila nilai sig. > 0,05 maka tidak ada perbedaan antar grup atau bukan variabel yang dapat

menjadi pembeda dalam pengelompokan Apabila nilai sig. < 0,05 maka ada perbedaa antar grup sehingga variabel tersebut dapat

menjadi pembeda dalam pengelompokan.Variabel Diare, RS, Apotik, dan Puskesmas memiliki nilai kurang dari 0,05 sehingga adaperbedaan antar grup atau variabel tersebut dapat menjadi pembeda dalam pengelompokan. Padavariabel lainnya, yakni Balai Pengobatan, Dokter, dan Kemiskinan memiliki nilai lebih dari 0,05sehingga tidak ada perbedaan antar grup atau bukan variabel yang dapat menjadi pembeda dalampengelompokan

Log DeterminantsKlasifikasi Rank Log Determinant

Tinggi 2 22.385Rendah 2 19.093Pooled within-groups 2 21.089The ranks and natural logarithms of determinantsprinted are those of the group covariance matrices.

Keterangan Output:Tabel di atas menunjukkan ada tidaknya perbedaan antara dua kelompok yang dibentuk. Padatabel di atas terdapat nilai log determinant pada klasifikasi tinggi sebesar 22,385 dan nilai logdeterminant pada klasifikasi rendah sebesar 19,093. Perbedaan nilai log determinant antaraklasifikasi tinggi dan rendah yang tidak terpaut terlalu jauh, menunjukkan bahwa groupcovariance matrices akan relatif sama untuk kedua kelompok.

Stepwise StatisticsVariables Entered/Removeda,b,c,d

Step

Min. D Squared

Exact F

Entered Statistic Between Groups Statistic df1 df2 Sig.

1 Diare 3.189 Rendah andTinggi

26.055 1 33.000 1.356E-5

2 RS 6.322 Rendah andTinggi

25.047 2 32.000 2.841E-7

At each step, the variable that maximizes the Mahalanobis distance between the two closest groups isentered.a. Maximum number of steps is 14.b. Maximum significance of F to enter is .05.c. Minimum significance of F to remove is .10.d. F level, tolerance, or VIN insufficient for further computation.

5

Keterangan Output:Tabel diatas menunjukkan variabel apa saja dari 7 variabel yang dimasukkan. Variabel tersebutakan dimasukkan ke dalam persamaan diskriminan dan harus dilakukan secara bertahap. Variabelini adalah variabel yang memiliki nilai F yang cukup besar. Pada tabel diatas, step pertama angka F hitung variabel Kepadatan mencapai 26,055 dengan

nilai signifikansinya mencapai 1,356 x 10-5, maka tahap pertama variabel Diare terpilih danvariabel ini dapat dikatakan mempengaruhi pengelompokkan dareah yang memiliki angkagizi buruk tinggi dan rendah di Jawa Tengah.

Pada step kedua, angka F hitung variabel Luas Sawah Irigasi mencapai 25,047 dengan nilaisignifikansi sebesar 2,841 x 10-7. Maka, tahap kedua variabel RS terpilih dan variabel inidapat dikatakan mempengaruhi pengelompokan dareah yang memiliki angka gizi buruktinggi dan rendah di Jawa Tengah.

Variables in the Analysis

Step ToleranceSig. of F to

Remove Min. D Squared Between Groups

1 Diare 1.000 .000

2 Diare .822 .000 .727 Tinggi andRendah

RS .822 .001 3.189 Tinggi andRendah

Keterangan Output: Dari tabel diatas, pada step 1, variabel Diare merupakan variabel pertama yang masuk model

diskriminan, karena variabel ini memiliki angka Sig. of F to Remove sebesar 0,000. Angkatersebut <0,05.

Untuk step 2, variabel RS masuk ke dalam model diskriminan. Hal ini terjadi karena variabelini memiliki angka Sig. of F to Remove sebesar 0,001 (lebih kecil dari 0,05).

6

Variables Not in the AnalysisStep Tolerance Min. Tolerance Sig. of F to Enter Min. D Squared Between Groups

0 Diare 1.000 1.000 .000 3.189 Tinggi and Rendah

RS 1.000 1.000 .020 .727 Tinggi and Rendah

Balai_Pengobatan 1.000 1.000 .209 .201 Tinggi and Rendah

Apotik 1.000 1.000 .037 .579 Tinggi and Rendah

Puskesmas 1.000 1.000 .001 1.783 Tinggi and Rendah

Dokter 1.000 1.000 .066 .443 Tinggi and Rendah

Kemiskinan 1.000 1.000 .727 .015 Tinggi and Rendah1 RS .822 .822 .001 6.322 Tinggi and Rendah

Balai_Pengobatan 1.000 1.000 .317 3.422 Tinggi and RendahApotik .940 .940 .489 3.299 Tinggi and RendahPuskesmas .955 .955 .047 4.149 Tinggi and RendahDokter .850 .850 .955 3.189 Tinggi and RendahKemiskinan .924 .924 .425 3.336 Tinggi and Rendah

2 Balai_Pengobatan .995 .818 .535 6.453 Tinggi and RendahApotik .807 .700 .539 6.451 Tinggi and RendahPuskesmas .812 .699 .585 6.424 Tinggi and RendahDokter .805 .662 .443 6.524 Tinggi and RendahKemiskinan .900 .740 .249 6.784 Tinggi and Rendah

Keterangan Output:Tabel diatas menunjukkan informasi dari tabel sebelumnya. Pada tabel di atas, harus dilihat nilaiSig. of F to Enter yang <0,05 dan nilai Min. D Squared yang terbesar. Untuk step 0, terlihat angka Sig. of to Enter <0,05 yakni pada variabel Diare, RS, Apotik,

dan Puskesmas. Namun, nilai Min. D Squared yang terbesar dimiliki oleh variabel Diare,maka variabel ini termasuk kedalam variabel yang dianalisis (dieliminasi pada step 0).

Untuk step 1, tersisa 6 variabel dan dari proses eksekusi nilai Sig <0,05, yakni variabel RSdan Puskesmas. Namun, nilai Min. D Squared yang terbesar dimiliki oleh variabel RS, makavariabel ini termasuk kedalam variabel yang dianalisis (dieliminasi pada step 1).

Untuk step 2, tersisa 5 variabel dan dari proses eksekusi, tidak ada variabel yangmenunjukkan nilai yang <0,05, artinya proses pengeliminasian variabel berhenti pada stepini.

Wilks' Lambda

StepNumber ofVariables Lambda df1 df2 df3

Exact F

Statistic df1 df2 Sig.1 1 .559 1 1 33 26.055 1 33.000 .0002 2 .390 2 1 33 25.047 2 32.000 .000

Keterangan Output: Tabel diatas menunjukkan nilai persentase varians dalam variabel yang dapat menjelaskan

perbedaan dalam pembagian kedalam 2 pengelompokkan. Pada tabel diatas, menunjukkannilai lambda sebesar 0,559, artinya 55,9% varians dari variabel tidak bisa menjelaskan

7

perbedaannya yang membagi dalam 2 kelompok diatas, yaitu daerah dengan angka giziburuk tinggi dan rendah.

Pada step 2, menunjukkan nilai lambda sebesar 0,390, artinya 39% varians dari variable tidakbisa menjelaskan perbedaannya yang membagi dalam 2 kelompok diatas, yaitu daerahdengan angka gizi buruk tinggi dan rendah.

Summary of Canonical Discriminant FunctionsEigenvalues

Function Eigenvalue % of Variance Cumulative %CanonicalCorrelation

1 1.565a 100.0 100.0 .781a. First 1 canonical discriminant functions were used in the analysis.

Keterangan Output:Tabel Eigenvalues diatas menunjukkan tingkat keeratan antara nilai Discriminant dengan kriteriakawasan atau grup, yaitu daerah dengan angka gizi buruk tinggi dan rendah.. Hal tersebut dilihatmelalui nilai Canonical Correlation. Angka Canonical Correlation menunjukkan 0,781. Haltersebut memiliki arti bahwa keeratan antara nilai diskriminan dan kriteria kawasan atau grupcukup tinggi karena angka tersebut mendekati angka 1.

Wilks' LambdaTest ofFunction(s) Wilks' Lambda Chi-square df Sig.

1 .390 30.148 2 .000

Keterangan Output:Tabel diatas dapat menunjukkan perbedaan yang jelas antara kedua pengelompokkan yang dapatdilihat dari nilai Chi-Square. Nilai Chi-Square menunjukkan angka 30,148. Hal tersebut memilikiarti bahwa terdapat perbedaan yang jelas antara daerah dengan angka gizi buruk tinggi dan rendah.

Standardized CanonicalDiscriminant Function

Coefficients

Function

1

Diare 1.037RS .776

Keterangan Output:Dari tabel Standarized Canonical Discriminant, kita bisa mengetahui persamaan atau fungsidiskriminan yang hampir sama dengan persamaan regresi berganda. Fungsi diskriminannyaadalah sebagai berikut:

Zscore = 1,037 DiareZscore = 0,776 RS

8

Structure Matrix

Function

1

Diare .710Apotika .431Doktera .425Puskesmasa .417RS .339Kemiskinana -.305Balai_Pengobatana .034Pooled within-groups correlations betweendiscriminating variables and standardizedcanonical discriminant functionsVariables ordered by absolute size of

correlation within function.a. This variable not used in the analysis.

Functions at GroupCentroids

Klasifikasi

Function

1

Tinggi 1.580Rendah -.934Unstandardized canonicaldiscriminant functionsevaluated at group means

Classification StatisticsClassification Processing Summary

Processed 35Excluded Missing or out-of-range group

codes0

At least one missingdiscriminating variable

0

Used in Output 35

Keterangan Output: Dari 35 data yang telah diproses, kevalidannya adalah 100% sehingga tidak ada data yang

hilang atau missing.

Prior Probabilities for Groups

Klasifikasi Prior

Cases Used in Analysis

Unweighted Weighted

Tinggi .500 13 13.000Rendah .500 22 22.000Total 1.000 35 35.000

9

Keterangan Output:Dari tabel diatas dapat dilihat bagaimana komposisi dari ke 35 Kabupaten/Kota di Jawa Tengahyang mana dengan model diskriminan ini menghasilkan 13 daerah yang tergolong ke dalamklasifikasi angka gizi buruk tinggi dan 22 daerah yang tergolong ke dalam daerah dengan angkagizi buruk rendah.

Classification Function Coefficients

Klasifikasi

Tinggi Rendah

Diare .001 .000RS .771 .358(Constant) -12.130 -3.268Fisher's linear discriminant functions

Keterangan Output:Hampir menyerupai dengan tabel “Canonical Discriminant Function Coefficient” sebelumnya,dimana fungsi diskriminan dan Fisher’s pada prinsipnya membuat semacam persamaan regresi. Untuk daerah yang termasuk ke dalam klasifikasi daerah angka gizi buruk tinggi, didapat:

Zscore = -12,130 + 0,001 X1+ 0,771 X2

Untuk daerah yang termasuk ke dalam klasifikasi daerah angka gizi buruk rendah, didapat:Zscore = -3,268 + 0,000 X1 + 0,358 X2

Selisih antara klasifikasi daerah angka gizi buruk tinggi dan rendah, didapat:(-12,130 + 0,001 X1 + 0,771 X2) – (-3,268 + 0,000 X1 + 0,358 X2)

Zscore= -8,862 + 0,001 X1 + 0,413 X2

Keterangan:X1 = DiareX2 = RS

Classification Resultsb,c

Klasifikasi

Predicted Group Membership

TotalTinggi Rendah

Original Count Tinggi 11 2 13

Rendah 1 21 22

% Tinggi 84.6 15.4 100.0

Rendah 4.5 95.5 100.0Cross-validateda Count Tinggi 11 2 13

Rendah 1 21 22% Tinggi 84.6 15.4 100.0

Rendah 4.5 95.5 100.0a. Cross validation is done only for those cases in the analysis. In cross validation, each case isclassified by the functions derived from all cases other than that case.b. 91,4% of original grouped cases correctly classified.c. 91,4% of cross-validated grouped cases correctly classified.

Keterangan Output:

10

Dari tabel diatas, pada baris Original, terlihat bahwa sebanyak 11 daerah tetap berada padaklasifikasi daerah dengan angka gizi buruk tinggi, sedangkan yang awalnya tergolongkedalam daerah dengan angka gizi buruk tinggi, tapi setelah menggunakan modeldiskriminan ternyata menjadi daerah dengan angka gizi buruk rendah adalah sebanyak 2daerah.

Untuk klasifikasi desa pada bagian Count, di mana yang tetap kelompok daerah denganangka gizi buruk rendah adalah sebanyak 21, dan terdapat 1 daerah, yang mana setelahmenggunakan model diskriminan ternyata menjadi daerah dengan angka gizi buruk tinggi.

Setelah itu, akan didapatkan model ketetapan prediksi yaitu sebagai berikut:11 + 2135 = 0,914 91,4% Angka ketepatan prediksi menunjukkan angka 91,4%, yang artinya bahwa model

diskriminan ini dapat digunakan dan valid karena ketepatan klasifikasi yang tinggi. Hal inimenunjukkan analisis ini dapat dilanjutkan untuk analisis lainnya.

IV. KESIMPULANBerdasarkan analisis diskriminan, maka didapatkan variabel yang menjadi pembeda dalam

pengelompokkan daerah dengan angka gizi buruk tinggi dan daerah dengan angka gizi burukrendah. Dari total 7 variabel yang dianalisis, yang merupakan variabel pembeda adalah variabelDiare (Jumlah Penderita Diare) sebagai X1 dan variabel RS (Jumlah Rumah Sakit) sebagai X2.Hasil persamaan diskriminan Fisher akhir adalah sebegai berikut:

Zscore= -8,862 + 0,001 X1 + 0,413 X2

Sementara itu, ketepatan prediksi pada model diskriminan yang dihasilkan memiliki nilaisebesar 91,4% sehingga analisis ini dapat dilanjutkan untuk analisis lainnya. Dengan mengetahuivariabel pembeda pada pengelompokan daerah dengan angka gizi buruk tinggi dan rendah, makadapat memudahkan peneliti untuk mengidentifikasi faktor yang mengindikasikan fenomena giziburuk pada suatu wilayah.

V. DAFTAR PUSTAKAAnonim. Tanpa Angka Tahun. “Modul Analisis Diskriminan” dalam Universitas Pendidikan

Indonesia. file.upi.edu Diunduh Kamis, 30 April 2015Badan Pusat Statistik Provinsi Jawa Tengah. 2014. Dalam jateng.bps.go.id Diunduh Kamis,

30 April 2015

11

LAMPIRAN OUTPUT

Casewise Statistics

CaseNumber

Highest Group Second Highest GroupDiscriminant

Scores

P(D>d | G=g)

Actual Group Predicted Group p df P(G=g | D=d)

SquaredMahalanobisDistance to

Centroid Group P(G=g | D=d)

SquaredMahalanobisDistance to

Centroid Function 1

Original 1 1 1 .074 1 1.000 3.194 2 .000 18.504 3.3682 1 1 .950 1 .953 .004 2 .047 6.009 1.517

3 2 2 .752 1 .981 .100 1 .019 8.013 -1.250

4 2 2 .757 1 .916 .095 1 .084 4.864 -.625

5 1 1 .428 1 .763 .629 2 .237 2.963 .788

6 2 2 .383 1 .995 .760 1 .005 11.466 -1.806

7 2 2 .912 1 .947 .012 1 .053 5.778 -.823

8 1 1 .714 1 .983 .135 2 .017 8.302 1.947

9 2 2 .857 1 .974 .032 1 .026 7.261 -1.114

10 1 1 .785 1 .979 .074 2 .021 7.767 1.853

11 2 2 .319 1 .658 .993 1 .342 2.304 .063

12 2 2 .879 1 .972 .023 1 .028 7.110 -1.08613 2 2 .836 1 .933 .043 1 .067 5.325 -.727

14 2 1** .251 1 .568 1.317 2 .432 1.868 .433

15 1 2** .258 1 .578 1.280 1 .422 1.913 .197

16 2 2 .685 1 .985 .165 1 .015 8.527 -1.340

17 2 2 .216 1 .998 1.533 1 .002 14.081 -2.172

18 1 1 .431 1 .765 .620 2 .235 2.983 .793

19 2 2 .570 1 .850 .323 1 .150 3.788 -.366

20 1 1 .393 1 .734 .730 2 .266 2.756 .726

21 1 2** .474 1 .796 .512 1 .204 3.236 -.218

22 2 2 .480 1 .800 .499 1 .200 3.269 -.228

23 2 2 .591 1 .859 .288 1 .141 3.910 -.39724 2 2 .446 1 .777 .580 1 .223 3.071 -.172

12

25 2 2 .590 1 .989 .291 1 .011 9.324 -1.473

26 2 2 .292 1 .625 1.112 1 .375 2.131 .121

27 1 1 .317 1 .656 1.002 2 .344 2.290 .580

28 1 1 .012 1 1.000 6.251 2 .000 25.145 4.081

29 1 1 .543 1 .991 .370 2 .009 9.752 2.189

30 2 2 .175 1 .999 1.839 1 .001 14.981 -2.290

31 2 2 .538 1 .834 .380 1 .166 3.603 -.318

32 2 2 .221 1 .998 1.495 1 .002 13.966 -2.15733 1 1 .252 1 .998 1.311 2 .002 13.389 2.725

34 2 2 .925 1 .949 .009 1 .051 5.858 -.840

35 2 2 .296 1 .997 1.092 1 .003 12.668 -1.979Cross-validateda

1 1 1 .000 2 1.000 107.239 2 .000 135.813

2 1 1 .795 2 .947 .458 2 .053 6.210

3 2 2 .933 2 .979 .138 1 .021 7.825

4 2 2 .873 2 .909 .272 1 .091 4.878

5 1 1 .531 2 .738 1.265 2 .262 3.332

6 2 2 .637 2 .995 .901 1 .005 11.468

7 2 2 .844 2 .942 .339 1 .058 5.896

8 1 1 .449 2 .980 1.600 2 .020 9.394

9 2 2 .485 2 .970 1.445 1 .030 8.371

10 1 1 .488 2 .975 1.434 2 .025 8.752

11 2 2 .524 2 .642 1.293 1 .358 2.462

12 2 2 .776 2 .968 .506 1 .032 7.349

13 2 2 .973 2 .928 .054 1 .072 5.178

14 2 1** .505 2 .594 1.367 2 .406 2.126

15 1 2** .506 2 .624 1.361 1 .376 2.377

16 2 2 .912 2 .983 .184 1 .017 8.320

17 2 2 .423 2 .998 1.720 1 .002 14.358

18 1 1 .675 2 .752 .785 2 .248 3.001

13

19 2 2 .768 2 .841 .529 1 .159 3.862

20 1 1 .502 2 .706 1.378 2 .294 3.126

21 1 2** .664 2 .866 .819 1 .134 4.546

22 2 2 .649 2 .788 .864 1 .212 3.484

23 2 2 .827 2 .852 .380 1 .148 3.885

24 2 2 .516 2 .757 1.324 1 .243 3.592

25 2 2 .810 2 .988 .421 1 .012 9.234

26 2 2 .340 2 .586 2.158 1 .414 2.854

27 1 1 .546 2 .635 1.209 2 .365 2.318

28 1 1 .000 2 1.000 16.301 2 .000 39.794

29 1 1 .692 2 .990 .736 2 .010 9.864

30 2 2 .317 2 .999 2.299 1 .001 15.674

31 2 2 .661 2 .822 .827 1 .178 3.880

32 2 2 .398 2 .998 1.840 1 .002 14.403

33 1 1 .448 2 .998 1.605 2 .002 13.614

34 2 2 .931 2 .944 .143 1 .056 5.803

35 2 2 .545 2 .997 1.213 1 .003 12.735

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 casea. 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.

14

LAMPIRAN LANGKAH KERJA

Buka Program SPSS Pada variable view isikan data Kabupaten/Kota, Klasifikasi, Kemiskinan, Diare, RS, Balai

Pengobatan, Puskesmas, Apotik, dan Dokter. Gunakan skala data nominal untuk variabeldependen dan skala data scale untuk variabel independen

Isikan Values sesuai dengan klasifikasi data yang telah ditentukan sebelumnya

Input Data yang telah ada di bagian Data View.

Untuk melakukan analisis cluster, pada menu bar pilih AnalyzeClassifyDiscriminant

15

Pindahkan variabel Desa ke dalam Label Cases by, dan variabel lainnya ke dalamVariables(s) seperti gambar.

Pindahkan variabel Klasifikasi ke dalam Grouping Variable, lalu klik Define Range.Pilih opsi Use Stepwise Method

Klik button Statistics Pilih opsi sesuai gambar Continue.

Klik button Method Pilih opsi sesuai gambar Continue.

Klik button Method Pilih opsi sesuai gambar Continue.