PENGELOLAAN EKOSISTEM

Presentasi berjudul: "PENGELOLAAN EKOSISTEM"— Transcript presentasi:

1 PENGELOLAAN EKOSISTEM
PEMODELAN STATISTIK DALAM PENGELOLAAN EKOSISTEM

2 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

3 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 !

4 PENDEKATAN PENELITIAN
Pengumpulan Data Analisis Data Interpretasi Konklusi

5 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

6 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

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

8 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

9 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

10 METODE PENELITIAN RISET EXPERIMENTAL Penetapan : Perlakuan
Pemilihan : Materi, media, obyek penelitian Identifikasi karakteristik: Materi, media, obyek penelitian Penetapan : Rancangan Percobaan Menghitung : Jumlah ulangan Rumus : dbgalat > 15 Buat : Prosedur pelaksanaan percobaa Identifkasi & definisikan: Variabel penelitian Memilih : Instrumen dan metode pengukuran yang akan digunakan Menentukan : Metode analisis data

11 RANCANGAN EKSPERIMEN Pengumpulan Data

12 RANCANGAN EKSPERIMEN 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

13 RANCANGAN ACAK LENGKAP (RAL)
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.

14 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.

15 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.

16 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

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

18 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

19 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

20 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

21 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

22 TEKNIK SAMPLING Pengumpulan Data

23 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.

24 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

25 Sample Size

26 Sample Size

27

28 DASAR-DASAR METODE Analisis Data

29 Didefinisikan secara tegas : Definisi operasional 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

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

31 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

32 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.

33 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

34 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).

35 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

36 JENIS DATA RATIO NOMINAL Komponen Nama Komponen Peringkat (Order)
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

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

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

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

40 ANALISIS DISKRIPTIF

41 ANALISIS DISKRIPTIF Box Plot Y2

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

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

44 ANALISIS KOMPARATIF

45 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)

46 STATISTIKA PARAMETRIK & NON-PARAMETRIK
NOMINAL ORDINAL INTERVAL RATIO NONPARAMETRIK PARAMETRIK PERIKSA NORMALITAS MENDEKATI NORMAL TIDAK NORMAL TRANSFORMASI

47 ANALISIS KOMPARATIF

48 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 %.

49 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)

50 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 :

51 LAMPIRAN (Software MINITAB)
ANALISIS KOMPARATIF 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: 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

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

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

54 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 =

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

56 ANALISIS ASOSIATIF

57 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)

58 ANALISIS ASOSIATIF

59 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.

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

61 REGRESI LINIER BERGANDA
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.

62 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

63 HASIL PENELITIAN : Interpretasi
Y(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

64 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

65 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

66 ANALISIS DISKRIMINAN

67 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

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

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

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

71 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

72 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.

73 ANALISIS REGRESI VARIABEL DEPENDEN KUALITATIF

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

75 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)

76 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

77 LOGIT

78

79 WLS :

80 Keluarga dengan pendapatan 370 $, berapa peluang memiliki rumah ?
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 ?

81 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

82 LOGIT

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

84 PROBIT

85 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

86 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 Interpretasi: prediksi odd ratio.

87 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

88 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

89 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