PERBANDINGAN ANALISIS DISKRIMINAN LINIER, DISKRIMINAN LINIER ROBUST DAN REGRESI LOGISTIK BINER (Studi Kasus Pada Penjurusan Bidang IPA / IPS Siswa Tingkat SMA Negeri 1 Bangorejo Banyuwangi)

Abstract

Tujuan dari penulisan ini adalah mengetahui tingkat keakuratan metode tersebut dalam mengestimasi data yang mengandung outlier dan membentuk model analisis diskriminan linier, analisis diskriminan linier robust dan regresi logistik biner dalam prediksi pengklasifikasian penjurusan IPA atau IPS siswa di SMA Negeri 1 Bangorejo. Data nilai raport dan psikotes siswa sebanyak 224 responden setelah dilakukan pengujian outlier terkontaminasi outlier 23,214% yaitu sebesar 52 outlier, sehingga jumlah data yang tidak mengandung outlier sebanyak 172 responden. Langkah-langkah yang dilakukan untuk mencapai tujuan tersebut yaitu data yang diperoleh dibuat simulasi data dengan besar sampel bervariasi n1=40, n2=80, n3=120 dan n4=160 serta dengan variasi outlier mulai dari 5%, 10%, 15% dan 20%. Selanjutnya diestimasi dengan menggunakan ketiga metode analisis, dan menghasilkan model pengelompokan yang diinginkan. Dari hasil pengolahan data pada data simulasi maupun dari data riel didapat bahwa : viii a. Analisis regresi logistik biner mempunyai garis trend lebih tinggi dibanding yang lain sehingga analisis regresi logistik biner mempunyai ketepatan klasifikasi yang lebih baik dibanding analisis diskriminan linier dan analisis diskriminan linier robust pada saat data yang mengandung outlier. b. Analisis diskriminan linier robust mempunyai ketepatan klasifikasi lebih besar besar jika dibandingkan dengan ketepatan klasifikasi pada analisis diskriminan linier untuk data yang besar (160 responden) dengan besar outlier yang semakin besar. c. Analisis diskriminan linier mempunyai ketepatan klasifikasi yang cenderung lebih baik dibanding analisis diskriminan robust maupun regresi logistik biner untuk data yang tidak mengandung outlier. d. Pengelompokan jurusan IPA atau IPS di SMA Negeri 1 Bangorejo dengan jumlah data 224 responden terkontaminasi outlier menggunakan analisis logistik biner ketepatan klasifikasi lebih baik dan tidak ada banyak asumsi yang dilakukan dengan ketepatan klasifikasi sebesar 85,714%.