Penanganan Ketaknormalan Data Pada Model AMMI Dengan Transformasi Box-Cox (Data Non-Normality On AMMI Models: Box-Cox Transformations)
Penanganan Ketaknormalan Data Pada Model AMMI Dengan Transformasi Box-Cox (Data Non-Normality On AMMI Models: Box-Cox Transformations)
ABSTRACT
AMMI (Additive Main Effect Multiplicative Interaction) model for interactions in two-way table provide the
major mean for studying stability and adaptability through genotype × environment interaction (GEI), which
modeled by full interaction model. Eligibility of AMMI models depends on that assumption of normally
independent distributed error with a constant variance. In the case of non-normal data distribution, the
appropriateness of AMMI model is being doubtful. Transform the observation by power family of Box-Cox
transformation is an effort to handle the non-normality. AMMI model then can be applied to the transformed
data appropriately following by the use of ordinary least square for estimating parameters. This approach is
investigated by applying them to (i) a count data of pest population of Poisson distribution, which came from a
study of leave pest in soybean genotype, and to (ii) a study of rice genotype stability of filled grain per panicle
(Binomial data). One must be carefully considered what the meaning of the transformation in the AMMI
models and Biplot AMMI.
multiplikatif pengaruh interaksi untuk baris dasarnya metode ini merupakan upaya untuk
dinotasikan dengan γki adalah juga skor baris memberikan peragaan grafik dari suatu matriks
sumbu ke-k dan kolom ke-i. Skor kolom ke-j dalam suatu plot dengan menumpangtindihkan
pada sumbu ke-k dinotasi dengan δki. Nilai vektor-vektor dalam ruang berdimensi dua.
singular yang berpadanan dengan sumbu ke-k Vektor-vektor yang dimaksud yaitu vektor
yang direpresentasi oleh k adalah ukuran yang mewakili nilai skor komponen
asosiasi antara skor baris dan kolom. Nilai lingkungan.
yang diperoleh dari penguraian nilai singular Biplot adalah plot antara satu kolom G
(SVD) ini mengindikasikan tingkat dengan kolom G yang lain yang ditampilkan
kepentingan sumbu. Kuadrat dari nilai secara bersama-sama dengan plot kolom H
singular, yaitu nilai akarciri sama dengan dengan kolom H yang lain yang bersesuaian
jumlah kuadrat sumbu yang bersangkutan. dengan kolom G yang diplot (Jolliffe, 1986).
Kendala untuk parameter suku multiplikatif Sebagian statistikawan membuat plot antar
meliputi jumlah yang sama dengan nol kolom U dan antar kolom H secara bersamaan.
(terpusatkan) dan perkalian silangnya sama Sebagian peneliti pertanian (pemuliaan
dengan nol (ortonormal). tanaman) bahkan membuat plot antara kolom-
Dalam kasus data tidak menyebar Normal, kolom tersebut dengan nilai rataan data asli per
kelayakan model AMMI menjadi tidak peubah amatan yang sesuai.
terpenuhi. Jika matriks data bebas, Biplot pada analisis AMMI biasanya berupa
berdistribusi Normal dengan ragam konstan, biplot antara nilai komponen utama pertama
penduga kemungkinan maksimum tereduksi dengan rataan respon (biplot AMMI1). Biplot
menjadi SVD. Manakala sebarannya bukan antara komponen utama kedua dan nilai
Normal –Binomal, Poisson, invers Gaussian, komponen pertama (biplot AMMI2) bisa
misalnya– kesamaan ini tidak lagi berlaku ditambahkan jika komponen utama kedua ini
(Falguerolles, 1996). nyata.
Data yang berdistribusi selain Normal Interpretasi biplot AMMI1 adalah bagi titik-
cenderung tidak homogen, dan bila titik yang sejenis. Jarak titik-titik amatan
dimodelkan dengan AMMI ketakhomogenan berdasarkan sumbu datar (rataan respon)
ragam dapat berakibat buruk, sedangkan skala menunjukkan perbedaan pengaruh utama
dugaannya mungkin juga tidak memuaskan. amatan-amatan tersebut. Sedangkan jarak titik-
Kedua fenomena ini bisa jadi membutuhkan titik amatan berdasarkan sumbu tegak (KUI1)
dimasukkannya suku interaksi tambahan (Van menunjukkan perbedaan pengaruh interaksinya
Eeuwijk, 1995). Kadangkala ada alasan kuat atau perbedaan kesensitifannya terhadap lokasi.
untuk tetap memodelkan data pada skala Biplot AMMI1 menunjukkan bahwa genotipe
pengamatan. Kehomogenan ragam dapat dikatakan mempunyai daya adaptasi baik pada
diatasi dengan menambahkan satu atau lebih suatu lingkungan jika genotipe dan lingkungan
suku multiplikatif interaksi. Ketika tidak ada bertanda sama (berinteraksi positif).
alasan untuk memaksa pemodelan tetap pada Biplot AMMI2 menggambarkan pengaruh
skala pengamatan, maka transformasi terhadap interaksi antara genotipe dan lingkungan. Titik-
peubah respon dapat dilakukan untuk titik amatan yang mempunyai arah yang sama
mengurangi masalah ini. Model linier atau berarti titik-titik amatan tersebut berinteraksi
bilinier dikenakan pada data yang telah positif (saling menunjang), sedangkan titik-titik
ditransformasi, dan sifat sebaran sisaan yang berbeda arah menunjukkan bahwa titik-
diasumsikan memenuhi sebaran Normal. titik tersebut berinteraksi negatif.
Transformasi data pada hakekatnya adalah (stretch) ekor distribusi untuk memberikan
suatu usaha untuk mengubah data dari suatu bentuk distribusi yang mendekati bentuk genta.
skala ke skala yang lain. Model linier yang Demikian halnya dengan transformsi
klasik (analisis ragam atau regresi) telah keluarga pangkat juga berguna untuk membuat
dikembangkan berdasarkan pada beberapa distribusi menjadi semakin simetrik
asumsi pokok yaitu keaditifan (model pengaruh (mengurangi kemenjuluran). Harapannya
utama), ragam perlakuan yang homogen adalah diperoleh distribusi data yang semakin
(keragaman data bersifat bebas dari rataan dan mendekati Normal. Kriteria yang berbeda
banyaknya ulangan), dan kenormalan data. untuk menentukan tranformasi apa yang akan
Asumsi pertama berkaitan dengan struktur digunakan tidak harus munuju pada pilihan
data yang pada akhirnya menyangkut yang sama, tetapi sering terjadi transformasi
penafsiran data, asumsi kedua berperan dalam yang optimum untuk suatu masalah juga
menyederhanakan metode pendugaan memperbaiki masalah yang lain. Pada keluarga
parameter. Sedangkan yang terakhir sangat transformasi ini telah dikenal luas suatu metode
erat kaitannya dengan pengujian hipotesis. perhitungan untuk menentukan transformasi
Metode pengujian hipotesis yang telah optimum, yaitu transformasi Box-Cox.
berkembang sangat lanjut adalah yang
didasarkan pada kenormalan data, oleh karena Transformasi Box-Cox
itu patokan-patokannya dapat dengan mudah Transformasi ini bertujuan memenuhi ketiga
diperoleh dalam tabel-tabel sebaran statistik, asumsi model linier, yaitu keheterogenan
seperti tabel t, F atau Khi-kuadrat (Aunuddin, ragam, ketaknormalan galat, dan
2005). keaditifan/ketaklinieran pengaruh sistematik.
Dalam hal ini, transformasi bertujuan untuk Box-Cox menggunakan kriteria yang
mengatasi tiga masalah utama yaitu menggabungkan tujuan memperoleh model
keheterogenan ragam, ketaknormalan galat, yang sederhana dan ragam yang homogen pada
dan ketakaditifan atau ketaklinieran pengaruh satu sisi serta tujuan kenormalan data pada sisi
sistematik. Diakui bahwa bagaimanapun, tidak lain.
mudah mengatasi ketiga hal tersebut dengan satu Metode transformasi Box-Cox menggunakan
langkah tunggal transformasi. Transformasi keluarga transformasi parametrik yang
tunggal biasanya manjur untuk mengatasi satu didefinisikan dalam bentuk terbakukan sebagai
masalah tertentu tetapi tidak ketiganya. berikut:
Keberhasilan transformasi untuk memperoleh Yi 1
kesederhanaan model (aditifitas/linieritas) , untuk 0
mungkin mengakibatkan ketaknormalan dan Yi ( ) Y 1
ketakhomogenan ragam bila sebelumnya dua Y ln Y , untuk 0
i
asumsi ini terpenuhi. Ada kalanya transformasi
yang dilakukan untuk memperoleh ragam yang dengan Y adalah rataan geometrik dari peubah
stabil membawa kita pada ketaknormalan asal yaitu Y exp ln Yi n (Rawling et
i
(Rawling et al., 1998) . al.,1998; Box, Hunter, & Hunter, 1978).
Beruntunglah, bahwa transformasi untuk Parameter diperoleh secara empirik
mem-peroleh kehomogenan ragam dan melalui penduga kemungkinan maksimum
ketaknormalan mempunyai kecenderugan untuk beberapa nilai yang dipilih. Tahapan
diperoleh secara bersamaan (hand-in-hand), perhitungan sebagai berikut:
sehingga tidak jarang kedua asumsi dapat
Nilai dipilih dari selang tertentu, umumnya
terpenuhi oleh suatu transformasi yang tepat
[-2,2], katakanlah =[ -2, -1.5, -1, -0.5,
(Bartlet, 1947 diacu dalam Rawling et al.,
-0.25, 0, 0.25, 0.5, 1, 1.5, dan 2]
1998)
Transformasi untuk kehomogenan ragam Jumlah kuadrat sisaan dari model Yi() ditulis
seringkali juga memenuhi kenormalan. sebagai JKS ( ) , dan ragam bagi
Transformasi logit, arcsinus, dan probit yang didefinisikan sebagai JKS n .
2
dan L() dan memperhatikan titik kritis pada melibatkan 12 varietas padi pada 5 lokasi.
L() maksimum, maka maks ini adalah penduga Penelitian akan memodelkan data persentase
titik bagi . gabah isi, yang diamati saat panen.
Perlu dicatat bahwa dapat pula diperoleh Ilustrasi kedua adalah percobaan
dari plot atau antara dan JKS()/n dengan pengendalian terhadap hama daun pada galur
memperhatikan pada JKS()/n minimum. kedelai tahan hasil persilangan oleh Balai
Dengan transformasi ini kita akan Penelitian Kacang-kacangan dan Umbi-umbian
memperoleh sebaran yang simetrik mendekati (Balitkabi) Departemen Pertanian RI di
Normal. Ketakhomogenan ragam pun dapat Malang, Jawa Timur. Percobaan ini
dikurangi dengan transformasi ini. melibatkan empat galur/varietas kedelai tahan
hasil persilangan (Wilis, IAC-100, IAC-80-
Tahapan Analisis 596-2 dan W/80-2-4-20). Penelitian ini
Tahapan penggunaan transformasi kenormalan memanfaatkan data populasi hama daun pada
pada model AMII sebagaimana dalam umur 14 hari setelah tanam.
Gambar 1.
Kestabilan Gabah Isi Varietas Padi: Data
Data Percobaan
Persentase/Proporsi
Data dalam bentuk proporsi biasanya tidak
Pengujian Normal
berdistribusi Normal. Hal ini ditunjukkan oleh
Kenormalan uji kenormalan pada Gambar 3. Metode
Tidak transformasi Box-Cox pada data proporsi
Trasformasi Box-Cox gabah isi menghasilkan nilai dugaan lambda
sebesar 7.80 pada nilai maksimum log-
likelihood sebesar 160.79. Plot log-likelihood
Pengujian
Tidak Kenormalan disajikan pada Gambar 2 sedangkan nilai
Normal
lambda untuk beberapa nilai log-likehood
Model AMMI
disajikan pada Lampiran 3.
Dengan demikian diperoleh transformasi
Biplot AMMI 2 pangkat 7.8. Katakanlah yp adalah peubah
populasi hama daun maka peubah
Gambar 1. Langkah penggunaan transformasi transformasinya adalah
kenormalan pada AMMI yz =yp7.8. Uji kenormalan menunjukkan
Langkah-langkah pekerjaan penelitian adalah peubah yz ini menyebar mengikuti distribusi
sebagai berikut: Normal (Gambar 3b). Pow er : Box-Cox
Kolmogorov-Smirnov
60
(Lampiran 6)
3. Pengepasan model AMMI dilakukan 0
.999 .999
.99 .99
.95 .95
Probability
Probability
.80 .80
.50 .50
.20 .20
.05 .05
.01 .01
.001 .001
0.75 0.85 0.95 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
p Yz
Average: 0.904975 W-test for Normality Average: 0.487487 W-test for Normality
StDev: 0.0463283 R: 0.9572 StDev: 0.164410 R: 0.9940
N: 60 P-Value (approx): < 0.0100 N: 60 P-Value (approx): > 0.1000
Gambar 3. Uji kenormalan data proporsi gabah isi sebelum transformasi (a)
dan sesudah transformasi Box-Cox (b)
3
.999
.99 2
.95
1
Probability
.80
stdres
.50 0
.20
-1
.05
.01 -2
.001
-3
0.6
0.3 C B9154F-PN-1-1-4
K D S3382-2D-3-3
0.2
E
B C E Bio Xa-5
H Talang
0.1
L F S3383-1D-PN-41-3-1
0 A G Bio Xa-7
-0.4 Jatibaru
-0.3
-0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
F -0.1 H OBS. 1656
J
Maranu G J OBS. 1657
-0.2
M K OBS. 1658
D -0.3
Maroagin L IR. 64
-0.4 M MEMBERAMO
-60
penyimpangan yang serius pada plot sisaan
(Lampiran 2).
-80
Biplot AMMI1 menunjukkan genotipe IAC-
100 merupakan genotipe dengan nilai rataan
-100
0 2 4 6 8 10
populasi hama (ternormalkan) paling rendah,
Lambda
sedangkan Wilis yang paling tinggi (Lampiran
5).
Gambar 6. Plot log-likelihood transformasi
Box Cox data populasi hama daun Selengkapnya, interaksi ini digambarkan
oleh Biplot AMMI2 dengan lebih baik.
Jurnal ILMU DASAR, Vol. 8 No. 2, Juli 2007 : 165-174 171
.80
.50
genotipe. Genotipe IAC 80 paling tahan
.20 terhadap keseluruhan hama daun pada fase ini
.05
.01
(14 HST) dibanding yang lain. Sementara
.001 genotipe lain secara spesifik rentan terhadap
1.0 1.5 2.0 2.5 hama tertentu. W/80 relatif rentan terhadap
az
Average: 1.65575 W-test for Normality Lalat Kacang (Agromyza), IAC 100 relatif
StDev: 0.589420 R: 0.9958
N: 20 P-Value (approx): > 0.1000
rentan terhadap Emproasca.
Gambar 7. Plot uji kenormalan hasil
transformasi Box-Cox data populasi hama daun
Longitarsus
0.5 Wilis
IAC -80
IAC -100
Bemisia
0
Lamprosema
Emproasca
Agromyza
-0.5
W/80
-1
Lampiran 1. Nilai lambda dugaan dan log-likelihood transformasi Box-Cox data populasi hama
daun
Box-Cox Box-Cox
lambda Box-Cox Likelihood lambda lambda
Likelihood Likelihood
1 -0.99 -22.22 8 2.86 -22.53 15 6.70 -62.23
2 -0.44 -16.28 9 3.41 -27.25 16 7.25 -68.72
3 0.11 -12.77 10 3.96 -32.41 17 7.80 -75.32
4 0.66 -11.67 11 4.50 -37.90 18 8.35 -82.03
5 1.21 -12.57 12 5.05 -43.68 19 8.90 -88.83
6 1.76 -14.95 13 5.60 -49.68 20 9.45 -95.70
7 2.31 -18.37 14 6.15 -55.87 21 10.00 -102.64
Lampiran 2. Plot sisaan model AMMI 2 data populasi hama daun ternormalkan.
az az
2.0
7
Standardiz ed residuals
1.5
6
1.0
5
0.5
4
0.0
3
-0.5
2 -1.0
1 -1.5
0 -2.0
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 0.75 1.00 1.25 1.50 1.75 2.00 2.25 2.50
Standardiz ed res iduals Fitted v alues
az az
2.0
1.75
Standardiz ed residuals
1.5
1.50
1.0
0.5 1.25
0.0 1.00
-0.5 0.75
-1.0 0.50
-1.5 0.25
Lampiran 3. Nilai lambda dugaan dan log-likelihood transformasi Box-Cox data proporsi gabah isi
-2.0
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0
0.00
0.0 0.5 1.0 1.5 2.0
Box-Cox Box-Cox
lambda Box-Cox Likelihood lambda lambda
Likelihood Likelihood
1 -0.99 150.29 8 2.86 157.75 15 6.70 160.61
2 -0.44 151.70 9 3.41 158.41 16 7.25 160.73
3 0.11 152.99 10 3.96 158.97 17 7.80 160.79
4 0.66 154.16 11 4.50 159.45 18 8.35 160.78
5 1.21 155.21 12 5.05 159.85 15 6.70 160.61
6 1.76 156.16 13 5.60 160.18 16 7.25 160.73
7 2.31 157.01 14 6.15 160.43 17 7.80 160.79
0.5 Maroangin
0.4 C
G
0.3
0.2 Paritdalam
L
0.1 A
KUI1
M B K
0.0 Talang J
D
-0.1 F
H
-0.2 Jatibaru
E
-0.3 Maranu
-0.4
1 IAC-100
Agromyza
KUI1
0 Emproasca
Longitarsus
Lamprosema IAC-80
W/80
Wilis
Bemissia
-1
1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
Populasi Hama Daun
YTRANSFORM [transform=powe;method=boxc;lower=-0.99;upper=10]y=gbhisi;nbin=nY;\
save=bxc
print bxc[1, 2, 3, 4];
variate Z
calc Z=gbhisi**1.21
normtest [print=marg, critical]data=Z
print Y, Z
Jurnal ILMU DASAR, Vol. 8 No. 2, Juli 2007 : 164-174 175