PRINSIP-PRINSIP STATISTIKA

Presentasi berjudul: "PRINSIP-PRINSIP STATISTIKA"— Transcript presentasi:

1 PRINSIP-PRINSIP STATISTIKA
UNTUK PENELITIAN Sumber: DR Solimun, 2003

2 PENDEKATAN BIOMETRI Riset dilakukan untuk mengetahui kemampuan enceng gondok menyerap bahan pencemar di perairan. Riset dilakukan dengan percobaan, dengan perlakuan berupa populasi enceng gondok. Pendekatan BIOLOGI: diselidiki secara fisiologis bagaimana tumbuhan enceng gondok menyerap Pb dan CN, mulai dari mekanisme penyerapan melalui akar, didistribusikan ke seluruh organ dan dimanfaatkan untuk metabolisme apa saja dan sebagainya. Pendekatan BIOMETRI: diukur kosentrasi Pb dan CN pada media air sebelum dan sesudah perlakuan, serta diukur kadar Pb dan CN pada seluruh organ pada sebelum dan sesudah perlakuan, hasilnya diperbandingkan.

3 PENDEKATAN BIOMETRI CONTOH KASUS:
Mikoriza diharapkan dapat membantu menyuburkan tanah sehingga dapat dimanfaatkan sebagai pupuk organik. Percobaan dilakukan pada tanaman paprika, dengan perlakuan berupa dosis dan waktu pemberian. Indikator keberhasilan paket teknologi ini adalah pertumbuhan dan hasil tanaman paprika. Pendekatan BIOLOGI: diselidiki secara biologi, kimiawi dan fisika tanah mengenai mekanisme mikoriza sehingga berefek menyuburkan tanah (pengaruhnya terhadap struktur, tekstur dan kandungan hara). Di samping itu, juga diselidiki bagaimana mikoriza dapat berefek terhadap tanaman melalui tinjauan fisiologis, ekologis, genetis dsb Pendekatan BIOMETRI: diamati struktur, tekstur dan kandungan hara tanah pada kontrol dan berbagai dosis mikoriza, serta diukur komponen vegetatif dan generatif tanaman paprika, hasilnya diperbandingkan.

4 PENDEKATAN BIOMETRI Contoh Kasus:
Waduk bermanfaat sebagai resevoir air, dan juga dapat menjadi suatu “media pengurangan” berbagai pencemar. Pendekatan BIOLOGI: diselidiki mengenai proses biologi, kimiawi dan fisika yang terjadi di dalam bendungan sehingga dapat diketahui mekanisme bendungan dalam mengurangi terjadinya cemaran. Misal secara kimiawi terjadi reaksi apa saja dan secara biologi terjadi penyerapan oleh oerganisme apa dan bagaimana penyerapannya, dsb. Pendekatan BIOMETRI: diamati dan diukur kualitas air pada inlet dan outlet, hasilnya diperbandingkan.

5 PENDEKATAN BIOMETRI Pendekatan BIOMETRI: upaya menyelidiki fenomena biologi (BIO) dengan cara melakukan pengukuran (METRI) terhadap indikator yang relevan. Mekanisme yang terjadi secara biologis tidak dapat ditelusuri secara tuntas dengan pendekatan BIOMETRI Untuk membantu upaya penelusuran tsb, setelah dilakukan pengukuran, data yang diperoleh dianalisis Hasilnya akan memuaskan (baik) jika penelitian dilakukan sesuai dengan prosedut dan metode yg benar pengukurannya dilakukan secara akurat (valid dan presisi) analisis data dilakukan secara tepat

6 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

7 METODE PENGUMPULAN DATA
PERANAN STATISTIKA S T A T I S T I K A METODE PENGUMPULAN DATA METODE ANALISIS DATA SUMBER DATA EMPIRIK INFORMASI AKURAT !

8 PENDEKATAN PENELITIAN
Pengumpulan Data

9 KERANGKA TEORI / KONSEP
KISI-KISI PENELITIAN BACKGROUND SCIENTIFIC PROBLEM LANDASAN ILMIAH HIPOTESIS KERANGKA TEORI / KONSEP METODE PENELITIAN : .DATA COLLECTING . DATA ANALYSIS HASIL DAN PEMBAHASAN SIMPULAN SARAN REKOMENDASI

10 PENELITIAN KUANTITATIF Intervensi Peneliti Terhadap Obyek
JENIS PENELITIAN PENELITIAN KUANTITATIF OBSERVASI-ONAL EXPERIMENTAL DESIGN POPULASI NYATA PERLAKUAN Intervensi Peneliti Terhadap Obyek POPULASI KONSEPTUAL UNIK Tidak Ada Populasi TEKNIK SAMPLING EXPERIMENTAL DESIGN

11 PENELITIAN OBSERVASIONAL
BATASAN POPULASI IDENTIFIKASI KARAKTERISTIK POPULASI TEKNIK SAMPLING SAMPLE SIZE VARIABEL PENELITIAN INSTRUMEN PENGUMPULAN DATA METODE PENGUMPULAN DATA METODE ANALISIS DATA

12 PENELITIAN EKSPERIMENTAL
DEFINISI PERLAKU AN IDENTIFIKASI MEDIA, BAHAN, OBYEK EXPERI-MENTAL DESIGN REPLIKASI VARIABEL PENELI-TIAN INSTRUMEN PENGUMPULAN DATA METODE PENGUMPULAN DATA METODE ANALISIS DATA

13 PENELITIAN PERANCANGAN
LANDASAN KONSEP / TEORI (STRUKTUR) SPESIFIKASI BAHAN, ALAT, KOMPONEN (FUNGSI) ATAU ANALISIS SISTEM DISKRIPSI PROSEDUR MODEL (Prototipe) SIMULASI DATA ANALISIS PEMBUATAN ALAT UJI COBA HASIL PENELITIAN : ALAT atau SISTEM INFORMASI MEMENUHI TIDAK MEMENUHI TDK

14 METODE PENELITIAN RISET EXPERIMENTAL Tetapkan : Perlakuan
Pilih : Materi, media, obyek penelitian Identifikasi karakteristik: Materi, media, obyek penelitian Tetapkan : Rancangan Percobaan Hitung : Jumlah ulangan Rumus : dbgalat > 15 Buat : Prosedur pelaksanaan percobaa Identifkasi & definisikan: Variabel penelitian Pilih : Instrumen dan metode pengukuran yang akan digunakan Tentukan: Metode analisis data

15 RANCANGAN PERCOBAAN Pengumpulan Data

16 RANCANGAN PERCOBAAN Rancangan Lingkungan Ranc. Acak Lengkap
Ranc. Acak Kelompok Ranc. Bujur Sangkar Latin Ranc. Acak Petak Terbagi Ranc. Blok Terbagi Rancangan Perlakuan Percobaan Faktorial Percobaan Faktorial dalam Keterbauran Percobaan Tersarang dan Faktorial Tersarang

17 RANCANGAN LINGKUNGAN RANCANGAN ACAK LENGKAP (RAL)
Pemakaian : Materi, media, obyek penelitian homogen Randomisasi : Acak keseluruhan (sempurna) pd seluruh unit percobaan (petak percobaan) Ulangan : Boleh sama atau tidak sama untuk setiap perlakuan Lokasi pnltan : Laboratorium atau lapang Analisis 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.

18 RANCANGAN ACAK KELOMPOK (RAK)
RANCANGAN LINGKUNGAN RANCANGAN ACAK KELOMPOK (RAK) Pemakaian : Materi, media, obyek penelitian heterogen satu gradien (sisi) Randomisasi : Acak pada masing-masing kelompok Ulangan : sama dengan kelompok, sehingga harus sama Lokasi 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.

19 RANCANGAN LINGKUNGAN RANCANGAN BUJUR SANGKAR LATIN (RBSL)
Pemakaian : Materi, media, obyek penelitian heterogen dua gradien (sisi) Randomisasi : Acak baris, kemudian kolom Ulangan : sama dengan perlakuan atau baris atau kolom, sehingga harus sama Lokasi peneltan : Laboratorium atau lapang Analisis Data : Komparasi parametrik ANOVA (three way untuk faktor tunggal) Asosiasi Korelasi, Regresi, Diskriminan, Analisis Path, SEM, dll.

20 RANCANGAN LINGKUNNGAN
RANCANGAN BUJUR SANGKAR LATIN A B C D B C D A C D A B D A B C B D C A D B A C C A D B A C B D RANDOMISASI Misal 4 perlakuan : A, B, C dan D Acak baris Acak kolom

21 RANCANGAN BUJUR SANGKAR LATIN Analisis Ragam (Faktor Tunggal)
METODE ANALISIS DATA RANCANGAN BUJUR SANGKAR LATIN Analisis Ragam (Faktor Tunggal) Uji Lanjutan

22 RANCANGAN PERLAKUAN PERCOBAAN FAKTORIAL
Perlakuan : Dua Faktor atau lebih Setiap faktor memiliki level Contoh : Rancangan Lingkungan yang digunakan Ranc. Acak Lengkap Ranc. Acak Kelompok Ranc. Bujur Sangkar Latin

23 RANCANGAN PERLAKUAN PERCOBAAN FAKTORIAL Analisis Ragam
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

24 METODE ANALISIS DATA PERCOBAAN FAKTORIAL Analisis Ragam
CATATAN: bila pengaruh interaksi (dianggap) signifikan, maka tidak diperbolehkan melakukan interpretasi terhadap pengaruh utama

25 METODE ANALISIS DATA PERCOBAAN FAKTORIAL Uji Lanjutan

26 RANCANGAN PERLAKUAN Perlakuan : Dua Faktor atau lebih
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 Lengkap Ranc. Acak Kelompok Ranc. Bujur Sangkar Latin

27 Efisiensi (biaya, tenaga, waktu)
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

28 RANCANGAN PERLAKUAN PERCOBAAN PETAK TERBAGI Penempatan Perlakuan :
A = Perlakuan Utama (PU) B = Anak Perlakuan (AP) Penempatan Perlakuan :

29 PERCOBAAN PETAK TERBAGI
RANCANGAN PERLAKUAN PERCOBAAN PETAK TERBAGI Analisis Ragam Tergantung pada rancangan lingkungan yang dipakai, hanya perlakuan dibagi atas komponen : - Perlakuan Utama - Anak Perlakuan - Interaksi

30 PERCOBAAN PETAK TERBAGI
RANCANGAN PERLAKUAN PERCOBAAN PETAK TERBAGI Analisis Ragam

31 PERCOBAAN PETAK TERBAGI
RANCANGAN PERLAKUAN PERCOBAAN PETAK TERBAGI Analisis Ragam

32 PERCOBAAN PETAK TERBAGI
RANCANGAN PERLAKUAN PERCOBAAN PETAK TERBAGI Uji Lanjutan

33 PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK)
RANCANGAN PERLAKUAN PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK) Tujuan : Mengetahui pengaruh interaksi (ketergantungan pengaruh faktor satu atas faktor yang lain) Efisiensi (biaya, tenaga, waktu) Perbedaan dg Split Plot : Pada SPLIT BLOCK yang dipecah Kelompok Syarat pemakaian : 1. Level-level salah satu faktor memerlukan plot yang lebih banyak 2. Faktor satu lebih dipentingkan dari faktor yang lain 3. Kemudahan dalam pelasaknaan percobaan 4. Rancangan lingkungan yang digunakan RAK

34 PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK)
RANCANGAN PERLAKUAN PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK)

35 PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK)
RANCANGAN PERLAKUAN PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK)

36 RANCANGAN PERLAKUAN PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK)

37 TEKNIK SAMPLING Pengumpulan Data

38 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.

39 TEKNIK SAMPLING 2. 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

40 Sample Size

41 Sample Size

42

43 DASAR-DASAR METODE STATISTIKA Analisis Data

44 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

45 JENIS VARIABEL Intervening (Mediating) Moderator Independen Dependen
Confounding Moderator Concomitant Control EXTRANEOUS INTRANEOUS

46 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

47 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.

48 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

49 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).

50 DATA PENELITIAN 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

51 JENIS DATA NOMINAL Komponen Nama (NOmos) ORDINAL Komponen Nama
Komponen Peringkat (Order) INTERVAL Komponen Jarak (Interval) Nilai NOl tidak Mutlak RATIO Komponen Nama Komponen Peringkat (Order) Komponen Jarak (Interval) Komponen Ratio Nilai NOl Mutlak

52 TAHAPAN ANALISIS DATA TABULASI CODING SCORING PERIKSA OUTLIERS
JENIS PERMASALAHAN PENELITIAN JENIS DAN KARAKTERISTIK DATA PILIH METODE ANALISIS DATA INFORMASI AKURAT RELEVAN VALID

53 PEMERIKSAAN DATA OUTLIERS
BOX PLOT Diskriptif : Standart Deviasi > Mean (data interval) Uji Barnet dan Lewis

54 PERMASALAHAN PENELITIAN
Penilaian (identifikasi, prediksi dan deskripsi) Pembandingan (Komparasi) Hubungan (Asosiasi)

55 ANALISIS DISKRIPTIF

56 ANALISIS DISKRIPTIF Treatmen Y1 Y2 .00 1123.00 1123.00
Descriptive Statistics: Jml Sel by Treatmen Variable Treatmen N Mean Median TrMean StDev Y Descriptive Statistics: Adesi by Treatmen Variable Treatmen N Mean Median TrMean StDev Y

57 ANALISIS DISKRIPTIF Box Plot Y2

58 Lapisan ADVENTIA : Lebih Tinggi
ANALISIS DISKRIPTIF 57.38 46.31 34.88 a. F2-Isoprostan Lapisan ADVENTIA : Lebih Tinggi

59 ANALISIS DISKRIPTIF Variabel yang Muncul lebih dini : F2-Isoprostan
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

60 ANALISIS KOMPARATIF

61 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)

62 STATISTKA PARAMETRIK & NONPARAMETRIK
NOMINAL ORDINAL INTERVAL RATIO NONPARAMETRIK PARAMETRIK PERIKSA NORMALITAS MENDEKATI NORMAL TIDAK NORMAL TRANSFORMASI

63 ANALISIS KOMPARATIF

64 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 = dengan db=10 diperoleh p = 0.05; atau dengan  = 0.05 dan db=10 diperoleh ttabel = 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 %.

65 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 ? 1. thit < ttabel , terima H0 : Tanaman Teras tidak menurunkan Erosi 2. p >  , terima H0 : Tanaman Teras tidak menurunkan Erosi 3. 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)

66 Contoh Permasalahan Komparatif :
ANALISIS KOMPARATIF Contoh Permasalahan Komparatif : Apakah perlakuan dapat miningkatkan Kadar A? Group Kadar A Kontrol 11.36 Kontrol 24.98 Kontrol 16.71 Kontrol 18.21 Kontrol 26.30 Kontrol 21.70 Kontrol 23.20 Kontrol 19.77 Kontrol 23.63 Kontrol 34.41 Kontrol 19.32 Kontrol 24.30 Group Kadar A Perlakuan 30.42 Perlakuan 23.63 Perlakuan 28.61 Perlakuan 26.79 Perlakuan 38.96 Perlakuan 33.56 Perlakuan 31.59 Perlakuan 33.01 Perlakuan 23.41 Perlakuan 31.52 Perlakuan 14.55 Perlakuan 38.40 Perlakuan 23.09 Perlakuan 43.50 Perlakuan 20.87 Perlakuan 10.17 Perlakuan 24.87 Perlakuan 36.96 Perlakuan 23.96 DATA HASIL PENELITIAN :

67 ANALISIS KOMPARATIF LAMPIRAN (Software MINITAB) HASIL PENELITIAN
Two-sample T for Kadar A Group N Mean StDev SE Mean Kontrol Perlakuan Difference = mu (Kontrol ) - mu (Perlakuan) Estimate for difference: 95% CI for difference: (-11.14, -1.01) T-Test of difference = 0 (vs NOt =): T-Value = P-Value = DF = 29 HASIL PENELITIAN Kadar A

68 Pengaruh Perlakuan Terhadap Kadar A
ANALISIS KOMPARATIF HASIL PENELITIAN Pengaruh Perlakuan Terhadap Kadar A p = 0.033 Perlakuan meningkatkan Kadar A Kadar A

69 CONTOH PERMASALAHAN PEMBANDINGAN
ANALISIS KOMPARATIF CONTOH PERMASALAHAN PEMBANDINGAN Apakah ada perbedaan Kadar F2-Isoprostan pada lapisan di jaringan ? Iso-LM Iso-SM Iso_ADV

70 Hasil Analisis dg MINITAB
One-way ANOVA: Iso-LM, Iso-SM, Iso_ADV Analysis of Variance Source DF SS MS F P Factor Error Total Individual 95% CIs For Mean Based on Pooled StDev Level N Mean StDev Iso-LM ( * ) Iso-SM ( * ) Iso_ADV ( * ) Pooled StDev =

71 Interpretasi Penggambaran
Terdapat perbedaan kadar Isoprostan pada ketiga lapisan Kadar Tertinggi pada Lapisan ADV

72 ANALISIS ASOSIATIF

73 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)

74 ANALISIS ASOSIATIF

75 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.

76 ANALISIS ASOSIATIF Contoh : X Y 1) Dosis pupuk Produksi tanaman
2) Kadar ragi Alkohol yang diperoleh

77 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.

78 LAMPIAN : Hasil Analisis dg MINITAB
ANALISIS REGRESI (Variabel Dependent datanya Ratio) The regression equation is Hasil = X X X X4 Predictor Coef SE Coef T P Constant X X X X S = R-Sq = 37.6% R-Sq(adj) = 28.4% Analysis of Variance Source DF SS MS F P Regression Residual Error Total

79 HASIL PENELITIAN : Interpretasi
Hasil = X X X X4 Eksplanasi : X1 & X3 berpengaruh positif, bila keduanya meningkat Hasil Tanaman meningkat 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

80 LAMPIAN : Hasil Analisis dg MINITAB
ANALISIS REGRESI (Data Variabel Dependen Interval) The regression equation is ISO = NO vWF PAI VCAM-1 Predictor Coef SE Coef T P Constant NO vWF PAI VCAM S = R-Sq = 37.6% R-Sq(adj) = 28.4% Analysis of Variance Source DF SS MS F P Regression Residual Error Total

81 HASIL PENELITIAN : Interpretasi
ISO = NO vWF PAI VCAM-1 Eksplanasi : No & PAI-1 berpengaruh positif, bila keduanya meningkat maka F2-Isoprostan meningkat 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

82 ANALISIS DISKRIMINAN Analisis Data

83 Data Hasil Penelitian :
CONTOH PERMASALAHAN Variabel apa yang merupakan penentu terkuat terjadinya erosi? Data Hasil Penelitian : X1 X2 X3 X4 X Tingkat Erosi Tingkat Erosi : 1 = Rendah 2 = Tinggi

84 Data Hasil Penelitian (Lanjutan):
X1 X2 X3 X4 X Tingkat Erosi Tingkat Erosi : 1 = Rendah 2 = Tinggi

85 LAMPIRAN : Hasil Analisis dg SPSS
ANALISIS DISKRIMINAN (Data Variabel Dependent ordinal) Summary of Canonical Discriminant Functions

86 LAMPIRAN : Hasil Analisis dg SPSS
Summary of Canonical Discriminant Functions X1 X2 X3 X4 X5

87 HASIL PENELITIAN : Interpretasi
VALIDITAS MODEL : Wilks’ Lamda dengan p = , 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 = ( )2 = , yaitu % dan sisanya dipengaruhi variabel lain yang belum ada dalam model

88 HASIL PENELITIAN : Interpretasi
VARIABEL SEBAGAI PENENTU TERKUAT TERJADINYA EROSI Fungsi Diskriminan dengan varibel variabel STANDARDIZE : ZY= ZX ZX ZX ZX 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.

89 REGRESI VARIABEL DEPENDEN KUALITATIF
Analisis Data

90 JENIS REGRESI Y KUALITATIF
Logit Probit LPM Tobit Gompit Loglinear Model

91 LOGIT & PROBIT KEGUNAAN
Penjelasan (explanation) terhadap fenomena yang dipelajari atau permasalahan yang diteliti. Prediksi PELUANG suatu kejadian (dispesifikasikan pada variabel 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)

92 LOGIT & PROBIT a) 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) LOGIT PROBIT X P(Y|x) b) Pendugaan Paremater: Sama dengan regresi klasik (OLS) c) Pemeriksaan Asumsi: Sama dengan regresi klasik d) Interpretasi: prediksi peluang dan atau pengelompokan

93 LOGIT

94

95 WLS :

96 LOGIT 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 ?

97 ANALISIS LOGIT & PROBIT dengan SPSS
1) Masukkan data ke Worksheet SPSS 2) 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

98 LOGIT

99 LOGIT Model yang diperoleh : Kaidah pengelompokan (Sarma, 1996) :
peluang  0.5 ; masukkan ke kejadian peluang < 0.5 ; masukkan ke bukan kejadian

100 PROBIT

101 REGRESI LOGISTIK KEGUNAAN
Penjelasan (explanation) terhadap fenomena yang dipelajari atau permasalahan yang diteliti. Prediksi odd ratio suatu kejadian berdasarkan kondisi atau pertambahan 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. - Catatan: Kategori variabel dependen bersifat biner atau multi

102 REGRESI LOGISTIK b) Pendugaan Paremater: MLE
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

103 REGRESI LOGISTIK BINER
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 ,- CATATAN: Data di dalam wrksheet SPSS

104 REGRESI LOGISTIK BINER dengan SPSS
1) Masukkan data ke Worksheet SPSS 2) 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

105 ANALISIS REGRESI LOGISTIK
Interpretasi : (1) Pengaruh pendapatan signifikan (p = 0.006) (2) Odd ratio pendapatan = 1.412; artinya setiap peningkatan pendapatan Rp ,- maka mempunyai kekuatan kali meningkatkan kesejahteraan (3) Seandainya pengaruh pasar signifikan; artinya dengan adanya pasar maka mempunyai kekuatan kali meningkatkan kesejahteraan masyarakat dibandingkan tidak ada pasar

106 BEBERAPA CONTOH KASUS

107 BEBERAPA CONTOH KASUS A. Apakah Hyperglikemi berpengaruh Terhadap H2O2 dan OH* ? B. Bagaimana Pengaruh Dosis NAC Terhadap H2O2 dan OH* pada Keadaan Hiperglikemi ? C. Apakah Preeklamsi berpengaruh thdp ANC dan Albumin Urin ? D. Bagaimana pengaruh MDA, ATP, H2O2 dan Glukosa terhadap Kadar CA di Gigi ?

108 PENYELESAIAN CONTOH KASUS
B. Regresi Nonlinier Y = e X dimana Y = kadar OH* dan X = dosis NAC; R2 = dan p = Interpretasi ? Silahkan dicoba

109 PENYELESAIAN CONTOH KASUS
B. Regresi Nonlinier Y = e0.046 X dimana Y = kadar H2O2 dan X = dosis NAC; R2 = dan p = Peningkatan H2O2 dari dosis NAC 1 M sampai dengan dosis 4 M kurang tajam, dan peningkatan sangat tajam terjadi dari dosis 4 M sampai dengan dosis 8 M.

110 PENYELESAIAN CONTOH KASUS
C. Data ANC Alb-Urin Group 4 1 Normal 8 1 Normal 6 1 Normal 7 0 Normal 7 1 Normal 6 0 Normal 3 0 Normal 10 0 Normal 9 0 Normal 10 1 Normal 4 0 Normal 5 0 Normal 11 0 Normal ANC Alb-Urin Group 4 1 Preeklamsi 10 2 Preeklamsi 2 2 Preeklamsi 7 3 Preeklamsi 6 2 Preeklamsi 9 1 Preeklamsi 3 2 Preeklamsi 5 2 Preeklamsi 8 2 Preeklamsi 6 3 Preeklamsi 3 3 Preeklamsi 6 1 Preeklamsi 2 3 Preeklamsi 8 1 Preeklamsi 10 3 Preeklamsi 9 2 Preeklamsi Data ANC dan Alb-Urin berupa tingkatan

111 PENYELESAIAN CONTOH KASUS
C. Hasil Analisis (Nonparametrik : Mann Whitney; data ordinal) Tidak terjdi perbedaan ANC Albumin urin pada Preeklamsi lebih tinggi

112 PENYELESAIAN CONTOH KASUS
D. Analisis Path : ada struktur pengaruh CA H2O2 MDA ATP Glukosa Data pada semua variabel diubah ke normal baku (Standardize) Dilakukan analisis regresi terhadap data standardize

113 PENYELESAIAN CONTOH KASUS
D. Hasil Analisis Regresi Simultan; dengan Software Eviews Rel.3

114 PENYELESAIAN CONTOH KASUS

115 PENYELESAIAN CONTOH KASUS
D. Koefisien Pengaruh langsung dicantumkan pada diagram Path CA H2O2 MDA ATP Glukosa 0.797 (0.0001) 0.864 (0.0155) -0.594 (0.1169) -0.190 0.643 (0.0013) 0.293 (0.0156) 1.224 ( ) -0.681 (0.0103) 0.341 (0.666) 0.872 -0.107 (0.277) 0.966 (0.2479) -0.697 0.541 (0.4427)