Post on 06-Mar-2019
Pembimbing :Dr. Bambang Widjanarko Otok, M.Si
Oleh :Yosiana Fitria. W (1308 100 081)
1
EVALUASI KETEPATAN KLASIFIKASI KELULUSAN TES KETERAMPILAN SNMPTN BIDANG OLAHRAGA
MENGGUNAKAN ANALISIS DISKRIMINAN KERNEL
SEMINAR HASIL TUGAS AKHIR
JURUSAN STATISTIKA ITS 2011
Surabaya, 20 Desember 2011
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
AGENDA
2
PENDAHULUAN
TINJAUAN PUSTAKA
METODOLOGI PENELITIAN
HASIL DAN PEMBAHASAN
KESIMPULAN DAN SARAN
DAFTAR PUSTAKA
LATAR
BELAKANG
RUMUSAN
MASALAH
BATASAN
MASALAH
TUJUAN
PENELITIAN
MANFAAT
PENELITIAN
3
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
SNMPTN
Satu-satunya pola
seleksi secara
serentak
Memperluas
akses kuliah
Tes TertulisTes
Keterampilan
Bidang Olahraga
Kelulusan Calon
Mahasiswa Baru
Bobot
penilaian
50%
Pengklasifikasian yang
tepat
Mempercepat
Sistem
Penerimaan
Mahasiswa
Baru
LATAR
BELAKANG
RUMUSAN
MASALAH
BATASAN
MASALAH
TUJUAN
PENELITIAN
MANFAAT
PENELITIAN
4
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
Kelulusan Calon Mahasiswa Baru
Lulus
Tidak Lulus
ANALISIS
DISKRIMINAN
LINIER
TERIKAT
ASUMSI
MULTIVARIAT
METODE
KLASIFIKASI
NON
PARAMETRIK
ANALISIS
DISKRIMINAN
KERNELESTIMATOR KERNEL
Mika (1999)
(Mika,1999)
LATAR
BELAKANG
RUMUSAN
MASALAH
BATASAN
MASALAH
TUJUAN
PENELITIAN
MANFAAT
PENELITIAN
5
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
Penelitian Sebelumnya
SNMPTN
Diskriminan
Kernel
Mayasari (2011) Pemodelan regresi hasil tes kesehatan dan fisik bidang olahraga dengan MARS
Asarii (2010) Mengkaji perbaikan prosedur penerimaan mahasiswa baru di Universitas Sebelas Maret dengan Business Proocess Improvement
Rachmawati(2002) Meneliti klasifikasi keterampilan permainan tenis lapangan dengan diskriminan linier, kernel, dan ANN
Rahayu (2000) Mengidentifikasi warna obyek dengan analisis diskriminan linier dan kernel
LATAR
BELAKANG
RUMUSAN
MASALAH
BATASAN
MASALAH
TUJUAN
PENELITIAN
MANFAAT
PENELITIAN
6
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
1
• Bagaimana karakteristik calon mahasiswa baru yang mengikuti tes keterampilan SNMPTN 2010 yang dianalisis menggunakan statistika deskriptif?
2
• Bagaimana ketepatan klasifikasi calon mahasiswa baru yang mengikuti tes keterampilan SNMPTN 2010 dengan Analisis Diskriminan Linier dan Analisis Diskriminan Kernel?
LATAR
BELAKANG
RUMUSAN
MASALAH
BATASAN
MASALAH
TUJUAN
PENELITIAN
MANFAAT
PENELITIAN
7
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
Peneliti membatasi penelitian ini dengan
menggunakan unit pengamatan adalah calon
mahasiswa baru Jurusan Pendidikan Kesehatan dan
Rekreasi (Penkesrek) UNESA dimana variabel-variabel
untuk penelitian ini dibatasi hanya variabel tes
keterampilan SNMPTN 2010 saja.
LATAR
BELAKANG
RUMUSAN
MASALAH
BATASAN
MASALAH
TUJUAN
PENELITIAN
MANFAAT
PENELITIAN
8
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
1
• Mengidentifikasi karakteristik calon mahasiswa baru yang mengikuti tes keterampilan SNMPTN 2010 yang dianalisis menggunakan statistika deskriptif?
2
• Untuk mengetahui ketepatan klasifikasi calon mahasiswa baru yang mengikuti tes keterampilan SNMPTN 2010 dengan Analisis Diskriminan Linier dan Analisis Diskriminan Kernel?
LATAR
BELAKANG
RUMUSAN
MASALAH
BATASAN
MASALAH
TUJUAN
PENELITIAN
MANFAAT
PENELITIAN
9
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
Manfaat keilmuwan
Untuk menambah wawasan keilmuwan tentang metode klasifikasi nonparametrik Analisis Diskriminan Kernel
Manfaat bagi universitas
Diharapkan dapat menjadi rekomendasi untuk mempercepat sistem penerimaan mahasiswa baru dalam hal penentuan kelulusan tes keterampilasn calon mahasiswa baru
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
TES
KETERAMPILAN
SNMPTN
10
SEMINAR PROPOSAL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
Analisis Diskriminan merupakan salah satu metode dalamAnalisis Multivariate yang bertujuan menghubungkan satuvariabel respon yang bersifat kategori dengan satu atau lebihvariabel prediktor yang bersifat kuantitatif dengan caramembentuk fungsi diskriminan ( Hair, 2006)
Tujuan Analisis Diskriminan adalah :1. Untuk membangun persamaaan atau fungsi berdasarkan
variabel pembeda yang nantinya digunakan untukmenghitung variabel baru yang dapat menggambarkanperbedaan antar grup dan untuk mengelompokkanpengamatan ke salah satu grup yang ada.
2. Untuk melakukan identifikasi variabel-variabel yangpaling membedakan antar grup
11
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
UJI ASUMSI MULTIVARIAT
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
lebih besar dari
H0 : 1 = 2 = ... = k
H1 : minimal ada satu kelompok berbeda, i j
dengan i ≠ j, i dan j = 1,2,...,k
Gagal tolak H0 jika maka dapat dikatakan matriks varian
kovarian telah bersifat homogen.
UJI NORMAL MULTIVARIAT
UJI HOMOGENITAS VARIAN KOVARIAN
xxSxxd i
T
ij 12
2jd
2),05.0( p
k
i
ipool
k
i
ii vSSvc11
12 ln
21ln
2112
2 21 1 12
k q q
TES
KETERAMPILAN
SNMPTN
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
12
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
TAHAPAN ANALISIS DISKRIMINAN
1. Mengevaluasi Signifikansi Variabel Pembeda
2. Mengestimasi Fungsi Diskriminan
Data berukuran ni x p untuk populasi πi, yang dikumpulkan berupa Xidan baris ke-j dinyatakan oleh xT
ij. Matrik kovarians dinyatakan dengan Si dimana i=1,2,…,g dan g=jumlah grup
Matriks Sample Beetwen Groups
g
i 1
Tii xxxxB
Matriks Sample Within Groups
g
i
g
i
n
j
iin1 1 1
1 Tiijiij xxxxSW
0ˆ,...,ˆ,ˆ21 s BW 1
s21 e,...e,e ˆˆˆ
s ≤ min (g-1, p)
1ˆˆ eSe pooled
T
axxxxa
axxxxa
aWa
aBa
g
i
n
j
T
iijiij
T
g
i
T
ii
T
T
T
i
ˆˆ
ˆˆ
ˆˆˆˆ
1 1
1
xexa TTkk
ˆˆ
k ≤ s
Kombinasi Linier
XaTY
TES
KETERAMPILAN
SNMPTN
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
13
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
TAHAPAN ANALISIS DISKRIMINAN
3. Mengevaluasi Signifikansi Fungsi Diskriminan
4. Memilih Metode Pengelompokan
Cut Off Value = 21
2211
nn
ZnZn
1Z = Rata-rata Skor Grup 1
2Z = Rata-rata Skor Grup 2
5. Mengevaluasi Fungsi Klasifikasi
Menghitung peluang kesalahan klasifikasi Apparent Error Rates (APER)
Kelompok Kelompok Prediksi Jumlah
Aktual 1 2 3 Observasi
1
2
3
11n 12n 13n
21n 22n
31n 32n 33n
23n
1n
2n
3n
321
323123211312
nnnnnnnnn
APER
TES
KETERAMPILAN
SNMPTN
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
14
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
TES
KETERAMPILAN
SNMPTN
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
Dalam klasifikasi dimana data tidak bisa dipisahkan secara linier, salah
satu pendekatan yang dapat dipakai adalah dengan menggunakan
metode kernel. Dalam metoda kernel, suatu data x di input space
dipetakan ke kernel space F dengan dimensi yang lebih tinggi.
Pemakaian fungsi kernel memungkinkan analisis diskriminan linier
bekerja secara efisien dalam suatu kernel space berdimensi tinggi yang
linier. Dengan pendekatan kernel ini, Fisher Discriminant Analysis bisa
dikembangkan menjadi kernel discriminant analysis (KFD)
(Mika, 1999)
FUNGSI KEPADATAN KERNEL:
• Uniform Kernel
•Normal Kernel
•Epanechnikov Kernel
•Biweight Kernel
•Triweight Kernel
15
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
TES
KETERAMPILAN
SNMPTN
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
• x merupakan vektor berdimensi p dari suatu pengamatan
• Normal Kernel (mean nol, varian h2Vt)
Apabila
zVzz 1T
gghgc
K 20 2
1exp1
21
20 2 g
pp
hgc V
ipi2i1i X,,X,XX
gn
i
gig
g
g Kn
f1
1 Xxx
16
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
TES
KETERAMPILAN
SNMPTN
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
Pengklasifikasian dengan Teorema Bayes-Berdasarkan probabilitas posterior terbesar
-Jika maka pengamatan x
diklasifikasikan ke , demikian pula sebaliknya.(Johnson, 2007)
xxxx
2211
111 |
fpfp
fpp
xxxxx
2211
2212 |1|
fpfp
fppp
x|gp
xx || 21 pp
1
17
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
TES
KETERAMPILAN
SNMPTN
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
Pemilihan bandwith h dilakukan dengan mengoptimalkan kriteria
dengan mengasumsikan bahwa grup g berdistribusi normal dengan
matrik varian kovarian Vg.
Sehingga nilai bandwith h optimal yang dihasilkan pada grup g yaitu
(Ansys, 2004):
Konstanta A(Kg) dapat diperoleh dari :
Dengan Kernel Normal
41
p
g
g
n
KA
12
4
p
KA g
18
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
UJI
KESTABILAN
UJI
KEAKURATAN
Untuk menentukan apakah pengelompokan yang dihasilkan
mempunyai tingkat akurasi yang tinggi, maka digunakan Change
Model (Cpro
) yang diformulasikan sebagai berikut (Hair, 2006) :
Proportional Change Criterion
Cpro
= p2
+ q2
Maximum Change Criterion
Cmax
= (nmax
/ N) x 100%
Keterangan :
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
19
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
UJI
KESTABILAN
UJI
KEAKURATAN
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):
Keterangan :
N : Total sampel
n : jumlah pengamatan yang tepat diklasifikasikan
k : jumlah dari grup (kelompok)
1
2
'
kN
knNQspress
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
20
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
Tes Keterampilan
Tes Kesehatan
tes pemilahan bagi calon mahasiswa baru yang mengikuti SNMPTN melalui pemeriksaan status kesehatan untuk mengetahui individu yang sehat atau sakit.
Pemeriksaan tinggi badan dan berat badan
Tes fisik
untuk mengetahui kebugaran seseorang (melakukan aktivitas fisik tanpa mengalami kelelahan yang berati serta masih mampu melakukan aktifitas lainnya)
Tes Kesegaran Jasmani Indonesia
TES
KETERAMPILAN
SNMPTN
SUMBER
DATA
VARIABEL
PENELITIAN
METODE
ANALISIS
21
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
Data sekunder yang diambil dari Tesis Mayasari (2011)
Universitas Airlangga
Data berasal dari prodi S1-Penjaskesrek FIK UNESA dan
merupakan data calon mahasiswa baru tahun 2010 yang
mengikuti SNMPTN. Jumlah keseluruhan calon mahasiswa
baru prodi S1-Penjaskesrek yang mengikuti tes keterampilan
SNMPTN tahun 2010 sebanyak 593 orang, namun
dikarenakan adanya data yang tidak lengkap maka data yang
digunakan dalam analisis hanya berjumlah 471 data.
SUMBER
DATA
VARIABEL
PENELITIAN
METODE
ANALISIS
22
SEMINAR PROPOSAL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
Kode Variabel
Variabel respon :
Y
Kelulusan calon mahasiswa baru berdasarkan tes
keterampilan SNMPTN 2010 jurusan Penjaskesrek
UNESA yang dikategorikan menjadi lulus dan tidak lulus
Variabel prediktor :
X1 Tinggi badan (cm)
X2 Berat badan (Kg)
X3 Tes Lari 50/60 meter (detik)
X4 Tes Sit Up (kali/menit)
X5 Tes Vertical Jump (cm)
X6 Tes Lari 1000/1200 meter (detik)
SUMBER
DATA
VARIABEL
PENELITIAN
METODE
ANALISIS
23
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
Diskriminan Linier
Uji Asumsi
Membandingkan ketepatan klasifikasi kedua metode
Uji beda vektor
Menyusun fungsi diskriminan
Data calon mahasiswa baru
Analisis statistika deskriptif
Data training
Diskriminan Kernel
Pengklasifikasian
Menentukan fungsi kepadatan kernel
Memasukkan bandwith
Pengklasifikasian
Validasi model dengan data testing
Validasi model dengan data testing
STATISTIKA
DESKRIPTIF
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
24
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
VariabelLulus Tidak lulus
Mean St Dev Mean St Dev
Tinggi Badan (cm) 162,85 7,24 166,04 6,36
Berat Badan (kg) 55,61 9,29 58,86 54,24
Lari 50/60 m (detik) 8,35 1,12 9,66 1,27
Sit Up (kali/menit) 40,65 7,76 34,36 10,02
Vertical Jump (cm) 61,88 11,66 53,19 13,16
Lari 1000/1200 m
(detik) 288,58 44,22 366,97 47,73
Memiliki rata-rata
lebih tinggi pada
kelompok lulus
Memiliki rata-rata
lebih tinggi pada
kelompok tidak lulus
STATISTIKA
DESKRIPTIF
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
25
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
H0
: Data berdistribusi normal multivariat
H1: Data tidak berdistribusi normal multivariat
Nilai dj
2lebih besar dari 2
(0.5,p).Sebanyak 53,85%
NORMAL
MULTIVARIAT
MATRIK
VARIAN
KOVARIAN
TIDAK
HOMOGEN
H0
: 1=
2
H1:
1
2
Uji Box’M P-value 0,002
Tolak H0
UJI PERBEDAAN VEKTOR RATA-RATA
H0
:
H1: terdapat perbedaan antar kelompok
Uji Wilk’s Lambda P-value
Tolak H0
21PERLU
DILAKUKAN
ANALISIS
DISKRIMINAN
UJI PARSIAL
SIGNIFIKANSI
VARIABEL
PREDIKTOR
VARIABEL SIGNIFIKAN
-Tinggi badan - lari 1000/1200m
-Lari 50/60 m
-Sit-up
-Vertical jump
VARIABEL TIDAK
SIGNIFIKAN
•Berat badan
STATISTIKA
DESKRIPTIF
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
26
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
FUNGSI DISKRIMINAN LINIER
Z = -30,499 + 0,142 X1 + 0,000 X2 + 0,296 X3 - 0,026 X4 - 0,009 X5 +
0,016 X6
Dimana :
Z = Skor diskriminan
X1= tinggi badan
X2
= berat badan
X3
= tes lari 50/60 m
X4
= tes sit up
X5
= tes vertical jump
X6
= tes lari 1000/1200 m
PROSENTASE KETEPATAN KLASIFIKASI DATA TRAINING : 87,8 %
STATISTIKA
DESKRIPTIF
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
27
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
DATA
TRAINING
87,8 %
Kelompok
awal
Kelompok menurut
fungsi diskriminan Jumlah
Lulus Tidak lulus
Lulus 31 1 32
Tidak lulus 45 300 345
Jumlah 76 301 377
Kelompok
awal
Kelompok menurut
fungsi diskriminanJumlah
Lulus Tidak lulus
Lulus 8 0 8
Tidak lulus 33 53 86
Jumlah 41 53 94
DATA TESTING
65 %
STATISTIKA
DESKRIPTIF
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
28
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
Menggunakan Fungsi Kernel Normal / Gaussian Kernel
Fungsi kernel yang menghasilkan taksiran paling bagus
(Seber, 1984)
Pemilihan Bandwith Optimum
3077,016.2
412
4
pKA t
41
p
t
t
nKA
h
0,491 =3773077,0 46
1
h
(Ansys,2004)
Menggunakan nilai bandwith 0,1 hingga 0,9
(D.Michie, 1994)
STATISTIKA
DESKRIPTIF
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
29
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
BANDWITH TIAP KELOMPOK SAMA
Bandwith
Ketepatan Klasifikasi
Data
Training
Data
Testing
0,100 94,43% 94,69%
0,200 94,43% 94,69%
0,300 94,69% 94,69%
0,400 95,23% 96,82%
0,500 94,58% 87,25%
0,600 94,34% 89,38%
0,700 94,34% 91,50%
0,800 93,40% 91,50%
0,900 92,69% 93,63%
0,491 94,58% 87,25%
Kelompok awal
Kelompok menurut
prediksiJumlah
LulusTidak
lulus
Lulus 20 12 32
Tidak lulus 6 339 345
Jumlah 26 351 377
Kelompok awal
Kelompok menurut
prediksiJumlah
Lulus Tidak lulus
Lulus 5 3 8
Tidak lulus 0 86 86
Jumlah 5 89 94
TRAINING
TESTING
STATISTIKA
DESKRIPTIF
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
30
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
BANDWITH TIAP KELOMPOK
BERBEDA
Bandwith
Ketepatan Klasifikasi
Data
Training
Data
Testing
0,100 93,63% 95,76%
0,200 93,90% 95,76%
0,300 94,96% 95,76%
0,400 94,96% 95,76%
0,500 94,81% 87,25%
0,600 94,58% 87,25%
0,700 94,81% 87,25%
0,800 94,58% 87,25%
0,900 94,10% 87,25%
0,491 93,63% 89,38%
Kelompok awal
Kelompok menurut
prediksiJumlah
LulusTidak
lulus
Lulus 18 14 32
Tidak lulus 5 340 345
Jumlah 23 354 377
Kelompok awal
Kelompok menurut
prediksiJumlah
Lulus Tidak lulus
Lulus 4 4 8
Tidak lulus 0 86 86
Jumlah 5 89 94
TRAINING
TESTING
STATISTIKA
DESKRIPTIF
DISKRIMINAN
LINIER
DISKRIMINAN
KERNEL
31
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
DataDiskriminan
Linier
Diskriminan Kernel
Bandwith sama Bandwith Berbeda
Training 87,80% 95,23% 94,96%
Testing 64,00% 96,82% 95,76%
C pro 84,50% 84,50% 84,50%
C max 91,49% 91,49% 91,49%
Press’s Q 8,34 82,38 78,68
841,3205,0;1 Nilai Press’Q > KONSISTEN
Diskriminan Linier
Training Cpro < Hit ratio < Cmax
KURANG AKURAT
Testing Hit ratio < Cpro
TIDAK AKURAT
Diskriminan Kernel
Hit ratio > C max
SANGAT AKURAT
KESIMPULAN
SARAN
32
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
1
• apabila nilai rata-rata variabel tinggi badan, berat badan, lari
50/60 meter, dan lari 1000/1200 m semakin besar justru masuk
pada kelompok tidak lulus. Sedangkan pada variabel sit up dan
vertical jump semakin besar nilai rata-rata justru masuk pada
kelompok lulus.
2
• Dari hasil analisis terhadap data training diketahui bahwa
prosentase ketepatan klasifikasi untuk metode diskriminan linier
sebesar 87,59% dan untuk metode diskriminan kernel sebesar
95,23%. Sedangkan hasil analisis terhadap data testing
menunjukkan bahwa prosentase ketepatan klasifikasi untuk
metode diskriminan linier sebesar 64,89% dan untuk metode
diskriminan kernel sebesar 96,82%. Sehingga dapat
disimpulkan bahwa pada kasus klasifikasi kelulusan tes
keterampilan SNMPTN calon mahasiswa baru bidang olahraga,
metode diskriminan kernel merupakan metode yang lebih
sesuai digunakan daripada metode diskriminan linier.
KESIMPULAN
SARAN
33
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
ITS – Cerdas, Amanah, Kreatif
1
• Pada kenyataannya sering dijumpai bahwa data yang
diperoleh tidak memenuhi asumsi kenormalan dan
varian homogen, sehingga untuk memperoleh
informasi yang lebih akurat dalam masalah klasifikasi
dari data yang ada diperlukan suatu pendekatan
nonparametrik dimana salah satunya adalah metode
diskriminan kernel.
2
• Sebaiknya pada penelitian selanjutnya, sampel yang
digunakan dapat dilengkapi terlebih dahulu agar
dapat meminimalisasi data yang tidak lengkap
(missing) serta menghasilkan data yang lebih akurat.
34
SEMINAR HASIL TUGAS AKHIR JURUSAN STATISTIKA ITS 2011
DAFTAR PUSTAKAAnsys, Inc., 2004. Ansys Theory Reference : Ansys Release 9.0, First Ed. SAS IP, Inc, Philadelphia.Ashadi, K., 2009. Mari Belajar Tentang Tes Kesegaran Jasmani Indonesia,
<URL:http://kunjungashadi.wordpress.com/2009/02/21/mari-belajar-tentang-tes-kesegaran-jasmani-indonesia/> diakses 4 November 2011.
Cahya, B., 2008. Laporan individu, <URL:http: //chiell.files.wordpress.com/2009/02/tes-kebugaran-x-3.doc>diakses 4 November 2011.
Hair J.F., Rolph E. Anderson, Ronald L. Tatham, William C. Black. 2006. Multivariate Data Analysis. SixthEdition, Pearson Education Prentice Hall, Inc.
Johnson, N. And Wichern, D. 2007. Applied Multivariate Statistical Analysis, 6th Edition. New Jersey: PrenticeHall, Englewood Cliffs.
Jones, M. C. And Wand, M. P. 1995. Kernel Smoothing. Chapman and Hall.Mayasari, A. Y. 2011. Pemodelan Tes Kesehatan dan Tes Fisik Bidang Olahraga dengan Pendekatan
Multivariate Adaptive regression Spline. Surabaya: Program Magister, Universitas Airlangga.Rahayu, Y. A. 2002. Analisis Diskriminan Multivariate dengan Metode Linear dan kernel (Studi Kasus pada
Identifikasi Warna Obyek Menggunakan Kamera). Surabaya: Program Sarjana, Institut TeknologiSepuluh Nopember.
Rakhmawati, R. P. 2002. Studi Klasifikasi Ketrampilan Permainan Tenis Lapangan dengan Pendekatan
Metode Diskriminan, Kernel, dan Artificial Neural Network. Surabaya: Program Sarjana, InstitutTeknologi Sepuluh Nopember.
Rencher, Alvin C. 2002. Methods of Multivariate Analysis, Second edition. New York: John Wiley & Sons, Inc.Rosenblatt, M. 1956. Remarks on Some Nonparametric Estimates of a Density Function. Annals of
Mathematical Statistics. 27, 832 -837.S. Mika, G. R¨atsch, J. Weston, B. Sch¨olkopf, and K.-R. M¨uller. 1999 . Fisher discriminant analysis with
kernels. In Y.-H. Hu, J. Larsen, E. Wilson, and S. Douglas, editors, Neural Networks forSignal
Processing IX, pages 41–48. IEEE.Wikipedia, 2011. Seleksi Nasional Masuk Perguruan Tinggi Negeri, <URL:
http://id.wikipedia.org/wiki/Seleksi_Nasional_Masuk_Perguruan_Tinggi_Negeri > dkses 4November 2011.
35
TERIMA
KASIH
JURUSAN STATISTIKA ITS 2011