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 ini termasuk dalam analisis multivariat dengan metode dependensi. Ada dua metode dalam analisis multivariat yaitu metode dependensi dan metode interdenpendensi. Metode dependensi yaitu variabel-variabelnya tidak saling bergantung satu dengan yang lain, sedangkan metode interdenpendensi adalah antarvariabelnya ada saling ketergantungan. Jika variabel dependen terdiri dari dua kelompok atau kategori disebut Two-Group Discriminant Analysis , sedangkan jika lebih dari dua kelompok atau kategori disebut dengan Multiple Discriminant Analysis.
Analisis Diskriminan (skripsi dan tesis)
Analisis diskriminan bertujuan untuk mengklasifikasikan suatu individu atau observasi ke dalam kelompok yang saling bebas (mutually exclusive/disjoint) dan menyeluruh (exhaustive) berdasarkan jumlah variabel independen. Menurut Johnson dan Wichern (2007) analisis diskriminan digunakan untuk mengklasifikasikan individu ke dalam salah satu dari dua kelompok atau lebih. Suatu fungsi diskriminan layak untuk dibentuk, bila terdapat perbedaan nilai rataan di antara kelompok-kelompok yang ada. Persamaan fungsi diskriminan yang dihasilkan untuk memberikan peramalan yang paling tepat untuk mengklasifikasi individu kedalam kelompok berdasarkan skor variabel independen. Sebelum fungsi diskriminan dibentuk, perlu dilakukan pengujian terhadap perbedaan nilai rataan dari kelompokkelompok tersebut.
Menurut Santoso (2010), terdapat beberapa asumsi yang harus dipenuhi dalam pengujian ini, yaitu :
1. Multivariate Normality atau variabel independen seharusnya berdistribusi normal, jika tidak berdistribusi normal akan menyebabkan masalah pada ketepatan fungsi model diskriminan.
2. Matriks kovarians dari semua variabel independen seharusnya sama (equal).
3. Tidak ada korelasi antar variabel independen. Jika dua variabel independen mempunyai korelasi yang kuat, dikatakan terjadi multikolinearitas.
4. Tidak adanya data yang sangat ekstrim (outlier) pada variabel independen. Jika ada data outlier yang tetap diproses, hal ini bisa berakibat kurangnya ketepatan klasifikasi dari fungsi diskriminan.