mk. metil-psdl metode statistika dalam kajian lingkungan ( smno.psdlub )
DESCRIPTION
MK. METIL-PSDL METODE STATISTIKA DALAM KAJIAN LINGKUNGAN ( smno.psdl.ppsub ). METODE ANALISIS DATA. STATISTIKA : - PowerPoint PPT PresentationTRANSCRIPT
MK. METIL-PSDL
METODE STATISTIKADALAM KAJIAN
LINGKUNGAN
(smno.psdl.ppsub)
MK. METIL-PSDL
METODE STATISTIKADALAM KAJIAN
LINGKUNGAN
(smno.psdl.ppsub)
METODE ANALISIS DATA
STATISTIKA :
Ilmu dan atau seni yang berkaitan dengan tata cara (metode) pengumpulan data, analisis data, dan interpretasi hasil
analisis untuk mendapatkan informasi guna penarikan kesimpulan dan pengambilan
keputusan
S T A T I S T I K A
METODE PENGUMPULAN DATA
METODE ANALISIS DATA
SUMBER DATA
DATAEMPIRIK
INFORMASIEMPIRIK
PERANAN STATISTIKA
AKURAT !
PENDEKATAN PENELITIAN
Pengumpulan DataAnalisis DataInterpretasi
Konklusi
KISI-KISI PENELITIAN
BACKGROUND
SCIENTIFIC
PROBLEM
LANDASAN
ILMIAH
HIPOTESIS
KERANGKA
TEORI / KONSEP
METODE PENELITIAN :.DATA COLLECTING
. DATA ANALYSISHASIL DAN
PEMBAHASANSIMPULANSARAN REKOMENDASI
JENIS PENELITIAN
PENELITIAN KUANTITATIF
OBSERVASI-ONAL EXPERIMENTAL DESIGN
POPULASI NYATA
PERLAKUANIntervensi Peneliti Terhadap Obyek
POPULASI KONSEPTUAL
UNIK Tidak Ada Populasi
TEKNIK SAMPLING EXPERIMENTAL DESIGN
PENELITIAN OBSERVASIONAL
BATASAN POPULASI
IDENTIFIKASI KARAKTERISTIK
POPULASI
TEKNIK SAMPLING
SAMPLE SIZE
VARIABEL PENELITIAN
INSTRUMEN PENGUMPULAN
DATA
METODE PENGUMPULAN
DATA
METODE ANALISIS
DATA
PENELITIAN EKSPERIMENTAL
DEFINISI PERLAKU
AN
IDENTIFIKASI MEDIA, BAHAN, OBYEK
EXPERI-
MENTAL DESIGN
REPLIKASI
VARIABEL PENELI-
TIAN
INSTRUMEN PENGUMPUL
AN DATA
METODE PENGUMPUL
AN DATA
METODE ANALISIS
DATA
PENELITIAN PERANCANGANLANDASAN KONSEP / TEORI
(STRUKTUR)SPESIFIKASI BAHAN, ALAT, KOMPONEN
(FUNGSI) ATAU ANALISIS SISTEM
DISKRIPSI PROSEDUR
MODEL(Prototipe)
SIMULASI
DATAANALISIS
PEMBUATAN ALAT
UJI COBA
DATA
ANALISIS
HASIL PENELITIAN : ALAT atau SISTEM INFORMASI
MEMENUHI
TIDAK MEMENUHI
MEMENUHI
TDK
METODE PENELITIAN
RISET EXPERIMENTAL
Penetapan : PerlakuanPemilihan : Materi, media, obyek penelitianIdentifikasi karakteristik: Materi, media, obyek penelitian
Penetapan : Rancangan PercobaanMenghitung : Jumlah ulangan
Rumus : dbgalat > 15
Buat : Prosedur pelaksanaan percobaaIdentifkasi & definisikan: Variabel penelitian Memilih : Instrumen dan metode pengukuran yang akan digunakanMenentukan : Metode analisis data
RANCANGAN EKSPERIMEN
Pengumpulan Data
RANCANGAN EKSPERIMEN
Pengumpulan Data
RANCANGAN EKSPERIMEN
Rancangan LingkunganRanc. Acak LengkapRanc. Acak KelompokRanc. Bujur Sangkar LatinRanc. Acak Petak TerbagiRanc. Blok Terbagi
Rancangan PerlakuanPercobaan FaktorialPercobaan Faktorial dalam KeterbauranPercobaan Tersarang dan Faktorial Tersarang
RANCANGAN LINGKUNGAN
RANCANGAN ACAK LENGKAP (RAL)
Pemakaian : Materi, media, obyek penelitian homogenRandomisasi : Acak keseluruhan (sempurna) pd seluruh unit
percobaan (petak percobaan)Ulangan : Boleh sama atau tidak sama untuk setiap perlakuanLokasi pnltan : Laboratorium atau lapangAnalisis Data : Komparasi parametrik ANOVA (one way untuk faktor tunggal, two way untuk faktorial 2 faktor); Komparasi Non-parametrik KRUSKAL WALLIS Asosiasi Korelasi, Regresi, Diskriminan, Analisis Path, SEM, dll.
Pemakaian : Materi, media, obyek penelitian homogenRandomisasi : Acak keseluruhan (sempurna) pd seluruh unit
percobaan (petak percobaan)Ulangan : Boleh sama atau tidak sama untuk setiap perlakuanLokasi pnltan : Laboratorium atau lapangAnalisis Data : Komparasi parametrik ANOVA (one way untuk faktor tunggal, two way untuk faktorial 2 faktor); Komparasi Non-parametrik KRUSKAL WALLIS Asosiasi Korelasi, Regresi, Diskriminan, Analisis Path, SEM, dll.
RANCANGAN LINGKUNGAN
RANCANGAN ACAK KELOMPOK (RAK)
Pemakaian : Materi, media, obyek penelitian heterogen satu gradien (sisi)
Randomisasi : Acak pada masing-masing kelompokUlangan : sama dengan kelompok, sehingga harus samaLokasi pnltan : Laboratorium atau lapang
Analisis Data : Komparasi parametrik ANOVA (two way untuk faktor tunggal, three way untuk faktorial 2 faktor);
Komparasi NOnparametrik FRIEDMAN Asosiasi Korelasi, Regresi, Diskriminan, Analisis Path, SEM, dll.
RANCANGAN LINGKUNGAN
RANCANGAN BUJUR SANGKAR LATIN (RBSL)
Pemakaian : Materi, media, obyek penelitian heterogen dua gradien (sisi)
Randomisasi : Acak baris, kemudian kolomUlangan : sama dengan perlakuan atau baris atau kolom, sehingga harus samaLokasi peneltan : Laboratorium atau lapang
Analisis Data : Komparasi parametrik ANOVA (three way untuk faktor tunggal)
Asosiasi Korelasi, Regresi, Diskriminan, Analisis Path, SEM, dll.
RANCANGAN LINGKUNNGAN
RANCANGAN BUJUR SANGKAR LATIN
A B C DB C D AC D A BD A B C
D A B CB C D AA B C DC D A B
B D C AD B A CC A D BA C B D
RANDOMISASI Misal 4 perlakuan :
A, B, C dan D
Acak baris
Acak kolom
METODE ANALISIS DATA
RANCANGAN BUJUR SANGKAR LATIN
Sumber keragaman db JK KT Fhit F0,05
PerlakuanLajurBarisGalat
P - 1p – 1p – 1
(p-1)(n –2)Total P2 – 1
Analisis Ragam (Faktor Tunggal)
Uji Lanjutan
P XS 21XXS
PerlakuanBarisKolom
p
KTg
p
KTg2
RANCANGAN PERLAKUANPERCOBAAN FAKTORIAL
Perlakuan : Dua Faktor atau lebih Setiap faktor memiliki level
Varitas (V) Pupuk (P) v1 v2 v3
p0 v1p0 v2p0 v3p0 p1 v1p1 v2p1 v3p1 p2 v1p2 v2p2 v3p2 p3 v1p3 v2p3 v3p3
Contoh :
Rancangan Lingkungan yang digunakan
Ranc. Acak LengkapRanc. Acak KelompokRanc. Bujur Sangkar Latin
RANCANGAN PERLAKUAN
PERCOBAAN FAKTORIAL
Tujuan : Mengetahui pengaruh interaksi (ketergantungan pengaruh faktor satu atas faktor yang lain) Efisiensi (biaya, tenaga, waktu)
Analisis Ragam
Tergantung pada rancangan lingkungan yang dipakai, hanya perlakuan dibagi atas komponen :
- faktor utama - interaksi
RANCANGAN PERLAKUAN
PERCOBAAN PETAK TERBAGI (SPLIT PLOT EXPERIMENT)
Perlakuan : Dua Faktor atau lebih Setiap faktor memiliki level
Prbedaan dg FAKTORIAL : Penempatan perlk ke dlm unit eksperimen
Contoh :
Rancangan Lingkungan yang digunakan
Ranc. Acak LengkapRanc. Acak KelompokRanc. Bujur Sangkar Latin
VaritasPengairan b1 b2 b3
A0 V1p0 V2p0 V3p0
A1 V1p1 V2p1 V3p1
RANCANGAN PERLAKUAN
PERCOBAAN PETAK TERBAGI
Tujuan : Mengetahui pengaruh interaksi (ketergantungan pengaruh faktor satu atas faktor yang lain) Efisiensi (biaya, tenaga, waktu)
Syarat pemakaian : level-level salah satu faktor memerlukan plot yang lebih banyak faktor satu lebih dipentingkan dari faktor yang lain kemudahan dalam pelasaknaan percobaan
TEKNIK SAMPLING
Pengumpulan Data
TEKNIK SAMPLING
Pengumpulan Data
TEKNIK SAMPLING
1. Keterwakilan (representatifness)
Bilamana populasinya homogen, maka teknik sampling yang cocok digunakan adalah Simple Sampling
Bilamana keadaan populasi heterogen, maka diupayakan dibuat strata-strata, yang mana di dalam masing-masing strata kondisinya seragam. Jika hal ini dapat dilakukan, maka sampel dapat diambil secara acak dari masing-masing strata Teknik sampling yang digunakan Stratified Sampling.
Apabila keadaan populasi heterogen, yang mana heterogenitasnya merata dan membentuk gerombol-gerombol, dimana karakteristik masing-masing gerombol dapat menggambarkan keadaan populasi, maka teknik sampling yang dignakan cluster sampling.
TEKNIK SAMPLING2. Ketelitian (precission)
a). Random (ACAK), dilakukan bilamana dari segi pelaksanaannya (biaya, waktu, tenaga dan prosedur) layak untuk dilakukan.
b). Sistematic (sistematik), dilakukan jika tidak tersedia sample frame, misalnya pengunjung supermaket, dering tilpun, dan lain sebagainya.
c). SENGAJA atau purposive, dilakukan dengan pertimbangan jika cara random dan sistematik sudah tidak LAYAK. Kedua metode ini termasuk nonprobability sampling dan memerlukan justifikasi yang jelas, agar keterwakilan, presisi dan ketak-biasan data dapat terpenuhi.
KETELITIAN SAMPLE sangat berkaitan dengan sample size
Sample SizeSample size pada Simple Random Sampling
Sample size untuk diskripsi mean - Besar populasi tidak diketahui
2
22
d
Zn
- Besar populasi (N) diketahui dan tidak besar
222
22
Z1Nd
Z Nn
- Besar populasi (N) diketahui dan besar
222
22
Zd N
Z Nn
dalam hal ini
Z = nilai normal baku pada tertentu, 5 atau 1 %. 2 = ragam populasi, dapat diperoleh dari penelitian yang telah ada (jurnal-jurnal),
penelitian pendahuluan, atau pendapat pakar. d = simpangan mean sampel terhadap mean populasi, yang masih ditolerir secara
teoritis.
Sample SizeSample size untuk diskripsi proporsi - Besar populasi tidak diketahui
2
2
q p
d
Zn
- Besar populasi (N) diketahui dan tidak besar
pqZNd
pqZNn
22
2
1
- Besar populasi (N) diketahui dan besar
pqZNd
pqZNn
22
2
1
dalam hal ini :
p = proporsi obyek mengenai karakteristik yang dipelajari, diperoleh dari penelitian terdahulu, bila tidak tersedia tetapkan = 0.5.
q = 1 – p
Sample size untuk diskripsi proporsi - Besar populasi tidak diketahui
2
2
q p
d
Zn
- Besar populasi (N) diketahui dan tidak besar
pqZNd
pqZNn
22
2
1
- Besar populasi (N) diketahui dan besar
pqZNd
pqZNn
22
2
1
dalam hal ini :
p = proporsi obyek mengenai karakteristik yang dipelajari, diperoleh dari penelitian terdahulu, bila tidak tersedia tetapkan = 0.5.
q = 1 – p
Sample size pada Stratified Random Sampling
METODE
UKURAN SAMPEL SELURUH STRATA
(n)
UKURAN SAMPEL
DALAM SETIAP STRATA
(nh )
PEMAKAIAN METODE
SAMA
2h2
2 2
22h
N Z
dN
N S n
h
h
S
n n h
1) apabila unit analisis / unit sampling (Nh) pada setiap strata sama
2) Bila ragam setiap strata (2h )
dan biaya per unit penarikan sampel (ch) pada setiap strata sama
3) Bila 2 dan ch tidak diketahui SEBAN DING/ PROPOR SIONAL
2hh2
2 2
2h
2h
N Z
dN
N N n
n N
N n h
h
1) apabila unit analisis / unit sampling (Nh) pada setiap strata tidak sama
2) idem dengan metode SAMA 3) idem dengan metode SAMA
NEYMAN
2
h2
2 2
22h
N Z
dN
N n
h
h
n N
N n
2h
hh
h
h
1) Bila ragam setiap strata (2h )
tidak sama
Keterangan : 1) S = banyaknya strata 2) Apabila N dan Nh tidak diketahui maka dapat didekati melalui penerikan contoh acak sederhana
(simple random sampling), diberlakukan pada seluruh strata dengan alokasi SAMA.
3) Apabila karakteristik yang diteliti berupa proporsi, maka rumus pada tabel yang mengandung 2h
diganti dengan ph (1-ph).
DASAR-DASAR METODE
Analisis Data
DASAR-DASAR METODE
Analisis Data
VARIABEL
Variabel adalah karakteristik atau sifat dari obyek, yang mana data diamati atau diukur atau dicacah dari
padanya. Tidak semua karakteristik dari obyek merupakan variabel penelitian, tetapi hanya yang
relevan dengan permasalahan atau hipotesis penelitian.
Diidentifikasi
Didefinisikan secara tegas : Definisi operasional variabel
JENIS VARIABEL
Independen
Intervening(Mediating)
Dependen
Confounding
Moderator
Concomitant Control
EXTRANEOUS
INTRANEOUS
JENIS VARIABEL
Variabel tergantung adalah variabel yang tercakup dalam hipotesis penelitian, keragamannya dipengaruhi oleh variabel
lain
Variabel bebas adalah variabel yang yang tercakup dalam hipotesis penelitian dan berpengaruh atau mempengaruhi
variabel tergantung
Variabel antara (intervene variables) adalah variabel yang bersifat menjadi perantara dari hubungan variabel bebas ke
variabel tergantung.
Variabel Moderator adalah variabel yang bersifat memperkuat atau memperlemah pengaruh variabel bebas terhadap variabel
tergantung
JENIS VARIABEL
Variabel pembaur (confounding variables) adalah suatu variabel yang tercakup dalam hipotesis penelitian, akan tetapi muncul dalam penelitian dan berpengaruh terhadap variabel tergantung dan
pengaruh tersebut mencampuri atau berbaur dengan variabel bebas
Variabel kendali (control variables) adalah variabel pembaur yang dapat dikendalikan pada saat riset design.
Pengendalian dapat dilakukan dengan cara eksklusi (mengeluarkan obyek yang tidak memenuhi kriteria) dan inklusi (menjadikan obyek yang memenuhi kriteria untuk diikutkan dalam sampel penelitian)
atau dengan blocking, yaitu membagi obyek penelitian menjadi kelompok-kelompok yang relatif homogen.
JENIS VARIABEL
Variabel penyerta (concomitant variables) adalah suatu variabel pembaur (cofounding) yang tidak dapat
dikendalikan saat riset design.
Variabel ini tidak dapat dikendalikan, sehingga tetap menyertai (terikut) dalam proses penelitian, dengan
konsekuensi harus diamati dan pengaruh baurnya harus dieliminir atau dihilanggkan pada saat analisis data,
misalnya dengan ANCOVA atau MANCOVA
INSTRUMEN PENGUKURAN
VALID dan PRESISI : variabel fisik, misal berat kering tanaman, lingkar leher, besar sel dan lain sebagainya, dilakukan kalibrasi terhadap alat
ukur standart. Spesifikasi dan merek alat harus dinyatakan secara eksplisit.
Variabel kualitatif (uNObservable variable), misalnya sikap, motivasi, harapan : kuisioner atau daftar isian.
VALID : Apabila korelasi antara skor item dengan skor total positif dan 0.30 (Masrun, 1979).
PRESISI (REALIBEL) : Koefisien Alpha Cronbach, instrumen reliabel apabila koefifisien alpha sekitar 0.6 (Malthotra, 1996).
DATA
Data adalah kumpulan angka, fakta, fenomena atau keadaan yang merupakan hasil pengamatan, pengukuran,
atau pencacahan terhadap karakteristik atau sifat dari obyek, yang dapat berfungsi untuk membedakan obyek
yang satu dengan lainnya pada sifat yang sama
DATA PENELITIAN
JENIS DATA
NOMINAL • Komponen Nama (NOmos)
ORDINAL
• Komponen Nama
• Komponen Peringkat (Order)
INTERVAL
• Komponen Nama
• Komponen Peringkat (Order)
• Komponen Jarak (Interval)
• Nilai Nol tidak Mutlak
RATIO• Komponen Nama
• Komponen Peringkat (Order)
• Komponen Jarak (Interval)
• Komponen Ratio
• Nilai NOl Mutlak
TAHAPAN ANALISIS DATA
CODINGSCORING
TABULASI
PERIKSA OUTLIERS
JENIS PERMASALAHAN
PENELITIAN
JENIS DAN KARAKTERISTIK
DATA
PILIH METODE ANALISIS DATA
INFORMASI AKURAT
RELEVAN
VALID
PEMERIKSAAN DATA OUTLIERS
20
30
40
50
60
70
Yi
120
110
100
90
80
70
60
50
40
30
20
Yi
BOX PLOT
OUTLIERS
Diskriptif : Standart Deviasi > Mean (data interval)
Uji Barnet dan Lewis
PERMASALAHAN PENELITIAN
Penilaian (identifikasi, prediksi dan
deskripsi) Pembandingan (Komparasi)
Hubungan (Asosiasi)
ANALISIS DISKRIPTIF
PERINGKASAN
JENIS DATA
PENATAAN Pemusatan Penyebaran
PENGGAMBARAN
Nominal
Ordinal
Interval dan
Ratio
Tabel (distribusi frekuensi) Idem Idem
Modus
Modus
Median
Modus
Median
Mean
Banyaknya jenis data
Rentang
Rentang
Varians
Histogram
Diagram pastel
Idem
Histogram
Diagram pastel
Kurva
ANALISIS DISKRIPTIF
Box Plot
Y2
ANALISIS DISKRIPTIF
ADV
SM
LM
57.38
46.31
34.88
a. F2-Isoprostan
Lapisan N Mean SD
LM
SM
ADVENTIA
32
32
32
34.8820.05
46.3122.20
57.3822.59
Lapisan ADVENTIA : Lebih Tinggi
Waktu Terjadinya Peningkatan F2-Isoprostan, NO, vWF, VCAM dan PAI-1 Pada Keadaan Hiperkolesterolemia dari Minggu Ke-10
s/d Minggu Ke-28 (N=20)
Variabel yang Muncul lebih dini : F2-Isoprostan
ANALISIS DISKRIPTIF
ANALISIS
KOMPARATIF
ANALISIS
KOMPARATIF
ANALISIS KOMPARATIF
Berdasarkan Permasalahan:
Perbandingan suatu kondisi (sampel) dg standart
Perbadingan dua kondisi (sampel)
Perbandingan lebih dari dua kondisi (sampel)
Berdasarkan Jenis Data:
Analisis Parametrik (berlandaskan distribusi normal)
Analisis Nonparametrik (bebas distribusi)
Boostrap (bebas distribusi)
Berdasarkan Jumlah Variabel:
Analisis Univariate (variabel tunggal)
Analisis Multivariate (multivariabel secara simultan)
STATISTIKA PARAMETRIK & NON-PARAMETRIK
NOMINAL
ORDINAL
INTERVAL
RATIO
NONPARAMETRIK
NONPARAMETRIK
PARAMETRIKPARAMETRIKPERIKSA
NORMALITASMENDEKATI
NORMAL
TIDAKNORMAL TRANSFORMASI
TIDAKNORMAL
ANALISIS KOMPARATIF
ANALISIS NONPARAMETRIKDUA POPULASI LEBIH DARI 2 POPULASIJENIS
DATA
SATU
POPULASI Paired Unpired Paired Unpaired
NOMINAL Uji Binomium
Uji 2
Uji McNemar Uji Eksak Fisher Uji Q ChocranUji
2
ORDINAL Uji Kolmogorof S.
Uji Deret
Uji Tanda
Uji Tanda Wilcoxon
Uji Median
Uji MannWhitney
Uji Kolmogorof S.
Uji Wald W.
Uji Moses
Uji Friedman Uji Kruskal
Wallis
INTERVAL
DAN RATIO
Uji Walsh
Uji Randomisasi
ANALISIS PARAMETRIK1)
INTERVAL
DAN RATIO
Uji Z, 2 diketahui
Uji t, 2 tdkdiketahui
Uji Z, 2 diketahui
Uji t, 2 tdkdiketahui
Uji Z, 2 diketahui
Uji t, 2 tdkdiket.
Uji F; melalui
ANOVA
(dengan
pemblokan)
RAK, RBSL
Uji F, melalui
ANOVA
(tanpa
pemblokan)
RAL
ANALISIS PEUBAH GANDA (MULTIVARIATE)
INTERVAL
DAN RATIOUji
2 , diket.
Uji T2 Hotelling,
tidak diketahui
Uji T2 Hotelling,
tidak diketahui
Uji T2 Hotelling, Uji Wilk Lamda
melalui MANOVA
(dengan
pemblokan)
RAK, RBSL
Uji Wilk Lamda
melalui
MANOVA
(tanpa
pemblokan)
RAL
Taraf Nyata () dan p-value
Untuk menghitung p pada uji t dengan nilai thitung = 2.88 pada derajat bebas (db) = 10, adalah :
B (__,__) adalah fungsi Beta.
Dengan kata lain untuk thit = 2.288 dengan db=10 diperoleh p = 0.05; atau dengan = 0.05 dan db=10 diperoleh ttabel = 2.288.
0.05 dtt1 10
210
,21
12
1102
288.2
KAIDAH KEPUTUSAN UJI HIPOTESIS
1. thit < ttabel , terima H0 dan sebaliknya
2. P > , terima H0 dan sebaliknya
3. Tolak H0 (bermakna) dengan resiko salah sebesar p x 100 %.
Taraf Nyata () dan p-value
Misal tdpt Hipotesis : Pemberian Tnmn Teras dpt menurunkan Erosi
Misal Hasil Analisis :
thitung = 2.275
p = 0.057
Pada = 0.05 dan db=10 diperoleh ttabel = 2.288
Keputusannya Bagaimana ?
Misal tdpt Hipotesis : Pemberian Tnmn Teras dpt menurunkan Erosi
Misal Hasil Analisis :
thitung = 2.275
p = 0.057
Pada = 0.05 dan db=10 diperoleh ttabel = 2.288
Keputusannya Bagaimana ?
1. thit < ttabel , terima H0 : Tanaman Teras tidak menurunkan Erosi
2. p > , terima H0 : Tanaman Teras tidak menurunkan Erosi3. Tolak H0 (bermakna) dengan resiko salah sebesar p x 100 % : Tanaman Teras dapat menurunkan Erosi (p = 0.057, bilamana
ada 100 Ha yang diberi tanaman teras hanya 6 Ha yang tidak menurun erosinya)
ANALISIS KOMPARATIF
Contoh Permasalahan Komparatif :
Apakah perlakuan dapat miningkatkan Kadar A?
Group Kadar AKontrol 11.36Kontrol 24.98Kontrol 16.71Kontrol 18.21Kontrol 26.30Kontrol 21.70Kontrol 23.20Kontrol 19.77Kontrol 23.63Kontrol 34.41Kontrol 19.32Kontrol 24.30
Group Kadar APerlakuan 30.42Perlakuan 23.63Perlakuan 28.61Perlakuan 26.79Perlakuan 38.96Perlakuan 33.56Perlakuan 31.59Perlakuan 33.01Perlakuan 23.41Perlakuan 31.52Perlakuan 14.55Perlakuan 38.40Perlakuan 23.09Perlakuan 43.50Perlakuan 20.87Perlakuan 10.17Perlakuan 24.87Perlakuan 36.96Perlakuan 23.41Perlakuan 23.96
DATA HASIL PENELITIAN :
ANALISIS KOMPARATIF
Variabel Group N Mean SD p-value
F2 –Isoprostane Normal
Perlakuan
12
20
21.991 5.709
28.064 8.268
0.033
HASIL PENELITIAN
LAMPIRAN (Software MINITAB)
Two-sample T for Kadar AGroup N Mean StDev SE MeanKontrol 12 21.99 5.71 1.6Perlakuan 20 28.06 8.27 1.8
Difference = mu (Kontrol ) - mu (Perlakuan)Estimate for difference: -6.0795% CI for difference: (-11.14, -1.01)T-Test of difference = 0 (vs NOt =): T-Value = -2.45 P-Value = 0.033 DF = 29
Kadar A
Pengaruh Perlakuan Terhadap Kadar A
PerlakuanKontrol
40
30
20
10
Group
ISO
p = 0.033
HASIL PENELITIAN
Perlakuan meningkatkan
Kadar A
ANALISIS KOMPARATIF
Kad
ar A
CONTOH PERMASALAHAN PEMBANDINGAN
Iso-LM Iso-SM Iso_ADV31 45 5029 23 5442 45 6242 44 4727 49 6648 50 5131 29 4831 47 4359 81 8569 88 8555 79 90
ANALISIS KOMPARATIF
Apakah ada perbedaan Kadar F2-Isoprostan pada lapisan di jaringan ?
Hasil Analisis dg MINITAB
One-way ANOVA: Iso-LM, Iso-SM, Iso_ADV
Analysis of VarianceSource DF SS MS F PFactor 2 2144 1072 3.43 0.046Error 30 9379 313Total 32 11523 Individual 95% CIs For Mean Based on Pooled StDevLevel N Mean StDev ----+---------+---------+---------+--Iso-LM 11 42.18 14.07 (--------*--------) Iso-SM 11 52.73 21.05 (--------*--------) Iso_ADV 11 61.91 17.23 (--------*--------) ----+---------+---------+---------+--Pooled StDev = 17.68 36 48 60 72
Interpretasi
• Terdapat perbedaan kadar Isoprostan pada ketiga lapisan
• Kadar Tertinggi pada Lapisan ADV
Penggambaran
Iso-SMIso-LMIso_ADV
90
80
70
60
50
40
30
20
Lapisan
Isopro
sta
n
ANALISIS ASOSIATIF
ANALISIS ASOSIATIF
JENIS HUBUNGAN
Simetri: terdapat hubungan antar variabel dan bersifat tidak ada yang saling mempengaruhi (analisis yang tepat
adalah korelasi)
Asimetri: hubungan antar variabel yang terjadi bersifat yang satu mempengaruhi (independen) dan lainnya dipengaruhi (dependen); analisis regresi dan path
Resiprok: hubungan antar variabel yang terjadi bersifat saling mempengaruhi (pengaruh bolak-balik), analisis
SEM (structural equation modelling)
ANALISIS ASOSIATIFD A T A
X YKORELASI REGRESI
Nominal
Nominal
Nominal
Ordinal
Ordinal
Ordinal
IntervaldanRatio
Intervaldan Ratio
IntervaldanRatio
Nominal
Ordinal
Interval &Ratio
Nominal
Ordinal
Interval &Ratio
Nominal
Ordinal
IntervalDanRatio
Kontingensi, COdd RatioRelative Risk
Idem
Biserial
Kontingansi, COdd RatioRelative Risk
Rank SpearmanRank KendallRank Partial KendallRank Konkordansi Kendall
Idem
Biserial
Rank SpearmanRank KendallRank Partial KendallRank Konkordansi Kendall
Product Moment PearsonKanonik
Logit, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabel
Logit, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabelRegresi TheilRegresi Garis Resisten
Regresi, dummy variabel
Logit, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabel
Logit, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabelRegresi TheilRegresi Garis Resisten
Regresi, dummy variabel
Logit / Logistik, Probit, LPMDiskriminan
Logit / Logistik, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabelRegresi TheilRegresi Garis Resisten
Regresi
ANALISIS ASOSIATIF
REGRESI LINIER SEDERHANA
Tujuan : mencari hubungan fungsional liner antar 2 variabel (bebas dan tidak bebas)
No. Variabel Bebas Variabel tidak bebas
1. ………… …………...2. ………… …………...3. ………… …………...4. ………… …………...5. ………… …………......Dst.
ANALISIS ASOSIATIF
Contoh : X Y1) Dosis pupuk Produksi tanaman2) Kadar ragi Alkohol yang diperoleh
M od el p en d u ga : Xb b ˆ10 Y
b 1 b 0
R u m u s
X
XY
JK
JP XbY 1
R agamxJK
KTgalat
xJK
X
nKTg
21
C I (1 - )
xn JK
KTgtb 2/
21
Xn JK
X
nKTgtb
22/21
1
U ji H ip o t. H 0 : p 1 = 1 (0 )
H 1 1 1 (0 )
H 0 : p 0 = 0 (0 )
H 1 1 0 (0 )
S ta t. U ji
x
hit
JK
KTg
Xt
ˆˆ11
x
hit
JK
X
nKTg
t2
)0(00
1
ˆ
ANALISIS ASOSIATIF
REGRESI LINIER BERGANDA
Tujuan : mencari hubungan fungsional liner antara satu variabel tergatung dengan banyak variabel bebas Sering dan kebanyakan permasalahan di bidang pengelolaan tanah dan air, bahwa suatu varibel dependen dipengaruhi oleh beberapa variabel independen secara simultan.
Tujuannya untuk mengidentifikasi variabel independen yang berpengaruh paling kuat, melakukan prediksi variabel dependen berdasarkan beberapa variabel independen secara simultan, dsb.
HASIL ANALISIS DG MINITAB
ANALISIS REGRESI (Variabel Dependent datanya Ratio)
The regression equation isHasil = 18.9 + 0.223 X1 - 0.0107 X2 + 0.981 X3 - 0.0016 X4
Predictor Coef SE Coef T PConstant 18.875 5.301 3.56 0.001X1 0.2228 0.1116 2.00 0.056X2 -0.010662 0.009248 -1.15 0.259X3 0.9807 0.2874 3.41 0.002X4 -0.00165 0.02291 -0.07 0.943
S = 6.685 R-Sq = 37.6% R-Sq(adj) = 28.4%
Analysis of VarianceSource DF SS MS F PRegression 4 727.36 181.84 4.07 0.010Residual Error 27 1206.66 44.69Total 31 1934.02
HASIL PENELITIAN : Interpretasi
Y(Hasil) = 18.9 + 0.223 X1 - 0.0107 X2 + 0.981 X3 - 0.0016 X4
• Eksplanasi :
X1 & X3 berpengaruh positif, bila keduanya meningkat Hasil Tanaman meningkat
• Eksplanasi :
X2 & X4 berpengaruh negatif, bilamana meningkat Hasil Tanaman menurun
• Prediksi :
Bilamana yang lain konstan, peningkatan X1 sebesar 10 unit akan mengakibatkan peningkatan Hasil Tanaman 2.23 unit
Hasil Analisis dg MINITAB
ANALISIS REGRESI (Data Variabel Dependen Interval)
The regression equation isISO = 18.9 + 0.223 NO - 0.0107 vWF + 0.981 PAI-1 - 0.0016 VCAM-1
Predictor Coef SE Coef T PConstant 18.875 5.301 3.56 0.001NO 0.2228 0.1116 2.00 0.056vWF -0.010662 0.009248 -1.15 0.259PAI-1 0.9807 0.2874 3.41 0.002VCAM-1 -0.00165 0.02291 -0.07 0.943
S = 6.685 R-Sq = 37.6% R-Sq(adj) = 28.4%
Analysis of VarianceSource DF SS MS F PRegression 4 727.36 181.84 4.07 0.010Residual Error 27 1206.66 44.69Total 31 1934.02
HASIL PENELITIAN : Interpretasi
ISO = 18.9 + 0.223 NO - 0.0107 vWF + 0.981 PAI-1 - 0.0016 VCAM-1
• Eksplanasi :
No & PAI-1 berpengaruh positif, bila keduanya meningkat maka F2-Isoprostan meningkat
• Eksplanasi :
vWF & CCAM-1berpengaruh negatif, bilamana meningkat maka F2-Isoprostan menurun
• Prediksi :
Bilamana yang lain konstan, peningkatan NO 10 ng akan mengakibatkan peningkatan Iso 2.23 ng
ANALISIS DISKRIMINAN
CONTOH PERMASALAHAN Variabel apa yang merupakan penentu terkuat terjadinya erosi?
Data Hasil Penelitian :X1 X2 X3 X4 X5 Tingkat Erosi
10.4 27.8 303000 5.1 1 110.8 24.3 249000 2.5 1 17.8 22.0 274000 3.1 1 110.0 28.1 249000 3.0 0 110.3 28.3 200000 3.1 1 111.4 38.0 164000 3.8 0 110.5 28.1 314000 2.4 0 19.9 30.0 287000 3.4 0 19.6 27.8 265000 2.6 0 19.9 31.2 258000 3.8 0 113.4 33.6 224000 4.1 0 111.0 30.2 200000 3.7 1 19.8 27.7 260000 4.1 0 110.3 31.3 273000 3.9 0 19.1 26.5 263000 2.8 0 19.7 28.4 241000 3.7 0 110.9 30.9 268000 4.3 0 19.9 27.9 298000 4.3 0 111.5 31.6 183000 3.9 0 19.9 30.1 271000 4.2 0 111.1 33.5 243000 3.1 0 1
Tingkat Erosi :
1 = Rendah
2 = Tinggi
Data Hasil Penelitian (Lanjutan):
X1 X2 X3 X4 X5 Tingkat Erosi11.4 31.8 292000 5.1 1 211.2 29.2 349000 6.2 2 27.3 20.9 135000 5.7 2 213.5 39.7 245000 6.7 3 29.1 27.1 236000 5.0 2 28.9 25.1 292000 5.3 1 212.4 36.3 69000 4.9 2 211.0 31.2 236000 4.1 2 210.9 29.9 259000 6.2 2 210.7 30.1 238000 5.1 1 212.2 33.9 231000 8.0 3 212.0 33.9 210000 7.1 3 210.8 31.7 237000 6.2 2 210.8 31.7 237000 3.5 1 210.8 32.1 203000 9.0 3 28.8 27.5 195000 7.2 2 211.6 34.9 193000 6.9 1 211.4 34.8 214000 7.5 3 211.6 34.9 218000 6.2 3 28.5 26.3 124000 4.5 3 210.2 29.2 313000 6.2 2 2
Tingkat Erosi :
1 = Rendah
2 = Tinggi
LAMPIRAN : Hasil Analisis dg SPSS
ANALISIS DISKRIMINAN (Data Variabel Dependent ordinal)
Summary of Canonical Discriminant Functions
Eigenvalues
2.767a 100.0 100.0 .857Function1
Eigenvalue% of
VarianceCumulativ
e %CanonicalCorrelation
First 1 canonical discriminant functions were used in theanalysis.
a.
Wilks' Lambda
.265 49.739 5 .000Test of Function(s)1
Wilks'Lambda
Chi-square df Sig.
LAMPIRAN : Hasil Analisis dg SPSS
Summary of Canonical Discriminant Functions
Standardized Canonical Discriminant Function Coefficients
-.296
.226
.029
.402
.782
HB
PCV
TROMBOSI
URIC_ACD
ALB_URIN
1
Function
X1X2X3X4X5
HASIL PENELITIAN : INTERPRETASI
VALIDITAS MODEL :
Wilks’ Lamda dengan p = 0.00001, berarti model layak digunakan (valid)
KONTRIBUSI PENGARUH :
Besarnya kontribusi pengaruh variabel X1, X2, X3, X4 dan X5 terhadap terjadinya erosi adalah kuadrat dari korelasi kanonik = ( 0.857 )2 = 0.7344, yaitu 73.44 % dan sisanya dipengaruhi variabel lain yang belum ada dalam model
HASIL PENELITIAN : Interpretasi
VARIABEL SEBAGAI PENENTU TERKUAT TERJADINYA EROSI
Fungsi Diskriminan dengan varibel variabel STANDARDIZE :
ZY= -0.296 ZX1 + 0.226 ZX2 + 0.029 ZX3 + 0.402 ZX4 + 0.782 ZX5
dalam hal ini Y = 1 ; erosi rendah Y = 2 ; erosi tinggi
Koefisien diskriminan terbesar adalah X5 disusul X4, sehingga dapat dikatakan bahwa sebagai penentu terkuat adalah X5 dan terkuat kedua adalah X4.
Koefisien X1 bertanda negatif, artinya bilamana X1 rendah akan menuju ke kondisi Erosi Tinggi.
ANALISIS REGRESI VARIABEL DEPENDEN
KUALITATIF
JENIS REGRESI Y KUALITATIF
1. Logit
2. Probit
3. LPM
4. Tobit
5. Gompit
6. Loglinear Model
KEGUNAANPenjelasan (explanation) terhadap fenomena yang dipelajari atau permasalahan yang diteliti.Prediksi PELUANG suatu kejadian (dispesifikasikan padavariabel dependen) berdasarkan nilai variabel bebas.
Faktor determinan, yaitu penentuan variabel bebas mana (pada regresi berganda) yang berpengaruh dominan terhadap variabel tergantung. Hal ini dapat dilakukan bilamana unit satuan data seluruh variabel sama, skalanya homogen dan bersifat kontinyu.
Pengelompokan obyek berdasarkan nilai peluang
Catatan: Kategori variabel dependen bersifat biner (dua kategori)
LOGIT & PROBIT
LOGIT & PROBITa) Spesifikasi Model :
(1) Identifikasi variabel Dependen dan Independen (2) Menentukan Spesifikasi Model
• Spesifikasi model sesuai dengan mekanisme substansi pada bidang yang dikaji (teoritis)• Spesifikasi model ditentukan secara empiris (scatter diagram)
b) Pendugaan Paremater: Sama dengan regresi klasik (OLS) c) Pemeriksaan Asumsi: Sama dengan regresi klasik d) Interpretasi: prediksi peluang dan atau pengelompokan
LOGIT
PROBIT
X
P(Y|x)
LOGIT
Model Logit : Pi = E (Yi | xi ) = 110 Xe1
1
Bila Z : 0 + 1 X, maka P1 = Zie1
1
; fungsi distribusi komulatif
logistik
Fungsi ini bersifat : intrinsicly nonlinear linear ; OLS dapat
diaplikasikan :
Pi = iZ1e1
1
1 - Pi = 1- iZ1e1
1
= iZ1e1
1
i
i
P1
P
=
Zi
Zi
e1
1e1
1
=
Zi
Zi
e1
e1
= eZi
G u n a k a n S i f a t L o g a r i t m a U n t u k T r a n s f o r m a s i L i n i e r
l n ( eZi
Pi
Piln
1
L i = Z i l n ( e )
L i = β 0 + β 1 X ; l i n i e r
Pi
Pi
1 : o d d r a t i o
m i s a l y = 1 ; m e m p u n y a i r u m a h
0 ; t i d a k m e m p u n y a i r u m a h
p i = p r o p o r s i y = 1
B i l a P i = 0 . 8 ( k e l u a r g a d e n g a n p e n d a p a t a n 4 0 ) , m a k a
48.01
8.0
A r t i n y a p a d a k e a d a a n t e r s e b u t k e k u a t a n k e p e m i l i k a n r u m a h
a d a l a h 4 b e r b a n d i n g 1 .
L o g d a r i o d d r a t i o d i s e b u t : l o g i t
L i = l n
Pi
Pi
1 β 0 + β 1 X i + e
P e n d u g a a n p a r a m e t e r : O L S
V a r ( e ) = )ˆ(ˆ iPiPNi 1
1 ; Ni
niP ˆ
M a s a l a h : h e t e r o s k e d a s t i s i t a s
g u n a k a n b o b o t ( w i ) s e h i n g g a W L S y a n g l e b i h
t e p a t .
w i = i)P̂-i(1P̂ Ni
Li* = WiLi
Xi* = WiXi
Li* = β0 Wi+ β1 Xi* + eWiWLS :
LOGIT
x Sampel Kejadian Logit wi68
1013152025303540
40506080
1007065504025
8121828453639333020
-1.39-1.15-.85-.62-.20.06.41.66
1.101.39
2.533.023.554.274.974.183.953.352.742.00
Ilustrasi Model Logit Xi = income (10 $)
Ni = sampel keluarga dalam Xi (Sampel)ni = jumlah keluarga yang memiliki rumah (Kejadian)
Keluarga dengan pendapatan 370 $, berapa peluang memiliki rumah ?
ANALISIS LOGIT & PROBIT dengan SPSS
1) Masukkan data ke Worksheet SPSS2) Klik Analyze, cari Regession dan pilih Probit
3) Masukkan variabel yang akan dianalisis, Kejadian pada Response Freq., Sampel pada Total Observed dan Var. Independen pada Covariate. Kemudian Klik Logit (kiri bawah) bilamana ingin analisis Logit dan bilamana ingin analisis Probit Klik Probit.
4) Klik OK CATATAN : Atau buat variabel Logit, kemudian lakukan analisis regresi klasik
LOGIT* * * * * * * * * P R O B I T A N A L Y S I S * ** * * * * * * * *
Parameter estimates converged after 10 iterations. Optimal solution found.
Parameter Estimates (LOGIT model: (LOG(p/(1-p))) = Intercept + BX):
Regression Coeff. Standard Error Coeff./S.E.
X .07907 .01011 7.81866
Intercept Standard Error Intercept/S.E.
-1.60235 .20403 -7.85334
Pearson Goodness-of-Fit Chi Square = 2.347 DF = 8 P = .968
LOGITModel yang diperoleh :
Kaidah pengelompokan (Sarma, 1996) :peluang 0.5 ; masukkan ke kejadianpeluang < 0.5 ; masukkan ke bukan kejadian
L i : - 1 .6 0 2 3 5 + 0 .0 7 9 0 7 X i
R 2 = 0 .9 7 9 1
K e lu r g a d e n g a n X = 3 7 , b e r a p a p e lu a n g m e m il i k i r u m a h ?
L i = -1 .6 0 2 3 5 + 0 .0 7 9 0 7 ( 3 7 )
= 1 .3 2 3 9 8
P i = 3239811
1. e
= 0 .7 8 9 8
S u a tu k e lu a r g a d e n g a n p e n g h a s i la n 3 7 0 $ b e r p e lu a n g
m e m il i k i r u m a h s e b e s a r 7 8 .9 8 % .
PROBIT
F (Z) = 002
1 22/1
uez
DZxu
F (Z = 1.96) =
06
96.1
025.0)( DZzF
u n t u k P i = 0 . 2 0 b e r a p a Z
ZPiF )(
1 ; n i l a i n y a b e r k i s a r a n t a r a – 3 . 5 s a m p a i d e n g a n + 3 . 5
d i s e b u t n o r m i t ( i )
A g a r t i d a k n e g a t i f : + 5 d a n n o r m i t + 5 d i s e b u t p r o b i t
M o d e l p r o b i t :
Z i = β 0 + β 1 X i
KEGUNAAN
1. Penjelasan (explanation) terhadap fenomena yang dipelajari atau permasalahan yang diteliti.
2. Prediksi odd ratio suatu kejadian berdasarkan kondisi atau pertambahan nilai variabel bebas.
3. Faktor determinan, yaitu penentuan variabel bebas mana (pada regresi berganda) yang berpengaruh dominan terhadap variabel tergantung. Hal ini dapat dilakukan bilamana unit satuan data seluruh variabel sama, skalanya homogen dan bersifat kontinyu.
4. Catatan: Kategori variabel dependen bersifat biner atau multi
REGRESI LOGISTIK
REGRESI LOGISTIK
a) Spesifikasi Model : (1) Identifikasi variabel Dependen dan Independen (2) Menentukan Spesifikasi Model : pemilihan variabel bebas
b) Pendugaan Paremater: MLE c) Pemeriksaan Asumsi: Sama dengan regresi klasik d)Interpretasi: prediksi odd ratio.
ILUSTRASI Ingin diketahu pengaruh dari keberadaan pasar (rencana) dan pendapatan terhadap tingkat kesejahteraan masyarakat
Sejahtera : 0 = kurang
1 = sudah
Pasar : 0 = tidak ada
1 = ada
Pendapatan: x Rp 100.000,-
CATATAN: Data di dalam wrksheet SPSS
REGRESI LOGISTIK BINER
REGRESI LOGISTIK BINER dengan SPSS
1) Masukkan data ke Worksheet SPSS2) Klik Analyze, cari Regession dan pilih Binery Logistic 3) Masukkan variabel yang akan dianalisis.4) Klik Options, kemudian Klik Hosmer-… dan Continue 5) Klik OK
REGRESI LOGISTIK BINER dengan SPSS
1) Masukkan data ke Worksheet SPSS2) Klik Analyze, cari Regession dan pilih Binery Logistic 3) Masukkan variabel yang akan dianalisis.4) Klik Options, kemudian Klik Hosmer-… dan Continue 5) Klik OK
ANALISIS REGRESI LOGISTIKANALISIS REGRESI LOGISTIK
Interpretasi :(1) Pengaruh pendapatan signifikan (p = 0.006)(2) Odd ratio pendapatan = 1.412; artinya setiap peningkatan pendapatan Rp. 100.000,- maka mempunyai kekuatan 1.412 kali meningkatkan kesejahteraan
(3) Seandainya pengaruh pasar signifikan; artinya dengan adanya pasar maka mempunyai kekuatan 1.392 kali meningkatkan kesejahteraan masyarakat dibandingkan tidak ada pasar
…