Skripsi

1
ANALISIS DISKRIMINAN LINIER PADA
KLASIFIKASI NASABAH MENUNGGAK DAN TIDAK
MENUNGGAK DENGAN METODE CROSS
VALIDATION
SKRIPSI
DIAN CHRISTIEN ARISONA
H 121 10 262
PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
MAKASSAR
MARET 2015

2
ANALISIS DISKRIMINAN LINIER PADA
KLASIFIKASI NASABAH MENUNGGAK DAN TIDAK
MENUNGGAK DENGAN METODE CROSS
VALIDATION
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains
pada Program studi Statistika Jurusan Matematika dan Ilmu Pengetahuan
Alam Universitas Hasanuddin
H 121 10 262
PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
MAKASSAR
MARET 2015

3
LEMBAR PERNYATAAN KEOTENTIKAN
Saya yang bertanda tangan di bawah ini menyatakan dengan sungguh-sungguh
bahwa skripsi yang saya buat dengan judul:
Analisi Diskriminan Linier pada Klasifikasi Nasabah Menunggak dan
Tidak Menunggak dengan Metode Cross Validation
adalah benar hasil karya saya sendiri, bukan hasil plagiat dan belum pernah
dipublikasikan dalam bentuk apapun.
Makassar, 6 Maret 2015
Dian Christien Arisona
NIM H12110262

4
ANALISIS DISKRIMINAN LINIER PADA KLASIFIKASI
NASABAH MENUNGGAK DAN TIDAK MENUNGGAK
DENGAN METODE CROSS VALIDATION
SKRIPSI
H 121 10 262
Disetujui oleh:
Pembimbing Utama
Dr. LaPodje Talangko, M.si
NIP. 19551219 198701 1 001
Pembimbing Pertama
Drs. Muh.Saleh.AF, M.Si.
NIP. 19540804 197802 1 001
Pada 6 Maret 2015

5
HALAMAN PENGESAHAN
Skripsi ini diajukan oleh :
Nama : Dian Christien Arisona
NIM : H 121 10 262
Program Studi : Statistika
Judul Skripsi : Analisis Diskriminan Linier pada Klasifikasi
Nasabah Menunggak dan Tidak Menunggak
dengan Metode Cross Validation
Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima
sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar
Sarjana Sains pada Program Studi Statistika Jurusan Matematika Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Hasanuddin.
DEWAN PENGUJI
1. Ketua Sri Astuti Thamrin, P.hD (…………………….)
2. Sekretaris Andi Kresna Jaya, S.Si, M.Si. (…………………….)
3. Anggota Prof. Dr. Hj. Aidawayati R.,M.S (……………………)
4. Anggota Dr.La Podje Talangko, M.Si (……………………)
5. Anggota Drs.Muh.Saleh.AF,M.si (……………………)
Ditetapkan di : Makassar
Tanggal : 6 Maret 2015

6
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa, atas
segala rahmat dan karunia-Nya, nikmat kesehatan dan kekuatan yang diberikan
kepada penulis sehingga dapat menyelesaikan penulisan skripsi dengan judul
“Analisis Diskriminan Linier pada Klasifikasi Nasabah Menunggak dan
Tidak Menunggak dengan Metode Cross Validation” sebagai salah satu syarat
untuk memperoleh gelar Sarjana Sains pada Program Studi Statistika Jurusan
Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Hasanuddin Makassar.
Dalam penyelesaian skripsi ini, penulis telah melewati perjuangan panjang
dan pengorbanan yang tidak sedikit. Namun berkat rahmat dan izin-Nya serta
dukungan dan bantuan dari berbagai pihak baik moril maupun materil, langsung
maupun tidak langsung, sehingga akhirnya skripsi ini dapat terselesaikan. Oleh
karena itu, penulis menyampaikan ucapan terima kasih yang tulus dan
penghargaan yang tak terhingga kepada Ayahanda dan Ibunda tercinta Maskus,
S.Pd. dan Srianty Adeng, S.Pd., serta seluruh anggota keluarga tercinta yang
telah membesarkan dan mendidik penulis dengan penuh kesabaran, limpahan
cinta, kasih sayang, dan penuh ketulusan hati serta telah memberikan dukungan
dan doa kepada penulis dan menjadi motivasi terbesar bagi penulis untuk segera
menyelesaikan studi.
Penghargaan yang tulus dan ucapan terima kasih dengan penuh keikhlasan
juga penulis ucapkan kepada:
1. Bapak Dr. La Podje Talangko, M.Si selaku dosen pembimbing utama atas
kesediaan untuk membimbing dan memberikan saran, kritikan dalam
penyusunan skripsi ini.
2. Bapak Drs. Muh. Saleh AF, M.Si selaku dosen pembimbing pertama atas
kesediaan dan kesabaran untuk membimbing dan membagi ilmunya kepada
penulis dalam penyusunan skripsi ini.
3. Ibu Sri Astuti Thamrin, P.hD selaku ketua penguji, Bapak Andi Kresna
Jaya, S.Si, M.Si selaku sekretaris penguji, dan Ibu Prof. Dr. Hj. Aidawayati

7
R., M.S selaku anggota tim penguji yang telah meluangkan waktunya untuk
memberikan saran dan arahan kepada penulis dalam penyusunan skripsi ini.
4. Ibu Dr. Erna Tri Herdiani, M.Si selaku penasehat akademik yang telah
meluangkan waktunya untuk memberikan saran dan kritik.
5. Ibu Dr. Hasmawati, M.Si selaku ketua jurusan Matematika, seluruh Dosen
Jurusan Matematika FMIPA Unhas atas ilmu yang telah dibagi kepada
penulis, serta staf pegawai jurusan Matematika FMIPA Unhas terima kasih
atas fasilitas dan kemudahan yang diberikan kepada penulis sejak kuliah
hingga terselesaikannya penyusunan skripsi ini.
6. My best friend Kristi, Serti, Resti, Fitrah, Bryan, Indah, Amanda, Dewi
dan Anto kalian tidak akan terlupakan.
7. Seluruh saudara-saudariku Statistika 2010, terima kasih atas dukungan
kalian selama ini. Kebersamaan kita telah memberikan warna tersendiri yang
akan selalu membekas di hati.
Semua pihak yang tak sempat disebutkan satu persatu atas segala bentuk
bantuan dan perhatiannya hingga terselesaikannya skripsi ini. Akhir kata, semoga
tulisan ini dapat memberikan manfaat bagi semua pihak yang membutuhkan dan
terutama bagi penulis.
Makassar, 6 Maret 2015
Penulis

8
PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR UNTUK
KEPENTINGAN AKADEMIS
Sebagai civitas akademik Universitas Hasanuddin, saya yang bertanda tangan di
bawah ini :
Nama : Dian Christien Arisona
NIM : H 121 10 262
Program Studi : Statistika
Jurusan : Matematika
Fakultas : Matematika dan Ilmu Pengetahuan Alam
Jenis Karya : Skripsi
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada
Universitas Hasanuddin Hak Bebas Royalti Noneksklusif (Non-exclusive Royalty- Free
Right) atas karya ilmiah saya yang berjudul :
“ANALISIS DISKRIMINAN LINIER PADA KLASIFIKASI NASABAH
MENUNGGAK DAN TIDAK MENUNGGAK DENGAN METODE CROSS
VALIDATION”
Beserta perangkat yang ada (jika diperlukan). Terkait dengan hal di atas, maka
pihak universitas berhak menyimpan, mengalih-media/format-kan, mengelola
dalam bentuk pangkalan data (database), merawat, dan memublikasikan tugas akhir
saya selama tetap mencantumkan nama saya sebagai penulis/pencipta dan sebagai
pemilik Hak Cipta.
Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di Makassar pada tanggal 6 Maret 2015
Yang menyatakan
(Dian Christien Arisona)

9
ABSTRAK
Analisis Diskriminan Linier digunakan untuk mengklasifikasikan individu ke
dalam salah satu dari dua kelompok atau lebih. Pada tulisan ini dibahas
penaksiran skor diskriminan pada model Diskriminan Linier dengan metode
Cross Validation. Model Analisis Diskriminan Linier dengan Metode Cross
Validation yang dihasilkan untuk eksperimen pertama adalah skor diskriminan
dengan kostanta −3,549, koefisien untuk 𝑥1𝑖 −0,381 , koefisien untuk 𝑥2𝑖
−0,557, koefisien untuk 𝑥3𝑖 0,280, koefisien untuk 𝑥4𝑖 1,151, koefisien untuk
𝑥5𝑖 0,252 , serta koefisien untuk 𝑥6𝑖 1,492 . Untuk eksperimen kedua skor
diskriminan yang dihasilkan adalah konstanta sebesar −2,065, koefisien untuk 𝑥1𝑖
−1,855, koefisien untuk 𝑥2𝑖 −0,043, koefisien untuk 𝑥3𝑖 0,188, koefisien untuk
𝑥4𝑖 0,265, koefisien untuk 𝑥5𝑖 1,003, serta koefisien untuk 𝑥6𝑖 1,974. Hasil dari
penaksiran ini menunjukkan bahwa hasil klasifikasi eksperimen pertama lebih
baik dari pada eksperimen kedua. Oleh karena itu, model terbaik yang dapat
digunakan dalam klasifikasi nasabah menunggak dan tidak menunggak pada PT
Bank Sinarmas Syariah cabang Veteran Selatan adalah skor diskriminan dengan
kostanta −3,549, koefisien untuk 𝑥1𝑖 −0,381 , koefisien untuk 𝑥2𝑖 −0,557 ,
koefisien untuk 𝑥3𝑖 0,280, koefisien untuk 𝑥4𝑖 1,151, koefisien untuk 𝑥5𝑖 0,252,
serta koefisien untuk 𝑥6𝑖 1,492.
Kata kunci : Analisis Diskriminan Linier, Cross Validation
ABSTRACT
Linear Discriminant Analysis is used to classify individuals into one of two or
more groups. In this research, we focus on estimation of the discriminant scores
on the model of Linear Discriminant with Cross Validation method. Linear
Discriminant Analysis model with Cross Validation method is discriminant
scores with constant −3,549, coefficient for 𝑥1𝑖 −0,381, coefficient for 𝑥2𝑖
−0,557, coefficient for 𝑥3𝑖 0,280, coefficient for 𝑥4𝑖 1,151, coefficient for 𝑥5𝑖
0,252, and coefficient for 𝑥6𝑖 1,492. For second experiment the discriminant
scores is constant −2,065, coefficient for 𝑥1𝑖 −1,855 , coefficient for 𝑥2𝑖
−0,043, coefficient for 𝑥3𝑖 0,188, coefficient for 𝑥4𝑖 0,265, coefficient for 𝑥5𝑖
1,003, and coefficient for 𝑥6𝑖 1,974. The result show that the first experiment is
better than a second experiment. Therefore, the best model that can be used in the
classification of customers be in arrears and not in arrears at PT Bank Sinarmas
Syariah branch South Veterans is discriminant scores with constant −3,549,
coefficient for 𝑥1𝑖 −0,381, coefficient for 𝑥2𝑖 −0,557, coefficient for 𝑥3𝑖 0,280,
coefficient for 𝑥4𝑖 1,151, coefficient for 𝑥5𝑖 0,252, and coefficient for 𝑥6𝑖
1,492.
Key words : Linear Discriminant Analysis, Cross Validation

10
DAFTAR ISI
SAMPUL
HALAMAN JUDUL............................................................................... i
LEMBAR PERNYATAAN KEOTENTIKAN.................................. iii
LEMBAR PERSETUJUAN PEMBIMBING..................................... iv
LEMBAR PENGESAHAN.................................................................... v
KATA PENGANTAR............................................................................ vi
PERSETUJUAN PUBLIKASI KARYA ILMIAH................................ viii
ABSTRAK................................................................................................... ix
ABSTRACT................................................................................................. ix
DAFTAR ISI................................................................................................ x
DAFTAR TABEL....................................................................................... xii
DAFTAR LAMPIRAN............................................................................... xiii
BAB I PENDAHULUAN........................................................................ 1
1.1 Latar Belakang......................................................................... 1
1.2 Rumusan Masalah.................................................................... 2
1.3 Batasan Masalah....................................................................... 2
1.4 Tujuan Penulisan...................................................................... 2
1.5 Manfaat Penulisan.................................................................... 2
BAB II TINJAUAN PUSTAKA............................................................... 3
2.1 Analisis Diskriminan................................................................ 3
2.2 Analisis Diskriminan Linier..................................................... 6
2.3 Metode Cross Validation......................................................... 8

11
2.4 Uji Ketepatan Klasifikasi......................................................... 10
2.4.1 Peluang Kesalahan Klasifikasi........................................ 10
2.4.2 Uji Keakuratan................................................................ 10
2.4.3 Uji Kestabilan................................................................. 11
2.5 Bank Sinarmas Syariah............................................................ 12
2.5.1 Bank Sinarmas Syariah cabang Veteran Selatan............ 13
2.5.2 Pembiayaan Multijasa SiMikro iB.................................. 13
BAB III METODOLOGI ......................................................................... 15
3.1 Sumber Data............................................................................ 15
3.2 Metode Pengolahan Data........................................................ 15
3.3 Identifikasi Variabel................................................................ 15
3.4 Prosedur Kerja......................................................................... 17
BAB IV HASIL DAN PEMBAHASAN................................................... 18
4.1 Data.......................................................................................... 18
4.1.1 Sumber Data.................................................................... 18
4.1.2 Metode Pengolahan Data................................................ 18
4.2 Analisis Diskriminan................................................................ 19
4.2.1 Uji Normal Multivariat.................................................... 20
4.2.2 Uji Homogenitas Varian Kovarian.................................. 21
4.3 Metode Cross Validation.......................................................... 22
4.4 ADL dengan Metode Cross Validation 1................................. 23
4.4.1 Model Fungsi Diskriminan.............................................. 23

12
4.4.2 Skor Diskriminan............................................................. 23
4.4.3 Aplikasi pada Data Testing.............................................. 26
4.5 ADL dengan Metode Cross Validation 2................................. 27
4.5.1 Model Fungsi Diskriminan.............................................. 27
4.5.2 Skor Diskriminan............................................................. 28
4.5.3 Aplikasi pada Data Testing.............................................. 30
4.6 Uji Ketepatan Klasifikasi......................................................... 31
4.6.1 Peluang Kesalahan Klasifikasi........................................ 31
4.6.2 Uji Keakuratan................................................................ 32
4.6.3 Uji Kestabilan................................................................. 34
BAB V PENUTUP...................................................................................... 36
5.1 Kesimpulan............................................................................... 36
5.2 Saran......................................................................................... 37
DAFTAR PUSTAKA.................................................................................. 38
LAMPIRAN................................................................................................. 39

13
DAFTAR TABEL
Tabel 2.1 Struktur Data pada Analisis Diskriminan..................................... 5
Tabel 2.2 Hasil Prediksi Kelompok............................................................. 10
Tabel 4.1 Data Nasabah PT Bank Sinarmas Syariah................................... 19
Tabel 4.2 Hasil perhitungan jarak Mahalanobis........................................... 20
Tabel 4.3 Hasil Test Box’s M....................................................................... 22
Tabel 4.4 Fungsi Diskriman Eksperimen ke – 1.......................................... 23
Tabel 4.5 Hasil Perhitungan Skor Diskriminan Eksperimen ke – 1............. 24
Tabel 4.6 Kelompok Prediksi Eksperimen ke – 1........................................ 25
Tabel 4.7 Hasil Perhitungan pada Data Testing Eksperimen ke – 1............ 26
Tabel 4.8 Fungsi Diskriman Eksperimen ke – 2.......................................... 27
Tabel 4.9 Hasil Perhitungan Skor Diskriminan Eksperimen ke – 2............. 28
Tabel 4.10 Kelompok Prediksi Eksperimen ke – 2...................................... 29
Tabel 4.11 Hasil Perhitungan pada Data Testing Eksperimen ke – 2.......... 30
Tabel 4.12 Hasil Klasifikasi Data Training Eksperimen ke – 1.................. 31
Tabel 4.13 Hasil Klasifikasi Data Testing Eksperimen ke – 1.................... 31
Tabel 4.14 Hasil Klasifikasi Data Training Eksperimen ke – 2.................. 32
Tabel 4.15 Hasil Klasifikasi Data Testing Eksperimen ke – 2.................... 32

14
BAB I
PENDAHULUAN
1.1 Latar Belakang
Klasifikasi adalah metode statistik yang penting dan sangat berguna dalam
penerapannya hampir di segala bidang statistik. Berdasarkan data yang selama ini
telah diolah melalui metode statistik ini terdapat dua hal yang sering ditemui:
Supervised Classification (analisis diskriminan) dan Unsupervised Classification
(pengelompokan). Metode klasifikasi dengan menggunakan Supervised
Classification (analisis diskriminan) dan Unsupervised Classification
(pengelompokan) telah diteliti sebelumnya oleh Fisher (1936).
Menurut Johnson dan Wichern (2007) Analisis Diskriminan digunakan
untuk mengklasifikasikan individu ke dalam salah satu dari dua kelompok atau
lebih. Analisis diskriminan merupakan teknik menganalisis data, dimana variabel
dependen merupakan data kategorik (nominal dan ordinal) sedangkan variabel
independen berupa data interval atau rasio. Analisis diskriminan adalah metode
untuk mencari dasar pengelompokan individu berdasarkan lebih dari satu variabel
bebas. Analisis Diskriminan dipakai untuk menjawab pertanyaan bagaimana
individu dapat dimasukkan ke dalam salah satu kelompok berdasarkan beberapa
variabel. Persamaan Fungsi Diskriminan yang dihasilkan dapat digunakan untuk
memberikan peramalan yang paling tepat untuk mengklasifikasi individu ke
dalam salah satu kelompok berdasarkan skor variabel bebas (skor diskriminan).
Misalnya untuk mengklasifikasikan debitur ke dalam kelompok debitur yang tidak
menunggak atau kelompok debitur yang menunggak.
Bank merupakan lembaga keuangan yang bekerja berdasarkan
kepercayaan, dalam kegiatan operasionalnya bank menghimpun dana dari
masyarakat dan menyalurkan kembali dana tersebut kepada masyarakat dalam
bentuk kredit. Setiap bank pasti menghadapi masalah kredit macet. Sehingga
penulis akan melakukan penelitian terhadap penunggakan nasabah dengan
melakukan Analisis Diskriminan. Dimana Analisis Diskriminan berguna untuk
meramalkan kelompok debitur yang mengunggak dan kelompok debitur yang
tidak menunggak. Dengan menggunakan profil nasabah sebagai acuan untuk

15
menentukan kategori debitur. Oleh karena itu, penulis akan menyusun karya
ilmiah dengan judul “Analisis Diskriminan Linier pada Klasifikasi Nasabah
Menunggak dan Tidak Menunggak dengan Metode Cross Validation”
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan di atas, penulis
merumuskan masalah, antara lain :
1. Bagaimana Prosedur Analisis Diskriminan linear dengan metode Cross
Validation?
2. Bagaimana model Analisis Diskriminan Linear dengan metode Cross
Validation pada klasifikasi nasabah yang menunggak dan yang tidak
menunggak?
1.3 Batasan Masalah
Berdasarkan rumusan masalah sebelumnya, maka penulis membatasi
masalah pada Analisis Diskriminan Linier dengan metode Cross Validation dalam
klasifikasi nasabah yang menunggak dan yang tidak menunggak pada PT Bank
Sinarmas Syariah Cabang Veteran Selatan.
1.4 Tujuan Penulisan
Berdasarkan rumusan masalah di atas, maka tujuan penelitian adalah
sebagai berikut:
1. Melakukan Analisis Diskriminan Linier dengan metode Cross Validation.
2. Mengestimasi model Analisis Diskriminan Linier pada klasifikasi debitur
yang menunggak dan yang tidak menunggak dengan metode Cross
Validation.
1.5 Manfaat Penulisan
Manfaat yang diperoleh dari penulisan ini adalah sebagai referensi
kepada pembaca tentang klasifikasi dengan Analisis Diskriminan Linier
dengan metode Cross Validation.

16
BAB II
TINJAUAN PUSTAKA
2.1 Analisis Diskriminan
Analisis Diskriminan pertama kali diperkenalkan oleh Sir Ronald Fisher,
yang merupakan teknik statistika yang digunakan untuk menyelesaikan masalah
pengelompokan. Analisis Diskriminan merupakan salah satu metode dalam
Analisis Multivariate yang bertujuan untuk menghubungkan satu variabel respon
yang bersifat kategorik dengan satu atau lebih variabel prediktor yang bersifat
kuantitatif dengan cara membentuk fungsi diskriminan (Hair, 2006). Analisis
Diskriminan dapat mengidentifikasi karakteristik yang penting dalam
membedakan beberapa kelompok dan menghasilkan prosedur untuk memprediksi
suatu unit penelitian (objek) untuk masuk ke dalam kelompok yang tepat dan
sesuai dengan karakteristik yang dimiliki. Analisis Diskriminan digunakan untuk
mengklasifikasikan individu (objek) ke dalam salah satu dari dua kelompok atau lebih
(Johnson dan Wichern, 2007).
Analisis Diskriminan memiliki tujuan antara lain :
1. Mengidentifikasi variabel-variabel terbaik yang dapat membedakan
tiap kelompok.
2. Menggunakan variabel yang didapat untuk membuat fungsi-fungsi
yang dapat memisahkan tiap kelompok.
3. Menggunakan variabel yang didapat untuk membuat aturan dalam
mengklasifikasikan observasi yang akan datang kedalam salah satu
kelompok.
Adapun asumsi-asumsi dalam Analisis Diskriminan adalah :
1. Variabel bebas berdistribusi normal multivariat.
2. Matriks kovariansi variabel bebas sama untuk tiap kelompok.
Uji yang dilakukan untuk mengetahui apakah data telah berdistribusi
normal multivariat atau tidak adalah dengan menggunakan jarak Mahalanobis
yaitu :
𝑑𝑗
2
= ( 𝑥 𝑖 − 𝑥̅) 𝑇
𝑆−1( 𝑥 𝑖 − 𝑥̅) (2.1)

17
dimana:
𝑑𝑗
2
: jarak Mahalanobis
𝑥 𝑖 : nilai pengamatan ke – i
𝑥̅ : nilai rata – rata variabel bebas x
𝑆−1
: invers matriks varian kovariansi S
Hipotesis untuk menguji data berdistribusi normal multivariat adalah :
H0 : Data berdistribusi normal multivariat
H1 : Data tidak berdistribusi normal multivariat
Statistik uji : Tolak H0 apabila pada α =0.05, lebih dari 50% nilai dari 𝑑𝑗
2
lebih besar dari 𝜒(0.05,𝑝)
2
dan sebaliknya.
Uji yang dilakukan untuk mengetahui apakah matriks varian kovarian
telah bersifat homogen atau tidak adalah uji Bartlett yaitu:
𝜒2
= (ln 𝑛) (𝐵 − (∑ 𝑑𝑏. 𝐿𝑜𝑔𝑆𝑡
2
)) (2.2)
dimana :
𝑛 : jumlah data
𝐵 : Σ𝑑𝑘 𝑙𝑜𝑔 𝑠2
, dimana 𝑠2
=
Σ( 𝑑𝑘 𝑠𝑖
2 )
Σ𝑑𝑘
𝑠𝑖
2
: variansi data untuk setiap kelompok ke – i
𝑑𝑘 : derajat kebebasan
Hipotesis untuk menguji homogenitas matriks varian kovarian adalah:
H0 : 𝛴1 = 𝛴2 = ⋯ = 𝛴𝑗
H1 : minimal ada satu kelompok berbeda, 𝛴𝑖 ≠ 𝛴𝑗 dengan i ≠ j, i dan j =
1,2,...,k
Statistik uji : Terima H0 apabila pada α = 0,05 nilai p – value > α, artinya
matriks varian kovarian telah bersifat homogen. Sebaliknya, Tolak H0 apabila
pada α = 0,05 nilai p – value < α, artinya matriks varian kovarian tidak homogen.
Jika kedua asumsi tersebut terpenuhi maka fungsi diskriminan yang
didapat akan memberikan hasil yang optimal, yaitu memiliki kesalahan
pengelompokan yang kecil. Namun jika asumsi-asumsi tersebut tidak terpenuhi,
bukan berarti analisis yang dilakukan sia-sia hanya saja hasil yang didapatkan
tidak optimal.

18
Gambar 2.1 Representasi Analisis Diskriminan
Gambar 2.1 menunjukkan representasi tentang Analisis Diskriminan,
dimana Analisis Diskriminan dapat digunakan untuk memisahkan kelompok yang
saling tumpang tindih agar dapat diklasifikasikan sesuai dengan kelompoknya
masing – masing.
Pada Analisis Diskriminan setiap unit penelitian akan memiliki p nilai
karakteristik yang merupakan nilai dari p variabel prediktor yang digunakan. Juga
diketahui kelompok asal dari unit penelitian tersebut, yaitu salah satu dan hanya
satu j dari kelompok ( j=1, . . . , J ). Struktur dari n unit penelitian pada p variabel
prediktor dan kelompok disajikan pada Tabel 2.1 berikut :
Tabel 2.1 Struktur Data pada Analisis Diskriminan
Variabel
Respon
(Kelompok)
Unit
Penelitian
Variabel Prediktor
X1 X2 ⋯ Xp
1 1 𝑥111 𝑥211 ⋯ 𝑥 𝑝11
1 2 𝑥112 𝑥212 ⋯ 𝑥 𝑝12
1 ⋮ ⋮ ⋮ ⋱ ⋮
1 n1 𝑥11𝑛1
𝑥21𝑛1
⋯ 𝑥 𝑝1𝑛1
2 1 𝑥121 𝑥221 ⋯ 𝑥 𝑝21
2 2 𝑥122 𝑥222 ⋯ 𝑥 𝑝22
2 ⋮ ⋮ ⋮ ⋱ ⋮
2 n2 𝑥12𝑛2
𝑥22𝑛2
⋯ 𝑥 𝑝2𝑛2
⋮ ⋮ ⋮ ⋮ ⋱ ⋮
J nj 𝑥1𝑗𝑛 𝑗
𝑥2𝑗𝑛 𝑗
⋯ 𝑥 𝑝𝑗𝑛 𝑗

19
dimana:
Xijk = Nilai pengamatan untuk variabel prediktor ke-i, kelompok ke-j, dan
pengulangan ke-k.
nj = Jumlah kasus atau unit penelitian untuk kelompok ke-j
n = Total kasus atau unit penelitian (n1+ n2 + . . . + nj; j = 1, 2, 3, . . . , J).
Secara Deskriptif, adanya perbedaan mean dan standar deviasi variabel
bebas tertentu pada tiap kelompok menunjukkan bahwa variabel tersebut
berpengaruh pada pengelompokan. Misalkan untuk variabel prediktor tertentu
besarnya perbedaan mean kelompok 1, 2, . . . , J cukup besar, maka dapat
dicurigai bahwa variabel prediktor tersebut cenderung berpengaruh terhadap
pengelompokan.
Sebagai metode klasifikasi, Analisis Diskriminan mencari suatu proyeksi
optimal sehingga dapat memproyeksikan data input pada ruang dimensi yang
lebih kecil dimana semua pola dapat dipisahkan semaksimal mungkin. Fungsi
diskriminan ditentukan oleh parameter statistik yang tergambar dari populasi ciri
obyek pada kelas yag telah diketahui. Vektor ciri (vektor eigen) yang telah
diperoleh dari obyek yang akan diklasifikasikan dipergunakan sebagai masukan.
Keluarannya biasanya bernilai skalar yang dapat digunakan untuk menentukan
kelas yang paling memungkinkan.
2.2 Analisis Diskriminan Liner
Analisis Diskriminan Linier atau Linear Discriminant Analysis (LDA)
dapat digunakan sebagai metoda klasifikasi maupun reduksi dimensi pada sebuah
set data. Tujuan utama dari analisis diskriminan adalah untuk memperoleh kaidah
matematis, yang dikenal dengan fungsi diskriminan, yang dapat digunakan untuk
memisahkan kelompok obyek yang berbeda, seperti kelompok air dan pasir
seperti yang ditunjukkan pada Gambar 2.1.
Misalkan pada data terdapat p variabel bebas dan j kelompok, dengan ni
adalah jumlah pengamatan untuk kelompok ke-i. Suatu pengamatan baru akan
ditempatkan pada salah satu kelompok berdasarkan fungsi diskriminan berikut:
𝐷𝑖 = 𝑏0 + 𝑏1 𝑥1𝑗 + 𝑏2 𝑥2𝑖 + ⋯+ 𝑏 𝑝 𝑥 𝑝𝑖 (2.3)

20
dengan
𝐷𝑖 = Skor diskriminan untuk pengamatan ke-i
𝑥 𝑝𝑖 = Nilai pengamatan ke-i variabel ke-p
𝑏 𝑝 = Koefisien diskriminan variabel ke-p
Misalkan x merupakan vektor acak p x 1 dari p variabel yang matriks
kovarian-variansinya adalah 𝜮 dan matriks SSCP total adalah T. Misalkan 𝛾
adalah vektor bobot p x 1. Fungsi diskriminan yang diberikan dapat didefinisikan
sebagai:
𝝃 = 𝑿𝒕
𝜸
Jumlah kuadrat dari skor diskriminan diberikan oleh:
𝝃𝒕
𝝃 = ( 𝑿𝒕
𝜸)𝒕( 𝑿𝒕
𝜸)
= 𝜸 𝒕
𝑿𝑿𝒕
𝜸
= 𝜸 𝒕
𝑻𝜸
dimana T = 𝑋𝑋 𝑡
adalah matriks SSCP total untuk p variabel. Karena, 𝑇 = 𝐵 + 𝑊
dimana B dan W masing-masing adalah matriks SSCP antar kelompok dan dalam
kelompok untuk p variabel. Persamaan diatas dapat ditulis kembali dengan:
𝝃𝒕
𝝃 = 𝜸 𝒕
(𝑩 + 𝑾)𝜸
= 𝜸 𝒕
𝑩𝜸+ 𝜸 𝒕
𝑾𝜸
dimana
𝜸 𝒕
𝑩𝜸 = Jumlah kuadrat antar kelompok untuk skor diskriminan 𝜉
𝜸 𝒕
𝑾𝜸 = Jumlah kuadrat dalam kelompok untuk skor diskriminan 𝜉
Tujuan Analisis Diskriminan adalah menaksir vektor bobot 𝛾 dari fungsi
diskriminan sedemikian sehingga, 𝝀 =
𝜸 𝒕
𝑩𝜸
𝜸 𝒕 𝑾𝜸
adalah maksimal. Vektor bobot 𝜸
dapat diperoleh dengan mendiferensialkan 𝝀 terhadap 𝜸, dan menyamakan dengan
nol.
𝒅𝝀
𝒅𝜸
= 𝟎
𝟐( 𝑩𝜸)( 𝜸𝑾𝒚 𝒕)− 𝟐( 𝒚 𝒕
𝑩𝜸)( 𝜸𝑾)
( 𝜸𝑾𝒚𝒕) 𝟐
= 𝟎

21
𝟐 (( 𝑩𝜸)
( 𝜸𝑾𝒚 𝒕)
−
( 𝒚 𝒕
𝑩𝜸)
( 𝜸𝑾))
( 𝜸𝑾𝒚𝒕) 𝟐
( 𝜸𝑾𝒚𝒕)
= 𝟎
( 𝑩𝜸)− 𝝀( 𝜸𝑾) = 𝟎
( 𝑩 − 𝝀𝑾) 𝜸 = 𝟎
Sehingga didapatkan:
( 𝑾−𝟏
𝑩 − 𝝀𝑰) 𝜸 = 𝟎 (2.4)
Persamaan (2.8) merupakan persamaan homogen dan untuk solusi
nontrivial |𝑾−𝟏
𝑩 − 𝝀𝑰| = 𝟎, sehingga tinggal mencari nilai eigen untuk matriks
non simetri 𝑾−𝟏
𝑩 dengan vektor eigen memberikan matriks bobot untuk
membentuk fungsi diskriminan.
2.3 Metode Cross-Validation
Cross Validation merupakan salah satu teknik untuk memvalidasi
keakuratan sebuah model yang dibangun berdasarkan data set tertentu. Pembuatan
model biasanya bertujuan untuk melakukan prediksi maupun klasifikasi terhadap
suatu data baru yang boleh jadi belum pernah muncul di dalam data set. Data yang
digunakan dalam proses pembangunan model disebut data latih/training,
sedangkan data yang akan digunakan untuk memvalidasi model disebut sebagai
data test.
Dalam metode cross validation, terdapat 3 metode antara lain :
1. Metode Two-Fold cross validation
Dalam pendekatan ini, setiap data digunakan beberapa kali dalam
jumlah yang sama untuk training dan tepat sekali untuk testing. Untuk
mengilustrasikan metode ini, anggaplah kita mempartisi data ke dalam dua
subset yang berukuran sama. Pertama, kita pilih satu dari kedua subset
tersebut untuk training dan satu lagi untuk testing. Kemudian dilakukan
pertukaran fungsi dari subset sedemikian sehingga subset yang
sebelumnya sebagai training set menjadi test set demikian sebaliknya.
Total error diperoleh dengan menjumlahkan error-error untuk kedua
proses tersebut.

22
2. Metode k-fold cross-validation
Dalam teknik ini data set dibagi menjadi sejumlah K-buah partisi
secara acak. Kemudian dilakukan sejumlah K-kali eksperimen, dimana
masing-masing eksperimen menggunakan data partisi ke-K sebagai data
testing dan memanfaatkan sisa partisi lainnya sebagai data training. Total
error ditentukan dengan menjumlahkan error untuk semua K proses
tersebut.
3. Metode leave-one-out
Kasus khusus untuk metode k-fold cross-validation menetapkan k
= N, ukuran dari data set. Metode ini dinamakan pendekatan leave-one-
out, setiap test set hanya mengandung satu record. Pendekatan ini
memiliki keuntungan dalam penggunaan sebanyak mungkin data untuk
training. Test set bersifat mutually exclusive dan secara efektif mencakup
keseluruhan data set.
Metode cross-validation yang akan penulis gunakan adalah K-Fold Cross
Validation. Dimana data akan dibagi menjadi K partisi untuk data training dan
sisanya sebagai data testing (holdout sample). Sehingga akan dilakukan
eksperimen pada masing – masing data Training data Testing secara bergantian :
Gambar 2.2 Representasi Metode K – Fold Cross Validation
Eksperimen ke – 1 :
Training Set
Eksperimen ke – 2 :
Training Set
⋮
Eksperimen ke – r :
Training Set Training Set
dimana r = 1, 2, . . . , K.
K1 K2 K3 ... Kr
K1 K2 K3 ... Kr
K1 K2 K3 ... Kr

23
Berdasarkan Gambar 2.2 terlihat bahwa setelah membagi seluruh data
menjadi K partisi, akan dilakukan eksperimen pada data Training dan data Testing
secara bergantian. Eksperimen dilakukan sesuai dengan banyaknya partisi yang
dilakukan.
2.4 Uji Ketepatan Klasifikasi
2.4.1 Apparent Error Rates (APER)
Apparent Error Rates atau pelaung kesalahan klasifikasi menyatakan
bahwa secara ekuivalen kinerja sebuah model dapat dinyatakan dalam bentuk
error rate–nya, yang dinyatakan oleh persamaan berikut:
Tabel 2.2 Hasil Prediksi Kelompok
kelompok
aktual
Kelompok
prediksi
jumlah
observasi
1 2
1 n11 n12 n1
2 n21 n22 n2
𝐴𝑃𝐸𝑅 =
𝑛12 + 𝑛21
𝑛1 + 𝑛2
(2.5)
Error yang didapatkan dari model klasifikasi secara umum dibagi ke
dalam dua bentuk, yaitu training error dan testing error. Training error juga
dikenal sebagai resubstitution error atau apparent error, adalah bilangan
misclassification error yang dilakukan pada data training, sedangkan testing error
adalah ekspektasi error dari model pada data testing. Model klasifikasi yang baik
tidak hanya cocok dengan training data, tetapi juga harus secara akurat
mengklasifikasikan data yang belum pernah dilihat sebelumnya. Dengan kata lain,
model yang baik harus memiliki training error yang rendah dan juga testing error
yang rendah pula.
2.4.2 Uji Keakuratan
Untuk menentukan apakah pengelompokan yang dihasilkan mempunyai
tingkat akurasi yang tinggi Morrison (1969) merumuskan tentang seberapa baik
variabel membedakan kelompok dengan merumuskan rasio likelihood untuk

24
mengestimasi peluang klasifikasi. Estimasi peluang klasifikasi adalah dasar bagi
pemeriksaan lebih lanjut untuk analisis diskriminan.
Menurut Morrison Analisis likelihood menyediakan kriteria yang dapat
digunakan untuk membandingkan proporsi pengamatan yang diklasifikasikan
dengan benar dengan peluang proporsi yang diharapkan. Proporsi ini disebut
sebagai kriteria kemungkinan proporsional atau Cpro (Morrison 1969). Untuk
menentukan apakah pengelompokan yang dihasilkan mempunyai tingkat akurasi
yang tinggi, yang dinyatakan sebagai:
Cpro= p2+ q2 (2.6)
Analisis untuk menentukan sumber penyimpangan yang dilakukan dengan
menggunakan kriteria maksimum likelihood, diusulkan Cmax (Morrison 1969).
Cmax adalah ekspektasi klasifikasi yang benar untuk kelompok yang dipilih.
Perhitungan Cmax didasarkan pada asumsi bahwa semua pengamatan
dikategorikan berasal dari kelompok tersebut. Cmax, dinyatakan sebagai:
Cmax= (nmax/ N) x 100% (2.7)
dimana
p = proporsi jumlah sampel di kelompok 1
q = proporsi jumlah sampel di kelompok 2
nmax = jumlah sampel terbesar pada salah satu kelompok
N = jumlah sampel secara keseluruhan
2.4.3 Uji Kestabilan
Untuk mengkaji apakah pengalokasian dari tiap sampel dalam kelompok
relatif stabil atau tidak sebagai akibat adanya perubahan perbedaan jumlah sampel
yang diteliti. Dengan menghitung nilai Press’s Q yang diformulasikan sebagai
berikut (Hair, 2006):
𝑃𝑟𝑒𝑠𝑠′
𝑠 𝑄 =
[ 𝑁 − (𝑛𝑘)]2
𝑁(𝑘 − 1)
(2.8)
dimana
N = Total sampel
n = jumlah pengamatan yang tepat diklasifikasikan
k = jumlah dari grup (kelompok)

25
Jika nilai statistik uji 𝑃𝑟𝑒𝑠𝑠′
𝑠 𝑄 > 𝜒(𝑑𝑏,𝛼)
2
dapat disimpulkan bahwa
keakuratan pengklasifikasian adalah konsisten.
2.5 Bank Sinarmas Syariah
Bank Sinarmas Syariah merupakan unit usaha syariah PT Bank Sinarmas
yang menjalankan sistem perbankan dan operasionalnya sesuai dengan prinsip
Syariah. Didirikan pada tahun 1989 berdasarkan Akta no. 52 tanggal 18 Agustus
1989 yang dibuat di hadapan Buniarti Tjandra, SH., Notaris di Jakarta, yang telah
diumumkan dalam Berita Negara Republik Indonesia tertanggal 21 Oktober 1989
Nomor 1506/1989. Diubah dengan Akta No. 31 Tanggal 6 April 2010 yang dibuat
dihadapan Aulia Thaufani, SH Pengganti Sutjipto, SH, Notaris di Jakarta dan
telah mendapat pengesahan dari Menteri Hukum dan Hak Asasi Manusia
No.AHU-22745.AH.01.01 Tahun 2010 tanggal 4 Mei 2010 sebagaimana diubah
terakhir melalui Akta No.148 tanggal 25 Agustus 2010 dibuat dihadapan Aulia
Thaufani, SH Pengganti Sutjipto, SH, Notaris di Jakarta dan telah mendapat
Penerimaan Pemberitahuan Perubahan dari Kementerian Hukum dan Hak Asasi
Manusia No. AHU-AH.01.10-23976 tanggal 22 September 2010. Diubah dengan
Akta No.70 Tanggal 23 Desember 2011 yang dibuat oleh Aulia Taufani, S.H.,
pengganti Andalia farida, S.H., Notaris di Jakarta.
Bank Sinarmas secara resmi meluncurkan layanan syariah melalui Unit
Usaha Syariah (UUS) Bank Sinarmas. Sebelumnya, unit ini telah dipersiapkan
sejak pertengahan tahun 2008 lampau melalui pengoperasian kantor di Plasa
Simas, Jalan Fachrudin No 18, Jakarta Pusat yang diikuti dengan pembukaan
kantor cabang syariah di Jalan Teuku Cik Ditiro No 29, Jakarta Pusat, hingga
akhirnya mendapatkan izin operasi dari Bank Indonesia (BI) pada 30 Oktober.
Sedangkan pengembangan lanjutan dilakukan melalui rencana pembukaan 5
kantor cabang di Tanah Abang, Jakarta Pusat, serta Medan, Bandung, Semarang
dan Surabaya, seluruhnya dimaksudkan guna optimalisasi layanan dan
mendekatkan diri pada masyarakat.

26
2.5.1 Bank Sinarmas Syariah cabang Veteran Selatan
Bank Sinarmas Syariah cabang Veteran Selatan beralamat di Jl. Veteran
Selatan No. 90 yang merupakan anak perusahaan dari Bank Sinarmas cabang
Pengayoman yang merupakan induk dari Bank Sinarmas Syariah area Sulawesi
Selatan lainnya. Bank Sinarmas Syariah cabang Veteran Selatan mulai beroperasi
sejak 1 Mei 2013.
Gambar 2.3 Struktur Kerja Bank Sinarmas Syariah cabang Veteran Selatan
2.5.2 Pembiayaan Multijasa SiMIKRO iB
Pembiayaan Multijasa SiMIKRO iB diatur berdasarkan Fatwa Dewan
Syariah Nasional No. 44/DSN-MUI/VII/2004 Tentang Pembiayaan Multijasa dan
Fatwa Dewan Syariah Nasional No. 09/DSN-MUI/IV/2000 Tentang Pembiayaan
Ijarah. Sejalan dengan aktivitas perbankan dalam hal ini berupa penyaluran dana
dalam bentuk pembiayaan kepada konsumen.
SiMIKRO iB merupakan pembiayaan skala mikro untuk kegiatan
produktif, yakni untuk memenuhi kebutuhan modal kerja dan konsumtif, bidang
usaha yang dibiayai adalah sektor perdagangan dan jasa rumahan (Warung
Makan, Toko Barang Campuran /Kelontong, Salon, Bengkel, dll). Namun untuk
area Makassar, jenis usaha yang dibiayai hanya Warung makan dan Toko Barang
Campuran (kelontong).
Sasaran pasar untuk SiMIKRO iB ditujukan untuk para pedagang atau
pengusaha kecil yang membutuhkan pinjaman untuk kegiatan usaha produktif.
Kepala Cabang
Supervisor
SurveyorCollecto
r
AO Mikro
Loan Admin
Cabang
Back Office
Teller Costumer Services
Supervisor Cabang

27
Dimana pertumbuhan dan aktivitas usaha dianggap cukup baik, tetapi tidak
berlaku untuk usaha yang ilegal dan melanggar norma agama seperti perjudian,
pelacuran, bar, serta usaha yang tidak memilik tempat usaha tetap dan usaha yang
baru berdiri.
Adapun persyaratan penerima dana secara reperinci, dapat dilihat pada
uraian dibawah :
Dokumen Penerima Dana :
- Fotocopy KTP Suami / Istri
- Fotocopy KK (Kartu Keluarga)
- Fotocopy Surat Nikah/Cerai (bila pasangan tidak dalam satu KK)
Ketentuan Penerima Dana :
- Warga Negara Indonesia
- Nasabah Perorangan
- Usia minimal 21 tahun/sudah menikah, maksimal 60 tahun pada saat
pembayaran lunas
- Hasil BI Checking positif atau tidak memiliki kolektibilitas 3,4, atau 5
- Usaha yang layak dibiayai dengan minimal omzet perhari Rp 100.000,-
- Pengalaman usaha minimal 2 tahun dibidang usaha yang dibiayai
- Plafond: Rp 1.000.000,- s/d Rp 10.000.000,-
- Jangka Waktu 3 Bulan, 6 Bulan dan 12 Bulan
- Biaya Administrasi untuk plafon 1 – 5 juta rupiah adalah Rp 250.000,-, dan
untuk plafon 5.500.000 – 10 juta rupiah adalah Rp 500.000,-
- Asuransi jiwa terhadap penerima dana
- Telah menjadi business partner yaitu perorangan yang memiliki usaha
sendiri dan bersedia menjadi agen Bank Sinarmas Syariah dalam
merefernsikan produk – produk Bank Sinarmas Syariah, dan telah
diverifikasi melalui survey yang dilakukan oleh Bank Sinarmas Syariah.
- Serta ketentuan lain yang diatur terpisah.

28
BAB III
METODOLOGI
3.1 Sumber Data
Data yang digunakan dalam penelitian ini merupakan data sekunder yang
diperoleh dari data 100 orang nasabah pembiayaan multijasa (SiMikro iB) di PT
Bank Sinarmas Syariah cabang Veteran Selatan sejak 24 Oktober 2013 sampai
dengan 07 Januari 2014. Data tersebut terdiri dari 6 variabel bebas yang terdiri
dari profil – profil nasabah, sedangkan variabel terikat terdiri atas 2 variabel yang
merupakan kelompok dengan kategori nasabah yang tidak menunggak dan
nasabah yang menunggak.
3.2 Metode Pengolahan Data
Metode statistika yang digunakan untuk menganalisa hubungan antara
kelompok nasabah yang menunggak dan yang tidak menunggak dengan profil
(penghsilan, lama usaha, plafond, jenis tempat tinggal, jenis usaha, dan
pengeluaran) nasabah adalah analisis diskriminan linier dan metode Cross
Validation dengan menggunakan Software SPSS 17, MATLAB, dan Microsoft
Excel.
3.3 Identivikasi Variabel
Adapun variabel yang digunakan dalam penelitian ini yaitu:
1. Variabel Respon
Yang menjadi variabel respon dalam penelitian ini adalah
kelompok. Variabel respon ini terdiri dari 2 pengkodean yaitu :
1 adalah kategori nasabah yang tidak menunggak
2 adalah kategori nasabah yang menunggak
Nasabah yang masuk kategori menunggak adalah nasabah dengan
penunggakan selama ≥ 3 bulan berturut-turut.

29
2. Variabel Prediktor
Yang menjadi variabel prediktor dalam penelitian ini ada 6 yaitu:
1. Rata – rata penghasilan nasabah selama 1 bulan (X1)
Menyatakan penghasilan nasabah setiap bulan, dalam hal
ini mencakup keseluruhan penghasilan nasabah yang dikategorikan
menjadi :
1 adalah kategori penghasilan 1 – 3 juta rupiah
2 adalah kategori penghasilan > 3 – 5 𝑗𝑢𝑡𝑎 𝑟𝑢𝑝𝑖𝑎h
3 adalah kategori penghasilan > 5 juta rupiah
2. Lama usaha nasabah (X2)
Menyatakan lama usaha yang telah dijalankan oleh nasabah.
Karena pemberian pinjaman hanya untuk nasabah yang memiliki
usaha mikro dengan lama usaha lebih dari 2 tahun.
3. Plafon (Banyak Pinjaman) yang dapat diberikan pada nasabah (X3)
Menyatakan banyaknya pinjaman yang diberikan kepada
nasabah berdasarkan perhitungan oleh pihak bank. Karena jenis
kredit yang diberikan adalah kredit tanpa anggunan, maka jumlah
plafon yang tersedia berada pada rentang 1 – 10 juta rupiah.
4. Jenis tempat tinggal yang di tempati oleh nasabah (X4)
Menyatakan jenis tempat tinggal yang ditempati oleh
nasabah, dalam hal ini kategori rumah. Karena pemberian
pinjaman diberikan tanpa jaminan apapun, maka pihak bank hanya
memberikan pinjaman pada nasabah yang memiliki rumah sendiri
yang dikategorikan menjadi :
1 adalah kategori Rumah Permanen
2 adalah kategori Rumah Semi Permanen
5. Jenis usaha yang dijalankan oleh nasabah (X5)
Menyatakan jenis usaha yang telah dijalankan oleh
nasabah. Pemberian pinjaman hanya diberikan pada nasabah yang
memiliki usaha barang campuran (kelontong) dan menjual
makanan jadi yang dikategorikan menjadi :
1 adalah kategori Penjual barang campuran (kelontong)

30
2 adalah kategori Penjual makanan jadi
6. Rata – rata pengeluaran nasabah selama 1 bulan (X6)
Menyatakan pengeluaran nasabah setiap bulan, dalam hal
ini mencakup keseluruhan pengeluaran nasabah yang dikategorikan
menjadi :
1 adalah kategori pengeluaran 1 – 3 juta rupiah
2 adalah kategori pengeluaran > 3 – 5 𝑗𝑢𝑡𝑎 𝑟𝑢𝑝𝑖𝑎h
3 adalah kategori pengeluaran > 5 𝑗𝑢𝑡𝑎 𝑟𝑢𝑝𝑖𝑎h
3.4 Prosedur Kerja
Adapun tahapan analisis dalam tulisan ini yaitu:
1. Uji normal multivariat pada data.
2. Uji Homogenitas Varian Kovarian
3. Mengevaluasi signifikansi variabel pembeda
4. Melakukan Cross Validation pada data
5. Mengestimasi Fungsi Diskriminan
6. Melakukan klasifikasi
7. Uji keakuratan Klasifikasi

31
BAB IV
HASIL DAN PEMBAHASAN
4.1 Data
4.1.1 Sumber Data
Data yang digunakan dalam penelitian ini merupakan data sekunder yang
diperoleh dari data 100 orang nasabah pembiayaan multijasa (SiMikro) di PT
Bank Sinarmas Syariah cabang Veteran Selatan sejak 24 Oktober 2013 sampai
dengan 07 Januari 2014. Data tersebut terdiri dari 6 variabel bebas yang terdiri
dari profil – profil nasabah, sedangkan variabel terikat terdiri atas 2 variabel yang
merupakan kelompok dengan kategori nasabah yang tidak menunggak dan
nasabah yang menunggak.
4.1.2 Metode Pengolahan Data
Metode statistika yang digunakan untuk menganalisa hubungan antara
kelompok nasabah yang menunggak dan yang tidak menunggak dengan profil
(Penghsilan, Lama Usaha, Plafon, Jenis Tempat Tinggal, Jenis Usaha, dan
Pengeluaran) nasabah adalah analisis diskriminan linier dan metode Cross
Validation dengan menggunakan Software SPSS 17 dan Microsoft Excel.
Dari data 100 orang nasabah di PT Bank Sinarmas Syariah cabang
Veteran Selatan sejak 24 Oktober 2013 sampai dengan 07 Januari 2014 akan
diklasifikasikan menurut penghasilan, jenis usaha, lama usaha, jenis tempat
tinggal, plafon, dan pengeluaran nasabah sesuai dengan kategori masing-masing
nasabah. Misalnya untuk penghasilan pada kelompok 1 (nasabah yang tidak
menunggak) terdapat 6 orang yang masuk ke dalam kategori 1 yaitu dengan
Penghasilan 1 – 3 juta/bulan, 41 orang yang masuk ke dalam kategori 2 yaitu
dengan Penghasilan lebih dari 3 – 5 juta/bulan, dan 20 orang yang masuk ke
dalam kategori 3 yaitu dengan Penghasilan lebih dari 5 juta/bulan dan seterusnya
seperti yang terdapat pada Tabel 4.1 dibawah ini :

32
Tabel 4.1 Data Nasabah PT Bank Sinarmas Syariah cabang Veteran Selatan
kelompok 1
Penghasilan
Kelompok 1
Pengeluaran
1 – 3 Juta 6 orang 1 – 3 Juta 21 orang
Lebih dari 3 – 5 Juta 41 orang Lebih dari 3 – 5 Juta 46 orang
Lebih dari 5 Juta 20 orang Lebih dari 5 Juta -
kelompok 2
Penghasilan
kelompok 2
Pengeluaran
1 – 3 Juta 3 orang 1 – 3 Juta 6 orang
Lebih dari 3 – 5 Juta 19 orang Lebih dari 3 – 5 Juta 20 orang
Lebih dari 5 Juta 11 orang Lebih dari 5 Juta 7 orang
Jumlah 100 orang Jumlah 100 orang
kelompok 1
Jenis Usaha
kelompok 1
Jenis Tempat Tinggal
Barang Campuran 46 orang Permanen 47 orang
Makanan 21 orang Semi Permanen 20 orang
kelompok 2
Jenis Usaha
kelompok 2
Jenis Tempat Tinggal
Barang Campuran 17 orang Permanen 18 orang
Makanan 16 orang Semi Permanen 15 orang
kelompok 1
Lama Usaha
kelompok 1
Plafon
Lebih dari 2 – 3 Tahun 33 orang Lebih dari 2 – 3 Juta 9 orang
Lebih dari 5 Tahun 8 orang Lebih dari 5 Juta 23 orang
kelompok 2
Lama Usaha
kelompok 2
Plafon
Lebih dari 5 Tahun 2 orang Lebih dari 5 Juta 16 orang
Sumber : PT Bank Sinarmas Syariah cab. Veteran Selatan 2013-2014
Sebagian besar nasabah yang di observasi berada pada kategori dengan
penghasilan > 3 – 5 juta rupiah/ bulan dan pengeluaran sebesar > 3 – 5 juta rupiah/
bulan, serta berada pada kelompok nasabah yang tidak menunggak. Kebanyakan
dari nasabah – nasabah tersebut memiliki usaha sebagai penjual barang campuran
(klontong), memiliki tempat tinggal permanen, dan lama usaha > 2 tahun. Dapat
dilihat bahwa sebagian besar nasabah – nasabah tersebut diberikan plafon (banyak
pinjaman) sebesar > 3 – 5 juta rupiah.
4.2 Analisis Diskriminan
Untuk melakukan Analisis Diskriminan Linier data harus memenuhi
asumsi normal multivariat yaitu data harus berdistribusi normal multivariat dan
matriks varian kovarian harus homogen, sehingga dilakukan uji:

33
4.2.1 Uji Normal Multivariat
Uji yang dilakukan untuk mengetahui apakah data telah berdistribusi
normal multivariat atau tidak adalah dengan menggunakan jarak Mahalanobis
seperti pada persamaan (2.1) yaitu :
𝑑𝑗
2
= ( 𝑥 𝑖 − 𝑥̅) 𝑇
𝑆−1( 𝑥 𝑖 − 𝑥̅)
Hipotesis untuk menguji data berdistribusi normal multivariat adalah :
H0 : Data berdistribusi normal multivariat
H1 : Data tidak berdistribusi normal multivariat
Statistik uji : Tolak H0 apabila pada α =0.05, lebih dari 50% nilai dari 𝑑𝑗
2
2
dan sebaliknya.
Hasil untuk jarak mahalanobis secara keseluruhan dapat dilihat pada Tabel
4.2 berikut :
Tabel 4.2 Nilai 𝒅𝒋
𝟐
masing-masing nasabah
No. 𝑑𝑗
2
No. 𝑑𝑗
2
No. 𝑑𝑗
2
No. 𝑑𝑗
2
No. 𝑑𝑗
2
1 0,139 21 0,100 41 0,319 61 0,158 81 0,100
2 0,158 22 0,004 42 0,729 62 0,007 82 0,022
3 0,015 23 0,141 43 0,016 63 0,120 83 3,284
4 0,146 24 1,416 44 0,126 64 0,256 84 0,188
5 0,187 25 1,416 45 0,014 65 0,111 85 1,097
6 0,005 26 0,033 46 1,217 66 0,007 86 0,041
7 0,005 27 0,934 47 0,120 67 1,786 87 0,002
8 0,000 28 2,043 48 0,319 68 0,146 88 0,663
9 0,103 29 0,430 49 0,256 69 0,005 89 0,330
10 0,032 30 2,852 50 2,683 70 0,057 90 0,166
11 0,464 31 1,416 51 8,174 71 0,141 91 0,319
12 0,001 32 0,188 52 1,439 72 0,068 92 0,008
13 5,692 33 0,016 53 0,023 73 0,032 93 0,016
14 0,003 34 0,196 54 3,562 74 0,565 94 1,889
15 0,005 35 0,003 55 0,186 75 0,256 95 1,725
16 0,015 36 0,196 56 0,075 76 0,132 96 2,104
17 0,075 37 1,694 57 0,066 77 0,280 97 3,284
18 0,158 38 0,166 58 0,256 78 0,016 98 0,008
19 0,022 39 0,158 59 0,158 79 2,072 99 1,415
20 0,174 40 1,131 60 0,145 80 0,004 100 0,001
Sumber : Hasil olah data dengan software SPSS 17 2015
Dengan menggunakan software SPSS 17 diperoleh Tabel 4.2, untuk n = 1
nilai 𝑑𝑗
2
= 0,139 < 𝜒(0.05,6)
2
= 12,592, untuk n = 2 nilai 𝑑𝑗
2
= 0,158 < 𝜒(0.05,6)
2
=

34
12,592, untuk n = 3 nilai 𝑑𝑗
2
= 0,015 < 𝜒(0.05,6)
2
= 12,592, dan seterusnya sampai
dengan n = 100. Maka berdasarkan Tabel 4.2 berarti H0 diterima karena pada α =
0,05, tidak terdapat satu pun nilai dari 𝑑𝑗
2
2
. Kemudian
dibuat plot berdasarkan nilai 𝑑𝑗
2
yang telah didapatkan pada Tabel 4.2.
Gambar 4.1 Plot Jarak Mahalanobis
Kerena plot yang dihasilkan cenderung membentuk garis lurus, seperti
yang terdapat pada Gambar 4.1 sehingga dapat disimpulkan bahwa data telah
berdistribusi normal multivariat.
4.2.2 Uji Homogenitas Varian Kovarian
Uji yang dilakukan untuk mengetahui apakah matriks varian kovarian
telah bersifat homogen atau tidak adalah uji Bartlett seperti pada persamaan (2.2)
yaitu:
𝜒2
= (ln 𝑛) (𝐵 − (∑ 𝑑𝑏. 𝐿𝑜𝑔𝑆𝑡
2
))
Hipotesis untuk menguji homogenitas matriks varian kovarian adalah:
H0 : 𝛴1 = 𝛴2 = ⋯ = 𝛴𝑗
H1 : minimal ada satu kelompok berbeda, 𝛴𝑖 ≠ 𝛴𝑗 dengan i ≠ j, i dan j =
1,2,...,k
Statistik uji : Terima H0 apabila pada α = 0,05 nilai p – value > α, artinya
matriks varian kovarian telah bersifat homogen. Sebaliknya, Tolak H0 apabila
pada α = 0,05 nilai p – value < α, artinya matriks varian kovarian tidak homogen.
Uji Bartlett dapat dilakukan dengan uji Box’s M dengan menggunakan
software SPSS 17 yang hasilnya dapat dilihat pada Tabel 4.3 berikut :
0
2
4
6
8
10
0 20 40 60 80 100 120

35
Tabel 4.3 Hasil Test Box’s M
Test Results
Box's M 19.606
F Approx. .861
df1 21
df2 1.572E4
Sig. .644
Tests null hypothesis of equal
population covariance matrices.
Sumber: hasil olah data dengan software SPSS 17 2015
Karena nilai p – value adalah 0,644 > α = 0,05, jadi dapat disimpulkan
bahwa matriks varian kovarian telah bersifat homogen.
4.3 Metode Cross Validation
Agar model yang diperoleh dapat divalidasi, maka seluruh data dipartisi
menjadi 2 bagian sehingga dari 100 data nasabah akan dibagi menjadi 2 partisi
sebesar 50% untuk training dan 50% untuk testing (holdout sample) dimana data
training akan digunakan untuk membentuk model dan data testing digunakan
untuk memeriksa model. Sehingga jumlah data untuk training dan testing
masing-masing adalah :
𝑁𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 =
50
100
× 100 = 50
𝑁𝑡𝑒𝑠𝑡𝑖𝑛𝑔 =
50
100
× 100 = 50
Jadi, untuk data training akan diambil secara acak 50 nasabah dari data
dan 50 nasabah untuk data testing dengan menggunakan program MATLAB.
Syntax untuk membagi data secara acak pada MATLAB dapat dilihat pada
Lampiran 2.

36
4.4 Analisis Diskriminan Linier dengan Metode Cross Validation 1
4.4.1 Model Fungsi Diskriminan
Untuk menentukan model fungsi diskriminan pada eksperimen ke – 1
digunakan data training yang telah dibagi sebanyak 50 orang nasabah dengan
menggunakan nilai eigen dan vektor eigen seperti pada persamaan (2.4).
Tabel 4.4 Fungsi Diskriminan eksperimen ke – 1
Canonical Discriminant
Function Coefficients
Function
1
x1 -.381
x2 -.557
x3 .280
x4 1.151
x5 .252
x6 1.492
(Constant) -3.549
Dengan menggunakan Software SPSS 17 diperoleh hasil seperti pada
Tabel 4.4 dengan nilai masing – masing adalah : 𝑏0 = −3,549 ,
𝑏1 = −0,381, 𝑏2 = −0,557, 𝑏3 = 0,280, 𝑏4 = 1,151, 𝑏5 = 0,252, 𝑏6 = 1,492,
sehingga model fungsi diskriminan adalah:
𝐷𝑖 = −3,549 − 0,381𝑥1𝑖 − 0,557𝑥2𝑖 + 0,280𝑥3𝑖 + 1,151𝑥4𝑖
+0,252𝑥5𝑖 + 1,492𝑥6𝑖 (4.1)
Nilai x akan disubstitusikan ke dalam persamaan (4.1) dan hasilnya adalah
skor diskriminan masing-masing nasabah yang akan menjadi penentu klasifikasi
dari nasabah tersebut.
4.4.2 Skor Diskriminan
Setelah didapatkan fungsi diskriminan pada persamaan (4.1), maka
dilakukan perhitungan skor diskriminan pada masing-masing nasabah.

37
Untuk n = 1 nilai 𝑥11
= 3, 𝑥21
= 4, 𝑥31
= 7, 𝑥41
= 1, 𝑥51
= 2, dan 𝑥61
= 2
𝐷1 = −3,549 − 0,381𝑥11
− 0,557𝑥21
+ 0,280𝑥31
+ 1,151𝑥41
+0,252𝑥51
+ 1,492𝑥61
𝐷1 = 0,062
= 3, 𝑥21
= 3, 𝑥31
= 10, 𝑥41
= 1, 𝑥51
= 1, dan 𝑥61
= 2
𝐷2 = −3,549 − 0,381𝑥12
− 0,557𝑥22
+ 0,280𝑥32
+ 1,151𝑥42
+0,252𝑥52
+ 1,492𝑥62
𝐷2 = 0,826
Hasil perhitungan dengan cara yang sama dilakukan sampai dengan n = 50
yang hasilnya dapat dilihat pada Tabel 4.5:
Tabel 4.5 Hasil perhitungan skor diskriminan
No. Nama Nasabah
Skor
Diskriminan
No. Nama Nasabah
Skor
Diskriminan
1 HASMA 0,062 26 SITI NUR ASIAH -1,686
2 SUSI AHMAD 0,826 27 STAMINAH 0,896
3 SYAMSIAHWATI 0,653 28 RUSNI -2,243
4 SADARIA 0,958 29 MARIATY L. -1,686
5 ISNAYANI -0,257 30 LAWIAH -0,747
6 IRFAN B. AMKAS 0,363 31 SAHRIR SAGA -0,714
7 SAHARIA DG -0,036 32 NURAINA -0,288
8 MAESARAH A -0,751 33 ISWATI -0,846
9 LINDA -1,129 34 USMAN B. 1,210
10 SUARDY 1,518 35 ANDI NINA
SARLINDA
0,364
11 IR RATNA DEWI
NINGSIH
2,571 36 SUMIATI 0,653
12 HASMA 0,099 37 DG RABIA -0,193
13 DIA RESKI ARIANI 0,958 38 SABARIA 1,768
14 YANTI 0,401 39 FIRDAH
DARWIS
0,826
15 SURIATI -0,534 40 SURYANTHI -0,848
16 JUMRIATY -0,593 41 RIVAI -0,036
17 HAMSINAR 1,515 42 HASNI -0,316
18 KASMAWATI -1,129 43 REVITA
NOVENSKA
-0,193
19 FIRNAYANTI 1,079 44 GUSMIATI 0,059
20 SUNDARI -3,361 45 HAMDANA -1,015
21 NAHARIA 0,404 46 ABDULLAH
DANIEL
RAMADHAN
1,079
22 FITRIANI WIDODO -1,689 47 SITI
NURRAHMA
-0,193
23 SAKILA -1,056 48 KURNIA SARI 0,958
24 SUATMIA 1,490 49 JUMARIA -0,714
25 SAMIRA -0,778 50 ANDI YULIANA 2,322
Sumber: hasil olah data dengan microsoft excel 2015
Untuk mengklasifikasikan masing-masing unit percobaan berdasarkan
skor diskriminan yang diperoleh ke dalam masing-masing kelompok digunakan
nilai tengah dengan rumus 𝑚 =
( 𝑋̅1−𝑋̅2) 𝑡
2
Σ−1( 𝑋̅1 − 𝑋̅2), jika 𝐷𝑖 > 𝑚 𝑎𝑡𝑎𝑢 𝐷𝑖 −
𝑚 > 0 maka masuk ke dalam kelompok 2 (nasabah yang menunggak) dan jika

38
𝐷𝑖 ≤ 𝑚 𝑎𝑡𝑎𝑢 𝐷𝑖 − 𝑚 ≤ 0 maka masuk ke dalam kelompok 1 (nasabah yang
tidak menunggak).
Dengan nilai m = 0,2075 maka untuk n = 1 berarti 𝐷1 = 0,062 maka
0,062 – 0,2075 = – 0,145, berarti nasabah 1 akan masuk ke dalam kelompok 1,
untuk n = 2 berarti 𝐷2 = 0,826 maka 0,826 – 0,2075 = 0,619, berarti nasabah 2
akan masuk ke dalam kelompok 2. Dengan cara yang sama dilakukan sampai
dengan n = 50 sehingga didapatkan hasil seperti pada Tabel 4.6.
Tabel 4.6 Kelompok Prediksi
No.
Kelompok
Aktual
Kelompok
Prediksi
No.
Kelompok
Aktual
Kelompok
Prediksi
1 1 1 26 1 1
2 2 2 27 2 2
3 2 2 28 1 1
4 1 2 29 2 1
5 1 1 30 1 1
6 2 2 31 1 1
7 1 1 32 1 1
8 1 1 33 1 1
9 1 1 34 2 2
10 2 2 35 2 2
11 2 2 36 1 2
12 2 1 37 1 1
13 2 2 38 1 2
14 1 2 39 1 2
15 1 1 40 1 1
16 1 1 41 2 1
17 2 2 42 1 1
18 1 1 43 1 1
19 1 2 44 1 1
20 1 1 45 1 1
21 2 2 46 2 2
22 1 1 47 1 1
23 1 1 48 1 2
24 2 2 49 1 1
25 1 1 50 2 2
Dari Tabel 4.6 dapat dilihat pada nomor – nomor yang diberi tanda
lingkaran terdapat 7 nasabah pada kelompok 1 yang salah klasifikasi yaitu pada
nomor 4, 14, 19, 36, 38, 39, dan 48, yang artinya 7 orang nasabah yang
diprediksikan masuk ke dalam kelompok 2, pada data asli seharusnya masuk ke
dalam kelompok 1. Sedangkan 3 nasabah pada kelompok 2 yang salah klasifikasi
yaitu pada nomor 12, 29, dan 41 artinya 3 orang nasabah yang diprediksikan
masuk ke dalam kelompok 1, pada data asli seharusnya masuk ke dalam
kelompok 2. Jadi, total kesalahan klasifikasi yang terjadi adalah 10 orang nasabah.

39
4.4.3 Aplikasi pada data Testing
Untuk memeriksa apakah model yang didapatkan pada persamaan (4.1)
dapat diterapkan pada data baru, maka dilakukan validasi dengan data testing
yang telah ditentukan sebelumnya yaitu sebanyak 50 orang. Sehingga untuk data
testing diperoleh hasil seperti pada Tabel 4.7.
Tabel 4.7 Hasil perhitungan pada data Testing
No.
Skor
Diskriminan
Kelompok
Aktual
Kelompok
Prediksi
No.
Skor
Diskriminan
Kelompok
Aktual
Kelompok
Prediksi
1 -4,198 1 1 26 0,651 1 2
2 -0,038 1 1 27 -0,192 1 1
3 -2,515 2 1 28 -0,186 2 1
4 -2,207 1 1 29 -1,995 1 1
5 -0,192 2 1 30 0,919 2 2
6 0,362 1 2 31 0,267 2 2
7 -1,057 1 1 32 -0,038 1 1
8 -0,715 1 1 33 0,399 1 2
9 0,236 1 2 34 0,097 1 1
10 -0,752 2 1 35 0,119 1 1
11 0,648 2 2 36 0,021 1 1
12 0,267 1 2 37 -0,016 1 1
13 0,956 2 2 38 1,454 2 2
14 -0,195 1 1 39 -2,247 1 1
15 -0,321 1 1 40 0,085 2 1
16 -0,715 1 1 41 -0,293 1 1
17 -0,195 1 1 42 -1,337 2 1
18 -0,158 1 1 43 0,821 1 2
19 -1,69 1 1 44 -1,435 2 1
20 2,353 2 2 45 -1,13 1 1
21 -0,749 1 1 46 -0,715 2 1
22 -1,035 1 1 47 2,568 2 2
23 1,513 1 2 48 -2,832 1 1
24 0,371 2 2 49 0,519 1 2
25 -1,863 1 1 50 -1,13 1 1
nomor 6, 9, 12, 23, 26, 33, 39, dan 43 artinya 8 orang nasabah yang diprediksikan
masuk ke dalam kelompok 2, pada data asli seharusnya masuk ke dalam
kelompok 1. Sedangkan 7 nasabah pada kelompok 2 yang salah klasifikasi yaitu
pada nomor 3, 5, 28, 40, 42, 44, dan 46 artinya 7 orang nasabah yang
diprediksikan masuk ke dalam kelompok 1, pada data asli seharusnya masuk ke
dalam kelompok 2. Jadi, total kesalahan klasifikasi yang terjadi adalah 15 unit
percobaan.

40
4.5 Analisis diskriminan Linier dengan Metode Cross Validation 2
Pada eksperimen ke – 2 data Testing dan data training dipertukarkan
sehingga data testing pada eksperimen ke – 1 akan menjadi data training pada
eksperimen ke – 2 dan data training pada eksperimen ke – 1 akan menjadi data
testing pada eksperimen ke – 2.
4.5.1 Model Fungsi Diskriminan
Untuk menentukan model fungsi diskriminan pada eksperimen ke – 2
digunakan data testing yang telah dibagi sebanyak 50 orang nasabah, kali ini data
testing tersebut akan menjadi data training begitu pula sebaliknya. Model di
estimasi dengan menggunakan nilai eigen dan vektor eigen seperti pada
persamaan (2.4).
Tabel 4.8 Fungsi Diskriminan eksperimen ke – 2
Canonical Discriminant
Function Coefficients
Function
1
x1 -1.855
x2 -.043
x3 .188
x4 .265
x5 1.003
x6 1.974
(Constant) -2.065
Unstandardized coefficients
Dengan menggunakan Software SPSS 17 diperoleh hasil seperti pada
Tabel 4.4 dengan nilai masing – masing adalah : 𝑏0 = −2,065 ,
𝑏1 = −1,855, 𝑏2 = −0,043, 𝑏3 = 0,188, 𝑏4 = 0,265, 𝑏5 = 1,003, 𝑏6 = 1,974.
Sehingga model fungsi diskriminan adalah:
𝐷𝑖 = −2,065 − 1,855𝑥1𝑖 − 0,043𝑥2𝑖 + 0,188𝑥3𝑖 + 0,265𝑥4𝑖
+1,003𝑥5𝑖 + 1,974𝑥6𝑖 (4.2)

41
Nilai x akan disubstitusikan ke dalam persamaan (4.2) dan hasilnya adalah
skor diskriminan masing-masing nasabah yang akan menjadi penentu klasifikasi
dari nasabah tersebut.
4.5.2 Skor Diskriminan
Setelah didapatkan fungsi diskriminan pada persamaan (4.2), maka
dilakukan perhitungan skor diskriminan pada masing-masing unit percobaan
dengan cara mengsubtitusi nilai x masing – masing nasabah.
= 2, 𝑥21
= 6, 𝑥31
= 2, 𝑥41
= 1, 𝑥51
= 1, dan 𝑥61
= 1
𝐷1 = −2,065 − 1,855𝑥11
− 0,043𝑥21
+ 0,188𝑥31
+ 0,265𝑥41
+1,003𝑥51
+ 1,974𝑥61
𝐷1 = −2,416
= 3, 𝑥21
= 5, 𝑥31
= 10, 𝑥41
= 1, 𝑥51
= 2, dan 𝑥61
= 2
𝐷2 = −2,065 − 1,855𝑥12
− 0,043𝑥22
+ 0,188𝑥32
+ 0,265𝑥42
+1,003𝑥52
+ 1,974𝑥62
𝐷2 = 0,254
Hasil perhitungan dengan cara yang sama dilakukan sampai dengan n = 50 yang
hasilnya dapat dilihat pada Tabel 4.9:
Tabel 4.9 Hasil perhitungan skor diskriminan
No. Nama Nasabah
Skor
Diskriminan
No. Nama Nasabah
Skor
Diskriminan
1 MURNI -2,416 26 ANI SUHARMO 1,477
2 HARIATI DG 0,254 27 FITRI 0,584
3 DARMAWATY -0,960 28 SALMAH 1,245
4 JUMASIA -1,588 29 NURHAYATI -1,095
5 HUSNI DG SILA 0,584 30 IRNAWATI 0,704
6 DARMAWATI 0,295 31 ITRAWATI -0,707
7 KASMA 1,169 32 UPSIA 0,254
8 SRI RAHAYU 0,021 33 HAJIRAH 0,473
9 HASNIAR -0,224 34 HASNAWATI 1,400
10 NURJANNAH 0,209 35 MARLINA 0,285
11 MULIATI
ABDULLAH
1,148 36 HASNIA, A.Ma -1,415
12 NASHRUN FADLI -0,707 37 RINA M. -1,227
13 HARITAN A.
MALARANGENG
0,516 38 SUSANTI 2,228
14 ARIKA
RAHMAWATI
0,252 39 HASMA -2,098
15 ANDI IRWAN -0,267 40 LENNY 0,440
16 RATNA DG SUJI 0,021 41 HENDRA DG
NGEMBA
-1,082
17 SUARNI KEBE 0,252 42 HASMAH 0,981
18 FATMAWATI 0,430 43 IRNAWATI IDRIS -0,996
19 JUNAEDI -2,055 44 KARLINA -0,719
20 KASITA HAMZAH 1,123 45 NURMILAWATI -1,679
21 HASMA 0,541 46 KURNIA 0,021

42
22 NURHAYATI -0,312 47 ARIYANTI RISMA 2,314
23 MILDAYANTI 0,560 48 MULIANI -0,960
24 RALIA 1,289 49 SYAMSIAH 0,297
25 ROHANI 0,455 50 HJ. HERAWATI -1,313
Sumber : hasil olah data dengan microsoft excel 2015
Untuk mengklasifikasikan masing-masing unit percobaan berdasarkan
skor diskriminan yang diperoleh ke dalam masing-masing kelompok digunakan
nilai tengah dengan rumus 𝑚 =
( 𝑋̅1−𝑋̅2) 𝑡
2
Σ−1( 𝑋̅1 − 𝑋̅2), jika 𝐷𝑖 > 𝑚 𝑎𝑡𝑎𝑢 𝐷𝑖 −
𝑚 > 0 maka masuk ke dalam kelompok 2 (nasabah yang menunggak) dan jika
𝐷𝑖 ≤ 𝑚 𝑎𝑡𝑎𝑢 𝐷𝑖 − 𝑚 ≤ 0 maka masuk ke dalam kelompok 1 (nasabah yang
tidak menunggak).
Dengan nilai m = 0,1725 maka untuk n = 1 berarti 𝐷1 = –2,416 maka
– 2,416 – 0,1725 = – 2,588, berarti nasabah 1 akan masuk ke dalam kelompok 1,
untuk n = 2 berarti 𝐷2 = 0,254 maka 0,254 – 0,1725 = 0,081, berarti nasabah
2 akan masuk ke dalam kelompok 2. Begitu seterusnya sampai dengan n = 50
sehingga didapatkan hasil seperti pada Tabel 4.10
Tabel 4.10 Kelompok Prediksi
No.
Kelompok
Aktual
Kelompok
Prediksi
No.
Kelompok
Aktual
Kelompok
Prediksi
1 1 1 26 1 2
2 1 2 27 1 2
3 2 1 28 2 2
4 1 1 29 1 1
5 2 2 30 2 2
6 1 2 31 2 1
7 1 2 32 1 2
8 1 1 33 1 2
9 1 1 34 1 2
10 2 2 35 1 2
11 2 2 36 1 1
12 1 1 37 1 1
13 2 2 38 2 2
14 1 2 39 1 1
15 1 1 40 2 2
16 1 1 41 1 1
17 1 2 42 2 2
18 1 2 43 1 1
19 1 1 44 2 1
20 2 2 45 1 1
21 1 2 46 2 1
22 1 1 47 2 2
23 1 2 48 1 1
24 2 2 49 1 2
25 1 2 50 1 1

43
nomor 2, 6, 7, 14, 17, 18, 21, 23, 25, 26, 27, 32, 33, 34, 35, dan 49 pada data asli
artinya 16 orang nasabah yang diprediksikan masuk ke dalam kelompok 2
seharusnya masuk ke dalam kelompok 1. Sedangkan 4 nasabah pada kelompok 2
yang salah klasifikasi yaitu pada nomor 3, 31, 44, dan 46 artinya 4 orang nasabah
yang diprediksikan masuk ke dalam kelompok 1, pada data asli seharusnya masuk
ke dalam kelompok 2. Jadi, total kesalahan klasifikasi yang terjadi adalah 20
orang nasabah.
4.5.3 Aplikasi pada data Testing
Untuk memeriksa apakah model yang didapatkan pada persamaan (4.2)
dapat diterapkan pada data baru, maka dilakukan validasi dengan data testing
yang telah ditentukan sebelumnya yaitu sebanyak 50 orang. Sehingga untuk data
testing diperoleh hasil seperti pada Tabel 4.11.
Tabel 4.11 Hasil perhitungan pada data Testing
No.
Skor
Diskriminan
Kelompok
Aktual
Kelompok
Prediksi
No.
Skor
Diskriminan
Kelompok
Aktual
Kelompok
Prediksi
1 1,588 1 2 26 -1,356 1 1
2 -0,663 2 1 27 1,486 2 2
3 1,477 2 2 28 -1,765 1 1
4 0,517 1 2 29 -1,722 2 1
5 -1,602 1 1 30 0,176 1 2
6 0,661 2 2 31 0,022 1 1
7 0,254 1 2 32 -0,749 1 1
8 0,209 1 2 33 -0,792 1 1
9 -1,679 1 1 34 1,52 2 2
10 0,893 2 2 35 0,295 2 2
11 2,314 2 2 36 1,477 1 2
12 1,401 2 2 37 0,252 1 2
13 0,517 2 2 38 1,563 1 2
14 0,474 1 2 39 -0,663 1 1
15 -1,457 1 1 40 -1,491 1 1
16 0,211 1 2 41 0,254 2 2
17 0,56 2 2 42 -0,3 1 1
18 -1,679 1 1 43 0,252 1 2
19 0,34 1 2 44 1,255 1 2
20 -2,184 1 1 45 1,315 1 2
21 0,441 2 2 46 0,34 2 2
22 -1,689 1 1 47 0,252 1 2
23 1,169 1 2 48 0,517 1 2
24 2,074 2 2 49 0,388 1 2
25 1,024 1 2 50 1,639 2 2

44
nomor 1, 4, 7, 8, 14, 16, 19, 23, 25, 30, 36, 37, 38, 43, 44, 45, 47, 48, dan 49
artinya 19 orang nasabah yang diprediksikan masuk ke dalam kelompok 2, pada
data asli seharusnya masuk ke dalam kelompok 1. Sedangkan 2 nasabah pada
kelompok 2 yang salah klasifikasi yaitu pada nomor 2 dan 29 artinya 2 orang
nasabah yang diprediksikan masuk ke dalam kelompok 1, pada data asli
seharusnya masuk ke dalam kelompok 2. Jadi, total kesalahan klasifikasi yang
terjadi adalah 21 unit percobaan.
4.6 Uji Ketepatan Klasifikasi
4.6.1 Peluang Kesalahan Klasifikasi (APER)
Untuk menguji berapa besar peluang kesalahan klasifikasi pada percobaan,
digunakan persamaan (2.5) yang hasilnya dapat dilihat pada Tabel 4.12 dan
Tabel 4.13 untuk eksperimen ke – 1, serta Tabel 4.14 dan Tabel 4.15 untuk
eksperimen ke – 2,
Untuk Eksperimen ke – 1 :
Tabel 4.12 Hasil klasifikasi data Training
Kelompok
Aktual
Kelompok
Prediksi
Jumlah
Observasi
1 2
1 27 7 34
2 3 13 16
𝐴𝑃𝐸𝑅 =
7 + 3
34 + 16
= 0,2
Artinya peluang kesalahan klasifikasi untuk data training adalah sebesar 0,2.
Tabel 4.13 Hasil klasifikasi data Testing
Kelompok
Aktual
Kelompok
Prediksi
Jumlah
Observasi
1 2
1 25 8 33
2 7 10 17
𝐴𝑃𝐸𝑅 =
8 + 7
33 + 17
= 0,3
Artinya peluang kesalahan klasifikasi untuk data testing adalah sebesar 0,3.

45
Sehingga total peluang kesalahan klasifikasi untuk eksperimen ke – 1
adalah
𝐴𝑃𝐸𝑅 𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 + 𝐴𝑃𝐸𝑅 𝑡𝑟𝑎 𝑖𝑛𝑖𝑛𝑔
2
yaitu
0,2+ 0,3
2
= 0,25
Untuk Eksperimen ke – 2 :
Tabel 4.12 Hasil klasifikasi data Training
Kelompok
Aktual
Kelompok
Prediksi
Jumlah
Observasi
1 2
1 17 16 33
2 4 13 17
𝐴𝑃𝐸𝑅 =
16 + 4
34 + 16
= 0,4
Artinya peluang kesalahan klasifikasi untuk data training adalah sebesar 0,4.
Tabel 4.13 Hasil klasifikasi data Testing
Kelompok
Aktual
Kelompok
Prediksi
Jumlah
Observasi
1 2
1 15 19 34
2 2 14 16
𝐴𝑃𝐸𝑅 =
19 + 2
33 + 17
= 0,42
Artinya peluang kesalahan klasifikasi untuk data testing adalah sebesar 0,42.
Sehingga total peluang kesalahan klasifikasi untuk eksperimen ke – 2
adalah
𝐴𝑃𝐸𝑅 𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 + 𝐴𝑃𝐸𝑅 𝑡𝑟𝑎 𝑖𝑛𝑖𝑛𝑔
2
yaitu
0,4+ 0,42
2
= 0,41
4.6.2 Uji Keakuratan
Hipotesis untuk menguji keakuratan klasifikasi yang dilakukan adalah :
H0 : Klasifikasi akurat
H1 : Klasifikasi tidak akurat
Statistik uji : Tolak H0 apabila Cpro < HitRatio < Cmax, artinya klasifikasi
yang dilakukan belum akurat. Sebaliknya, terima H0 apabila HitRatio > Cmax >Cpro,
artinya klasifikasi yang dilakukan sudah akurat
Dengan menggunakan persamaan (2.6) dan (2.7) diperoleh hasil untuk
eksperimen ke – 1:

46
Untuk data Training :
Hit Ratio
HitR =
40
50
𝑥 100% = 80%
Proportional Change Criterion
Cpro= (0,682+ 0,322 ) x 100% = 56 %
Maximum Change Criterion
Cmax= (34/ 50) x 100% = 68%
Karena nilai HitRatio > Cmax maka H0 diterima, yang artinya hasil klasifikasi
sangat akurat.
Untuk data Testing :
Hit Ratio
HitR =
35
50
𝑥 100% = 70%
Cpro= (0,682+ 0,322 ) x 100% = 56 %
Cmax= (33/ 50) x 100% = 66%
Karena nilai HitRatio > Cmax maka H0 diterima, yang artinya hasil klasifikasi
sangat akurat.
Sedangkan untuk eksperimen ke – 2, dengan menggunakan persamaan
(2.6) dan (2.7) diperoleh hasil:
Untuk data Training :
Hit Ratio
HitR =
30
50
𝑥 100% = 60%
Cpro= (0,662+ 0,342 ) x 100% = 55 %
Cmax= (33/ 50) x 100% = 66%

47
Karena nilai HitRatio < Cmax maka H0 ditolak, karena nilai HitRatio > Cpro
berarti hasil klasifikasi kurang akurat.
Untuk data Testing :
Hit Ratio
HitR =
29
50
𝑥 100% = 58%
Cpro= (0,662+ 0,342 ) x 100% = 55 %
Cmax= (34/ 50) x 100% = 68%
Karena nilai HitRatio < Cmax maka H0 ditolak, karena nilai HitRatio > Cpro
berarti hasil klasifikasi kurang akurat.
4.6.3 Uji Kestabilan
Hipotesis untuk menguji kestabilan klasifikasi yang dilakukan adalah :
H0 : Klasifikasi konsisten
H1 : Klasifikasi tidak konsisten
Statistik uji : Terima H0 apabila nilai 𝑃𝑟𝑒𝑠𝑠′
𝑠 𝑄 > 𝜒(𝑑𝑏,𝛼)
2
, artinya
klasifikasi yang dilakukan sudah konsisten. Sebaliknya, tolak H0 apabila nilai
𝑠 𝑄 < 𝜒(𝑑𝑏,𝛼)
2
o, artinya klasifikasi yang dilakukan belum konsisten.
Dengan menggunakan persamaan (2.8) maka untuk eksperimen ke – 1
didapatkan :
𝑠 𝑄 =
[100 − (75𝑥2)]2
100(2 − 1)
= 25
Karena nilai statistik uji 𝑃𝑟𝑒𝑠𝑠′
𝑠 𝑄 > 𝜒(1,0,05)
2
yaitu 25 > 3,841 maka H0
diterima sehingga dapat disimpulkan bahwa keakuratan pengklasifikasian untuk
eksperimen ke – 1 adalah konsisten.
Sedangkan untuk eksperimen ke – 2, dengan menggunakan persamaan
(2.8) maka didapatkan :
𝑠 𝑄 =
[100− (59𝑥2)]2
100(2 − 1)
= 3,24

48
Karena nilai statistik uji 𝑃𝑟𝑒𝑠𝑠′
𝑠 𝑄 < 𝜒(1,0,05)
2
yaitu 3,24 < 3,841 maka H0
ditolak sehingga dapat disimpulkan bahwa keakuratan pengklasifikasian untuk
eksperimen ke – 2 adalah tidak konsisten.

49
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan uraian pembahasan mengenai Analisis Diskriminan Linier
dengan metode Cross Validation, maka dapat diambil kesimpulan sebagai berikut:
1. Analisis Diskriminan dengan menggunakan metode Cross Validation
dilakukan dengan cara membagi keseluruhan data menjadi data training
dan data testing. Data training digunakan untuk membentuk model fungsi
diskriminan dan data testing digunakan untuk memeriksa apakah model
fungsi diskriminan yang di peroleh dengan menggunakan data training
dapat diterapkan pada data baru.
2. Model diskriminan dengan metode Cross Validation untuk data nasabah
PT Bank Sinarmas Syariah cabang Veteran Selatan sejak 24 Oktober 2013
sampai 07 Januari 2014 adalah :
𝐷𝑖 = −3,549 − 0,381𝑥1𝑖 − 0,557𝑥2𝑖 + 0,280𝑥3𝑖 + 1,151𝑥4𝑖 + 0,252𝑥5𝑖 + 1,492𝑥6𝑖
dan
𝐷𝑖 = −2,065 − 1,855𝑥1𝑖 − 0,043𝑥2𝑖 + 0,188𝑥3𝑖 + 0,265𝑥4𝑖 + 1,003𝑥5𝑖 + 1,974𝑥6𝑖
Model yeng telah didapatkan digunakan untuk menghitung skor
diskriminan, dimana berdasarkan skor diskriminan yang diperoleh dapat
ditentukan kelompok dari masing – masing nasabah.
3. Untuk eksperimen ke – 1 nilai 𝑃𝑟𝑒𝑠𝑠′
𝑠 𝑄 > 𝜒(1,0,05)
2
yaitu 25 > 3,18
artinya model yang didapatkan layak digunakan untuk data. Sedangkan
untuk eksperimen ke – 2 nilai 𝑃𝑟𝑒𝑠𝑠′
𝑠 𝑄 < 𝜒(1,0,05)
2
yaitu 3,2 < 3,18
artinya model yang didapatkan tidak layak digunakan untuk data.
Sehingga model terbaik pada klasifikasi nasabah yang menunggak dan
tidak menunggak pada PT Bank Sinarmas Syariah Cabang Veteran Selatan
adalah :
𝐷𝑖 = −3,549 − 0,381𝑥1𝑖 − 0,557𝑥2𝑖 + 0,280𝑥3𝑖 + 1,151𝑥4𝑖 + 0,252𝑥5𝑖 + 1,492𝑥6𝑖

50
5.2 Saran
Analisis Diskriminan Linier dengan menggunakan metode cross
validation hanya akan optimal jika terpenuhi asumsi normal multivariat. Penulis
menyarankan untuk malakukan Analisis Diskriminan dengan metode kernel untuk
data yang tidak memenuhi asumsi normal msultivariat.

51
DAFTAR PUSTAKA
Bouveyron, C., Fauvel, M., Girard, S. 2012. Kernel Discriminant Analysis and
Clustering with Parsimonius Gaussian Process Models. France.
Hair, S. E., Anderson, R. E., Tatham, R. L., Black, W.. 2002. Multivariate Data
Analysis, Prentice-Hall Fifth Edition.USA.
Jonhson, N. and D. Wichern. 2002. Applied Multivariate Statistical Analysis,
Prentice-Hall.USA.
Mclachlan, G. J.. 1991. Discriminant Analysis and Statistical Pattern
Recognition. Wiley, New York.
Morrison, D.G. 1969, On Interpretation in Discriminant Analysis, Journal of
Marketing Research 6 (May). (Hal. 2)

53
Lampiran 1 : Data Nasabah PT Bank Sinarmas Syariah
No. Nama Debitur Kelompok
Variabel Bebas
Penghasilan
Lama
Usaha
Plafond
J. Tempat
Tinggal
J. Usaha Pengeluaran
1 FATMAWATI 1 2 5 5 2 1 2
2 REVITA NOVENSKHA 1 2 3 5 1 1 2
3 HAJIRAH 1 2 4 5 2 1 2
4 DARMAWATI 1 2 2 5 1 1 2
5 ANDI NINA SARLINDA 2 2 2 5 1 1 2
6 KURNIA 2 1 3 3 2 1 1
7 HASNIA, A.Ma 1 2 2 5 2 1 1
8 SAHRIR SAGA 1 1 3 3 2 1 1
9 SRI RAHAYU 1 1 3 3 2 1 1
10 MULIATI ABDULLAH 2 2 4 10 1 1 2
11 HAMSINAR 2 2 2 5 2 1 2
12 LAWIAH 1 1 2 5 1 1 1
13 HAMDANA 1 1 5 5 2 2 1
14 NAHARIA 2 1 2 5 2 1 1
15 HASNAWATI 1 1 3 5 2 2 1
16 SURIATI 1 2 3 5 2 1 1
17 FIRNAYANTI 1 3 3 10 1 2 2
18 HASMA 2 1 3 5 2 2 1
19 SUNDARI 1 2 5 3 1 1 1
20 HASNI 1 2 2 7 1 2 1
21 RATNA DGSUJI 1 1 3 3 2 1 1
22 KARLINA 2 2 3 5 1 2 1
23 RIVAI 2 3 5 10 1 2 2
24 YANTI 1 2 4 5 2 1 2
25 HASMAH 2 2 5 4 1 2 2
26 SYAMSIAH 1 3 4 10 1 2 2
27 SUARNI KEBE 1 2 3 5 1 1 2
28 MAESARAH A. 1 2 4 5 1 1 2
29 SAMIRA 1 2 4 4 1 2 2
30 FIRDAH DARWIS 1 3 3 10 1 1 2
31 NASHRUN FADLI Z. 1 3 4 10 1 1 2
32 STAMINAH 2 2 2 6 1 2 2
33 DIA RESKI ARIANI 2 2 3 5 2 1 2
34 MILDAYANTI 1 2 2 5 2 1 2
35 LINDA 1 2 2 5 1 1 1
36 KASMAWATI 1 2 2 5 1 1 1
37 MARIATY L. 2 2 3 5 1 1 1
38 NURAINA 1 3 5 10 1 1 2
39 SURYANTHI 1 2 2 6 1 1 1
40 JUMASIA 1 2 6 5 2 1 1
41 ISNAYANI 1 2 2 4 2 1 1
42 RUSNI 1 2 4 5 1 1 1
43 ITRAWATI 2 3 4 10 1 1 2
44 SUSI AHMAD 2 3 3 10 1 1 2
45 NURMILAWATI 1 2 2 5 1 1 1
46 FITRI 1 2 4 7 1 1 2
47 SADARIA 1 2 3 5 2 1 2
48 NURJANNAH 2 2 4 5 1 1 2
49 KASMA 1 2 5 5 1 2 2
50 GUSMIATI 1 2 3 5 1 2 2
51 IR. RATNA DEWININGSIH 2 3 3 10 1 2 3
52 SAKILA 1 2 5 5 1 2 2
53 HUSNI DG SILA 2 2 4 7 1 1 2
54 FITRIANI WIDODO ZM 1 3 5 5 1 1 2
55 JUMARIA 1 2 6 5 2 1 2
56 ARIKA RAHMAWATI 1 2 3 5 1 1 2
57 KASITA HAMZAH 2 2 2 8 2 1 2
58 SABARIA 1 2 2 5 2 2 2
59 SUMIATI 1 2 4 5 2 2 2
60 HJ. HERAWATI 1 3 5 7 1 1 2
61 KURNIA SARI 1 2 3 5 2 1 2
62 RINA M 1 3 3 7 1 1 2
63 IRNAWATI IDRIS 1 3 2 8 1 1 2
64 IRNAWATI 2 3 4 7 1 1 3
65 IRFAN B AMKAS 2 3 5 7 1 1 3
66 SITI NUR ASIAH 1 3 6 7 1 1 2
67 USMAN B. 2 2 3 5 2 2 2
68 HASMA 1 2 5 7 1 1 2
69 SUARDY 2 2 3 7 2 1 2
70 ANI SUHARMO 1 2 4 5 2 2 2
71 SAHARIA DG RAMPU 1 3 5 10 1 2 2
72 JUNAEDI 1 2 2 3 1 1 1
73 MURNI 1 2 6 2 1 1 1

54
74 NURHAYATI 1 2 3 3 1 2 1
75 ROHANI 1 2 7 7 1 1 2
76 LENNY 2 2 3 6 1 1 2
77 HASMA 1 2 3 3 1 1 1
78 ISWATI 1 3 6 10 1 1 2
79 NURHAYATI 1 2 3 2 1 1 2
80 JUMRIATY 1 3 6 10 1 2 2
81 SYAMSYAHWATI A. 2 2 4 5 2 2 2
82 RALIA 2 2 5 4 2 2 2
83 HARIATI DGTANANG 1 3 5 10 1 2 2
84 SITI NURRAHMA RUDY 1 2 3 5 1 1 2
85 HENDRA DGNGEMBA 1 3 4 8 1 1 2
86 DG RABIA 1 2 3 5 1 1 2
87 HASMA 1 3 4 7 1 2 2
88 MARLINA 1 2 4 4 2 1 2
89 UPSIA 1 3 5 10 1 2 2
90 HASNIAR 1 3 3 7 1 2 2
91 HARITAN A MALARANGENGD
S
2 2 3 5 2 1 2
92 SUATMIA 2 3 6 8 2 2 3
93 SUSANTI 2 3 5 10 1 2 3
94 ANDI IRWAN 1 3 4 7 1 2 2
95 ANDI YULIANA AS 2 3 3 5 2 2 3
96 ARIYANTI RISMA 2 3 3 10 1 2 3
97 MULIANI 1 3 7 4 1 2 2
98 SALMAH 2 2 5 4 2 2 2
99 DARMAWATY 2 2 6 3 2 2 1
100
ABDULLAH DANIEL
RAMADHAN
2 3 3 10 1 2 2

55
Lampiran 2 : Syntax MATLAB
clc;
clear;
A=xlsread('book1');
B=zeros(100,7);
c=randperm(100);
for (i=1:100)
B(i,:)=A(c(i),:);
end
D=B(1:50,:);
E=B(51:100,:);

56
Lampiran 3 : Data Training
Variabel Bebas
Penghasilan
Lama
Usaha
Plafond
J. Tempat
Tinggal
1 HASMA 1 3 4 7 1 2 2
2 SUSI AHMAD 2 3 3 10 1 1 2
3 SYAMSIAHWATI 2 2 4 5 2 2 2
4 SADARIA 1 2 3 5 2 1 2
5 ISNAYANI 1 2 2 4 2 1 1
6 IRFAN B. AMKAS 2 3 5 7 1 1 3
7 SAHARIA DG 1 3 5 10 1 2 2
8 MAESARAH A 1 2 4 5 1 1 2
9 LINDA 1 2 2 5 1 1 1
10 SUARDY 2 2 3 7 2 1 2
11 IR RATNA DEWI NINGSIH 2 3 3 10 1 2 3
12 HASMA 2 1 3 5 2 2 1
13 DIA RESKI ARIANI 2 2 3 5 2 1 2
14 YANTI 1 2 4 5 2 1 2
15 SURIATI 1 2 3 5 2 1 1
16 JUMRIATY 1 3 6 10 1 2 2
17 HAMSINAR 2 2 2 5 2 1 2
18 KASMAWATI 1 2 2 5 1 1 1
19 FIRNAYANTI 1 3 3 10 1 2 2
20 SUNDARI 1 2 5 3 1 1 1
21 NAHARIA 2 1 2 5 2 1 1
22 FITRIANI WIDODO 1 3 5 5 1 1 2
23 SAKILA 1 2 5 5 1 2 2
24 SUATMIA 2 3 6 8 2 2 3
25 SAMIRA 1 2 4 4 1 2 2
26 SITI NUR ASIAH 1 3 6 7 1 1 2
27 STAMINAH 2 2 2 6 1 2 2
28 RUSNI 1 2 4 5 1 1 1
29 MARIATY L. 2 2 3 5 1 1 1
30 LAWIAH 1 1 2 5 1 1 1
31 SAHRIR SAGA 1 1 3 3 2 1 1
32 NURAINA 1 3 5 10 1 1 2
33 ISWATI 1 3 6 10 1 1 2
34 USMAN B. 2 2 3 5 2 2 2
35 ANDI NINA SARLINDA 2 2 2 5 1 1 2
36 SUMIATI 1 2 4 5 2 2 2
37 DG RABIA 1 2 3 5 1 1 2
38 SABARIA 1 2 2 5 2 2 2
39 FIRDAH DARWIS 1 3 3 10 1 1 2
40 SURYANTHI 1 2 2 6 1 1 1
41 RIVAI 2 3 5 10 1 2 2
42 HASNI 1 2 2 7 1 2 1
43 REVITA NOVENSKA 1 2 3 5 1 1 2
44 GUSMIATI 1 2 3 5 1 2 2
45 HAMDANA 1 1 5 5 2 2 1
46
ABDULLAH DANIEL
RAMADHAN
2 3 3 10 1 2 2
47 SITI NURRAHMA 1 2 3 5 1 1 2
48 KURNIA SARI 1 2 3 5 2 1 2
49 JUMARIA 1 2 6 5 2 1 2
50 ANDI YULIANA 2 3 3 5 2 2 3

57
Lampiran 4 : Data Testing
Variabel Bebas
Penghasilan
Lama
Usaha
Plafond
J. Tempat
Tinggal
1 MURNI 1 2 6 2 1 1 1
2 HARIATI DG 1 3 5 10 1 2 2
3 DARMAWATY 2 2 6 3 2 2 1
4 JUMASIA 1 2 6 5 2 1 1
5 HUSNI DG SILA 2 2 4 7 1 1 2
6 DARMAWATI 1 2 2 5 1 1 2
7 KASMA 1 2 5 5 1 2 2
8 SRI RAHAYU 1 1 3 3 2 1 1
9 HASNIAR 1 3 3 7 1 2 2
10 NURJANNAH 2 2 4 5 1 1 2
11 MULIATI ABDULLAH 2 2 4 10 1 1 2
12 NASHRUN FADLI 1 3 4 10 1 1 2
13 HARITAN A. MALARANGENG 2 2 3 5 2 1 2
14 ARIKA RAHMAWATI 1 2 3 5 1 1 2
15 ANDI IRWAN 1 3 4 7 1 2 2
16 RATNA DGSUJI 1 1 3 3 2 1 1
17 SUARNI KEBE 1 2 3 5 1 1 2
18 FATMAWATI 1 2 5 5 2 1 2
19 JUNAEDI 1 2 2 3 1 1 1
20 KASITA HAMZAH 2 2 2 8 2 1 2
21 HASMA 1 2 5 7 1 1 2
22 NURHAYATI 1 2 3 2 1 1 2
23 MILDAYANTI 1 2 2 5 2 1 2
24 RALIA 2 2 5 4 2 2 2
25 ROHANI 1 2 7 7 1 1 2
26 ANI SUHARMO 1 2 4 5 2 2 2
27 FITRI 1 2 4 7 1 1 2
28 SALMAH 2 2 5 4 2 2 2
29 NURHAYATI 1 2 3 3 1 2 1
30 IRNAWATI 2 3 4 7 1 1 3
31 ITRAWATI 2 3 4 10 1 1 2
32 UPSIA 1 3 5 10 1 2 2
33 HAJIRAH 1 2 4 5 2 1 2
34 HASNAWATI 1 1 3 5 2 2 1
35 MARLINA 1 2 4 4 2 1 2
36 HASNIA, A.Ma 1 2 2 5 2 1 1
37 RINA M. 1 3 3 7 1 1 2
38 SUSANTI 2 3 5 10 1 2 3
39 HASMA 1 2 3 3 1 1 1
40 LENNY 2 2 3 6 1 1 2
41 HENDRA DGNGEMBA 1 3 4 8 1 1 2
42 HASMAH 2 2 5 4 1 2 2
43 IRNAWATI IDRIS 1 3 2 8 1 1 2
44 KARLINA 2 2 3 5 1 2 1
45 NURMILAWATI 1 2 2 5 1 1 1
46 KURNIA 2 1 3 3 2 1 1
47 ARIYANTI RISMA 2 3 3 10 1 2 3
48 MULIANI 1 3 7 4 1 2 2
49 SYAMSIAH 1 3 4 10 1 2 2
50 HJ. HERAWATI 1 3 5 7 1 1 2

58
Lampiran 5 : Tabel Chi-Square

Skripsi

More Related Content

What's hot (20)

Viewers also liked (10)

Similar to Skripsi (20)

More from Dian Arisona (18)

Recently uploaded (20)

Skripsi