P. 1
PERANAN Statistik Dalam Penelitian

PERANAN Statistik Dalam Penelitian

|Views: 187|Likes:
Dipublikasikan oleh Rahmayanti Ratnasari

More info:

Published by: Rahmayanti Ratnasari on Jun 16, 2013
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPT, PDF, TXT or read online from Scribd
See more
See less

03/03/2014

pdf

text

original

PRINSIP-PRINSIP

STATISTIKA
UNTUK PENELITIAN


Diabstraksikan
Prof Dr Ir Soemarno MS


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
DATA
EMPIRIK
INFORMASI
EMPIRIK
PERANAN STATISTIKA
AKURAT !

PENDEKATAN PENELITIAN

Pengumpulan Data
Analisis Data
Interpretasi
Konklusi
KISI-KISI PENELITIAN
BACKGROUND
SCIENTIFIC PROBLEM
LANDASAN
ILMIAH
HIPOTESIS
KERANGKA TEORI /
KONSEP
METODE PENELITIAN :
.DATA COLLECTING
. DATA ANALYSIS


HASIL DAN
PEMBAHASAN
SIMPULAN
SARAN REKOMENDASI
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
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

REPLIKASI

VARIABEL PENELI-
TIAN
INSTRUMEN
PENGUMPULAN DATA
METODE
PENGUMPULAN
DATA
METODE
ANALISIS DATA
PENELITIAN PERANCANGAN
LANDASAN KONSEP / TEORI
(STRUKTUR)
SPESIFIKASI BAHAN, ALAT, KOMPONEN
(FUNGSI) ATAU ANALISIS SISTEM
DISKRIPSI PROSEDUR
MODEL
(Prototipe)
SIMULASI
DATA
ANALISIS
PEMBUATAN ALAT
UJI COBA
DATA
ANALISIS
HASIL PENELITIAN : ALAT atau SISTEM INFORMASI
MEMENUHI
TIDAK MEMENUHI
MEMENUHI
TDK
METODE PENELITIAN
RISET EXPERIMENTAL
Tetapkan : Perlakuan
Pilih : Materi, media, obyek penelitian
Identifikasi karakteristik: Materi, media, obyek penelitian
Tetapkan : Rancangan Percobaan
Hitung : Jumlah ulangan
Rumus : db
galat
> 15
Buat : Prosedur pelaksanaan percobaa
Identifkasi & definisikan: Variabel penelitian
Pilih : Instrumen dan metode pengukuran yang akan
digunakan
Tentukan: Metode analisis data


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
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 : 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.

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.

RANCANGAN LINGKUNNGAN
RANCANGAN BUJUR SANGKAR LATIN
A B C D
B C D A
C D A B
D A B C

D A B C
B C D A
A B C D
C D A B

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
METODE ANALISIS DATA
RANCANGAN BUJUR SANGKAR LATIN
Sumber keragaman db JK KT F
hit
F
0,05
Perlakuan
Lajur
Baris
Galat
P - 1
p – 1
p – 1
(p-1)(n –2)
Total P
2
– 1
Analisis Ragam (Faktor Tunggal)
Uji Lanjutan
P
X
S
2 1
X X
S
÷
Perlakuan
Baris
Kolom
p
KTg
p
KTg 2
RANCANGAN PERLAKUAN
PERCOBAAN FAKTORIAL
Perlakuan : Dua Faktor atau lebih
Setiap faktor memiliki level
Varitas (V)
Pupuk (P) v
1
v
2
v
3

p
0
v
1
p
0
v
2
p
0
v
3
p
0

p
1
v
1
p
1
v
2
p
1
v
3
p
1

p
2
v
1
p
2
v
2
p
2
v
3
p
2

p
3
v
1
p
3
v
2
p
3
v
3
p
3


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
RAL RAK RBSL
SK db db db
Perlakuan
A a-1 a-1 (a-1)
B b-1 b-1 (b-1)
A*B (a-1)(b-1) (a-1)(b-1) (a-1)(b-1)
Baris (Blok) - n-1 ab-1
Lajur - - ab-1
Galat ab(n-1) (n-1)(ab- (ab-1)(ab-2)
Total Ab-1 abn-1 (ab)
2
-1

METODE ANALISIS DATA
PERCOBAAN FAKTORIAL
Uji Lanjutan
Faktor
X
S
2 1
X X
S
÷
A
nb
KTG
nb
KTG 2
B
an
KTG
an
KTG 2
Interaksi
n
KTG
n
KTG 2
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
Varitas
Pengairan b
1
b
2
b
3
A
0
V
1
p
0
V
2
p
0
V
3
p
0
A
1
V
1
p
1
V
2
p
1
V
3
p
1
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










Denah perlakuan :

A1 A2
B
1

B
2

B
3


A = Perlakuan Utama (PU)
B = Anak Perlakuan (AP)
RAL
A
1
A
2
RAK
A
2
A
1
I II III IV
A
1
A
2
A
1
A
2
A
2
A
1

A
1
A
2


RBSL A
2
A
1
A
1
A
2

A
1
A
2

A
2
A
1


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 Acak Lengkap
n ulangan
SK db
PU (=A)
Galat (a)
a-1
a(n-1)
Total P.U an-1
AP (=B) (b-1)
AB (a-1)(b-1)
Galat (b) a(n-1)(b-1)
Subtotal an(b-1)
Total abn-1

Rancangan Acak Kelompok
n ulangan
SK db
Kelompok (n-1)
PU (=A)
Galat (a)
(a-1)
(a-1)(n-1)
Total PU na-1
AP (=B) b-1
AB (a-1)(b-1)
Galat (b) a(n-1)(b-1)
Subtotal an(b-1)
Total abn-1

RANCANGAN PERLAKUAN
PERCOBAAN PETAK TERBAGI
Analisis Ragam
Rancangan Bujur Sangkar Latin
N ulangan = a
SK db
Baris a-1
Lajur a-1
PU (=A)
Galat (a)
a-1
(a-1)(a-2)
Total PU a
2
-1
AP (=B) b-1
AB (a-1)(b-1)
Galat (b) a(a-1)(b-1)
Subtotal a
2
(b-1)
Total a
2
(b-1)

RANCANGAN PERLAKUAN
PERCOBAAN PETAK TERBAGI
Uji Lanjutan
Faktor
X
S
2 1
X X
S
÷
A
nb
a KTG ) (
nb
a KTG ) ( 2
B
an
b KTG ) (
an
b KTG ) ( 2
B pada A yang sama
n
b KTG ) (
n
b KTG ) ( 2
Sembarang kombinasi
nb
a KTg b KTg b ) ( ) ( ) 1 ( 2 + ÷
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)
Denah
Pengacakan : faktor A
faktor B

Blok I Blok II Blok III
b
3
b
1
b
2
b
1
b
3
b
2
b
3
b
2
b
1

a
1
a
2
a
2

a
3
a
1
a
1

a
2
a
3
a
3


RANCANGAN PERLAKUAN
PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK)
Tabel Analisis Ragam

SK db
Blok (n-1)
PU (=A) (a-1)
Galat (a) (a-1)(n-1)
AP (=B) (b-1)
Galat (b) (n-1)(b-1)
AB (a-1)(b-1)
Galat (c) (n-1)(a-1)(b-1)
Total nab-1

RANCANGAN PERLAKUAN
PERCOBAAN KELOMPOK TERBAGI (SPLIT BLOCK)
Uji Lanjutan


X
S
2 1
X X
S
÷

A
nb
a KTG ) (

nb
a KTG ) ( 2

B
an
b KTG ) (

an
b KTG ) ( 2

AB
n
c KTG ) (

n
c KTG ) ( 2




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-
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 ketak-
biasan data dapat terpenuhi.

KETELITIAN SAMPLE sangat berkaitan dengan sample size

Sample Size
Sample size pada Simple Random Sampling

Sample size untuk diskripsi mean

- Besar populasi tidak diketahui

2
2 2
d
Z
n
o
=
o

- Besar populasi (N) diketahui dan tidak besar

( )
2 2 2
2 2
Z 1 N d
Z N
n
o + ÷
o
=
o

- Besar populasi (N) diketahui dan besar

2 2 2
2 2
Z d N
Z N
n
o +
o
=
o
o

dalam hal ini
Z = nilai normal baku pada tertentu, 5 atau 1 %.
o
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 Size
Sample size untuk diskripsi proporsi

- Besar populasi tidak diketahui

2
2

q p
d
Z
n
o
=
- Besar populasi (N) diketahui dan tidak besar

( ) pq Z N d
pq Z N
n
2 2
2
1

+ ÷
=
o

- Besar populasi (N) diketahui dan besar

( ) pq Z N d
pq Z N
n
2 2
2
1

+ ÷
=
o

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

METOD
E
UKURAN SAMPEL
SELURUH STRATA
(n)
UKURAN
SAMPEL
DALAM SETIAP
STRATA
(n
h
)
PEMAKAIAN
METODE


SAMA

2
h
2
2 2
2 2
h
N
Z
d N
N S
n
h
h
t
t
¿ +
¿
=



S
n
n
h
=
1) apabila unit analisis / unit
sampling (N
h
) pada setiap strata
sama
2) Bila ragam setiap strata (
2
h
t )
dan biaya per unit penarikan
sampel (c
h
) pada setiap strata
sama
3) Bila 
2
dan c
h
tidak diketahui
SEBAN
DING/
PROPOR
SIONAL
2
h h
2
2 2
2
h
2
h
N
Z
d N
N N
n
t ¿ +
t ¿
=

n
N
N
n
h
h
=
1) apabila unit analisis / unit
sampling (N
h
) pada setiap strata
tidak sama
2) idem dengan metode SAMA
3) idem dengan metode SAMA


NEYMA
N
( )
2
h
2
2 2
2
2
h
N
Z
d N
N
n
h
h
t
t
¿ +
¿
=


n
N
N
n
2
h
h
h
h
h
t
t
¿
=


1) Bila ragam setiap strata (
2
h
t )
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
2
h
t
diganti dengan p
h
(1-p
h
).


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

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 (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
CODING
SCORING
TABULASI
PERIKSA
OUTLI ERS
JENIS PERMASALAHAN
PENELITIAN
JENIS DAN
KARAKTERISTIK DATA
PILIH METODE ANALISIS
DATA
INFORMASI
AKURAT
RELEVAN
VALID
PEMERIKSAAN DATA OUTLIERS
20
30
40
50
60
70
Y
i
120
110
100
90
80
70
60
50
40
30
20
Y
i
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
Treatmen Y1 Y2
.00 1123.00 1123.00
.00 797.00 979.00
.00 971.00 971.00
5.00 772.00 569.00
5.00 653.00 719.00
5.00 699.00 729.00
10.00 827.00 388.00
10.00 968.00 533.00
10.00 735.00 329.00
25.00 827.00 312.00
25.00 968.00 274.00
25.00 735.00 302.00
50.00 796.00 172.00
50.00 686.00 245.00
50.00 846.00 228.00
100.00 1026.00 108.00
100.00 783.00 148.00
100.00 811.00 145.00
200.00 854.00 60.00
200.00 699.00 96.00
200.00 892.00 120.00
Descriptive Statistics: Jml Sel by Treatmen

Variable Treatmen N Mean Median TrMean StDev
Y1 0 3 963.7 971.0 963.7 163.1
5 3 708.0 699.0 708.0 60.0
10 3 843.3 827.0 843.3 117.4
25 3 843.3 827.0 843.3 117.4
50 3 776.0 796.0 776.0 81.9
100 3 873.3 811.0 873.3 133.0
200 3 815.0 854.0 815.0 102.2
Descriptive Statistics: Adesi by Treatmen
Variable Treatmen N Mean Median TrMean StDev
Y2 0 3 1024.3 979.0 1024.3 85.5
5 3 672.3 719.0 672.3 89.6
10 3 416.7 388.0 416.7 105.0
25 3 296.0 302.0 296.0 19.7
50 3 215.0 228.0 215.0 38.2
100 3 133.7 145.0 133.7 22.3
200 3 92.0 96.0 92.0 30.2
ANALISIS DISKRIPTIF
Box Plot
ANALISIS DISKRIPTIF
ADV
SM
LM
57.38
46.31
34.88
a. F2-Isoprostan
Lapisan N Mean ± SD
LM
SM
ADVENTIA
32
32
32
34.88±20.05
46.31±22.20
57.38±22.59

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)
STATISTKA PARAMETRIK &
NONPARAMETRIK
NOMINAL
ORDINAL
INTERVAL
RATIO
NONPARAMETRIK
PARAMETRIK
PERIKSA
NORMALITAS
MENDEKATI
NORMAL
TIDAK
NORMAL
TRANSFORMASI
TIDAK
NORMAL
ANALISIS KOMPARATIF
ANALISIS NONPARAMETRIK
DUA POPULASI LEBIH DARI 2 POPULASI JENIS
DATA
SATU
POPULASI Paired Unpired Paired Unpaired
NOMINAL Uji Binomium
Uji
2
_
Uji McNemar Uji Eksak Fisher Uji Q Chocran
Uji
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 PARAMETRIK
1)
INTERVAL
DAN RATIO
Uji Z, t
2
diketahui
Uji t, t
2
tdkdiketahui
Uji Z, t
2
diketahui
Uji t, t
2
tdkdiketahui
Uji Z, t
2
diketahui
Uji t, t
2
tdkdiket.
Uji F; melalui
ANOVA
(dengan
pemblokan)
RAK, RBSL
Uji F, melalui
ANOVA
(tanpa
pemblokan)
RAL
ANALISIS PEUBAH GANDA (MULTIVARIATE)
INTERVAL
DAN RATIO
Uji
2
_
, E diket.
Uji T
2
Hotelling,
E tidak diketahui
Uji T
2
Hotelling,
E tidak diketahui
Uji T
2
Hotelling, Uji Wilk Lamda
melalui MANOVA
(dengan
pemblokan)
RAK, RBSL
Uji Wilk Lamda
melalui
MANOVA
(tanpa
pemblokan)
RAL
Taraf Nyata (o) dan p-value
Untuk menghitung p pada uji t dengan nilai t
hitung
= 2.88 pada derajat bebas (db) = 10, adalah :






B (__,__) adalah fungsi Beta.

Dengan kata lain untuk t
hit
= 2.288 dengan db=10 diperoleh p = 0.05; atau dengan o = 0.05 dan db=10 diperoleh t
tabel
=
2.288.
( )
( )
0.05 dt t 1
10
2
10
,
2
1
1
2
1 10
2
288 . 2
= +
|
.
|

\
|
B
}
+
÷
· +
KAIDAH KEPUTUSAN UJI HIPOTESIS
1. t
hit <
t
tabel
, terima H0 dan sebaliknya
2. P > o , terima H0 dan sebaliknya
3. Tolak H
0
(bermakna) dengan resiko salah sebesar p x 100 %.

Taraf Nyata (o) dan p-value
Misal tdpt Hipotesis : Pemberian Tnmn Teras dpt menurunkan Erosi

Misal Hasil Analisis :
t
hitung
= 2.275
p = 0.057
Pada o = 0.05 dan db=10 diperoleh t
tabel
= 2.288
Keputusannya Bagaimana ?
1. t
hit <
t
tabel
, terima H0 : Tanaman Teras tidak menurunkan Erosi
2. p >o , terima H0 : Tanaman Teras tidak menurunkan Erosi
3. Tolak H
0
(bermakna) dengan resiko salah sebesar p x 100 % :
Tanaman Teras dapat menurunkan Erosi (p = 0.057, bilamana ada
100 Ha yang diberi tanaman teras hanya 6 Ha yang tidak menurun
erosinya)
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 23.41
Perlakuan 23.96
DATA HASIL PENELITIAN :
ANALISIS KOMPARATIF
Variabel Group N Mean ± SD p-value
F2 –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 A
Group N Mean StDev 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
Kadar A
Pengaruh Perlakuan Terhadap Kadar A
Perlakuan Kontrol
40
30
20
10
Group
I
S
O
p = 0.033
HASIL PENELITIAN
Perlakuan meningkatkan
Kadar A
ANALISIS KOMPARATIF
CONTOH PERMASALAHAN PEMBANDINGAN
Iso-LM Iso-SM Iso_ADV
31 45 50
29 23 54
42 45 62
42 44 47
27 49 66
48 50 51
31 29 48
31 47 43
59 81 85
69 88 85
55 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 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 StDev
Level 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-SM Iso-LM Iso_ADV
90
80
70
60
50
40
30
20
Lapisan
I
s
o
p
r
o
s
t
a
n

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
D A T A
X Y
KORELASI REGRESI
Nominal
Nominal
Nominal
Ordinal
Ordinal
Ordinal
Interval
dan
Ratio
Interval
dan Ratio
Interval
dan
Ratio
Nominal
Ordinal
Interval &
Ratio
Nominal
Ordinal
Interval &
Ratio
Nominal
Ordinal
Interval
Dan
Ratio
Kontingensi, C
Odd Ratio
Relative Risk
Idem
Biserial
Kontingansi, C
Odd Ratio
Relative Risk
Rank Spearman
Rank Kendall
Rank Partial Kendall
Rank Konkordansi Kendall
Idem
Biserial
Rank Spearman
Rank Kendall
Rank Partial Kendall
Rank Konkordansi Kendall
Product Moment Pearson
Kanonik
Logit, Probit, LPM
Diskriminan, dummy variabel
Logistik, dummy variabel
Logit, Probit, LPM
Diskriminan, dummy variabel
Logistik, dummy variabel
Regresi Theil
Regresi Garis Resisten
Regresi, dummy variabel
Logit, Probit, LPM
Diskriminan, dummy variabel
Logistik, dummy variabel
Logit, Probit, LPM
Diskriminan, dummy variabel
Logistik, dummy variabel
Regresi Theil
Regresi Garis Resisten
Regresi, dummy variabel
Logit / Logistik, Probit, LPM
Diskriminan
Logit / Logistik, Probit, LPM
Diskriminan, dummy variabel
Logistik, dummy variabel
Regresi Theil
Regresi Garis Resisten
Regresi
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.



ANALISIS ASOSIATIF
Contoh : X Y
1) Dosis pupuk Produksi tanaman
2) Kadar ragi Alkohol yang diperoleh
Model penduga : X b b
ˆ
1 0
+ = Y
b
1
b
0
Rumus
X
XY
JK
JP X b Y
1
÷
Ragam
x
JK
KTgalat
|
|
.
|

\
|
+
x
JK
X
n
KTg
2
1
CI (1-o)
x
n
JK
KTg
t b
2 /
2
1
o
÷
±
|
|
.
|

\
|
+ ±
÷
X
n
JK
X
n
KTg t b
2
2 /
2
1
1
o
Uji Hipot.
H
0
: p
1
= |
1(0)
H
1
|
1
= |
1(0)
H
0
: p
0
= |
0(0)
H
1
|
1
= |
0(0)
Stat. Uji
x
hit
JK
KTg
X
t
ˆ ˆ
1 1
| | ÷
=
|
|
.
|

\
|
+
÷
=
x
hit
JK
X
n
KTg
t
2
) 0 ( 0 0
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.

LAMPIAN : Hasil Analisis dg MINITAB
ANALISIS REGRESI
(Variabel Dependent datanya Ratio)

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

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

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

Analysis of Variance
Source DF SS MS F P
Regression 4 727.36 181.84 4.07 0.010
Residual Error 27 1206.66 44.69
Total 31 1934.02
HASIL PENELITIAN : Interpretasi
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

LAMPIAN : Hasil Analisis dg MINITAB
ANALISIS REGRESI (Data Variabel Dependen Interval)

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

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

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

Analysis of Variance
Source DF SS MS F P
Regression 4 727.36 181.84 4.07 0.010
Residual Error 27 1206.66 44.69
Total 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
Analisis Data

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 1
10.8 24.3 249000 2.5 1 1
7.8 22.0 274000 3.1 1 1
10.0 28.1 249000 3.0 0 1
10.3 28.3 200000 3.1 1 1
11.4 38.0 164000 3.8 0 1
10.5 28.1 314000 2.4 0 1
9.9 30.0 287000 3.4 0 1
9.6 27.8 265000 2.6 0 1
9.9 31.2 258000 3.8 0 1
13.4 33.6 224000 4.1 0 1
11.0 30.2 200000 3.7 1 1
9.8 27.7 260000 4.1 0 1
10.3 31.3 273000 3.9 0 1
9.1 26.5 263000 2.8 0 1
9.7 28.4 241000 3.7 0 1
10.9 30.9 268000 4.3 0 1
9.9 27.9 298000 4.3 0 1
11.5 31.6 183000 3.9 0 1
9.9 30.1 271000 4.2 0 1
11.1 33.5 243000 3.1 0 1
Tingkat Erosi :
1 = Rendah
2 = Tinggi

Data Hasil Penelitian (Lanjutan):
X1 X2 X3 X4 X5 Tingkat Erosi
11.4 31.8 292000 5.1 1 2
11.2 29.2 349000 6.2 2 2
7.3 20.9 135000 5.7 2 2
13.5 39.7 245000 6.7 3 2
9.1 27.1 236000 5.0 2 2
8.9 25.1 292000 5.3 1 2
12.4 36.3 69000 4.9 2 2
11.0 31.2 236000 4.1 2 2
10.9 29.9 259000 6.2 2 2
10.7 30.1 238000 5.1 1 2
12.2 33.9 231000 8.0 3 2
12.0 33.9 210000 7.1 3 2
10.8 31.7 237000 6.2 2 2
10.8 31.7 237000 3.5 1 2
10.8 32.1 203000 9.0 3 2
8.8 27.5 195000 7.2 2 2
11.6 34.9 193000 6.9 1 2
11.4 34.8 214000 7.5 3 2
11.6 34.9 218000 6.2 3 2
8.5 26.3 124000 4.5 3 2
10.2 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
E ig e n v a lu e s
2 . 7 6 7
a
1 0 0 . 0 1 0 0 . 0 . 8 5 7
F unc t io n
1
E ig e nva lue
% o f
V a r ia nc e
C um ula t iv
e %
C a no nic a l
C o r r e la t io n
F ir s t 1 c a no nic a l d is c r im ina nt f unc t io ns w e r e us e d in t he
a na ly s is .
a .
W i l k s' La m bda
. 2 6 5 4 9 . 7 3 95 . 0 0 0
Tes t of Fu n c t ion (s )
1
W ilk s '
L am b d a
Ch i-s q u ar
e d f S ig .
LAMPIRAN : Hasil Analisis dg SPSS
Summary of Canonical Discriminant Functions
S t a n d a r d i z e d C a n o n i c a l D i s c r i m i n a n t F u n c t i o n C o e f f i c i e n t s
- . 2 9 6
. 2 2 6
. 0 2 9
. 4 0 2
. 7 8 2
H B
P C V
T R O M B O S I
U R IC _ A C D
A L B _ U R IN
1
F u n c t i o n
X1
X2
X3
X4
X5
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 : Interpretasi
VARIABEL 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.


REGRESI VARIABEL DEPENDEN KUALITATIF

Analisis Data

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

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
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)
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)
LOGIT
Model Logit : Pi = E (Y
i
| x
i
) =
( )
1 1 0
X e 1
1
| + | +
÷

Bila Z : |
0
+ |
1
X, maka P
1
=
Zi
e 1
1
÷
+
; fungsi distribusi komulatif logistik
Fungsi ini bersifat : intrinsicly nonlinear ¬ linear ; OLS dapat
diaplikasikan :
Pi = i
Z 1
e 1
1
÷
+
1 - Pi = 1- i
Z 1
e 1
1
÷
+
= i
Z 1
e 1
1
+
i
i
P 1
P
÷

=

Zi
Zi
e 1
1
e 1
1
+
+
÷
=
Zi
Zi
e 1
e 1
÷
+
+

= e
Zi
Gunakan Sifat Logaritma Untuk Transformasi Linier
ln (
e
Zi
Pi
Pi
ln
1
= |
.
|

\
|
÷
 Li = Zi ln (e)
Li = β
0
+ β
1
X ; linier
Pi
Pi
÷ 1
: odd ratio
misal y = 1 ; mempunyai rumah
0 ; tidak mempunyai rumah
pi = proporsi y = 1
Bila Pi = 0.8 (keluarga dengan pendapatan 40) , maka
4
8 . 0 1
8 . 0
=
÷
Artinya pada keadaan tersebut kekuatan kepemilikan rumah
adalah 4 berbanding 1.
Log dari odd ratio di sebut : logit
Li = ln = |
.
|

\
|
÷ Pi
Pi
1
β
0
+ β
1
Xi + e
Pendugaan parameter : OLS
Var (e) =
)
ˆ
(
ˆ
i P i P Ni ÷ 1
1
;
Ni
ni
P =
ˆ
Masalah : heteroskedastisitas
 gunakan bobot (wi) sehingga WLS yang lebih
tepat.
wi =
i) P
ˆ
- i(1 P
ˆ
Ni
Li* = Wi Li
Xi* =
Wi
Xi
Li* = β
0

Wi
+ β
1
Xi* + e
Wi
WLS :
LOGIT
x Sampel Kejadian Logit wi
6
8
10
13
15
20
25
30
35
40
40
50
60
80
100
70
65
50
40
25
8
12
18
28
45
36
39
33
30
20
-1.39
-1.15
-.85
-.62
-.20
.06
.41
.66
1.10
1.39
2.53
3.02
3.55
4.27
4.97
4.18
3.95
3.35
2.74
2.00
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 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
* * * * * * * * * 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
LOGIT
Model yang diperoleh :
Kaidah pengelompokan (Sarma, 1996) :
peluang > 0.5 ; masukkan ke kejadian
peluang < 0.5 ; masukkan ke bukan kejadian
Li : -1.60235 + 0.07907 Xi
R
2
= 0.9791
Kelurga dengan X = 37, berapa peluang memiliki rumah?
Li = -1.60235 + 0.07907 (37)
= 1.32398
P
i
=
( ) 32398 1
1
1
. ÷
+ e
= 0.7898
Suatu keluarga dengan penghasilan 370 $ berpeluang
memiliki rumah sebesar 78.98 %.
PROBIT
F (Z) = 00
2
1
2
2 / 1
+
÷
u e
z
DZ
x
u
F (Z = 1.96) =
}
+
=
06
96 . 1
025 . 0 ) ( DZ z F
 untuk P
i
= 0.20  berapa Z
Z Pi
F
=
÷
) (
1
; nilainya berkisar antara –3.5 sampai dengan + 3.5
disebut normit (i)
Agar tidak negatif : +5 dan normit + 5 disebut probit
Model probit :
Zi = β
0
+ β
1
Xi
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
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
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 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; R
2
=
0.948 dan p = 0.0001.

Interpretasi ? Silahkan dicoba

H
2
O
2
OH*
Group
Mean ± SD p-value Mean ± SD p-value
(Normal)
(Hiperglikemi)
8.867 ± 0.0577
9.933 ± 0.8021
0.083
16.2667 ± 2.2942
35.1000 ± 3.8974
0.002
atatan : p-value pada unpaired t-test
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 µM sampai dengan dosis 4 µM kurang tajam, dan
peningkatan sangat tajam terjadi dari dosis 4 µM sampai dengan dosis 8 µM.

PENYELESAIAN CONTOH KASUS
C. Data
ANC Alb-Urin
Group
4 1 Normal
8 1 Normal
6 1 Normal
7 0 Normal
7 1 Normal
6 0 Normal
3 0 Normal
10 0 Normal
9 0 Normal
3 0 Normal
3 0 Normal
10 1 Normal
7 0 Normal
6 0 Normal
9 0 Normal
3 0 Normal
6 0 Normal
4 0 Normal
5 0 Normal
3 0 Normal
11 0 Normal
ANC Alb-Urin
Group
4 1 Preeklamsi
10 2 Preeklamsi
2 2 Preeklamsi
7 3 Preeklamsi
6 2 Preeklamsi
9 1 Preeklamsi
3 2 Preeklamsi
5 2 Preeklamsi
8 2 Preeklamsi
9 1 Preeklamsi
6 3 Preeklamsi
3 3 Preeklamsi
6 2 Preeklamsi
6 1 Preeklamsi
2 3 Preeklamsi
5 2 Preeklamsi
8 1 Preeklamsi
7 3 Preeklamsi
6 3 Preeklamsi
10 3 Preeklamsi
9 2 Preeklamsi
Data ANC dan Alb-
Urin berupa
tingkatan
PENYELESAIAN CONTOH KASUS
C. Hasil Analisis
(Nonparametrik : Mann Whitney; data ordinal)
R e p o rt
6 .0 0 .0 0
2 1 2 1
6 .0 0 2 .0 0
2 1 2 1
6 .0 0 1 .0 0
4 2 4 2
Me d i a n
N
Me d i a n
N
Me d i a n
N
1 =No rma l, 2 =P re e k la ms i
1
2
To ta l
A NC A L B _ URIN
T e s t S t a t is t ic s
a
1 2 .5 0 0 2 1 8 .0 0 0
2 4 3 .5 0 0 4 4 9 .0 0 0
- 5 .4 6 3 - .0 6 4
.0 0 0 .9 4 9
M a nn- W hi tne y U
W i lc o xo n W
Z
A s ym p . S i g . ( 2 - ta i le d )
A L B _ U R IN A N C
G r o up i ng V a r i a b le : 1 = N o r m a l, 2 = P r e e k la m s i
a .
Tidak terjdi perbedaan ANC
Albumin urin pada
Preeklamsi lebih tinggi
PENYELESAIAN CONTOH KASUS
D. Analisis Path : ada struktur pengaruh
Data pada semua variabel diubah ke normal baku (Standardize)
Dilakukan analisis regresi terhadap data standardize
CA
H
2
O
2

MDA
ATP
Glukosa
PENYELESAIAN CONTOH KASUS
D. Hasil Analisis Regresi Simultan; dengan Software Eviews Rel.3
Estimation Method: Iterative Weighted Least Squares
Date: 02/07/02
Time: 08:13
Sample: 1 20
Convergence achieved after: 1 weight matrix, 2 total coef iterations
Coefficient Std. Error t-Statistic Prob.
C(1) -0.177273 0.074202 -2.389058 0.0206
C(2) 1.224726 0.120887 10.13115 0.0000
C(3) 0.797109 0.189821 4.199270 0.0001
C(4) -0.107051 0.097353 -1.099615 0.2766
C(5) -0.680829 0.255664 -2.662988 0.0103
C(6) -6.02E-08 0.099558 -6.04E-07 1.0000
C(7) -0.594031 0.372608 -1.594254 0.1169
C(8) 0.642824 0.189406 3.393888 0.0013
C(9) 0.863604 0.345198 2.501762 0.0155
C(10) 6.03E-07 0.056277 1.07E-05 1.0000
C(11) -0.189811 0.119059 -1.594254 0.1169
C(12) 0.293302 0.117318 2.500051 0.0156
C(13) 0.872145 0.109359 7.975073 0.0000
C(14) -0.474431 0.185666 -2.555298 0.0136
C(15) 0.966295 0.826917 1.168552 0.2479
C(16) 0.541892 0.700497 0.773583 0.4427
C(17) -0.696833 0.633706 -1.099615 0.2766
C(18) 0.341040 0.786684 0.433515 0.6664
Determinant residual covariance 0.000129
PENYELESAIAN CONTOH KASUS
Equation: CA = C(1) + C(2)*MDA + C(3)*H2O2 + C(4)*ATP +
C(5)*GLUKOSA
Observations: 15
------------------------------------------------------------------------------------------------
R-squared 0.955911 Mean dependent var 0.241354
Adjusted R-squared 0.938275 S.D. dependent var 1.052292
S.E. of regression 0.261437 Sum squared resid 0.683492
Durbin-Watson stat 1.628974
Equation: MDA = C(6) + C(7)*H2O2 + C(8)*CA + C(9)*GLUKOSA
Observations: 20
------------------------------------------------------------------------------------------------
R-squared 0.791331 Mean dependent var -1.00E-06
Adjusted R-squared 0.752206 S.D. dependent var 1.000002
S.E. of regression 0.497790 Sum squared resid 3.964715
Durbin-Watson stat 2.843360
Equation: H2O2 = C(10) + C(11)*MDA + C(12)*CA + C(13)*GLUKOSA
Observations: 20
------------------------------------------------------------------------------------------------
R-squared 0.933324 Mean dependent var 5.00E-07
Adjusted R-squared 0.920822 S.D. dependent var 1.000000
S.E. of regression 0.281385 Sum squared resid 1.266843
Durbin-Watson stat 2.291807
Equation: ATP = C(14) + C(15)*MDA + C(16)*H2O2 + C(17)*CA +
C(18)*GLUKOSA
Observations: 15
------------------------------------------------------------------------------------------------
R-squared 0.682208 Mean dependent var 6.67E-07
Adjusted R-squared 0.555091 S.D. dependent var 0.999999
S.E. of regression 0.667014 Sum squared resid 4.449080
Durbin-Watson stat 2.798371
PENYELESAIAN CONTOH KASUS
D. Koefisien Pengaruh langsung dicantumkan pada diagram Path
CA
H
2
O
2

MDA
ATP
Glukosa
0.797
(0.0001)
0.864
(0.0155)
-0.594
(0.1169)
-0.190
(0.1169)
0.643
(0.0013)
0.293
(0.0156)
1.224
(0.00001)
-0.681
(0.0103)
0.341
(0.666)
0.872
(0.00001)
-0.107
(0.277)
0.966
(0.2479)
-0.697
(0.277)
0.541
(0.4427)

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->