MK. METIL-PSDL

METODE STATISTIKADALAM KAJIAN

LINGKUNGAN

(smno.psdl.ppsub)

METODE ANALISIS DATA

STATISTIKA :

Ilmu dan atau seni yang berkaitan dengan tata cara (metode) pengumpulan data, analisis data, dan interpretasi hasil

analisis untuk mendapatkan informasi guna penarikan kesimpulan dan pengambilan

keputusan

S T A T I S T I K A

METODE PENGUMPULAN DATA

METODE ANALISIS DATA

SUMBER DATA

DATAEMPIRIK

INFORMASIEMPIRIK

PERANAN STATISTIKA

AKURAT !

PENDEKATAN PENELITIAN

Pengumpulan DataAnalisis DataInterpretasi

Konklusi

KISI-KISI PENELITIAN

BACKGROUND

SCIENTIFIC

PROBLEM

LANDASAN

ILMIAHHIPOTESIS

KERANGKA TEORI / KONSEP

METODE PENELITIAN :.DATA COLLECTING

. DATA ANALYSISHASIL DAN

PEMBAHASANSIMPULANSARAN REKOMENDASI

JENIS PENELITIAN PENELITIAN KUANTITATIF

OBSERVASI-ONAL EXPERIMENTAL DESIGN

POPULASI NYATA

PERLAKUANIntervensi Peneliti Terhadap Obyek

POPULASI KONSEPTUAL

UNIK Tidak Ada Populasi

TEKNIK SAMPLING EXPERIMENTAL DESIGN

PENELITIAN OBSERVASIONAL

BATASAN POPULASI

IDENTIFIKASI KARAKTERISTIK

POPULASI

TEKNIK SAMPLING SAMPLE

SIZE

VARIABEL PENELITIAN

INSTRUMEN PENGUMPULAN

DATA

METODE PENGUMPULAN

DATA

METODE ANALISIS

DATA

PENELITIAN EKSPERIMENTAL

DEFINISI PERLAKU

AN

IDENTIFIKASI MEDIA, BAHAN, OBYEK

EXPERI-MENTAL DESIGN REPLIKA

SI

VARIABEL PENELI-

TIAN

INSTRUMEN PENGUMPUL

AN DATA

METODE PENGUMPUL

AN DATA

METODE ANALISIS

DATA

PENELITIAN PERANCANGANLANDASAN KONSEP / TEORI

(STRUKTUR)SPESIFIKASI BAHAN, ALAT, KOMPONEN

(FUNGSI) ATAU ANALISIS SISTEM

DISKRIPSI PROSEDUR

MODEL(Prototipe)

SIMULASI

DATAANALISIS

PEMBUATAN ALAT

UJI COBA

DATA

ANALISIS

HASIL PENELITIAN : ALAT atau SISTEM INFORMASI

MEMENUHI

TIDAK MEMENUHI

MEMENUHI

TDK

METODE PENELITIANRISET EXPERIMENTAL

Penetapan : PerlakuanPemilihan : Materi, media, obyek penelitianIdentifikasi karakteristik: Materi, media, obyek penelitian

Penetapan : Rancangan PercobaanMenghitung : Jumlah ulangan

Rumus : dbgalat > 15

Buat : Prosedur pelaksanaan percobaaIdentifkasi & definisikan: Variabel penelitian Memilih : Instrumen dan metode pengukuran yang akan digunakanMenentukan : Metode analisis data

RANCANGAN EKSPERIMEN

Pengumpulan Data

RANCANGAN EKSPERIMENRancangan Lingkungan

Ranc. Acak LengkapRanc. Acak KelompokRanc. Bujur Sangkar LatinRanc. Acak Petak Terbagi

Ranc. Blok Terbagi

Rancangan PerlakuanPercobaan FaktorialPercobaan Faktorial dalam KeterbauranPercobaan Tersarang dan Faktorial

Tersarang

RANCANGAN LINGKUNGAN

RANCANGAN ACAK LENGKAP (RAL)

Pemakaian : Materi, media, obyek penelitian homogenRandomisasi : Acak keseluruhan (sempurna) pd seluruh unit

percobaan (petak percobaan)Ulangan : Boleh sama atau tidak sama untuk setiap perlakuanLokasi pnltan : Laboratorium atau lapangAnalisis Data : Komparasi parametrik ANOVA (one way untuk faktor tunggal, two way untuk faktorial 2 faktor); Komparasi Non-parametrik KRUSKAL WALLIS Asosiasi Korelasi, Regresi, Diskriminan, Analisis Path, SEM, dll.

RANCANGAN LINGKUNGAN

RANCANGAN ACAK KELOMPOK (RAK)

Pemakaian : Materi, media, obyek penelitian heterogen satu gradien (sisi)

Randomisasi : Acak pada masing-masing kelompokUlangan : sama dengan kelompok, sehingga harus samaLokasi pnltan : Laboratorium atau lapang

Analisis Data : Komparasi parametrik ANOVA (two way untuk faktor tunggal, three way untuk faktorial 2 faktor);

Komparasi NOnparametrik FRIEDMAN Asosiasi Korelasi, Regresi, Diskriminan, Analisis Path, SEM, dll.

RANCANGAN LINGKUNGAN

RANCANGAN BUJUR SANGKAR LATIN (RBSL)

Pemakaian : Materi, media, obyek penelitian heterogen dua gradien (sisi)

Randomisasi : Acak baris, kemudian kolomUlangan : sama dengan perlakuan atau baris atau kolom, sehingga harus samaLokasi peneltan : Laboratorium atau lapang

Analisis Data : Komparasi parametrik ANOVA (three way untuk faktor tunggal)

Asosiasi Korelasi, Regresi, Diskriminan, Analisis Path, SEM, dll.

RANCANGAN LINGKUNNGAN

RANCANGAN BUJUR SANGKAR LATIN

A B C DB C D AC D A BD A B C

D A B CB C D AA B C DC D A B

B D C AD B A CC A D BA C B D

RANDOMISASI Misal 4 perlakuan :

A, B, C dan D

Acak baris

Acak kolom

METODE ANALISIS DATA

RANCANGAN BUJUR SANGKAR LATIN

Sumber keragaman db JK KT Fhit F0,05

PerlakuanLajurBarisGalat

P - 1p – 1p – 1

(p-1)(n –2)Total P2 – 1

Analisis Ragam (Faktor Tunggal)

Uji Lanjutan

P XS 21XXSPerlakuanBarisKolom

pKTg

pKTg2

RANCANGAN PERLAKUANPERCOBAAN FAKTORIAL

Perlakuan : Dua Faktor atau lebih Setiap faktor memiliki level

Varitas (V) Pupuk (P) v1 v2 v3

p0 v1p0 v2p0 v3p0 p1 v1p1 v2p1 v3p1 p2 v1p2 v2p2 v3p2 p3 v1p3 v2p3 v3p3

Contoh :

Rancangan Lingkungan yang digunakan

Ranc. Acak LengkapRanc. Acak KelompokRanc. Bujur Sangkar Latin

RANCANGAN PERLAKUAN

PERCOBAAN FAKTORIALTujuan : Mengetahui pengaruh interaksi (ketergantungan pengaruh faktor satu atas faktor yang lain) Efisiensi (biaya, tenaga, waktu)

Analisis Ragam

Tergantung pada rancangan lingkungan yang dipakai, hanya perlakuan dibagi atas komponen :

- faktor utama - interaksi

RANCANGAN PERLAKUAN

PERCOBAAN PETAK TERBAGI (SPLIT PLOT EXPERIMENT)

Perlakuan : Dua Faktor atau lebih Setiap faktor memiliki level

Prbedaan dg FAKTORIAL : Penempatan perlk ke dlm unit eksperimen

Contoh :

Rancangan Lingkungan yang digunakan

Ranc. Acak LengkapRanc. Acak KelompokRanc. Bujur Sangkar Latin

VaritasPengairan b1 b2 b3

A0 V1p0 V2p0 V3p0A1 V1p1 V2p1 V3p1

RANCANGAN PERLAKUAN

PERCOBAAN PETAK TERBAGI

Tujuan : Mengetahui pengaruh interaksi (ketergantungan pengaruh faktor satu atas faktor yang lain) Efisiensi (biaya, tenaga, waktu)

Syarat pemakaian : level-level salah satu faktor memerlukan plot yang lebih banyak faktor satu lebih dipentingkan dari faktor yang lain kemudahan dalam pelasaknaan percobaan

TEKNIK SAMPLINGPengumpulan Data

TEKNIK SAMPLING

1. Keterwakilan (representatifness)

Bilamana populasinya homogen, maka teknik sampling yang cocok digunakan adalah Simple Sampling

Bilamana keadaan populasi heterogen, maka diupayakan dibuat strata-strata, yang mana di dalam masing-masing strata kondisinya seragam. Jika hal ini dapat dilakukan, maka sampel dapat diambil secara acak dari masing-masing strata Teknik sampling yang digunakan Stratified Sampling.

Apabila keadaan populasi heterogen, yang mana heterogenitasnya merata dan membentuk gerombol-gerombol, dimana karakteristik masing-masing gerombol dapat menggambarkan keadaan populasi, maka teknik sampling yang dignakan cluster sampling.

TEKNIK SAMPLING2. Ketelitian (precission)

a). Random (ACAK), dilakukan bilamana dari segi pelaksanaannya (biaya, waktu, tenaga dan prosedur) layak untuk dilakukan.

b). Sistematic (sistematik), dilakukan jika tidak tersedia sample frame, misalnya pengunjung supermaket, dering tilpun, dan lain sebagainya.

c). SENGAJA atau purposive, dilakukan dengan pertimbangan jika cara random dan sistematik sudah tidak LAYAK. Kedua metode ini termasuk nonprobability sampling dan memerlukan justifikasi yang jelas, agar keterwakilan, presisi dan ketak-biasan data dapat terpenuhi.

KETELITIAN SAMPLE sangat berkaitan dengan sample size

Sample SizeSample size pada Simple Random Sampling

Sample size untuk diskripsi mean - Besar populasi tidak diketahui

2

22

d

Zn

- Besar populasi (N) diketahui dan tidak besar

222

22

Z1Nd

Z Nn

- Besar populasi (N) diketahui dan besar

222

22

Zd N

Z Nn

dalam hal ini

Z = nilai normal baku pada tertentu, 5 atau 1 %. 2 = ragam populasi, dapat diperoleh dari penelitian yang telah ada (jurnal-jurnal),

penelitian pendahuluan, atau pendapat pakar. d = simpangan mean sampel terhadap mean populasi, yang masih ditolerir secara

teoritis.

Sample SizeSample size untuk diskripsi proporsi - Besar populasi tidak diketahui

2

2

q p

d

Zn

- Besar populasi (N) diketahui dan tidak besar

pqZNd

pqZNn 22

2

1

- Besar populasi (N) diketahui dan besar

pqZNd

pqZNn 22

2

1

dalam hal ini :

p = proporsi obyek mengenai karakteristik yang dipelajari, diperoleh dari penelitian terdahulu, bila tidak tersedia tetapkan = 0.5.

q = 1 – p

Sample size pada Stratified Random Sampling

METODE

UKURAN SAMPEL SELURUH STRATA

(n)

UKURAN SAMPEL

DALAM SETIAP STRATA

(nh )

PEMAKAIAN METODE

SAMA

2h2

2 2

22h

N Z

dN N S

n

h

h

Sn n h

1) apabila unit analisis / unit sampling (Nh) pada setiap strata sama

2) Bila ragam setiap strata ( 2h )

dan biaya per unit penarikan sampel (ch) pada setiap strata sama

3) Bila 2 dan ch tidak diketahui SEBAN DING/ PROPOR SIONAL

2hh2

2 2

2h

2h

N Z

dN

N N n

n N

N n hh

1) apabila unit analisis / unit sampling (Nh) pada setiap strata tidak sama

2) idem dengan metode SAMA 3) idem dengan metode SAMA

NEYMAN

2

h2

2 2

22h

N Z

dNN

n

h

h

n N

N n 2

h

hh

h

h

1) Bila ragam setiap strata ( 2h )

tidak sama

Keterangan : 1) S = banyaknya strata 2) Apabila N dan Nh tidak diketahui maka dapat didekati melalui penerikan contoh acak sederhana

(simple random sampling), diberlakukan pada seluruh strata dengan alokasi SAMA.

3) Apabila karakteristik yang diteliti berupa proporsi, maka rumus pada tabel yang mengandung 2h

diganti dengan ph (1-ph).

DASAR-DASAR METODE

Analisis Data

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.

DiidentifikasiDidefinisikan secara tegas : Definisi

operasional variabel

JENIS VARIABEL

Independen

Intervening(Mediating)

Dependen

Confounding

Moderator

Concomitant Control

EXTRANEOUS

INTRANEOUS

JENIS VARIABELVariabel tergantung adalah variabel yang tercakup dalam

hipotesis penelitian, keragamannya dipengaruhi oleh variabel lain

Variabel bebas adalah variabel yang yang tercakup dalam hipotesis penelitian dan berpengaruh atau mempengaruhi

variabel tergantung

Variabel antara (intervene variables) adalah variabel yang bersifat menjadi perantara dari hubungan variabel bebas ke

variabel tergantung.

Variabel Moderator adalah variabel yang bersifat memperkuat atau memperlemah pengaruh variabel bebas terhadap variabel

tergantung

JENIS VARIABELVariabel pembaur (confounding variables) adalah suatu variabel yang

tercakup dalam hipotesis penelitian, akan tetapi muncul dalam penelitian dan berpengaruh terhadap variabel tergantung dan

pengaruh tersebut mencampuri atau berbaur dengan variabel bebas

Variabel kendali (control variables) adalah variabel pembaur yang dapat dikendalikan pada saat riset design.

Pengendalian dapat dilakukan dengan cara eksklusi (mengeluarkan obyek yang tidak memenuhi kriteria) dan inklusi (menjadikan obyek yang memenuhi kriteria untuk diikutkan dalam sampel penelitian)

atau dengan blocking, yaitu membagi obyek penelitian menjadi kelompok-kelompok yang relatif homogen.

JENIS VARIABEL

Variabel penyerta (concomitant variables) adalah suatu variabel pembaur (cofounding) yang tidak dapat

dikendalikan saat riset design.

Variabel ini tidak dapat dikendalikan, sehingga tetap menyertai (terikut) dalam proses penelitian, dengan

konsekuensi harus diamati dan pengaruh baurnya harus dieliminir atau dihilanggkan pada saat analisis data,

misalnya dengan ANCOVA atau MANCOVA

INSTRUMEN PENGUKURAN

VALID dan PRESISI : variabel fisik, misal berat kering tanaman, lingkar leher, besar sel dan lain sebagainya, dilakukan kalibrasi terhadap alat

ukur standart. Spesifikasi dan merek alat harus dinyatakan secara eksplisit.

Variabel kualitatif (uNObservable variable), misalnya sikap, motivasi, harapan : kuisioner atau daftar isian.

VALID : Apabila korelasi antara skor item dengan skor total positif dan 0.30 (Masrun, 1979).

PRESISI (REALIBEL) : Koefisien Alpha Cronbach, instrumen reliabel apabila koefifisien alpha sekitar 0.6 (Malthotra, 1996).

DATA

Data adalah kumpulan angka, fakta, fenomena atau keadaan yang merupakan hasil pengamatan, pengukuran,

atau pencacahan terhadap karakteristik atau sifat dari obyek, yang dapat berfungsi untuk membedakan obyek

yang satu dengan lainnya pada sifat yang sama

DATA PENELITIAN

JENIS DATA NOMINAL • Komponen Nama (NOmos)

ORDINAL• Komponen Nama• Komponen Peringkat (Order)

INTERVAL• Komponen Nama• Komponen Peringkat (Order)• Komponen Jarak (Interval)• Nilai Nol tidak Mutlak

RATIO• Komponen Nama• Komponen Peringkat

(Order)• Komponen Jarak

(Interval)• Komponen Ratio• Nilai NOl Mutlak

TAHAPAN ANALISIS DATA

CODINGSCORING

TABULASI

PERIKSA OUTLIERS

JENIS PERMASALAHAN

PENELITIAN

JENIS DAN KARAKTERISTIK

DATA

PILIH METODE ANALISIS DATA

INFORMASI AKURAT

RELEVAN

VALID

PEMERIKSAAN DATA OUTLIERS

20

30

40

50

60

70

Yi

120

110

100

90

80

70

60

50

40

30

20

Yi

BOX PLOT

OUTLIERS

Diskriptif : Standart Deviasi > Mean (data interval)

Uji Barnet dan Lewis

PERMASALAHAN PENELITIAN

Penilaian (identifikasi, prediksi dan

deskripsi) Pembandingan (Komparasi)

Hubungan (Asosiasi)

ANALISIS DISKRIPTIF

PERINGKASAN JENIS DATA

PENATAAN Pemusatan Penyebaran

PENGGAMBARAN

Nominal Ordinal Interval dan Ratio

Tabel (distribusi frekuensi) Idem Idem

Modus Modus Median Modus Median Mean

Banyaknya jenis data Rentang Rentang Varians

Histogram Diagram pastel Idem Histogram Diagram pastel Kurva

ANALISIS DISKRIPTIF

Box Plot

Y2

ANALISIS DISKRIPTIF

ADV

SM

LM

57.38

46.31

34.88

a. F2-Isoprostan

Lapisan N Mean SD

LM

SM

ADVENTIA

32

32

32

34.8820.05

46.3122.20

57.3822.59

Lapisan ADVENTIA : Lebih Tinggi

Waktu Terjadinya Peningkatan F2-Isoprostan, NO, vWF, VCAM dan PAI-1 Pada Keadaan Hiperkolesterolemia dari Minggu Ke-10

s/d Minggu Ke-28 (N=20)

Variabel yang Muncul lebih dini : F2-Isoprostan

ANALISIS DISKRIPTIF

ANALISIS

KOMPARATIF

ANALISIS KOMPARATIF

Berdasarkan Permasalahan:Perbandingan suatu kondisi (sampel) dg standart

Perbadingan dua kondisi (sampel)Perbandingan lebih dari dua kondisi (sampel)

Berdasarkan Jenis Data:

Analisis Parametrik (berlandaskan distribusi normal) Analisis Nonparametrik (bebas distribusi)

Boostrap (bebas distribusi)

Berdasarkan Jumlah Variabel:Analisis Univariate (variabel tunggal) Analisis Multivariate (multivariabel secara simultan)

STATISTIKA PARAMETRIK & NON-PARAMETRIK

NOMINAL

ORDINAL

INTERVAL

RATIO

NONPARAMETRIK

PARAMETRIKPERIKSA

NORMALITASMENDEKATI

NORMAL

TIDAKNORMAL TRANSFORMASI

TIDAKNORMAL

ANALISIS KOMPARATIFANALISIS NONPARAMETRIK

DUA POPULASI LEBIH DARI 2 POPULASIJENIS

DATA

SATU

POPULASI Paired Unpired Paired UnpairedNOMINAL Uji Binomium

Uji 2

Uji McNemar Uji Eksak Fisher Uji Q ChocranUji

2

ORDINAL Uji Kolmogorof S.

Uji Deret

Uji Tanda

Uji Tanda Wilcoxon

Uji Median

Uji MannWhitney

Uji Kolmogorof S.

Uji Wald W.

Uji Moses

Uji Friedman Uji Kruskal

Wallis

INTERVAL

DAN RATIO

Uji Walsh

Uji Randomisasi

ANALISIS PARAMETRIK1)

INTERVAL

DAN RATIO

Uji Z, 2 diketahui

Uji t, 2 tdkdiketahui

Uji Z, 2 diketahui

Uji t, 2 tdkdiketahui

Uji Z, 2 diketahui

Uji t, 2 tdkdiket.

Uji F; melalui

ANOVA

(dengan

pemblokan)

RAK, RBSL

Uji F, melalui

ANOVA

(tanpa

pemblokan)

RAL

ANALISIS PEUBAH GANDA (MULTIVARIATE)INTERVAL

DAN RATIOUji

2 , diket.

Uji T2 Hotelling,

tidak diketahui

Uji T2 Hotelling,

tidak diketahui

Uji T2 Hotelling, Uji Wilk Lamda

melalui MANOVA

(dengan

pemblokan)

RAK, RBSL

Uji Wilk Lamda

melalui

MANOVA

(tanpa

pemblokan)

RAL

Taraf Nyata () dan p-valueUntuk menghitung p pada uji t dengan nilai thitung = 2.88 pada derajat bebas (db) = 10, adalah :

B (__,__) adalah fungsi Beta.

Dengan kata lain untuk thit = 2.288 dengan db=10 diperoleh p = 0.05; atau dengan = 0.05 dan db=10 diperoleh ttabel = 2.288.

0.05 dtt1 10

210 ,

21

1 2110

2

288.2

KAIDAH KEPUTUSAN UJI HIPOTESIS

1. thit < ttabel , terima H0 dan sebaliknya

2. P > , terima H0 dan sebaliknya

3. Tolak H0 (bermakna) dengan resiko salah sebesar p x 100 %.

Taraf Nyata () dan p-value

Misal tdpt Hipotesis : Pemberian Tnmn Teras dpt menurunkan Erosi

Misal Hasil Analisis : thitung = 2.275

p = 0.057 Pada = 0.05 dan db=10 diperoleh ttabel = 2.288

Keputusannya Bagaimana ?

1. thit < ttabel , terima H0 : Tanaman Teras tidak menurunkan Erosi

2. p > , terima H0 : Tanaman Teras tidak menurunkan Erosi3. Tolak H0 (bermakna) dengan resiko salah sebesar p x 100 % : Tanaman Teras dapat menurunkan Erosi (p = 0.057, bilamana ada

100 Ha yang diberi tanaman teras hanya 6 Ha yang tidak menurun erosinya)

ANALISIS KOMPARATIF

Contoh Permasalahan Komparatif :

Apakah perlakuan dapat miningkatkan Kadar A?

Group Kadar AKontrol 11.36Kontrol 24.98Kontrol 16.71Kontrol 18.21Kontrol 26.30Kontrol 21.70Kontrol 23.20Kontrol 19.77Kontrol 23.63Kontrol 34.41Kontrol 19.32Kontrol 24.30

Group Kadar APerlakuan 30.42Perlakuan 23.63Perlakuan 28.61Perlakuan 26.79Perlakuan 38.96Perlakuan 33.56Perlakuan 31.59Perlakuan 33.01Perlakuan 23.41Perlakuan 31.52Perlakuan 14.55Perlakuan 38.40Perlakuan 23.09Perlakuan 43.50Perlakuan 20.87Perlakuan 10.17Perlakuan 24.87Perlakuan 36.96Perlakuan 23.41Perlakuan 23.96

DATA HASIL PENELITIAN :

ANALISIS KOMPARATIF

Variabel Group N Mean SD p-valueF2 –Isoprostane Normal

Perlakuan

12

20

21.991 5.709

28.064 8.268

0.033

HASIL PENELITIAN

LAMPIRAN (Software MINITAB)

Two-sample T for Kadar AGroup N Mean StDev SE MeanKontrol 12 21.99 5.71 1.6Perlakuan 20 28.06 8.27 1.8

Difference = mu (Kontrol ) - mu (Perlakuan)Estimate for difference: -6.0795% CI for difference: (-11.14, -1.01)T-Test of difference = 0 (vs NOt =): T-Value = -2.45 P-Value = 0.033 DF = 29

Kadar A

Pengaruh Perlakuan Terhadap Kadar A

PerlakuanKontrol

40

30

20

10

Group

ISO

p = 0.033

HASIL PENELITIAN

Perlakuan meningkatkan

Kadar A

ANALISIS KOMPARATIFK

adar

A

CONTOH PERMASALAHAN PEMBANDINGAN

Iso-LM Iso-SM Iso_ADV31 45 5029 23 5442 45 6242 44 4727 49 6648 50 5131 29 4831 47 4359 81 8569 88 8555 79 90

ANALISIS KOMPARATIF

Apakah ada perbedaan Kadar F2-Isoprostan pada lapisan di jaringan ?

Hasil Analisis dg MINITAB

One-way ANOVA: Iso-LM, Iso-SM, Iso_ADV

Analysis of VarianceSource DF SS MS F PFactor 2 2144 1072 3.43 0.046Error 30 9379 313Total 32 11523 Individual 95% CIs For Mean Based on Pooled StDevLevel N Mean StDev ----+---------+---------+---------+--Iso-LM 11 42.18 14.07 (--------*--------) Iso-SM 11 52.73 21.05 (--------*--------) Iso_ADV 11 61.91 17.23 (--------*--------) ----+---------+---------+---------+--Pooled StDev = 17.68 36 48 60 72

Interpretasi

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

Penggambaran

Iso-SMIso-LMIso_ADV

90

80

70

60

50

40

30

20

Lapisan

Isop

rost

an

ANALISIS ASOSIATIF

ANALISIS ASOSIATIFJENIS HUBUNGAN

Simetri: terdapat hubungan antar variabel dan bersifat tidak ada yang saling mempengaruhi (analisis yang tepat

adalah korelasi)

Asimetri: hubungan antar variabel yang terjadi bersifat yang satu mempengaruhi (independen) dan lainnya dipengaruhi (dependen); analisis regresi dan path

Resiprok: hubungan antar variabel yang terjadi bersifat saling mempengaruhi (pengaruh bolak-balik), analisis

SEM (structural equation modelling)

ANALISIS ASOSIATIFD A T A

X YKORELASI REGRESI

Nominal

Nominal

Nominal

Ordinal

Ordinal

Ordinal

IntervaldanRatio

Intervaldan Ratio

IntervaldanRatio

Nominal

Ordinal

Interval &Ratio

Nominal

Ordinal

Interval &Ratio

Nominal

Ordinal

IntervalDanRatio

Kontingensi, COdd RatioRelative Risk

Idem

Biserial

Kontingansi, COdd RatioRelative Risk

Rank SpearmanRank KendallRank Partial KendallRank Konkordansi Kendall

Idem

Biserial

Rank SpearmanRank KendallRank Partial KendallRank Konkordansi Kendall

Product Moment PearsonKanonik

Logit, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabel

Logit, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabelRegresi TheilRegresi Garis Resisten

Regresi, dummy variabel

Logit, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabel

Logit, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabelRegresi TheilRegresi Garis Resisten

Regresi, dummy variabel

Logit / Logistik, Probit, LPMDiskriminan

Logit / Logistik, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabelRegresi TheilRegresi Garis Resisten

Regresi

ANALISIS ASOSIATIFREGRESI LINIER SEDERHANA

Tujuan : mencari hubungan fungsional liner antar 2 variabel (bebas dan tidak bebas)

No. Variabel Bebas Variabel tidak bebas

1. ………… …………...2. ………… …………...3. ………… …………...4. ………… …………...5. ………… …………......Dst.

ANALISIS ASOSIATIFContoh : X Y

1) Dosis pupuk Produksi tanaman2) Kadar ragi Alkohol yang diperoleh

M od el p en d u ga : Xb b ˆ 10 Y

b 1 b 0

R u m u sX

XYJKJP XbY 1

R agamxJK

KTgalat

xJKX

nKTg

21

C I (1 - )x

n JKKTgtb 2/

21

Xn JK

Xn

KTgtb2

2/21

1

U ji H ipo t. H 0 : p 1 = 1 (0 )

H 1 1 1 (0 )

H 0 : p 0 = 0 (0 )

H 1 1 0 (0 )

S ta t. U ji

x

hit

JKKTg

Xt

ˆˆ 11

x

hit

JKX

nKTg

t2

)0(00

1

ˆ

ANALISIS ASOSIATIF

REGRESI LINIER BERGANDA

Tujuan : mencari hubungan fungsional liner antara satu variabel tergatung dengan banyak variabel bebas Sering dan kebanyakan permasalahan di bidang pengelolaan tanah dan air, bahwa suatu varibel dependen dipengaruhi oleh beberapa variabel independen secara simultan.

Tujuannya untuk mengidentifikasi variabel independen yang berpengaruh paling kuat, melakukan prediksi variabel dependen berdasarkan beberapa variabel independen secara simultan, dsb.

HASIL ANALISIS DG MINITABANALISIS REGRESI (Variabel Dependent datanya Ratio)

The regression equation isHasil = 18.9 + 0.223 X1 - 0.0107 X2 + 0.981 X3 - 0.0016 X4

Predictor Coef SE Coef T PConstant 18.875 5.301 3.56 0.001X1 0.2228 0.1116 2.00 0.056X2 -0.010662 0.009248 -1.15 0.259X3 0.9807 0.2874 3.41 0.002X4 -0.00165 0.02291 -0.07 0.943

S = 6.685 R-Sq = 37.6% R-Sq(adj) = 28.4%

Analysis of VarianceSource DF SS MS F PRegression 4 727.36 181.84 4.07 0.010Residual Error 27 1206.66 44.69Total 31 1934.02

HASIL PENELITIAN : Interpretasi

Y(Hasil) = 18.9 + 0.223 X1 - 0.0107 X2 + 0.981 X3 - 0.0016 X4

• Eksplanasi :

X1 & X3 berpengaruh positif, bila keduanya meningkat Hasil Tanaman meningkat• Eksplanasi :

X2 & X4 berpengaruh negatif, bilamana meningkat Hasil Tanaman menurun

• Prediksi :

Bilamana yang lain konstan, peningkatan X1 sebesar 10 unit akan mengakibatkan peningkatan Hasil Tanaman 2.23 unit

Hasil Analisis dg MINITABANALISIS REGRESI (Data Variabel Dependen Interval)

The regression equation isISO = 18.9 + 0.223 NO - 0.0107 vWF + 0.981 PAI-1 - 0.0016 VCAM-1

Predictor Coef SE Coef T PConstant 18.875 5.301 3.56 0.001NO 0.2228 0.1116 2.00 0.056vWF -0.010662 0.009248 -1.15 0.259PAI-1 0.9807 0.2874 3.41 0.002VCAM-1 -0.00165 0.02291 -0.07 0.943

S = 6.685 R-Sq = 37.6% R-Sq(adj) = 28.4%

Analysis of VarianceSource DF SS MS F PRegression 4 727.36 181.84 4.07 0.010Residual Error 27 1206.66 44.69Total 31 1934.02

HASIL PENELITIAN : Interpretasi

ISO = 18.9 + 0.223 NO - 0.0107 vWF + 0.981 PAI-1 - 0.0016 VCAM-1

• Eksplanasi :

No & PAI-1 berpengaruh positif, bila keduanya meningkat maka F2-Isoprostan meningkat• Eksplanasi :

vWF & CCAM-1berpengaruh negatif, bilamana meningkat maka F2-Isoprostan menurun

• Prediksi :

Bilamana yang lain konstan, peningkatan NO 10 ng akan mengakibatkan peningkatan Iso 2.23 ng

ANALISIS DISKRIMINAN

CONTOH PERMASALAHAN Variabel apa yang merupakan penentu terkuat terjadinya erosi?

Data Hasil Penelitian :X1 X2 X3 X4 X5 Tingkat Erosi

10.4 27.8 303000 5.1 1 110.8 24.3 249000 2.5 1 17.8 22.0 274000 3.1 1 110.0 28.1 249000 3.0 0 110.3 28.3 200000 3.1 1 111.4 38.0 164000 3.8 0 110.5 28.1 314000 2.4 0 19.9 30.0 287000 3.4 0 19.6 27.8 265000 2.6 0 19.9 31.2 258000 3.8 0 113.4 33.6 224000 4.1 0 111.0 30.2 200000 3.7 1 19.8 27.7 260000 4.1 0 110.3 31.3 273000 3.9 0 19.1 26.5 263000 2.8 0 19.7 28.4 241000 3.7 0 110.9 30.9 268000 4.3 0 19.9 27.9 298000 4.3 0 111.5 31.6 183000 3.9 0 19.9 30.1 271000 4.2 0 111.1 33.5 243000 3.1 0 1

Tingkat Erosi :

1 = Rendah

2 = Tinggi

Data Hasil Penelitian (Lanjutan):

X1 X2 X3 X4 X5 Tingkat Erosi11.4 31.8 292000 5.1 1 211.2 29.2 349000 6.2 2 27.3 20.9 135000 5.7 2 213.5 39.7 245000 6.7 3 29.1 27.1 236000 5.0 2 28.9 25.1 292000 5.3 1 212.4 36.3 69000 4.9 2 211.0 31.2 236000 4.1 2 210.9 29.9 259000 6.2 2 210.7 30.1 238000 5.1 1 212.2 33.9 231000 8.0 3 212.0 33.9 210000 7.1 3 210.8 31.7 237000 6.2 2 210.8 31.7 237000 3.5 1 210.8 32.1 203000 9.0 3 28.8 27.5 195000 7.2 2 211.6 34.9 193000 6.9 1 211.4 34.8 214000 7.5 3 211.6 34.9 218000 6.2 3 28.5 26.3 124000 4.5 3 210.2 29.2 313000 6.2 2 2

Tingkat Erosi :

1 = Rendah

2 = Tinggi

LAMPIRAN : Hasil Analisis dg SPSS

ANALISIS DISKRIMINAN (Data Variabel Dependent ordinal)

Summary of Canonical Discriminant Functions

Eigenvalues

2.767a 100.0 100.0 .857Func tion1

Eigenv a lue% o f

Varianc eCumula tiv

e %Canon ic a lCorre la tion

Fi rs t 1 c anon ic a l d is c riminan t func tions were us ed in theanaly s i s .

a .

W ilk s ' La m bd a

.2 6 5 4 9 .7 3 9 5 .0 0 0Te s t o f Fu n c t i o n (s )1

W i l k s 'L a mb d a

Ch i -s q u a re d f Si g .

LAMPIRAN : Hasil Analisis dg SPSS

Summary of Canonical Discriminant Functions

Standardized Canonical Discriminant Function Coefficients

-.296.226.029.402.782

HBPCVTROMBOSIURIC_ACDALB_URIN

1Func tion

X1X2X3X4X5

HASIL PENELITIAN : INTERPRETASI

VALIDITAS MODEL :

Wilks’ Lamda dengan p = 0.00001, berarti model layak digunakan (valid)

KONTRIBUSI PENGARUH :

Besarnya kontribusi pengaruh variabel X1, X2, X3, X4 dan X5 terhadap terjadinya erosi adalah kuadrat dari korelasi kanonik = ( 0.857 )2 = 0.7344, yaitu 73.44 % dan sisanya dipengaruhi variabel lain yang belum ada dalam model

HASIL PENELITIAN : InterpretasiVARIABEL SEBAGAI PENENTU TERKUAT TERJADINYA EROSI

Fungsi Diskriminan dengan varibel variabel STANDARDIZE :

ZY= -0.296 ZX1 + 0.226 ZX2 + 0.029 ZX3 + 0.402 ZX4 + 0.782 ZX5

dalam hal ini Y = 1 ; erosi rendah Y = 2 ; erosi tinggi

Koefisien diskriminan terbesar adalah X5 disusul X4, sehingga dapat dikatakan bahwa sebagai penentu terkuat adalah X5 dan terkuat kedua adalah X4.

Koefisien X1 bertanda negatif, artinya bilamana X1 rendah akan menuju ke kondisi Erosi Tinggi.

ANALISIS REGRESI VARIABEL DEPENDEN

KUALITATIF

JENIS REGRESI Y KUALITATIF

1. Logit

2. Probit

3. LPM

4. Tobit

5. Gompit

6. Loglinear Model

KEGUNAANPenjelasan (explanation) terhadap fenomena yang dipelajari atau permasalahan yang diteliti.Prediksi PELUANG suatu kejadian (dispesifikasikan padavariabel dependen) berdasarkan nilai variabel bebas.

Faktor determinan, yaitu penentuan variabel bebas mana (pada regresi berganda) yang berpengaruh dominan terhadap variabel tergantung. Hal ini dapat dilakukan bilamana unit satuan data seluruh variabel sama, skalanya homogen dan bersifat kontinyu.

Pengelompokan obyek berdasarkan nilai peluang

Catatan: Kategori variabel dependen bersifat biner (dua kategori)

LOGIT & PROBIT

LOGIT & PROBITa) Spesifikasi Model :

(1) Identifikasi variabel Dependen dan Independen (2) Menentukan Spesifikasi Model• Spesifikasi model sesuai dengan mekanisme substansi pada

bidang yang dikaji (teoritis)• Spesifikasi model ditentukan secara empiris (scatter diagram)

b) Pendugaan Paremater: Sama dengan regresi klasik (OLS) c) Pemeriksaan Asumsi: Sama dengan regresi klasik d) Interpretasi: prediksi peluang dan atau pengelompokan

LOGIT

PROBIT

X

P(Y|x)

LOGITModel Logit : Pi = E (Yi | xi ) =

110 Xe11

Bila Z : 0 + 1 X, maka P1 = Zie1

1

; fungsi distribusi komulatif

logistik

Fungsi ini bersifat : intrinsicly nonlinear linear ; OLS dapat

diaplikasikan :

Pi = iZ1e1

1

1 - Pi = 1- iZ1e1

1

= iZ1e1

1

i

i

P1P

=

Zi

Zi

e11e11

= Zi

Zi

e1e1

= eZi

G u n a k a n S i f a t L o g a r i t m a U n t u k T r a n s f o r m a s i L i n i e r

l n ( e Zi

PiPi ln

1

L i = Z i l n ( e )

L i = β 0 + β 1 X ; l i n i e r

PiPi1

: o d d r a t i o

m i s a l y = 1 ; m e m p u n y a i r u m a h

0 ; t i d a k m e m p u n y a i r u m a h

p i = p r o p o r s i y = 1

B i l a P i = 0 . 8 ( k e l u a r g a d e n g a n p e n d a p a t a n 4 0 ) , m a k a

48.01

8.0

A r t i n y a p a d a k e a d a a n t e r s e b u t k e k u a t a n k e p e m i l i k a n r u m a h

a d a l a h 4 b e r b a n d i n g 1 .

L o g d a r i o d d r a t i o d i s e b u t : l o g i t

L i = l n

PiPi

1 β 0 + β 1 X i + e

P e n d u g a a n p a r a m e t e r : O L S

V a r ( e ) = )ˆ(ˆ iPiPNi 1

1 ; NiniP ˆ

M a s a l a h : h e t e r o s k e d a s t i s i t a s g u n a k a n b o b o t ( w i ) s e h i n g g a W L S y a n g l e b i h

t e p a t .

w i = i)P̂-i(1P̂ Ni

Li* = WiLi

Xi* = WiXi

Li* = β0 Wi+ β1 Xi* + eWiWLS :

LOGIT

x Sampel Kejadian Logit wi68

1013152025303540

40506080

1007065504025

8121828453639333020

-1.39-1.15-.85-.62-.20.06.41.661.101.39

2.533.023.554.274.974.183.953.352.742.00

Ilustrasi Model Logit Xi = income (10 $)

Ni = sampel keluarga dalam Xi (Sampel)ni = jumlah keluarga yang memiliki rumah (Kejadian)

Keluarga dengan pendapatan 370 $, berapa peluang memiliki rumah ?

ANALISIS LOGIT & PROBIT dengan SPSS

1) Masukkan data ke Worksheet SPSS2) Klik Analyze, cari Regession dan pilih Probit

3) Masukkan variabel yang akan dianalisis, Kejadian pada Response Freq., Sampel pada Total Observed dan Var. Independen pada Covariate. Kemudian Klik Logit (kiri bawah) bilamana ingin analisis Logit dan bilamana ingin analisis Probit Klik Probit.

4) Klik OK CATATAN : Atau buat variabel Logit, kemudian lakukan analisis regresi klasik

LOGIT* * * * * * * * * P R O B I T A N A L Y S I S * ** * * * * * * * *

Parameter estimates converged after 10 iterations. Optimal solution found.

Parameter Estimates (LOGIT model: (LOG(p/(1-p))) = Intercept + BX):

Regression Coeff. Standard Error Coeff./S.E.

X .07907 .01011 7.81866

Intercept Standard Error Intercept/S.E.

-1.60235 .20403 -7.85334

Pearson Goodness-of-Fit Chi Square = 2.347 DF = 8 P = .968

LOGITModel yang diperoleh :

Kaidah pengelompokan (Sarma, 1996) :peluang 0.5 ; masukkan ke kejadianpeluang < 0.5 ; masukkan ke bukan kejadian

L i : - 1 .6 0 2 3 5 + 0 .0 7 9 0 7 X i

R 2 = 0 .9 7 9 1

K e lu r g a d e n g a n X = 3 7 , b e r a p a p e lu a n g m e m i l i k i r u m a h ?

L i = -1 .6 0 2 3 5 + 0 .0 7 9 0 7 ( 3 7 )

= 1 .3 2 3 9 8

P i = 3239811

1. e

= 0 .7 8 9 8

S u a tu k e lu a r g a d e n g a n p e n g h a s i la n 3 7 0 $ b e r p e lu a n g

m e m il i k i r u m a h s e b e s a r 7 8 .9 8 % .

PROBIT

F (Z) = 0021 2

2/1 ue zDZxu

F (Z = 1.96) =

06

96.1

025.0)( DZzF

u n t u k P i = 0 . 2 0 b e r a p a Z

ZPiF )(1 ; n i l a i n y a b e r k i s a r a n t a r a – 3 . 5 s a m p a i d e n g a n + 3 . 5

d i s e b u t n o r m i t ( i )

A g a r t i d a k n e g a t i f : + 5 d a n n o r m i t + 5 d i s e b u t p r o b i t

M o d e l p r o b i t :

Z i = β 0 + β 1 X i

KEGUNAAN

1. Penjelasan (explanation) terhadap fenomena yang dipelajari atau permasalahan yang diteliti.

2. Prediksi odd ratio suatu kejadian berdasarkan kondisi atau pertambahan nilai variabel bebas.

3. Faktor determinan, yaitu penentuan variabel bebas mana (pada regresi berganda) yang berpengaruh dominan terhadap variabel tergantung. Hal ini dapat dilakukan bilamana unit satuan data seluruh variabel sama, skalanya homogen dan bersifat kontinyu.

4. Catatan: Kategori variabel dependen bersifat biner atau multi

REGRESI LOGISTIK

REGRESI LOGISTIKa) Spesifikasi Model :

(1) Identifikasi variabel Dependen dan Independen (2) Menentukan Spesifikasi Model : pemilihan variabel bebas

b) Pendugaan Paremater: MLE c) Pemeriksaan Asumsi: Sama dengan regresi klasik d) Interpretasi: prediksi odd ratio.

ILUSTRASI Ingin diketahu pengaruh dari keberadaan pasar (rencana) dan pendapatan terhadap tingkat kesejahteraan masyarakat

Sejahtera : 0 = kurang

1 = sudah

Pasar : 0 = tidak ada

1 = ada

Pendapatan: x Rp 100.000,-

CATATAN: Data di dalam wrksheet SPSS

REGRESI LOGISTIK BINER

REGRESI LOGISTIK BINER dengan SPSS

1) Masukkan data ke Worksheet SPSS2) Klik Analyze, cari Regession dan pilih Binery Logistic 3) Masukkan variabel yang akan dianalisis.4) Klik Options, kemudian Klik Hosmer-… dan Continue 5) Klik OK

ANALISIS REGRESI LOGISTIK

Interpretasi :(1) Pengaruh pendapatan signifikan (p = 0.006)(2) Odd ratio pendapatan = 1.412; artinya setiap peningkatan pendapatan Rp. 100.000,- maka mempunyai kekuatan 1.412 kali meningkatkan kesejahteraan

(3) Seandainya pengaruh pasar signifikan; artinya dengan adanya pasar maka mempunyai kekuatan 1.392 kali meningkatkan kesejahteraan masyarakat dibandingkan tidak ada pasar

…