Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Dr. Ir. Nugraha Edhi Suyatma, DEA Ir. Budi Nurtama, MAgr. PENGANTAR ANALISIS DATA DALAM UJI SENSORI Departemen Ilmu dan Teknologi Pangan Fakultas Teknologi.

Presentasi serupa


Presentasi berjudul: "Dr. Ir. Nugraha Edhi Suyatma, DEA Ir. Budi Nurtama, MAgr. PENGANTAR ANALISIS DATA DALAM UJI SENSORI Departemen Ilmu dan Teknologi Pangan Fakultas Teknologi."— Transcript presentasi:

1 Dr. Ir. Nugraha Edhi Suyatma, DEA Ir. Budi Nurtama, MAgr. PENGANTAR ANALISIS DATA DALAM UJI SENSORI Departemen Ilmu dan Teknologi Pangan Fakultas Teknologi Pertanian Institut Pertanian Bogor

2 a)Discrimination Triangle test, Duo-trio test, Two-out-of five-test, Paired comparison test, Ranking Test b)Descriptive Flavor profile, Textural profile and QDA c)Affective Hedonic test, Scale tests, Rank preference, Paired preference test. Metode untuk Evaluasi Sensori

3 Statistika Parametrik: Menggunakan asumsi mengenai populasi Membutuhkan pengukuran kuantitatif dengan level data interval atau rasio Statistika Non parametrik (distribution- free statistics for use with nominal / ordinal data): Menggunakan lebih sedikit asumsi mengenai populasi (atau bahkan tidak ada sama sekali) Membutuhkan data dengan level serendah- rendahnya ordinal (ada beberapa metode untuk nominal) Review Statistika

4 Aplikasi Statistika 4  Statistik Deskriptif : Menjelaskan atau menggambarkan berbagai karakteristik data seperti berapa rata-rata, seberapa jauh data bervariasi  Statistik Induktif (Inferensi) : Membuat berbagai inferensi terhadap sekumpulan data yang berasal dari suatu sampel. Inferensi  Melakukan perkiraan, peramalan, pengambilan keputusan  Statistik Deskriptif : Menjelaskan atau menggambarkan berbagai karakteristik data seperti berapa rata-rata, seberapa jauh data bervariasi  Statistik Induktif (Inferensi) : Membuat berbagai inferensi terhadap sekumpulan data yang berasal dari suatu sampel. Inferensi  Melakukan perkiraan, peramalan, pengambilan keputusan

5 JENIS DATA NominalOrdinalIntervalRasio Bilangan menunjukkan perbedaan  Pengukuran dapat digunakan untuk membuat peringkat atau mengurutkan obyek  Perbedaan bilangan mempunyai arti  Mempunyai nol mutlak dan rasio antara dua bilangan mempunyai arti 

6 TIPE SKALA PADA EVSE Kategori (Category Scaling) Skala dari metode pengukuran dimana panelis diminta menilai intensitas stimulus tertentu dengan menetapkan suatu nilai pada skala numerik yang terbatas (9 skala tingkat kesukaan)  data ordinal / data interval

7 TIPE SKALA PADA EVSE Garis (Line Scales) Skala yang menggunakan garis dimana panelis diminta menilai intensitas stimulus tertentu dengan menandai garis tersebut  data interval.

8 TIPE SKALA PADA EVSE Magnitude Estimation Scaling Skala proporsi yang diperoleh dengan membandingkan terhadap referensi (with or without modulus)  data interval/rasio

9 METODE STATISTIKA UTK SENSORI Peluang Binomial Uji Segitiga Uji Duo-Trio Two-out-of-Five Test Directional Difference Test Analisis Khi-kuadrat (Chi-square Analysis) Same/Differentt, "A" - "not A", Acceptance Test Analisis Friedman (Friedman Analysis), data ordinal/peringkat Pairwise Ranking Simple Ranking

10 METODE STATISTIKA UTK SENSORI Uji t (Student’s t Test), populasi normal, data interval/rasio Rating Approach Test Untuk Statistika nonparametrik: Uji Wilcoxon (~ pairs t- test) atau Uji U Mann-Whitney (~ independent t-test) Analysis of Variance (ANOVA), Difference-from-Control, Rating Approach Test Statistika parametrik: randomized block design (data interval, rasio) Untuk nonparametrik: uji Kruskal-Wallis (Completely random design) dan Friedman Test (Randomized block design) Descriptives: Qualitative Descriptive Analysis (QDA) Multivariate analysis: PCA, Discriminant analysis, dll

11 PELUANG BINOMIAL Peluang binomial : suatu peluang yang berkaitan dengan percobaan (trials) yang hanya menghasilkan jawaban dua hal yang berlawanan misalnya ya/tidak, benar/salah, hitam/putih, laki/perempuan, dsb Terjadi pada: eksperimen yang terdiri atas n trials, dengan setiap trial mempunyai probabilitas sukses p (konstan)

12 untuk x = 0, 1, 2,..., n n > 0 dan bilangan bulat 0  p  1 n = banyaknya ulangan (trials) p = peluang "sukses" pada sembarang ulangan PELUANG BINOMIAL

13 Contoh: TRIANGLE TEST n = banyaknya panelis = 20 x = banyaknya panelis yang menjawab dengan benar = 13 p = 1/3 = A A B Choose the sample that is most different

14 Uji Segitiga, p = 1/3 Uji Duo-Trio, p = 1/2 Two-out-of-Five Test, p = 1/10 Dengan Tabel Standar Minimum Panelis agar Produk Beda Nyata

15 CHI-SQUARE ANALYSIS O = frekuensi pengamatan (observed value) E = frekuensi harapan (expected value)  2 hitung vs.  2 tabel Tabel. Upper-  probability points of  2 distribution Membandingkan frekuensi kategori teoritis (expected) dari populasi, dengan frekuensi kategori aktual (observed), apakah sama atau tidak sama.

16 Penerapan Chi-Square Penilaian Panelis Sampel yang disajikan Total Pasangan Sama (AA atau BB) Pasangan Beda (AB atau BA) Sama17926 Berbeda Total30 60  sirup dengan pemanis sintetis (sampel A) dibandingkan sirup dengan pemanis gula (sampel Bukan A). Lima belas panelis masing-masing mengevaluasi 2 pasangan sampel sama dan pasangan sampel beda.

17 Penerapan Chi-Square Penilaian Panelis Sampel yang disajikan Total Pasangan Sama (AA atau BB) Pasangan Beda (AB atau BA) Sama17926 Berbeda Total30 60  2 tabel (  =0.05, v= 2-1) = 3,84

18 Dua sampel berkaitan (Two-related samples) Student's t Test

19 Dua sampel independen (Independent samples) Student's t Test d 0 =  1 -  2 = 0 v= n 1 + n 2 - 2

20 Dua sampel berkaitan (Two-related samples) Untuk statistika nonparametrik Uji Wilcoxon & U Mann-Whitney  Gunakan Uji Wilcoxon (seperti juga uji t) digunakan untuk menganalisis data pada 2 kelompok yang berkaitan Dua sampel Independen Untuk statistika nonparametrik  gunakan uji U Mann-Whitney Jenis data untuk uji Wilcoxon dan U Mann- Whitney: serendah-rendahnya level ordinal (uji-t tidak bisa)

21 n = banyaknya pasangan data Urutkan perbedaan antara kedua data (d), dari yang terkecil sampai yang terbesar, tanpa memperhatikan apakah perbedaan tersebut (-) atau (+) Jika perbedaan tersebut (-) maka peringkatnya juga diberi tanda (-) Perbedaan (d) yang bernilai 0 (apabila ada) diabaikan, dan banyak data (n) dikurangi sebanyak d yang bernilai 0 Jumlahkan peringkat yang bertanda (-), sebut T-. Tanda (-) tidak ikut didalam perjumlahan Jumlahkan peringkat yang bertanda (+), sebut T+. Statistik uji: T = min (T- dan T+) Prosedur Uji Wilcoxon

22 ANALYSIS OF VARIANCE (ANOVA) ©Data Rating ©Experimental Designs : - Randomized Complete Block Design  banyaknya blok ©Perlakuan (Treatments) > 2

23 APLIKASI ANOVA Analisis APLIKASI ANOVA Analisis Difference-from-Control Test Manager R&D di PT.XYZ, ingin membandingkan 2 sampel saus A dan B dengan konsentrasi bahan pengental yang berbeda dengan sampel Kontrol (K) yang sudah existing. Panelis yang mengikuti uji adalah 15 orang. Setiap panelis mencoba sampel K terlebih dahulu kemudian membandingkan kekentalannya dengan 3 sampel (K, A, dan B) yang berkode. Skala penilaian adalah 0 = tidak berbeda s/d 9 = amat sangat berbeda. Dengan hasil yang ditabulasikan berikut ini, apakah terdapat perbedaan diantara ketiga sampel pada taraf 5% ? Jika benar berbeda, sampel mana yang berbeda dengan sampel kontrol (K) ?

24 APLIKASI ANOVA Analisis APLIKASI ANOVA Analisis Difference-from-Control Test PanelisSampel KSampel ASampel B

25 Tabel ANOVA RCBD Randomized Complete Block Design Sumber Keragaman derajat bebas (db) Jumlah Kuadrat (JK) Kuadrat Tengah (KT) F hitung Sampel (perlakuan) (s-1)JKSJKS / (s-1)KTS / KTG Panelis (blok) (p-1)JKPJKP / (p-1)KTP / KTG Galat (Error) (s-1) (p-1)JKGJKG / (s-1)(p-1) Total(sp-1)JKT

26 Tabel ANOVA RCBD Randomized Complete Block Design Faktor koreksi (FK) = (Total skor) 2 / (Sampel x Panelis) Jumlah kuadrat sampel (JKS) =  (Subtotal sampel) 2 /(Panelis) – FK Jumlah kuadrat panelis (JKP) =  (Subtotal panelis) 2 /(Sampel) – FK Jumlah kuadrat total (JKT) =  skor) 2 – FK Jumlah kuadrat galat (JKG) = JKT – JKS – JKP s = banyaknya sampelKTS = Kuadrat Tengah Sampel p = banyaknya panelisKTP = Kuadrat Tengah Panelis KTG = Kuadrat Tengah Galat

27 Tabel ANOVA RCBD Randomized Complete Block Design PanelisSampel KSampel ASampel BTotal baris Total kolom

28 Tabel ANOVA RCBD Randomized Complete Block Design Faktor koreksi (FK) = (167) 2 / (4 x 15) = Jumlah kuadrat sampel (JKS) = ( ) / (15) – = Jumlah kuadrat panelis (JKP) = ( … ) / (3) – = Jumlah kuadrat total (JKT)= ( … ) – = Jumlah kuadrat galat (JKG)= – – =

29 Tabel ANOVA yang diperoleh Sumber Keragaman derajat bebas (db) Jumlah Kuadrat (JK) Kuadrat Tengah (KT) F hitung Sampel (perlakuan) Panelis (blok) Galat (Error) Total Pembacaan Nilai F Tabel --  = 0.05 Untuk sampel : v 1 = 2 dan v 2 = 28 diperoleh nilai F tabel = 3.34 Kesimpulan : Nilai F hitung sampel (=9.533) > F tabel (=3.34). Jadi ada perbedaan diantara sampel pada taraf 5% dan perlu dilanjutkan dengan uji Dunnett

30 Tabel Nilai Kritis Sebaran F 0.05 ( v 1, v 2 ) v 1 : db pembilang v 2 : db penyebut v1v2v1v

31 Uji Lanjut Dunnett Kedua sampel yang dibandingkan dengan sampel Kontrol yg jelas lebih kental; jadi menggunakan uji satu sisi (t berekor satu). Untuk  = 0.05, k = 3, df error = 28 diperoleh nilai D = (interpolasi 2.01 – 1.99 pada df error = 24 – 30). Nilai KTG = dan n = 15. Besarnya selang uji = Rataan sampel Kontrol = 2.53, sampel A = 3.60 dan sampel B = Sampel A - Kontrol = 3.60 – 2.53 = 1.07 <  Sampel A tidak berbeda nyata kekentalannya dengan Kontrol pada taraf 5%. Sampel B - Kontrol = 5.00 – 2.53 = 2.47 >  Sampel B secara signifikan lebih kental dibanding dengan Kontrol pada taraf 5%. Kedua sampel yang dibandingkan dengan sampel Kontrol yg jelas lebih kental; jadi menggunakan uji satu sisi (t berekor satu). Untuk  = 0.05, k = 3, df error = 28 diperoleh nilai D = (interpolasi 2.01 – 1.99 pada df error = 24 – 30). Nilai KTG = dan n = 15. Besarnya selang uji = Rataan sampel Kontrol = 2.53, sampel A = 3.60 dan sampel B = Sampel A - Kontrol = 3.60 – 2.53 = 1.07 <  Sampel A tidak berbeda nyata kekentalannya dengan Kontrol pada taraf 5%. Sampel B - Kontrol = 5.00 – 2.53 = 2.47 >  Sampel B secara signifikan lebih kental dibanding dengan Kontrol pada taraf 5%.

32 df error  k = number of treatment means, including control ∞ Tabel 10. Critical Values of the Dunnett Test for Comparing Treatment Means with a Control (One-tailed comparisons).

33 Uji Kruskal-Wallis Statistika Parametrik: ANOVA RCBD. –Asumsi: populasi terdistribusi normal, data interval atau rasio Statistika Nonparametrik: uji Kruskal-Wallis. –Asumsi: populasi tidak harus terdistribusi normal, data serendah-rendahnya peringkat (ordinal) MISALNYA untuk kasus sebelumnya: panelis hanya diminta meranking: kontrol, sampel A dan B. Asumsi lain pada Uji Kruskal-Wallis: –Tidak ada interaksi antara blok dan treatment (Independent) –Lebih dari 2 kelompok yang diuji –Untuk Completely random Design

34

35 Uji HEDONIK Suatu uji hedonik yang diikuti oleh 30 panelis dilakukan untuk menguji kesukaan panelis terhadap 4 sampel kue kering (A, B, C, dan D). Skala kesukaan yang digunakan adalah structured scaling (1 = amat sangat tidak suka, 2 = sangat tidak suka, …, 5 = biasa, …, 8 = sangat suka, 9 = amat sangat suka). Apakah ada perbedaan diantara keempat sampel pada taraf 5% ? Jika benar, lakukan uji lanjutnya.

36 Uji HEDONIK Data diolah dengan menggunakan ANOVA untuk Rancangan Blok Acak Lengkap sama seperti dalam Difference-from-Control Test; sedangkan uji lanjutnya dapat memilih salah satu Multiple Comparison Tests, misalnya uji LSD, Duncan, Tukey, ataupun yang lainnya. Jika hanya 2 sampel yang diuji, gunakan Uji t. Data diolah dengan menggunakan ANOVA untuk Rancangan Blok Acak Lengkap sama seperti dalam Difference-from-Control Test; sedangkan uji lanjutnya dapat memilih salah satu Multiple Comparison Tests, misalnya uji LSD, Duncan, Tukey, ataupun yang lainnya. Jika hanya 2 sampel yang diuji, gunakan Uji t.

37 Tabel ANOVA Sumber Keragaman derajat bebas (db) Jumlah Kuadrat (JK) Kuadrat Tengah (KT) F hitung Sampel (perlakuan) 3169,09256,36433,097 Panelis (blok) 29119,0754,1062,411 Galat (Error) 87148,1581,703 Total119436,325 Pembacaan Tabel Nilai Kritik F untuk  = 0.05, Untuk sampel : v 1 = 3 dan v 2 = 87 diperoleh nilai F tabel = (interpolasi 2.76 – 2.68 pada v 2 = 60 – 120).

38 UJI PEMERINGKATAN (SIMPLE RANKING TEST) Divisi R & D suatu industri pangan ingin mengetahui peringkat produk sosisnya (A) jika dibandingkan dengan 3 produk pesaingnya (B, C, dan D). Uji pemeringkatan dilakukan untuk tujuan tersebut dengan Rancangan Blok Acak Lengkap (Randomized Complete Block Design) yaitu rancangan yang disusun berdasarkan perlakuan dan blok (pengelompokan terhadap perlakuan). Ada 13 panelis dimana setiap panelis memeringkat 1 s/d 4 terhadap atribut rasa dari 4 sampel yang disajikan. Peringkat 1 untuk sampel yang paling disukai sedangkan peringkat 4 untuk sampel yang paling tidak disukai. Tidak diperbolehkan ada peringkat yang sama.

39 UJI PEMERINGKATAN (SIMPLE RANKING TEST) PanelisSampel ASampel BSampel CSampel D Rank sum (R) Uji Friedman digunakan untuk mengolah data karena level datanya adalah Ordinal dan merupakan Randomized Block Design.

40 FRIEDMAN TEST p = banyaknya panelis t = banyaknya perlakuan R = jumlah peringkat setiap perlakuan Pembacaan nilai kritik  2 menggunakan data  = 0.05 dan v = t  1 p = banyaknya panelis t = banyaknya perlakuan R = jumlah peringkat setiap perlakuan Pembacaan nilai kritik  2 menggunakan data  = 0.05 dan v = t  1 Nilai kritik  2 dengan db = 3 pada taraf 0.05 adalah 7.81

41 FRIEDMAN TEST Kesimpulan Uji Friedman : Nilai T > nilai kritik  2 jadi berarti ada perbedaan peringkat kesukaan diantara keempat sampel pada taraf 5 %. Urutan R sampel terbesar – terkecil : C (=44) – D (=36) – B (=30) – A (=20) R C – R A = 44 – 20 = 24>LSD rank →C ≠ A R C – R B = 44 – 30 = 14>LSD rank →C ≠ B R C – R D = 44 – 36 = 8LSD rank →D ≠ A R D – R B = 36 – 30 = 6

42 Quantitative Descriptive Analysis Analisis jaring laba-laba (spider web analysis) Statistika lanjut dengan multivariate analysis

43 Diagram Laba-laba - paling sederhana Contoh Kasus Uji kesukaan terhadap 2 produk es krim (A dan B) yang diikuti oleh 7 panelis terlatih. Sebanyak 6 atribut ditanyakan kepada setiap panelis. Garis sepanjang 15 cm digunakan untuk setiap atribut. Berikut ini tabulasi data penilaian ketujuh panelis. Contoh Kasus Uji kesukaan terhadap 2 produk es krim (A dan B) yang diikuti oleh 7 panelis terlatih. Sebanyak 6 atribut ditanyakan kepada setiap panelis. Garis sepanjang 15 cm digunakan untuk setiap atribut. Berikut ini tabulasi data penilaian ketujuh panelis.

44 TAMPILAN DATA YANG DIPEROLEH:

45 RATA-RATA DATA YANG DIPEROLEH:

46 ANALISIS MULTIVARIAT Analisis terhadap lebih dari dua variabel secara simultan Merupakan perluasan dari analisis Univariat (uji t) dan Bivariat (korelasi, regresi sederhana atau hubungan variabel Y dan X) Variat: dapat didefinisikan sebagai suatu kombinasi linier dari variabel² dgn persamaan regresi berganda: Nilai variat = w1.X1 + w2.X2 + w3.X wn.Xn METODE ANALISIS MULTIVARIAT Regresi berganda, analisis diskriminan, analisis faktor, cluster, principal component analysis (PCA) dll.

47 KEUNGGULAN MULTIVARIAT Dapat menghitung lebih dari dua variabel secara bersama-sama (simultan) Banyak penelitian selalu melibatkan banyak variabel Contoh: perilaku konsumen terhadap produk baru akan melibatkan banyak variabel spt: harga, motivasi beli, pengaruh lingkungan, kualitas produk, pendapatan, jenis kelamin, dll.

48 KLASIFIKASI METODE MULTIVARIAT Analisis untuk kasus yang memiliki variabel dependen dan independen: metode multivariat yg dipakai adalah regresi berganda, analisis diskriminan, korelasi kanonik, Manova, analisis Conjoint atau SEM. Analisis pada kasus yang bersifat interdependence, yang ditandai dengan tidak adanya variabel bebas maupun bergantung: metode yg dipakai adalah Analisis faktor, analisis Cluster, dan analisis caterogical. Pada Evaluasi sensori dan survei konsumen: umumnya variabel bersifat bebas sehingga Analisis Faktor, analisis cluster dan categorical lbh sering dipakai.

49 1. ANALISIS FAKTOR Tujuan: 1.Data summarization, yaitu mengidentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi. Jika korelasi dilakukan antar variabel (dlm pengertian SPSS adalah Kolom) disebut R Factor Analysis. Jika dilakukan antar responden (sampel) disebut cluster analysis atau Q factor analysis. 2.Data reduction, membuat sebuah variabel set baru yg dinamakan faktor. Jumlah sampel yg dianjurkan lebih dari 50 sampel.

50 Multiple Comparison Test Uji pembandingan nilai-nilai tengah perlakuan Uji lanjut (posthoc tests) dari ANOVA jika terdapat hasil yang signifikan (hipotesis H 0 ditolak) Beberapa uji adalah : 1.Uji BNT (LSD, Least Significance Difference) 2.Uji Perbandingan Berganda Duncan (Duncan's Multiple Range Test) 3.Uji Perbandingan thd Kontrol (uji Dunnett)

51 Uji Dunnett (perbandingan dg kontrol) Multiple Comparison Test Uji LSD Uji Duncan

52 REFERENCES  O’Mahony, M Sensory Evaluation of Food. Marcel Dekker, Inc., New York, U.S.A.  Meilgaard, M., Civille, G.V., dan Carr, T Sensory Evaluation Techniques. CRC Press, Florida, U.S.A.  Santosa, S Menggunakan SPSS untuk Statistik Non Parametrik. Elex Media Komputindo, Jakarta.  Simamora, B Analisis Multivariate Pemasaran. Gramedia Pustaka Utama, Jakarta.  Uyanto, S. S Pedoman Analisis Data dengan SPSS. Graha Ilmu, Jakarta. (recommended)


Download ppt "Dr. Ir. Nugraha Edhi Suyatma, DEA Ir. Budi Nurtama, MAgr. PENGANTAR ANALISIS DATA DALAM UJI SENSORI Departemen Ilmu dan Teknologi Pangan Fakultas Teknologi."

Presentasi serupa


Iklan oleh Google