PRINSIPPRINSIP STATISTIKA UNTUK PENELITIAN METODE ANALISIS DATA STATISTIKA

PRINSIP-PRINSIP STATISTIKA UNTUK PENELITIAN

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

PERANAN STATISTIKA METODE PENGUMPULAN DATA SUMBER DATA METODE ANALISIS DATA EMPIRIK INFORMASI EMPIRIK AKURAT !

PENDEKATAN PENELITIAN Pengumpulan Data Analisis Data Interpretasi Konklusi

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

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

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

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

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

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

RANCANGAN EKSPERIMEN Pengumpulan Data

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 dalam Keterbauran Percobaan Tersarang dan Faktorial Tersarang

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.

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

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

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

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

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

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

METODE ANALISIS DATA PERCOBAAN FAKTORIAL Uji Lanjutan

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

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

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

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

RANCANGAN PERLAKUAN PERCOBAAN PETAK TERBAGI Analisis Ragam

RANCANGAN PERLAKUAN PERCOBAAN PETAK TERBAGI Analisis Ragam

RANCANGAN PERLAKUAN PERCOBAAN PETAK TERBAGI Uji Lanjutan

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

RANCANGAN PERLAKUAN PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK)

RANCANGAN PERLAKUAN PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK)

RANCANGAN PERLAKUAN PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK)

TEKNIK SAMPLING Pengumpulan 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, dimana karakteristik masing-masing gerombol dapat menggambarkan keadaan populasi, maka teknik sampling yang dignakan cluster sampling.

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 ketakbiasan data dapat terpenuhi. KETELITIAN SAMPLE sangat berkaitan dengan sample size

Sample Size

Sample Size

DASAR-DASAR METODE STATISTIKA 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. Diidentifikasi Didefinisikan secara tegas : Definisi operasional variabel

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

JENIS VARIABEL Variabel tergantung adalah variabel yang tercakup dalam hipotesis penelitian, keragamannya dipengaruhi oleh variabel lain Variabel bebas adalah variabel 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 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.

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 (u. NObservable 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 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

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

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

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

PERMASALAHAN PENELITIAN YPenilaian (identifikasi, prediksi dan deskripsi) YPembandingan (Komparasi) YHubungan (Asosiasi)

ANALISIS DISKRIPTIF

ANALISIS DISKRIPTIF Treatmen Y 1. 00 1123. 00 797. 00 971. 00 5. 00 772. 00 5. 00 653. 00 5. 00 699. 00 10. 00 827. 00 10. 00 968. 00 10. 00 735. 00 25. 00 827. 00 25. 00 968. 00 25. 00 735. 00 50. 00 796. 00 50. 00 686. 00 50. 00 846. 00 100. 00 1026. 00 100. 00 783. 00 100. 00 811. 00 200. 00 854. 00 200. 00 699. 00 200. 00 892. 00 Y 2 1123. 00 979. 00 971. 00 569. 00 719. 00 729. 00 388. 00 533. 00 329. 00 312. 00 274. 00 302. 00 172. 00 245. 00 228. 00 108. 00 145. 00 60. 00 96. 00 120. 00 Descriptive Statistics: Jml Sel by Treatmen Variable Treatmen Y 1 0 5 10 25 50 100 200 N Mean 3 3 3 3 963. 7 708. 0 843. 3 776. 0 873. 3 815. 0 Median 971. 0 699. 0 827. 0 796. 0 811. 0 854. 0 Tr. Mean St. Dev 963. 7 708. 0 843. 3 776. 0 873. 3 815. 0 163. 1 60. 0 117. 4 81. 9 133. 0 102. 2 Descriptive Statistics: Adesi by Treatmen Variable Treatmen Y 2 0 5 10 25 50 100 200 N 3 3 3 3 Mean 1024. 3 672. 3 416. 7 296. 0 215. 0 133. 7 92. 0 Median Tr. Mean St. Dev 979. 0 1024. 3 85. 5 719. 0 672. 3 89. 6 388. 0 416. 7 105. 0 302. 0 296. 0 19. 7 228. 0 215. 0 38. 2 145. 0 133. 7 22. 3 96. 0 92. 0 30. 2

ANALISIS DISKRIPTIF Y 2 Box Plot

ANALISIS DISKRIPTIF 34. 88 57. 38 46. 31 a. F 2 -Isoprostan Lapisan ADVENTIA : Lebih Tinggi

ANALISIS DISKRIPTIF Waktu Terjadinya Peningkatan F 2 -Isoprostan, NO, v. WF, VCAM dan PAI-1 Pada Keadaan Hiperkolesterolemia dari Minggu Ke-10 s/d Minggu Ke-28 (N=20) Variabel yang Muncul lebih dini : F 2 -Isoprostan

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)

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

ANALISIS KOMPARATIF

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 = 2. 288 dengan db=10 diperoleh p = 0. 05; atau dengan = 0. 05 dan db=10 diperoleh ttabel = 2. 288. KAIDAH KEPUTUSAN UJI HIPOTESIS 1. thit < ttabel , terima H 0 dan sebaliknya 2. P > , terima H 0 dan sebaliknya 3. Tolak H 0 (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 H 0 : Tanaman Teras tidak menurunkan Erosi 2. p > , terima H 0 : 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)

ANALISIS KOMPARATIF Contoh Permasalahan Komparatif : Apakah perlakuan dapat miningkatkan Kadar A? DATA HASIL PENELITIAN : Group Kontrol Kontrol Kontrol Kadar A 11. 36 24. 98 16. 71 18. 21 26. 30 21. 70 23. 20 19. 77 23. 63 34. 41 19. 32 24. 30 Group Kadar A Perlakuan Perlakuan Perlakuan Perlakuan Perlakuan 30. 42 23. 63 28. 61 26. 79 38. 96 33. 56 31. 59 33. 01 23. 41 31. 52 14. 55 38. 40 23. 09 43. 50 20. 87 10. 17 24. 87 36. 96 23. 41 23. 96

ANALISIS KOMPARATIF LAMPIRAN (Software MINITAB) Two-sample T for Kadar A Group N Mean St. Dev SE Mean Kontrol 12 21. 99 5. 71 1. 6 Perlakuan 20 28. 06 8. 27 1. 8 Difference = mu (Kontrol ) - mu (Perlakuan) Estimate for difference: -6. 07 95% CI for difference: (-11. 14, -1. 01) T-Test of difference = 0 (vs NOt =): T-Value = -2. 45 P-Value = 0. 033 DF = 29 HASIL PENELITIAN Kadar A

ANALISIS KOMPARATIF HASIL PENELITIAN Pengaruh Perlakuan Terhadap Kadar A p = 0. 033 Perlakuan meningkatkan Kadar A

ANALISIS KOMPARATIF CONTOH PERMASALAHAN PEMBANDINGAN Apakah ada perbedaan Kadar F 2 -Isoprostan pada lapisan di jaringan ? Iso-LM 31 29 42 42 27 48 31 31 59 69 55 Iso-SM 45 23 45 44 49 50 29 47 81 88 79 Iso_ADV 50 54 62 47 66 51 48 43 85 85 90

Hasil Analisis dg MINITAB One-way ANOVA: Iso-LM, Iso-SM, Iso_ADV Analysis of Variance Source DF SS MS F P Factor 2 2144 1072 3. 43 0. 046 Error 30 9379 313 Total 32 11523 Individual 95% CIs For Mean Based on Pooled St. Dev Level N Mean St. Dev ----+---------+-----+-Iso-LM 11 42. 18 14. 07 (----*----) Iso-SM 11 52. 73 21. 05 (----*----) Iso_ADV 11 61. 91 17. 23 (----*----) ----+---------+-----+-Pooled St. Dev = 17. 68 36 48 60 72

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

ANALISIS ASOSIATIF

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)

ANALISIS ASOSIATIF

ANALISIS ASOSIATIF REGRESI LINIER SEDERHANA Tujuan : mencari hubungan fungsional liner antar 2 variabel (bebas dan tidak bebas) No. 1. 2. 3. 4. 5. . Dst. Variabel Bebas ………… ………… Variabel tidak bebas …………. . .

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

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.

LAMPIAN : Hasil Analisis dg MINITAB ANALISIS REGRESI (Variabel Dependent datanya Ratio) The regression equation is Hasil = 18. 9 + 0. 223 X 1 - 0. 0107 X 2 + 0. 981 X 3 - 0. 0016 X 4 Predictor Constant X 1 X 2 X 3 X 4 S = 6. 685 Coef 18. 875 0. 2228 -0. 010662 0. 9807 -0. 00165 SE Coef T 5. 301 0. 1116 2. 00 0. 009248 -1. 15 0. 2874 0. 02291 R-Sq = 37. 6% Analysis of Variance Source DF Regression Residual Error Total 31 P 3. 56 0. 001 0. 056 0. 259 3. 41 0. 002 -0. 07 0. 943 R-Sq(adj) = 28. 4% SS MS 4 727. 36 27 1206. 66 1934. 02 F 181. 84 44. 69 P 4. 07 0. 010

HASIL PENELITIAN : Interpretasi Hasil = 18. 9 + 0. 223 X 1 - 0. 0107 X 2 + 0. 981 X 3 - 0. 0016 X 4 • Eksplanasi : X 1 & X 3 berpengaruh positif, bila keduanya meningkat Hasil Tanaman meningkat • Eksplanasi : X 2 & X 4 berpengaruh negatif, bilamana meningkat Hasil Tanaman menurun • Prediksi : Bilamana yang lain konstan, peningkatan X 1 sebesar 10 unit akan mengakibatkan peningkatan Hasil Tanaman 2. 23 unit

LAMPIAN : Hasil Analisis dg MINITAB ANALISIS REGRESI (Data Variabel Dependen Interval) The regression equation is ISO = 18. 9 + 0. 223 NO - 0. 0107 v. WF + 0. 981 PAI-1 - 0. 0016 VCAM-1 Predictor Constant NO v. WF PAI-1 VCAM-1 S = 6. 685 Coef SE Coef T 18. 875 5. 301 0. 2228 0. 1116 -0. 010662 0. 009248 -1. 15 0. 9807 0. 2874 -0. 00165 0. 02291 R-Sq = 37. 6% Analysis of Variance Source DF Regression Residual Error Total 31 P 3. 56 0. 001 2. 00 0. 056 0. 259 3. 41 0. 002 -0. 07 0. 943 R-Sq(adj) = 28. 4% SS MS 4 727. 36 27 1206. 66 1934. 02 F 181. 84 44. 69 P 4. 07 0. 010

HASIL PENELITIAN : Interpretasi ISO = 18. 9 + 0. 223 NO - 0. 0107 v. WF + 0. 981 PAI-1 - 0. 0016 VCAM-1 • Eksplanasi : No & PAI-1 berpengaruh positif, bila keduanya meningkat maka F 2 -Isoprostan meningkat • Eksplanasi : v. WF & CCAM-1 berpengaruh negatif, bilamana meningkat maka F 2 -Isoprostan menurun • Prediksi : Bilamana yang lain konstan, peningkatan NO 10 ng akan mengakibatkan peningkatan Iso 2. 23 ng

ANALISIS DISKRIMINAN Analisis Data

CONTOH PERMASALAHAN Variabel apa yang merupakan penentu terkuat terjadinya erosi? Data Hasil Penelitian : X 1 X 2 X 3 X 4 X 5 10. 4 10. 8 7. 8 10. 0 10. 3 11. 4 10. 5 9. 9 9. 6 9. 9 13. 4 11. 0 9. 8 10. 3 9. 1 9. 7 10. 9 9. 9 11. 5 9. 9 11. 1 27. 8 24. 3 22. 0 28. 1 28. 3 38. 0 28. 1 30. 0 27. 8 31. 2 33. 6 30. 2 27. 7 31. 3 26. 5 28. 4 30. 9 27. 9 31. 6 30. 1 33. 5 303000 249000 274000 249000 200000 164000 314000 287000 265000 258000 224000 200000 260000 273000 263000 241000 268000 298000 183000 271000 243000 5. 1 2. 5 3. 1 3. 0 3. 1 3. 8 2. 4 3. 4 2. 6 3. 8 4. 1 3. 7 4. 1 3. 9 2. 8 3. 7 4. 3 3. 9 4. 2 3. 1 1 0 1 0 0 0 0 Tingkat Erosi 1 1 1 1 1 1 Tingkat Erosi : 1 = Rendah 2 = Tinggi

Data Hasil Penelitian (Lanjutan): X 1 X 2 X 3 X 4 X 5 11. 4 11. 2 7. 3 13. 5 9. 1 8. 9 12. 4 11. 0 10. 9 10. 7 12. 2 12. 0 10. 8 8. 8 11. 6 11. 4 11. 6 8. 5 10. 2 31. 8 29. 2 20. 9 39. 7 27. 1 25. 1 36. 3 31. 2 29. 9 30. 1 33. 9 31. 7 32. 1 27. 5 34. 9 34. 8 34. 9 26. 3 29. 2 292000 349000 135000 245000 236000 292000 69000 236000 259000 238000 231000 210000 237000 203000 195000 193000 214000 218000 124000 313000 5. 1 6. 2 5. 7 6. 7 5. 0 5. 3 4. 9 4. 1 6. 2 5. 1 8. 0 7. 1 6. 2 3. 5 9. 0 7. 2 6. 9 7. 5 6. 2 4. 5 6. 2 1 2 2 3 2 1 2 2 2 1 3 3 3 2 Tingkat Erosi 2 2 2 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

LAMPIRAN : Hasil Analisis dg SPSS Summary of Canonical Discriminant Functions X 1 X 2 X 3 X 4 X 5

HASIL PENELITIAN : Interpretasi VALIDITAS MODEL : Wilks’ Lamda dengan p = 0. 00001, berarti model layak digunakan (valid) KONTRIBUSI PENGARUH : Besarnya kontribusi pengaruh variabel X 1, X 2, X 3, X 4 dan X 5 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 : Interpretasi VARIABEL SEBAGAI PENENTU TERKUAT TERJADINYA EROSI Fungsi Diskriminan dengan varibel variabel STANDARDIZE : ZY= -0. 296 ZX 1 + 0. 226 ZX 2 + 0. 029 ZX 3 + 0. 402 ZX 4 + 0. 782 ZX 5 dalam hal ini Y = 1 ; erosi rendah Y = 2 ; erosi tinggi Koefisien diskriminan terbesar adalah X 5 disusul X 4, sehingga dapat dikatakan bahwa sebagai penentu terkuat adalah X 5 dan terkuat kedua adalah X 4. Koefisien X 1 bertanda negatif, artinya bilamana X 1 rendah akan menuju ke kondisi Erosi Tinggi.

REGRESI VARIABEL DEPENDEN KUALITATIF Analisis Data

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

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)

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

LOGIT

WLS :

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 ?

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

LOGIT

LOGIT Model yang diperoleh : Kaidah pengelompokan (Sarma, 1996) : peluang 0. 5 ; masukkan ke kejadian peluang < 0. 5 ; masukkan ke bukan kejadian

PROBIT

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

REGRESI LOGISTIK 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

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 100. 000, CATATAN: Data di dalam wrksheet SPSS

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

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

BEBERAPA CONTOH KASUS

BEBERAPA CONTOH KASUS 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 ?

PENYELESAIAN CONTOH KASUS A. B. Regresi Nonlinier Y = 116. 396 e-1. 243 X dimana Y = kadar OH* dan X = dosis NAC; 0. 948 dan p = 0. 0001. Interpretasi ? Silahkan dicoba R 2 =

PENYELESAIAN CONTOH KASUS B. Regresi Nonlinier Y = 7. 185 e 0. 046 X dimana Y = kadar H 2 O 2 dan X = dosis NAC; R 2 = 0. 496 dan p = 0. 034. 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.

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

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

PENYELESAIAN CONTOH KASUS D. Analisis Path : ada struktur pengaruh H 2 O 2 CA MDA ATP Glukosa Data pada semua variabel diubah ke normal baku (Standardize) Dilakukan analisis regresi terhadap data standardize

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

PENYELESAIAN CONTOH KASUS

PENYELESAIAN CONTOH KASUS D. Koefisien Pengaruh langsung dicantumkan pada diagram Path H 2 O 2 0. 797 (0. 0001) 0. 293 (0. 0156) CA -0. 594 (0. 1169) 1. 224 -0. 190 (0. 00001) (0. 1169) MDA 0. 643 (0. 0013) 0. 541 (0. 4427) 0. 864 (0. 0155) 0. 966 (0. 2479) -0. 107 (0. 277) 0. 872 (0. 00001) ATP 0. 341 Glukosa (0. 666) -0. 697 (0. 277) -0. 681 (0. 0103)