1 PENDAHULUAN
- 1.1 Latar Belakang
2 Tinjauan Pustaka
- 2.1 Analisis Diskriminan
- 2.2 Metode Analisi Data
3 SOURCE CODE
4 HASIL DAN PEMBAHASAN
5 DAFTAR PUSTAKA

Notes Theme: - Kelas E: cayman
- Kelas F: tactile
- Kelas G: architect
- Kelas H: hpstr

Library:

> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")

1 PENDAHULUAN

1.1 Latar Belakang

Covid-19 sudah mewabah di Indonesia selama hampir dua tahun sehingga menyebabkan banyak sektor terdampak. Indonesia sebagai negara berkembang, sampai saat ini masih memiliki tingkat pengangguran yang cukup tinggi. Terlebih lagi, pada tahun 2020 saat pandemi Covid-19 mulai diumumkan di Indonesia, Badan Pusat Statistik menyebutkan bahwa sebanyak 9,77 juta masyarakat Indonesia belum memiliki pekerjaan. Tingkat pengangguran terbuka yang tinggi tentunya juga mendapat sumbangsih dari banyaknya lulusan universitas yang menganggur pula sebesar 999,5 juta orang pertahun 2021 (Badan Pusat Statistik, 2021).

Berwirausaha merupakan salah satu pilihan rasional karena bersifat mandiri, dalam artian tidak bergantung pada ketersediaan lapangan pekerjaan yang ada, serta mampu menjembatani kesenjangan antara ilmu pengetahuan dan pasar (Hisrich, Peters & Sheperd, 2008). Wirausaha juga merupakan penyumbang pajak bagi pemerintah, sebesar 70% lebih APBN Indonesia dibiayai oleh pajak. Jumlah wirausaha yang semakin banyak, akan meningkatkan pertumbuhan ekonomi di Indonesia (Uno, 2008). Kewirausahaan tidak hanya berkaitan dengan soal bisnis dan perdagangan, namun kewirausahaan dapat diartikan sebagai semangat, sikap, perilaku, dan kemampuan individu dalam menangani usaha dan atau kegiatan yang mengarah pada upaya mencari, menciptakan, menerapkan cara kerja teknologi dan produk baru dengan meningkatkan efisiensi dalam rangka memberikan pelayanan yang lebih dan memperoleh keuntungan yang besar (Anoraga & Sudantoko, 2002).

Namun, Sekretaris Kementerian Koperasi dan UKM, Arif Rahman Hakim, dalam catatannya menyebutkan bahwa berdasarkan data Global Entrepreneurship Index 2019, Indonesia menduduki peringkat wirausaha ke-74 dari 137 negara. Sementara itu, dalam wilayah ASEAN, Indonesia dan Filipina menempati peringkat kedua terendah dalam dimensi kewirausahaan. Hal tersebut perlu menjadi perhatian khusus bagi pemerintah dan seluruh masyarakat Indonesia, bahwasannya keterampilan dan kemampuan dalam berwirausaha sangat dibutuhkan untuk mengurangi tingkat pengangguran terbuka. Mahasiswa sebagai generasi muda adalah kunci dalam meningkatkan perekonomian di Indonesia melalui penggalakan isu kewirausahaan. Mahasiswa yang memiliki jiwa wirausaha adalah mahasiswa yang percaya diri dengan indikator penuh keyakinan, optimis, disiplin, berkomitmen, dan bertanggung jawab, memiliki inisiatif dengan indikator penuh energi, cekatan dalam bertindak, dan aktif, memiliki motif berprestasi dengan indikator berorientasi pada hasil dan berwawasan ke depan, memiliki jiwa kepemimpinan dengan indikator berani tampil beda, dapat dipercaya dan tangguh dalam bertindak, serta memiliki sifat berani dalam mengambil risiko dengan penuh perhitungan (Chotimah, 2014).

Dalam menjalankan wirausaha diperlukan beberapa keahlian dan pengetahuan yang relevan. Demi menciptakan wirausahawan muda, Direktorat Pembelajaran dan Kemahasiswaan mencanangkan program yang bernama Program Kewirausahaan Mahasiswa Indonesia (PKMI). PKMI bertujuan untuk membangun kesadaran, motivasi, serta kepercayaan diri pada mahasiswa dalam berwirausaha sehingga mampu membentuk lulusan yang dapat menciptakan lapangan pekerjaan. PKMI juga memiliki tantangan besar untuk menciptakan mahasiswa dengan jiwa tangguh, inovatif dan kreatif, serta memiliki daya saing tinggi. Selain itu, PKMI juga akan melakukan relevansi antara pengetahuan akademik dengan implementasi nyata yang dibutuhkan oleh masyarakat sehingga pengetahuan tersebut tidak hanya sekadar dimengerti, namun juga diterapkan. Faktor lain yang mampu membentuk mahasiswa wirausaha yang baik adalah motivasi dari orang-orang terdekat agar terus dapat menjalankan usaha dan pengalaman mahasiswa dalam berwirausaha. Pengalaman bisa terbentuk sejak awal membangun wirausaha atau melalui riwayat keluarga yang merupakan wirausahawan.

Meskipun segala upaya telah dilakukan agar pengetahuan dan implementasi berwirausaha mencapai keberhasilan, masih banyak mahasiswa yang belum mampu menjalankan wirausahanya karena beberapa faktor. Beberapa faktor tersebut adalah gengsi dalam menyebarluaskan dan mempromosikan layanan/produk yang diberikan oleh usaha yang dibangun, mahasiswa wirausaha merasa tidak percaya diri dan tidak bisa menarik pembeli karena rasa malas. Selain itu, modal juga menjadi sebuah penghambat mahasiswa dalam meneruskan usaha, mengingat tidaklah mudah untuk mencari modal usaha sebagai mahasiswa. Oleh sebab itu, penelitian ini diharapkan mampu memberikan wawasan kepada pembaca mengenai faktor yang mampu mempengaruhi ketangguhan wirausaha mahasiswa. Selain itu, diharapkan pembaca mampu memperoleh informasi mengenai prediksi ke depan terkait ketangguhan suatu wirausaha mahasiswa berdasarkan faktor-faktor yang diperoleh.

Sedangkan tujuan dilakukannya penelitian ini adalah untuk mengetahui perbedaan yang signifikan antara mahasiswa yang tangguh dan yang tidak tangguh dalam berwirausaha. Penelitian menggunakan variabel motivasi, kepuasan, pengalaman, dan pengetahuan dalam berwirausaha untuk mencari variabel mana yang memiliki kemampuan menjelaskan terbaik, artinya ingin mengetahui seberapa baik variabel-variabel tersebut dapat menunjukkan dan menjelaskan mengenai ketangguhan mahasiswa dalam berwirausaha. Selain itu, tujuan penelitian juga digunakan untuk memperoleh model diskriminan dua faktor terbaik yang terbentuk.

2 Tinjauan Pustaka

2.1 Analisis Diskriminan

Analisis diskriminan adalah salah satu metode statistika yang masuk ke dalam analisis multivariat yang bertujuan untuk mengelompokkan suatu pengamatan ke dalam suatu kelompok berdasarkan sekumpulan variabel yang mempengaruhinya (Johnson & Wichern, 2007). Pengelompokan dilakukan dengan membantuk sebuah fungsi diskriminan. Fungsi diskrimininan merupakan fungsi yang terdiri atas kombinasi liniear berbagai variabel prediktor. Pada nantinya akan terbentuk fungsi diskrimininan sebanyak jumlah kelas atau kategori dikurangi satu yang dapat memisahkan data. Bentuk umum dari fungsi diskriminan yaitu: \[ 𝑍 = 𝑎 + W_{1}X_{1} + W_{2}X_{2} + ⋯ + W_{p}X_{p} \] Keterangan:

Z = Skor diskriminan

p = Banyaknya variabel prediktor

𝑎 = Intersep atau koefisien persamaan fungsi diskriminan

𝑊_i = Bobot diskriminan untuk peubah prediktor ke-i, di mana i = 1,2, … ,p

𝑋_i = Variabel prediktor ke-i, di mana i = 1,2, … ,p dan k= 1,2, … ,n

Analisis diskriminan digunakan pada kasus dimana variabel respons berupa data kategorik dan variabel prediktor berupa data numerik. Secara umum tujuan dari analisis diskriminan adalah :

Mengklasifikasikan objek baru ke dalam kelompok berdasarkan fungsi diskriminan yang terbentuk.
Mengidentifikasi variabel prediktor yang berkontribusi terhadap pemisahan kelompok data.
Membuat fungsi diskriminan yang terdiri atas kombinasi linear berbagai variabel prediktor yang dapat memisahkan objek ke dalam kelompok data.

2.2 Metode Analisi Data

2.2.1 Pengujian Asumsi

Asumsi yang harus terpenuhi pada analisis diskriminan yaitu data harus memenuhi distribusi normal multivariat dan menghasilkan matriks ragam-peragam yang sama setiap kelompok (Johnson & Wicherm, 2002).

2.2.1.1 Uji Normalitas Multivariat

Pengujian normal multivariat menggunakan uji Kolmogorov-Smirnov dengan hipotesis uji yang digunakan adalah sebagai berikut.

H₀: Variabel motivasi mahasiswa, kepuasan mahasiswa dalam berwirausaha, pengalaman berwirausaha, dan pengetahuan berwirausaha berdistribusi normal multivariat

H₁: Variabel Variabel motivasi mahasiswa, kepuasan mahasiswa dalam berwirausaha, pengalaman berwirausaha, dan pengetahuan berwirausaha tidak berdistribusi normal multivariat

Dengan taraf signifikansi yang digunakan α = 0.05, maka apabila nilai-p lebih kecil dari α, maka H₀ ditolak.

2.2.1.2 Uji homogenitas matriks ragam-peragam

Pengujian tersebut menggunakan uji Bartlett dengan hipotesis uji sebagai berikut.

H₀: Grup peragam matriks relatif sama (kategori tangguh dan tidak tangguh pada variabel respon ketangguhan wirausaha mempunyai matriks ragam-peragam yang sama)

H₁: Grup peragam matriks relatif berbeda (kategori tangguh dan tidak tangguh pada variabel respon ketangguhan wirausaha mempunyai matriks ragam-peragam yang berbeda)

Dengan taraf signifikansi yang digunakan α = 0.05, maka apabila nilai-p pada uji Bartlett lebih kecil dari α, maka H₀ ditolak.

2.2.2 Menguji signifikansi perbedaan antarkategori pada variabel respon

Untuk mengetahui perbedaan rata-rata antara dua kategori pada variabel respon, maka digunakan uji Wilk’s Lambda dengan hipotesis uji sebagai berikut.

H₀ : μ₁=μ₂ (tidak terdapat perbedaan rata-rata antara kategori tangguh dan tidak tangguh)

H₁ : μ₁≠μ₂ (terdapat perbedaan rata-rata antara kategori tangguh dan tidak tangguh)

Dengan taraf signifikansi yang digunakan α = 0.05, maka apabila nilai-p pada Wilk’s Lambda lebih kecil dari α, maka H₀ ditolak

2.2.3 Menghitung kontribusi variabel prediktor terhadap variabel respon

Besarnya kontribusi tiap variabel prediktor terhadap variabel ketangguhan mahasiswa dalam berwirausaha dapat diidentifikasi berdasarkan nilai Canonical Correlation.

2.2.4 Fungsi diskriminan yang dapat dibentuk adalah sebagai berikut.

\[ D_{i} = b_{0}+b_{1}X_{i1} + b_{2}X_{i2} +b_{3}X_{i3} + ...+ b_{j}X_{ij} \] Dimana: D_i = nilai (skor ) Diskriminan dari responden (objek ) ke- i. i = 1,2,…,n. D merupakan variabel tak bebas yaitu data kategorik atau nominal, seperti usaha yang tangguh/ sampai saat ini masih berjalan (kode 1), usaha yang tidak tangguh/ sekarang sudah tidak berjalan (kode 0), dan sebagainya.

b_j= koefisien atau timbangan Diskriminan dari variabel atau atribut ke j.

X_ij= variabel bebas/ prediktor ke j dari pengamatan ke-i

Jika data kategorik tersebut hanya terdiri atas dua kode saja, maka model bisa disebut Two Group Discriminant Analysis. Sedangkan jika kode lebih dari dua kategori, disebut dengan Multiple Discriminant Analysis.

2.2.5 Membuat tabel klasifikasi dan menguji ketepatan model

Digunakan untuk mengetahui seberapa besar keakurasian model dalam mengklasifikasi suatu objek. Ukuran yang digunakan adalah Hit Ratio atau Apparent Error Rate (APER). Hit Ratio merupakan proporsi objek yang diklasifikasikan benar oleh model, sedangkan APER kebalikannya, yaitu proporsi objek yang diklasifikan salah oleh model. Untuk memudahkan dalam pengitungannya, perlu dibuat sebuah Confusion Matrix, yaitu matriks tabulasi silang antara kategori sebenarnya dengan kategori yang diprediksi oleh model. Rumus Untuk menghitung Hit Ratio adalah sebagai berikut \[ HitRatio = \frac{n_{C1} - n_{C2}}{n_{C1}+n_{M2}+n_{M2}+n_{C2}} \]

3 SOURCE CODE

3.1 Library yang Dibutuhkan

> # Library(MVN)
> # Library(biotools) 
> # Library(Candisc)
> # Library(MASS) 
> # Library(caret)

3.2 Memanggil Data yang digunakan

Keterangan Variabel :

Y : Ketangguhan Mahasiswa dalam Berwirausaha

Nilai 1 : usaha yang tangguh/ sampai saat ini masih berjalan.
Nilai 0 : usaha yang tidak tangguh/ sekarang sudah tidak berjalan

X₁ : Motivasi Mahasiswa

X₂ : Kepuasan Mahasiswa dalam Berwirausaha

X₃ : Pengalaman Berwirausaha

X₄ : Pengetahuan Berwirausaha

> DataPrak<-read.csv("D:/MATERI SEM 6/KOMSTAT/PRAKTIKUM/Ketangguhan Mahasiswa Berwirausaha.csv", header=TRUE, sep=",")
> kable(DataPrak, caption = "Data Hasil Pengamatan")

Data Hasil Pengamatan
Y	Total_X1	Total_X2	Total_X3	Total_X4
1	30	35	35	35
1	24	38	32	28
1	22	32	29	29
1	20	36	29	28
1	29	43	36	32
1	30	33	38	27
1	25	38	28	28
1	26	34	31	29
1	24	36	26	21
1	24	41	32	20
1	25	38	30	28
1	29	31	34	25
1	25	36	27	27
1	29	42	33	27
1	29	42	40	31
1	25	43	33	30
1	26	51	38	35
1	18	28	18	27
1	25	43	27	26
1	27	46	32	26
1	30	55	37	32
0	25	34	29	26
0	26	24	29	27
0	20	30	19	18
0	25	35	30	25
0	22	29	28	25
0	25	33	32	30
0	21	28	29	24
0	27	32	27	19
0	21	31	24	24
0	23	42	33	29
0	23	38	28	26
0	23	35	32	28
0	23	32	32	26
0	25	41	36	29
0	26	41	32	28
0	24	30	33	30
0	27	34	34	28
0	23	30	25	24
0	26	45	36	27

Mendefinisikan bahwa data yang digunakan dipanggil dab dusunoab pada Variabel DataPrak. Data berasal pada folder D yang berjudul “Ketangguhan Mahasiswa Berwirausaha” dengan format csv. Sehingga untuk memanggil datanya menggunakan format ‘read.csv()’

3.3 Pengujian Asumsi

3.3.1 Cek Outlier

> library(MVN)
> datacek<-DataPrak
> hasildata<-mvn(datacek[,2:5], multivariateOutlierMethod = "adj", showNewData = TRUE)

> hasildata
$multivariateNormality
           Test        HZ   p value MVN
1 Henze-Zirkler 0.6676546 0.7623378 YES

$univariateNormality
              Test  Variable Statistic   p value Normality
1 Anderson-Darling Total_X1     0.5114    0.1844    YES   
2 Anderson-Darling Total_X2     0.4658    0.2399    YES   
3 Anderson-Darling Total_X3     0.4321    0.2904    YES   
4 Anderson-Darling Total_X4     0.7592    0.0443    NO    

$Descriptives
          n   Mean  Std.Dev Median Min Max  25th  75th        Skew   Kurtosis
Total_X1 40 24.925 2.903468   25.0  18  30 23.00 26.25 -0.08682651 -0.4234196
Total_X2 40 36.625 6.518957   35.5  24  55 32.00 41.25  0.60133756  0.1483680
Total_X3 40 30.825 4.711620   32.0  18  40 28.00 33.25 -0.55123457  0.4476414
Total_X4 40 27.100 3.643047   27.0  18  35 25.75 29.00 -0.31402419  0.5304008

$newData
   Total_X1 Total_X2 Total_X3 Total_X4
11       25       38       30       28
12       29       31       34       25
13       25       36       27       27
14       29       42       33       27
15       29       42       40       31
16       25       43       33       30
17       26       51       38       35
19       25       43       27       26
2        24       38       32       28
20       27       46       32       26
21       30       55       37       32
22       25       34       29       26
23       26       24       29       27
25       25       35       30       25
26       22       29       28       25
27       25       33       32       30
28       21       28       29       24
3        22       32       29       29
30       21       31       24       24
31       23       42       33       29
32       23       38       28       26
33       23       35       32       28
34       23       32       32       26
35       25       41       36       29
36       26       41       32       28
37       24       30       33       30
38       27       34       34       28
39       23       30       25       24
4        20       36       29       28
40       26       45       36       27
5        29       43       36       32
6        30       33       38       27
7        25       38       28       28
8        26       34       31       29
9        24       36       26       21

syntax di atas menjelaskan untuk membentuk Q-Q Plot analisis multivariat untuk mendetekteksi adanya outlier dari data dengan bantuan function mvn sehingga harus memanggil packages MVN dengan data yang digunakan adalah kolom ke 2 hingga kolom ke 5 dari variabel datacek yang telah dijelaskan sebelumnya yang berisi variabel DataPrak.

Berdasarkan gambar di atas, dapat diketahui bahwa pada data yang digunakan masih terdapat data outlier dengan total outliers sebanyak 5 data yaitu data ke-29, 24, 18, 10 dan 1.Kemudian dilakukan penanganan dengan cara membuang baris yang mengandung outlier. Sehingga menghasilkan data sebagai berikut yang sudah tidak mengandung outlier.

> databaru<-hasildata$newData
> kable(databaru, caption="Data Pengamatan Baru Tanpa Outlier")

Data Pengamatan Baru Tanpa Outlier
	Total_X1	Total_X2	Total_X3	Total_X4
11	25	38	30	28
12	29	31	34	25
13	25	36	27	27
14	29	42	33	27
15	29	42	40	31
16	25	43	33	30
17	26	51	38	35
19	25	43	27	26
2	24	38	32	28
20	27	46	32	26
21	30	55	37	32
22	25	34	29	26
23	26	24	29	27
25	25	35	30	25
26	22	29	28	25
27	25	33	32	30
28	21	28	29	24
3	22	32	29	29
30	21	31	24	24
31	23	42	33	29
32	23	38	28	26
33	23	35	32	28
34	23	32	32	26
35	25	41	36	29
36	26	41	32	28
37	24	30	33	30
38	27	34	34	28
39	23	30	25	24
4	20	36	29	28
40	26	45	36	27
5	29	43	36	32
6	30	33	38	27
7	25	38	28	28
8	26	34	31	29
9	24	36	26	21

Perintah untuk menampilkan hasil data yang sudah dihilangkan outlier-nya dan disimpan pada variabel databaru kemudian ditampilkan dalam bentuk tabel dengan judul “Data Pengamatan Baru Tanpa Outlier” dengan bantuan function kable. Kemudian data baru ini akan dilakukan pengujian asumsi

3.3.2 Asumsi Normal Multivariat

> hasil<- mvn(databaru, mvnTest = 'royston',  alpha = 0.05)
> hasil
$multivariateNormality
     Test        H   p value MVN
1 Royston 4.040463 0.4080715 YES

$univariateNormality
              Test  Variable Statistic   p value Normality
1 Anderson-Darling Total_X1     0.6357    0.0896    YES   
2 Anderson-Darling Total_X2     0.3795    0.3860    YES   
3 Anderson-Darling Total_X3     0.3267    0.5082    YES   
4 Anderson-Darling Total_X4     0.3941    0.3562    YES   

$Descriptives
          n     Mean  Std.Dev Median Min Max 25th 75th      Skew    Kurtosis
Total_X1 35 25.08571 2.571008     25  20  30 23.0 26.0 0.2003781 -0.61831127
Total_X2 35 37.11429 6.614474     36  24  55 32.5 42.0 0.5358961  0.08051124
Total_X3 35 31.48571 3.883384     32  24  40 29.0 33.5 0.2009277 -0.68878803
Total_X4 35 27.57143 2.703872     28  21  35 26.0 29.0 0.2707822  0.52216865

Perintah untuk melakukan uji asumsi normal multivariat dengan bantuan function mvn dengan data yang digunakan adalah data pada variabel databaru dengan metode asumsi normalitas multivariat yang digunakan adalah uji royston dengan tingkat kepercyaaan 95%.

3.3.3 Uji Asumsi Homogenitas Matriks Ragam-peragam

> uji_bart <- function(x){
+   method <- "Bartlett's test of sphericity"
+   data.name <- deparse(substitute(x))
+   x <- subset(x, complete.cases(x))
+   n <- nrow(x)
+   p <- ncol(x)
+   chisq <- (1-n+(2*p+5)/6)*log(det(cor(x)))
+   df <- p*(p-1)/2
+   p.value <- pchisq(chisq, df, lower.tail=FALSE)
+   names(chisq) <- "Khi-squared"
+   names(df) <- "df"
+   return(structure(list(statistic=chisq, parameter=df, p.value=p.value,
+                         method=method, data.name=data.name), class="htest"))}
> library(biotools)
> dataakhir<-DataPrak[c(2:9,11:17,19:23,25:28,30:40),1:5]
> attach(dataakhir)
> uji_bart(dataakhir)

    Bartlett's test of sphericity

data:  dataakhir
Khi-squared = 68.136, df = 10, p-value = 1.014e-10

Perintah untuk menguji Homogenitas Matriks Ragam-peragam dengan menggunakan uji bartlett dengan bantuan perintah uji_bart() , dimana data yang digunakan adalah dari variabel dataakhir yang telah didefinisikan adalah berasal dari variabel DataPrak mulai dari kolom 1 hingga kolom 1, namun tanpa outlier yang berada pada baris ke 1,10, 18, 24, 29.

3.4 Pengujian perbedaan Rata-rata variabel dependen

Untuk menguji apakah terdapat perbedaan rata-rata (nilai variabel prediktor) antar kategori , digunakan Uji Manova dengan statistik uji Wilk’s Lambda . Untuk melakukan uji tersebut di R dapat menggunakan fungsi manova dan mengisikan Wilks pada parameter test.

> library(candisc)
> X<-as.matrix(dataakhir[2:5])
> X.manova<-manova(X~dataakhir$Y, data=dataakhir)
> X.wilks<-summary(X.manova, test="Wilks")
> X.wilks
            Df   Wilks approx F num Df den Df  Pr(>F)  
dataakhir$Y  1 0.67801   3.5618      4     30 0.01715 *
Residuals   33                                         
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Untuk menguji apakah terdapat perbedaan rata-rata (nilai variabel prediktor) antar kategori , digunakan Uji Manova dengan statistik uji Wilk’s Lambda dengan membentuk matrix dari kolom 2 hingga kolom 5 pada variabel dataakhir yang disimpan pada variabel X. Kemudian dilakukan uji manova dengan bantuan function manova() antara variabel Y pada variabel dataakhir dengan vektor matriks variabel X yang disimpan pada variabel X.manova. Kemudian dilakukan uji Wilk’s Lambda dengan menampilkan summary variabel x.manova dengan argumen dilakukan uji wilks.

3.5 Kontribusi Variabel Prediktor terhadap Variabel Respon

> cc<-candisc(X.manova)
> cc

Canonical Discriminant Analysis for dataakhir$Y:

   CanRsq Eigenvalue Difference Percent Cumulative
1 0.32199    0.47491                100        100

Test of H0: The canonical correlations in the 
current row and all that follow are zero

  LR test stat approx F numDF denDF Pr(> F)  
1      0.67801   3.5618     4    30 0.01715 *
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Perintah untuk melakukan Menghitung kontribusi variabel prediktor terhadap variabel respon dengan menghitung nilai Canonical Correlation dengan bantuan function candisc() dan data yang digunakan berasal dari variabel X.manova

3.5.1 Membuat Fungsi Diskriminan

> library(MASS)
> library(caret)
Error: package 'ggplot2' could not be loaded
> modellda<-lda(Y~., data = dataakhir)
> modellda
Call:
lda(Y ~ ., data = dataakhir)

Prior probabilities of groups:
        0         1 
0.4857143 0.5142857 

Group means:
  Total_X1 Total_X2 Total_X3 Total_X4
0 24.00000 34.23529 30.70588 26.82353
1 26.11111 39.83333 32.22222 28.27778

Coefficients of linear discriminants:
                LD1
Total_X1  0.4245214
Total_X2  0.1015495
Total_X3 -0.2659685
Total_X4  0.1908012

Perintah untuk membentuk model fungsi diskriminan dengan bantuan function lda() dengan data yang digunakan berasal dari variabel data akhir

3.5.2 Membuat tabel klasifikasi dan menguji ketepatan model

Setelah model fungsi diksriminan diperoleh, kemudian menguji klasifikasi fungsi diskriminan dan dilihat seberapa besar akurasi klasifikasi ketangguhan berwirausaha tersebut dengan menggunakan nilai akurasi syntax berikut.

> pred_LDA1<- predict(modellda, dataakhir)
> table(actual=dataakhir$Y, predicted=pred_LDA1$class)
      predicted
actual  0  1
     0 15  2
     1  6 12

Perintah melakukan prediksi dengan bantuan function predict()* dan menampilkan tabel hasil klasifikasi dengan bantuan function table() dengan argument actual adalah nilai variabel Y pada variabel dataakhir dan predicted adalah variabel class pada variabel pred_LDA1. Kemudian dari tabel klasifikasi digunakan untuk menghitung Hit Ratio atau nilai akurasi.

4 HASIL DAN PEMBAHASAN

4.1 Asumsi Normal Multivariate

Hipotesis yang digunakan : H₀: variabel prediktor berdistribusi normal multivariat H₁: variabel prediktor tidak berdistribusi normal multivariat Keputusan Berdasarkan hasil output Uji Normal Multivariat di atas, didapatkan nilai P-value sebesar 0.480715 dimana lebih besar dari alpha=0.05, sehingga H₀ ditolak Interpretasi : Dapat disimpulkan bahwa data berdistribusi normal Multivariat

4.2 Asumsi

Hipotesis yang digunakan H₀: grup peragam matriks relatif sama (kategori tangguh dan tidak tangguh pada variabel respon ketangguhan wirausaha mempunyai matriks ragam-peragam yang sama) H₁: grup peragam matriks relatif berbeda (kategori tangguh dan tidak tangguh pada variabel respon ketangguhan wirausaha mempunyai matriks ragam-peragam yang berbeda) Keputusan Bedasarkan uji Bartlett didapatakan hasil ujinya seperti di atas, didapatkan nilai-p sebesar 1.014 x 10^-10 dimana kurang dari alpha = 0.05, sehingga H₀ diterima Interpretasi: Dengan demikian, Dapat disimpulkan bahwa kategori tangguh dan tidak tangguh pada variabel respon ketangguhan mahasiswa dalam berwirausaha mempunyai matriks ragam-peragam yang sama.

Selanjutnya, melakukan uji manova untuk mengetahui apakah terdapat perbedaan rata-rata antara variabel dependen(ketangguhan mahasiswa dalam berwirausaha)

4.3 Pengujian Perbedaan Rata-rata Variabel dependen

Hipotesis yang digunakan H₀:μ₁=μ₂ (tidak terdapat perbedaan rata-rata antara kategori tangguh dan tidak tangguh) H₁:μ₁≠μ₂ (terdapat perbedaan rata-rata antara kategori tangguh dan tidak tangguh) Keputusan: Berdasarkan hasil pengujian manova, dari output di atas diperoleh p-value sebesar 0.01715 dimana lebih dari alpha 0.05 yang berarti H₀ ditolak. Interpretasi: Sehingga, dapat disimpulkan terdapat perbedaan rata-rata skor diskriminan kategori tangguh dan tidak tangguh pada variabel ketangguhan mahasiswa dalam berwirausaha secara multivariat.

4.4 Kontribusi Variabel Prediktor terhadap variabel Respon

Hasil dari pengujian yang didapat menunjukkan bahwa nilai Canonical Correlation sebesar 0.32199, artinya variabel motivasi mahasiswa, kepuasan mahasiswa dalam berwirausaha, pengalaman berwirausaha, dan pengetahuan berwirausaha dapat menjelaskan ketangguhan mahasiswa dalam berwirausaha (tangguh atau tidak tangguhnya mahasiswa dalam berwirausaha) sebesar 32.199%, sedangkan 67.801% lainnya dipengaruhi oleh variabel lain di luar penelitian.

4.5 Membuat Fungsi Diskriminan

Dalam menentukan fungsi diskriminan, dilakukan dengan bantuan function lda dari output Coefficients of linear discriminants tersebut didapatkan semua variabel membentuk fungsi diskriminan yaitu X1, X2, X3 dan X4. Sehingga, fungsi diskriminan baku yang terbentuk adalah sebagai berikut.

\[ D_{1} = 0.4245214X_{1} + 0.1015495X_{2} - 0.2659685X_{3} + 0.1908012X_{4} \] Pada fungsi diskriminan yang baku (standar) koefisien variabel X1, X2, dan X4 bertanda positif, sedangkan koefisien variabel X3 bertanda negatif. Artinya terdapat variabel bebas sebanyak 3 buah yang tercantum dalam fungsi diskriminan D, mempunyai pengaruh yang positif, sedangkan 1 variabel bebas mempunyai pengaruh negatif. Hal itu berarti setiap mengalami kenaikan pada variabel X₁, X₂, X₄ akan menaikan discriminant power-nya, sedangkan kebalikannya jika variabel X₃ mengalami kenaikan maka akan menurunkan discriminant power-nya. Oleh karena sudah dibuat baku, maka bisa disimpulkan bahwa semakin besar nilai koefisien dari suatu variabel bebas(X₁, X₂, X₄), semakin besar discriminant power dari variabel yang bersangkutan. Namun, semakin besar nilai koefisien dari suatu variabel bebas(X₃), maka semakin turun discriminant power dari variabel yang bersangkutan

4.6 Membuat tabel klasifikasi dan menguji ketepatan model

Dapat dilihat dari table pengklasifikasian diatas, ketangguhan mahasiswa dalam berwirausaha yang pada data awal berada pada kategori tidak tangguh dan setelah klasifikasi tetap pada kategori tidak tangguh sebanyak 17 mahasiswa. Sedangkan ketangguhan mahasiswa dalam berwirausaha yang pada data awal berada pada kategori tangguh dan setelah klasifikasi tetap pada kategori tangguh sebanyak 18 mahasiswa. Hal ini menunjukkan bahwa 100% dari 35 mahasiswa yang diolah telah dimasukkan pada grup yang sesuai dengan data semula.

Nilai Hit Ratio yang diperoleh adalah \[ HitRatio = \frac{15 +12}{15+2+6+12} \] \[ HitRatio = 0.771428571 \] Sehingga dapat disimpulkan bahwa tingkar akurasi yang diklasifikan benar oleh model adalah sebsar 77.143%

5 DAFTAR PUSTAKA

Johnson, R. A. & Wichern, D. W. (2002). Applied Multivariate Statistical Analysis, fifth edition. New Jersey: Prantice Hall.

Hidayat, A. (2016). Penjelasan Tentang Analisis Multivariat. Retrieved Juny 07, 2020, from https://www.statistikian.com/2016/11/analisis-multivariat.html.

Susongko, P., & Sari, I. A. (2010). Analisis Diskriminan dalam Penelitian Ekonomi. Cermin, (047).

PENERAPAN ANALISIS DISKRIMINAN LINIER TERHADAP KETANGGUHAN MAHASISWA DALAM BERWIRAUSAHA

Firos Arkan Hapsoro Resnale

18 Mei 2022