Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

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

Presentasi serupa


Presentasi berjudul: "PRINSIP-PRINSIP STATISTIKA UNTUK PENELITIAN Sumber: DR Solimun, 2003 PRINSIP-PRINSIP STATISTIKA UNTUK PENELITIAN Sumber: DR Solimun, 2003."— Transcript presentasi:

1 PRINSIP-PRINSIP STATISTIKA UNTUK PENELITIAN Sumber: DR Solimun, 2003 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. 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 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 S T A T I S T I K A METODE PENGUMPULAN DATAMETODE ANALISIS DATA SUMBER DATA EMPIRIK INFORMASI EMPIRIK PERANAN STATISTIKA AKURAT !

8 PENDEKATAN PENELITIAN Pengumpulan Data

9 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 JENIS PENELITIAN PENELITIAN KUANTITATIF OBSERVASI-ONALEXPERIMENTAL DESIGN POPULASI NYATA PERLAKUAN Intervensi Peneliti Terhadap Obyek POPULASI KONSEPTUAL UNIK Tidak Ada Populasi TEKNIK SAMPLINGEXPERIMENTAL 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 DATA ANALISIS HASIL PENELITIAN : ALAT atau SISTEM INFORMASI MEMENUHI TIDAK MEMENUHI 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 : db galat > 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 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. 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 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 ABCDBCDACDABDABCDABCBCDAABCDCDABBDCADBACCADBACBDABCDBCDACDABDABCDABCBCDAABCDCDABBDCADBACCADBACBD RANDOMISASI Misal 4 perlakuan : A, B, C dan D Acak baris Acak kolom

21 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 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 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 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 A = Perlakuan Utama (PU) B = Anak Perlakuan (AP) Penempatan Perlakuan :

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

30 RANCANGAN PERLAKUAN PERCOBAAN PETAK TERBAGI Analisis Ragam

31 RANCANGAN PERLAKUAN PERCOBAAN PETAK TERBAGI Analisis Ragam

32 RANCANGAN PERLAKUAN PERCOBAAN PETAK TERBAGI Uji Lanjutan

33 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 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 RANCANGAN PERLAKUAN PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK)

35 RANCANGAN PERLAKUAN PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK)

36 RANCANGAN PERLAKUAN PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK)

37 TEKNIK SAMPLING Pengumpulan Data 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

42

43 DASAR-DASAR METODE STATISTIKA Analisis Data 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 Independen Intervening (Mediating) 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 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

51 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

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

53 PEMERIKSAAN DATA OUTLIERS BOX PLOT OUTLIERS 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 Treatmen Y1 Y 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 ANALISIS DISKRIPTIF a. F2-Isoprostan Lapisan ADVENTIA : Lebih Tinggi

59 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

60 ANALISIS KOMPARATIF 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 TIDAK NORMAL

63 ANALISIS KOMPARATIF

64 Taraf Nyata (  ) dan p-value Untuk menghitung p pada uji t dengan nilai t hitung = 2.88 pada derajat bebas (db) = 10, adalah : B (__,__) adalah fungsi Beta. Dengan kata lain untuk t hit = dengan db=10 diperoleh p = 0.05; atau dengan  = 0.05 dan db=10 diperoleh t tabel = KAIDAH KEPUTUSAN UJI HIPOTESIS 1. t hit < t tabel, terima H0 dan sebaliknya 2. P > , terima H0 dan sebaliknya 3. Tolak H 0 (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 : t hitung = p = Pada  = 0.05 dan db=10 diperoleh t tabel = Keputusannya Bagaimana ? Misal tdpt Hipotesis : Pemberian Tnmn Teras dpt menurunkan Erosi Misal Hasil Analisis : t hitung = p = Pada  = 0.05 dan db=10 diperoleh t tabel = Keputusannya Bagaimana ? 1. t hit < t tabel, terima H0 : Tanaman Teras tidak menurunkan Erosi 2. p > , terima H0 : Tanaman Teras tidak menurunkan Erosi 3. Tolak H 0 (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 ANALISIS KOMPARATIF Contoh Permasalahan Komparatif : Apakah perlakuan dapat miningkatkan Kadar A? GroupKadar A Kontrol11.36 Kontrol24.98 Kontrol16.71 Kontrol18.21 Kontrol26.30 Kontrol21.70 Kontrol23.20 Kontrol19.77 Kontrol23.63 Kontrol34.41 Kontrol19.32 Kontrol24.30 GroupKadar A Perlakuan30.42 Perlakuan23.63 Perlakuan28.61 Perlakuan26.79 Perlakuan38.96 Perlakuan33.56 Perlakuan31.59 Perlakuan33.01 Perlakuan23.41 Perlakuan31.52 Perlakuan14.55 Perlakuan38.40 Perlakuan23.09 Perlakuan43.50 Perlakuan20.87 Perlakuan10.17 Perlakuan24.87 Perlakuan36.96 Perlakuan23.41 Perlakuan23.96 DATA HASIL PENELITIAN :

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

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

69 CONTOH PERMASALAHAN PEMBANDINGAN Iso-LMIso-SMIso_ADV ANALISIS KOMPARATIF Apakah ada perbedaan Kadar F2-Isoprostan pada lapisan di jaringan ?

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

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 REGRESI LINIER SEDERHANA Tujuan : mencari hubungan fungsional liner antar 2 variabel (bebas dan tidak bebas) No. Variabel BebasVariabel tidak bebas 1.……………………... 2.…………………… …………………… …………………… …………………….... Dst.

76 ANALISIS ASOSIATIF Contoh : X Y 1) Dosis pupukProduksi tanaman 2) Kadar ragiAlkohol 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 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

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 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

82 ANALISIS DISKRIMINAN Analisis Data

83 CONTOH PERMASALAHAN Variabel apa yang merupakan penentu terkuat terjadinya erosi? Data Hasil Penelitian : X1X2X3X4X5 Tingkat Erosi Tingkat Erosi : 1 = Rendah 2 = Tinggi

84 Data Hasil Penelitian (Lanjutan): X1X2X3X4X5 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 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) LOGIT & PROBIT

92 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) 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)

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

100 PROBIT

101 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 REGRESI LOGISTIK

102 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 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 REGRESI LOGISTIK BINER

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 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 A. Apakah Hyperglikemi berpengaruh Terhadap H 2 O 2 dan OH* ? B. Bagaimana Pengaruh Dosis NAC Terhadap H 2 O 2 dan OH* pada Keadaan Hiperglikemi ? C. Apakah Preeklamsi berpengaruh thdp ANC dan Albumin Urin ? D. Bagaimana pengaruh MDA, ATP, H 2 O 2 dan Glukosa terhadap Kadar CA di Gigi ?

108 PENYELESAIAN CONTOH KASUS A. B. Regresi Nonlinier Y = e X dimana Y = kadar OH* dan X = dosis NAC ; R 2 = dan p = Interpretasi ? Silahkan dicoba

109 PENYELESAIAN CONTOH KASUS B. Regresi Nonlinier Y = e X dimana Y = kadar H 2 O 2 dan X = dosis NAC ; R 2 = dan p = Peningkatan H 2 O 2 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 ANCAlb-UrinGroup 41Normal 81Normal 61Normal 70Normal 71Normal 60Normal 30Normal 100Normal 90Normal 30Normal 101Normal 70Normal 60Normal 90Normal 30Normal 60Normal 40Normal 50Normal 30Normal 110Normal ANCAlb-UrinGroup 41Preeklamsi 102Preeklamsi 22Preeklamsi 73Preeklamsi 62Preeklamsi 91Preeklamsi 32Preeklamsi 52Preeklamsi 82Preeklamsi 91Preeklamsi 63Preeklamsi 33Preeklamsi 62Preeklamsi 61Preeklamsi 23Preeklamsi 52Preeklamsi 81Preeklamsi 73Preeklamsi 63Preeklamsi 103Preeklamsi 92Preeklamsi 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 Data pada semua variabel diubah ke normal baku (Standardize) Dilakukan analisis regresi terhadap data standardize CA H2O2H2O2 MDA ATP Glukosa

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

114 PENYELESAIAN CONTOH KASUS

115 D. Koefisien Pengaruh langsung dicantumkan pada diagram Path CA H2O2H2O2 MDA ATP Glukosa (0.0001) (0.0155) (0.1169) (0.1169) (0.0013) (0.0156) ( ) (0.0103) (0.666) ( ) (0.277) (0.2479) (0.277) (0.4427)


Download ppt "PRINSIP-PRINSIP STATISTIKA UNTUK PENELITIAN Sumber: DR Solimun, 2003 PRINSIP-PRINSIP STATISTIKA UNTUK PENELITIAN Sumber: DR Solimun, 2003."

Presentasi serupa


Iklan oleh Google